CN116362390B - 基于概率神经网络的海上伏击预测方法及系统 - Google Patents
基于概率神经网络的海上伏击预测方法及系统 Download PDFInfo
- Publication number
- CN116362390B CN116362390B CN202310267447.4A CN202310267447A CN116362390B CN 116362390 B CN116362390 B CN 116362390B CN 202310267447 A CN202310267447 A CN 202310267447A CN 116362390 B CN116362390 B CN 116362390B
- Authority
- CN
- China
- Prior art keywords
- aircraft carrier
- target aircraft
- voltaic
- neural network
- position coordinates
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 134
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000002776 aggregation Effects 0.000 claims abstract description 49
- 238000004220 aggregation Methods 0.000 claims abstract description 49
- 238000004458 analytical method Methods 0.000 claims abstract description 42
- 238000013507 mapping Methods 0.000 claims description 24
- 238000010276 construction Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000009933 burial Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 13
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 230000007246 mechanism Effects 0.000 abstract description 3
- 239000000969 carrier Substances 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 210000004916 vomit Anatomy 0.000 description 3
- 230000008673 vomiting Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000004832 voltammetry Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于概率神经网络的海上伏击预测方法及系统,属于人工智能技术领域。所述方法包括:使用位置预测器件,用于以目标航母在当前轮次之前设定数目的各个轮次参与军事行动的各个集结位置坐标为再构后的概率神经网络的各个输入信息,运行所述概率神经网络以获得所述目标航母当前轮次参与军事行动的集结位置坐标;使用伏击分析器件,用于基于接收到的集结位置坐标分析伏击所述目标航母的最佳伏击区域的坐标范围。本发明还涉及一种基于概率神经网络的海上伏击预测系统。通过本发明,能够采用针对性的海域环境数字化处理机制以及基于概率神经网络的信息预测处理机制,完成对目标航母的当前集结位置的现场预测,从而提升了海上伏击的成功率。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于概率神经网络的海上伏击预测方法及系统。
背景技术
海上伏击,指的是预先判断对方的移动军事目标例如航母等的未来进入区域,并在所述进入区域内提前埋伏打击力量,例如各种舰船,以在对方的移动军事目标驶入所述进入区域内时,依靠先发优势进行火力覆盖射击,从而达到预期打击效果。
由此可见,对方的移动军事目标的未来进入区域的预测准确性,直接决定了海上伏击的效果,其中,对方的移动军事目标的未来进入区域与对方的移动军事目标的当前集结位置密切相关,确定了对方的移动军事目标的当前集结位置,采用预测模型就可以完成各个区域的未来时刻的驶入概率预测,从而选择出概率最高的区域以作为未来进入区域并提前埋伏打击力量,实现高效的海上伏击。
然而,对方的移动军事目标的当前集结位置与对方的移动军事目标的目标类型、行驶习惯、作战模式等要素密切相关,同时针对不同的作战海域,由于海岸线分布的复杂性以及海面环境的复杂性,导致很难对对方的移动军事目标的当前集结位置进行准确预测。
发明内容
为了解决上述技术问题,本发明提供了一种基于概率神经网络的海上伏击预测方法及系统,在海岸线环境数字化和坐标化的基础上,通过为每一目标航母构造不同结构以及不同学习模式的概率神经网络,实现基于目标航母历史集结位置的当前集结位置的预测机制,从而为海上伏击区域的分析提供有价值的参考数据。
为此,本发明至少需要具备以下几处重要的发明点:
发明点一:以目标航母历史轮次参与军事行动的集结位置坐标作为所述目标航母对应的概率神经网络各个输入信息和/或学习信息执行对概率神经网络的构建和学习,以获得能够预测所述目标航母当前轮次参与军事行动的集结位置坐标,从而为针对所述目标航母的最佳伏击区域的选择提供关键数据;
发明点二:针对每一目标航母构造不同结构的概率神经网络,其中,目标航母的当前服役年数越短,其对应的概率神经网络的输入信息的数量越少;
发明点三:针对每一目标航母实现不同次数的概率神经网络的学习动作,其中,概率神经网络的学习次数的数值与其对应的目标航母的最高行驶节数成正比。
根据本发明的第一方面,提供了一种基于概率神经网络的海上伏击预测方法,所述方法包括:
使用坐标解析器件,用于针对目标航母采集所述目标航母历史上每一轮次参与军事行动的集结位置坐标,所述集结位置坐标位于军事行动对象的邻海且包括横坐标和纵坐标;
使用网络初构器件,用于以所述目标航母预测轮次参与军事行动的集结位置坐标为概率神经网络的单个输出信息,以所述目标航母在预测轮次之前设定数目的各个轮次参与军事行动的各个集结位置坐标为概率神经网络的各个输入信息,构建归属于所述目标航母的、执行集结位置预测的概率神经网络;
使用次数映射器件,用于基于所述目标航母的最高行驶节数映射所述目标航母对应的概率神经网络的选择学习次数,所述选择学习次数的数值与所述目标航母的最高行驶节数成正比;
使用网络再构器件,分别与所述网络初构器件和所述次数映射器件连接,用于采用所述目标航母历史轮次参与军事行动的集结位置坐标作为所述目标航母对应的概率神经网络的输入信息和输出信息执行对所述概率神经网络的选择学习次数的多次学习动作,并将经历过多次学习动作后的概率神经网络作为再构后的概率神经网络输出;
使用位置预测器件,与所述网络再构器件连接,用于以所述目标航母在当前轮次之前设定数目的各个轮次参与军事行动的各个集结位置坐标为再构后的概率神经网络的各个输入信息,运行再构后的概率神经网络以获得其输出信息即所述目标航母当前轮次参与军事行动的集结位置坐标并作为当前集结位置坐标输出;
使用伏击分析器件,与所述位置预测器件连接,用于基于接收到的当前集结位置坐标分析伏击所述目标航母的最佳伏击区域的坐标范围;
其中,以军事行动对象的海岸线为垂直坐标轴,以所述海岸线的中点为原点,以垂直于所述海岸线的直线为水平坐标轴,以所述海岸线遭遇所述目标航母攻击的一侧为所述水平坐标轴的正向所在的一侧,以位于所述水平坐标轴的正向的逆时针方向的一侧的垂直坐标轴的方向为所述垂直坐标轴的正向,建立所述集结位置坐标所在的平面坐标系;
其中,当军事行动对象的海岸线为非直线的曲线时,对军事行动对象的海岸线拟合以获得作为垂直坐标轴的直线。
根据本发明的第二方面,提供了一种基于概率神经网络的海上伏击预测系统,所述系统包括:
坐标解析器件,用于针对目标航母采集所述目标航母历史上每一轮次参与军事行动的集结位置坐标,所述集结位置坐标位于军事行动对象的邻海且包括横坐标和纵坐标;
网络初构器件,用于以所述目标航母预测轮次参与军事行动的集结位置坐标为概率神经网络的单个输出信息,以所述目标航母在预测轮次之前设定数目的各个轮次参与军事行动的各个集结位置坐标为概率神经网络的各个输入信息,构建归属于所述目标航母的、执行集结位置预测的概率神经网络;
次数映射器件,用于基于所述目标航母的最高行驶节数映射所述目标航母对应的概率神经网络的选择学习次数,所述选择学习次数的数值与所述目标航母的最高行驶节数成正比;
网络再构器件,分别与所述网络初构器件和所述次数映射器件连接,用于采用所述目标航母历史轮次参与军事行动的集结位置坐标作为所述目标航母对应的概率神经网络的输入信息和输出信息执行对所述概率神经网络的选择学习次数的多次学习动作,并将经历过多次学习动作后的概率神经网络作为再构后的概率神经网络输出;
位置预测器件,与所述网络再构器件连接,用于以所述目标航母在当前轮次之前设定数目的各个轮次参与军事行动的各个集结位置坐标为再构后的概率神经网络的各个输入信息,运行再构后的概率神经网络以获得其输出信息即所述目标航母当前轮次参与军事行动的集结位置坐标并作为当前集结位置坐标输出;
伏击分析器件,与所述位置预测器件连接,用于基于接收到的当前集结位置坐标分析伏击所述目标航母的最佳伏击区域的坐标范围;
其中,以军事行动对象的海岸线为垂直坐标轴,以所述海岸线的中点为原点,以垂直于所述海岸线的直线为水平坐标轴,以所述海岸线遭遇所述目标航母攻击的一侧为所述水平坐标轴的正向所在的一侧,以位于所述水平坐标轴的正向的逆时针方向的一侧的垂直坐标轴的方向为所述垂直坐标轴的正向,建立所述集结位置坐标所在的平面坐标系;
其中,当军事行动对象的海岸线为非直线的曲线时,对军事行动对象的海岸线拟合以获得作为垂直坐标轴的直线。
附图说明
以下将结合附图对本发明的实施方案进行描述,其中:
图1为根据本发明的基于概率神经网络的海上伏击预测方法及系统的技术流程图。
图2为根据本发明的基于概率神经网络的海上伏击预测方法及系统的集结位置到伏击区域的伏击概率解析图。
图3为根据本发明的实施例4示出的基于概率神经网络的海上伏击预测系统的内部结构图。
图4为根据本发明的实施例5示出的基于概率神经网络的海上伏击预测系统的内部结构图。
图5为根据本发明的实施例6示出的基于概率神经网络的海上伏击预测系统的内部结构图。
具体实施方式
航空母舰,简称航母,是一种以舰载机为主要作战武器的大型水面舰艇,可以提供舰载机的起飞和降落。航空母舰舰体通常拥有巨大的甲板和舰岛,舰岛大多坐落于右舷。航空母舰一般总是一支航空母舰战斗群的核心舰船。舰队中的其它船只提供其保护和供给,而航母则提供空中掩护和远程打击能力。
航空母舰大致可分为攻击型航空母舰和多用途航空母舰,二战结束后,随着科技的进步和作战思想的改变,美国把航母的作战类型全部综合到一艘航母上即多用途航空母舰;按排水量大小可分为大型航母(排水量6万吨以上),中型航母(排水量3-6万吨)和小型航母(排水量3万吨以下);按动力装置可分为核动力航空母舰和常规动力航空母舰。
航空母舰已是现代海军不可或缺的武器,也是海战最重要的舰艇之一。依靠航空母舰,一个国家可以在远离其国土的地方、在不依靠当地的机场的情况下施加军事压力和进行作战。航空母舰已是现代海军不可或缺的利器,也成为了一个国家综合国力的象征。
当前,如果能够有效设置海上伏击区域,事先埋伏海上力量以在航母进入伏击区域时执行突发性的火力覆盖打击,就能够以小博大、完成对对方关键海上力量即航母的致命打击。然而,不同作战海域环境下即使是同一航母,其行驶路线也是跟随环境随机变化的,更不用说为了防止被伏击,每一航母存在符合自己性能的防伏击行驶方案和习惯,这一切都导致航母的集结位置难以预测,进而导致海上伏击区域的解析失败。
为了克服上述不足,本发明搭建了一种基于概率神经网络的海上伏击预测方法及系统,首先,对各个作战海域环境进行数字化模拟和坐标化模拟,其次,引入概率神经网络以基于航母的历史集结位置实现对本次集结位置的有效预测,最后,基于本次集结位置的预测结果完成对本次海上伏击区域的可靠解析,从而提升了海上伏击对方航母目标的成功率。
如图1所示,给出了根据本发明示出的基于概率神经网络的海上伏击预测方法及系统的技术流程图。
如图1所示,本发明的具体的技术流程如下:
首先,对目标航母的历史航行数据进行针对性的数字化整理和坐标化整理,以获得所述目标航母历史上每一轮次参与军事行动的集结位置坐标,所述集结位置坐标位于军事行动对象的邻海且包括横坐标和纵坐标,每一轮次参与军事行动的平面坐标系的构建模式如下:以该轮次军事行动对象的海岸线为垂直坐标轴,以所述海岸线的中点为原点,以垂直于所述海岸线的直线为水平坐标轴,以所述海岸线遭遇所述目标航母攻击的一侧为所述水平坐标轴的正向所在的一侧,以位于所述水平坐标轴的正向的逆时针方向的一侧的垂直坐标轴的方向为所述垂直坐标轴的正向;
其次,初建针对所述目标航母的、执行集结位置预测的概率神经网络,所述网络的各个输入信息为预测轮次之前设定数目的各个轮次参与军事行动的各个集结位置坐标,所述网络的输出信息为预测轮次参与军事行动的集结位置坐标,如图1所示,输入信息的数量为N,即网络的各个输入信息为N轮次军事行动分别对应的N个集结位置坐标,其中,N为大于1的自然数,N的取值与所述目标航母的当前服役年数正向关联;
再次,对初建的概率神经网络执行选择学习次数的多次学习动作,以获得再构后的概率神经网络,所述选择学习次数的取值与所述目标航母的最高行驶节数成正比;
最后,如图1所示,以所述目标航母在当前轮次之前N轮次参与军事行动的各个集结位置坐标为再构后的概率神经网络的各个输入信息,运行再构后的概率神经网络以获得其输出信息,即所述目标航母当前轮次参与军事行动的集结位置坐标并作为当前集结位置坐标输出,所述当前集结位置坐标用于执行后续的伏击所述目标航母的最佳伏击区域的解析处理。
本发明的关键点在于,第一、对目标航母历史航行数据执行针对性的数字化整理和坐标化整理,从而能够为后续的基于再构后的概率神经网络的当前集结位置的预测提供有效的数字化输入信息;第二、为每一个目标航母定制个性化的人工智能预测模型即再构后的概率神经网络,从而在考虑目标航母舰船参数、航行习惯以及作战模式的基础上,完成根据目标航母过往航行数据的当前集结位置的智能化预测,其中,基于目标航母的当前服役年数以及最高行驶节数定制属于所述目标航母的个性化的人工智能预测模型。
下面,将对本发明的基于概率神经网络的海上伏击预测方法及系统以实施例的方式进行具体说明。
实施例1
本发明实施例1提供一种基于概率神经网络的海上伏击预测方法,其包括如下步骤:
使用坐标解析器件,用于针对目标航母采集所述目标航母历史上每一轮次参与军事行动的集结位置坐标,所述集结位置坐标位于军事行动对象的邻海且包括横坐标和纵坐标;
使用网络初构器件,用于以所述目标航母预测轮次参与军事行动的集结位置坐标为概率神经网络的单个输出信息,以所述目标航母在预测轮次之前设定数目的各个轮次参与军事行动的各个集结位置坐标为概率神经网络的各个输入信息,构建归属于所述目标航母的、执行集结位置预测的概率神经网络;
使用次数映射器件,用于基于所述目标航母的最高行驶节数映射所述目标航母对应的概率神经网络的选择学习次数,所述选择学习次数的数值与所述目标航母的最高行驶节数成正比;
举例说明,当所述目标航母的最高行驶节数为30节时,所述选择学习次数的数值为300,当所述目标航母的最高行驶节数为28节时,所述选择学习次数的数值为280,以及当所述目标航母的最高行驶节数为32节时,所述选择学习次数的数值为320;
使用网络再构器件,分别与所述网络初构器件和所述次数映射器件连接,用于采用所述目标航母历史轮次参与军事行动的集结位置坐标作为所述目标航母对应的概率神经网络的输入信息和输出信息执行对所述概率神经网络的选择学习次数的多次学习动作,并将经历过多次学习动作后的概率神经网络作为再构后的概率神经网络输出;
使用位置预测器件,与所述网络再构器件连接,用于以所述目标航母在当前轮次之前设定数目的各个轮次参与军事行动的各个集结位置坐标为再构后的概率神经网络的各个输入信息,运行再构后的概率神经网络以获得其输出信息即所述目标航母当前轮次参与军事行动的集结位置坐标并作为当前集结位置坐标输出;
使用伏击分析器件,与所述位置预测器件连接,用于基于接收到的当前集结位置坐标分析伏击所述目标航母的最佳伏击区域的坐标范围;
其中,以军事行动对象的海岸线为垂直坐标轴,以所述海岸线的中点为原点,以垂直于所述海岸线的直线为水平坐标轴,以所述海岸线遭遇所述目标航母攻击的一侧为所述水平坐标轴的正向所在的一侧,以位于所述水平坐标轴的正向的逆时针方向的一侧的垂直坐标轴的方向为所述垂直坐标轴的正向,建立所述集结位置坐标所在的平面坐标系;
其中,当军事行动对象的海岸线为非直线的曲线时,对军事行动对象的海岸线拟合以获得作为垂直坐标轴的直线;
其中,可以采用不同型号的ASIC芯片来分别实现所述坐标解析器件、所述网络初构器件、所述次数映射器件、所述网络再构器件、所述位置预测器件以及所述伏击分析器件;
其中,可以采用不同型号的ASIC芯片来分别实现所述坐标解析器件、所述网络初构器件、所述次数映射器件、所述网络再构器件、所述位置预测器件以及所述伏击分析器件包括:根据所述坐标解析器件、所述网络初构器件、所述次数映射器件、所述网络再构器件、所述位置预测器件以及所述伏击分析器件中每一个器件的峰值运算量选择对应型号的ASIC芯片;
其中,器件的峰值运算量的数值越大,为其选择的ASIC芯片的型号对应的并行处理运算能力越强。
实施例2
本发明实施2相比较于本发明实施例1,所述基于概率神经网络的海上伏击预测方法还包括:
使用信息存储器件,与所述伏击分析器件连接,用于接收并存储伏击所述目标航母的最佳伏击区域的坐标范围;
其中,所述信息存储器件为动态存储芯片,用于采用不同物理地址存储不同时期以及不同目标航母分别对应的最佳伏击区域的坐标范围;
以及,当所述信息存储器件当前存储量即将溢出时,将最早存入的坐标范围删除以提供空白的物理地址用于新存入的坐标范围的存储。
实施例3
本发明的实施例3相比较于本发明的实施例2,所述基于概率神经网络的海上伏击预测方法还包括:
使用无线通讯器件,与所述伏击分析器件连接,用于将接收到的伏击所述目标航母的最佳伏击区域的坐标范围无线发送到执行海上伏击管控的大数据服务器;
其中,所述无线通讯器件包括无线接收单元、加密处理单元和无线发送单元,所述加密处理单元包括信道加密子单元和信源加密子单元;
其中,所述信道加密子单元用于对所述无线通讯器件的收发数据执行信道加密处理,以及所述信源加密子单元用于对所述无线通讯器件的收发数据执行信源加密处理。
在上述实施例1-3的任一实施例中,可选地,在所述基于概率神经网络的海上伏击预测方法中:
以所述目标航母预测轮次参与军事行动的集结位置坐标为概率神经网络的单个输出信息,以所述目标航母在预测轮次之前设定数目的各个轮次参与军事行动的各个集结位置坐标为概率神经网络的各个输入信息,构建归属于所述目标航母的、执行集结位置预测的概率神经网络包括:所述目标航母的当前服役年数越短,所述设定数目的取值越小;
举例说明,当所述目标航母的当前服役年数为5年,所述设定数目的取值为3,当所述目标航母的当前服役年数为10年,所述设定数目的取值为6,以及当所述目标航母的当前服役年数为15年,所述设定数目的取值为9;
其中,基于接收到的当前集结位置坐标分析伏击所述目标航母的最佳伏击区域的坐标范围包括:基于当前集结位置坐标、目标航母随机行驶幅角以及埋伏半径确定每一伏击区域成功伏击所述目标航母的伏击概率,将伏击概率数值最大的伏击区域作为伏击所述目标航母的最佳伏击区域;
其中,伏击所述目标航母的最佳伏击区域的坐标范围为所述最佳伏击区域内部各个位置的横坐标数值和纵坐标数值;
其中,基于接收到的当前集结位置坐标分析伏击所述目标航母的最佳伏击区域的坐标范围还包括:每一伏击区域为圆形构造,所述埋伏半径为每一伏击区域对应圆形的半径;
其中,基于当前集结位置坐标、目标航母随机行驶幅角以及埋伏半径确定每一伏击区域成功伏击所述目标航母的伏击概率,将伏击概率数值最大的伏击区域作为伏击所述目标航母的最佳伏击区域包括:每一伏击区域对应的伏击概率数值的计算公式如下:;
如图2所示,θ为目标航母随机行驶幅角,A为每一伏击区域对应圆形的圆心,B为当前集结位置,dAB为A和B两点之间的距离,p为每一伏击区域对应的伏击概率数值,r为埋伏半径,当目标航母由进入时,将驶入所述伏击区域遭受火力攻击。
实施例4
图3为根据本发明的实施例4示出的基于概率神经网络的海上伏击预测系统的内部结构图。
如图3所示,所述基于概率神经网络的海上伏击预测系统包括以下部件:
坐标解析器件,用于针对目标航母采集所述目标航母历史上每一轮次参与军事行动的集结位置坐标,所述集结位置坐标位于军事行动对象的邻海且包括横坐标和纵坐标;
网络初构器件,用于以所述目标航母预测轮次参与军事行动的集结位置坐标为概率神经网络的单个输出信息,以所述目标航母在预测轮次之前设定数目的各个轮次参与军事行动的各个集结位置坐标为概率神经网络的各个输入信息,构建归属于所述目标航母的、执行集结位置预测的概率神经网络;
次数映射器件,用于基于所述目标航母的最高行驶节数映射所述目标航母对应的概率神经网络的选择学习次数,所述选择学习次数的数值与所述目标航母的最高行驶节数成正比;
举例说明,当所述目标航母的最高行驶节数为30节时,所述选择学习次数的数值为300,当所述目标航母的最高行驶节数为28节时,所述选择学习次数的数值为280,以及当所述目标航母的最高行驶节数为32节时,所述选择学习次数的数值为320;
网络再构器件,分别与所述网络初构器件和所述次数映射器件连接,用于采用所述目标航母历史轮次参与军事行动的集结位置坐标作为所述目标航母对应的概率神经网络的输入信息和输出信息执行对所述概率神经网络的选择学习次数的多次学习动作,并将经历过多次学习动作后的概率神经网络作为再构后的概率神经网络输出;
位置预测器件,与所述网络再构器件连接,用于以所述目标航母在当前轮次之前设定数目的各个轮次参与军事行动的各个集结位置坐标为再构后的概率神经网络的各个输入信息,运行再构后的概率神经网络以获得其输出信息即所述目标航母当前轮次参与军事行动的集结位置坐标并作为当前集结位置坐标输出;
伏击分析器件,与所述位置预测器件连接,用于基于接收到的当前集结位置坐标分析伏击所述目标航母的最佳伏击区域的坐标范围;
其中,以军事行动对象的海岸线为垂直坐标轴,以所述海岸线的中点为原点,以垂直于所述海岸线的直线为水平坐标轴,以所述海岸线遭遇所述目标航母攻击的一侧为所述水平坐标轴的正向所在的一侧,以位于所述水平坐标轴的正向的逆时针方向的一侧的垂直坐标轴的方向为所述垂直坐标轴的正向,建立所述集结位置坐标所在的平面坐标系;
其中,当军事行动对象的海岸线为非直线的曲线时,对军事行动对象的海岸线拟合以获得作为垂直坐标轴的直线;
其中,可以采用不同型号的ASIC芯片来分别实现所述坐标解析器件、所述网络初构器件、所述次数映射器件、所述网络再构器件、所述位置预测器件以及所述伏击分析器件;
其中,可以采用不同型号的ASIC芯片来分别实现所述坐标解析器件、所述网络初构器件、所述次数映射器件、所述网络再构器件、所述位置预测器件以及所述伏击分析器件包括:根据所述坐标解析器件、所述网络初构器件、所述次数映射器件、所述网络再构器件、所述位置预测器件以及所述伏击分析器件中每一个器件的峰值运算量选择对应型号的ASIC芯片;
其中,器件的峰值运算量的数值越大,为其选择的ASIC芯片的型号对应的并行处理运算能力越强。
实施例5
图4为根据本发明的实施例5示出的基于概率神经网络的海上伏击预测系统的内部结构图。
如图4所示,相比较于本发明的实施例4,所述基于概率神经网络的海上伏击预测系统还可以包括:
信息存储器件,与所述伏击分析器件连接,用于接收并存储伏击所述目标航母的最佳伏击区域的坐标范围;
其中,所述信息存储器件为动态存储芯片,用于采用不同物理地址存储不同时期以及不同目标航母分别对应的最佳伏击区域的坐标范围;
以及,当所述信息存储器件当前存储量即将溢出时,将最早存入的坐标范围删除以提供空白的物理地址用于新存入的坐标范围的存储。
实施例6
图5为根据本发明的实施例6示出的基于概率神经网络的海上伏击预测系统的内部结构图。
如图5所示,相比较于本发明的实施例5,所述基于概率神经网络的海上伏击预测系统还可以包括:
无线通讯器件,与所述伏击分析器件连接,用于将接收到的伏击所述目标航母的最佳伏击区域的坐标范围无线发送到执行海上伏击管控的大数据服务器;
其中,所述无线通讯器件包括无线接收单元、加密处理单元和无线发送单元,所述加密处理单元包括信道加密子单元和信源加密子单元;
其中,所述信道加密子单元用于对所述无线通讯器件的收发数据执行信道加密处理,以及所述信源加密子单元用于对所述无线通讯器件的收发数据执行信源加密处理。
在上述实施例4-6的任一实施例中,可选地,在所述基于概率神经网络的海上伏击预测系统中:
以所述目标航母预测轮次参与军事行动的集结位置坐标为概率神经网络的单个输出信息,以所述目标航母在预测轮次之前设定数目的各个轮次参与军事行动的各个集结位置坐标为概率神经网络的各个输入信息,构建归属于所述目标航母的、执行集结位置预测的概率神经网络包括:所述目标航母的当前服役年数越短,所述设定数目的取值越小;
举例说明,当所述目标航母的当前服役年数为5年,所述设定数目的取值为3,当所述目标航母的当前服役年数为10年,所述设定数目的取值为6,以及当所述目标航母的当前服役年数为15年,所述设定数目的取值为9;
其中,基于接收到的当前集结位置坐标分析伏击所述目标航母的最佳伏击区域的坐标范围包括:基于当前集结位置坐标、目标航母随机行驶幅角以及埋伏半径确定每一伏击区域成功伏击所述目标航母的伏击概率,将伏击概率数值最大的伏击区域作为伏击所述目标航母的最佳伏击区域;
其中,伏击所述目标航母的最佳伏击区域的坐标范围为所述最佳伏击区域内部各个位置的横坐标数值和纵坐标数值;
其中,基于接收到的当前集结位置坐标分析伏击所述目标航母的最佳伏击区域的坐标范围还包括:每一伏击区域为圆形构造,所述埋伏半径为每一伏击区域对应圆形的半径;
其中,基于当前集结位置坐标、目标航母随机行驶幅角以及埋伏半径确定每一伏击区域成功伏击所述目标航母的伏击概率,将伏击概率数值最大的伏击区域作为伏击所述目标航母的最佳伏击区域包括:每一伏击区域对应的伏击概率数值的计算公式如下:;
如图5所示,θ为目标航母随机行驶幅角,A为每一伏击区域对应圆形的圆心,B为当前集结位置,dAB为A和B两点之间的距离,p为每一伏击区域对应的伏击概率数值,r为埋伏半径,当目标航母由进入时,将驶入所述伏击区域遭受火力攻击。
另外,在所述基于概率神经网络的海上伏击预测方法及系统中,可替换地,以军事行动对象的海岸线为垂直坐标轴,以所述海岸线的中点为原点,以垂直于所述海岸线的直线为水平坐标轴,以所述海岸线遭遇所述目标航母攻击的一侧为所述水平坐标轴的正向所在的一侧,以所述海岸线中纬度较高的一半所在的方向为所述垂直坐标轴的正向,以所述海岸线中纬度较低的一半所在的方向为所述垂直坐标轴的负向,建立所述集结位置坐标所在的平面坐标系;
以及,以军事行动对象的海岸线为垂直坐标轴,以所述海岸线的中点为原点,以垂直于所述海岸线的直线为水平坐标轴,以所述海岸线遭遇所述目标航母攻击的一侧为所述水平坐标轴的正向所在的一侧,以所述海岸线中纬度较高的一半所在的方向为所述垂直坐标轴的正向,以所述海岸线中纬度较低的一半所在的方向为所述垂直坐标轴的负向,建立所述集结位置坐标所在的平面坐标系包括:当所述海岸线上的各个位置的纬度相等时,随机选择所述海岸线的一半所在的方向为所述垂直坐标轴的正向,以所述海岸线的另一半所在的方向为所述垂直坐标轴的负向,建立所述集结位置坐标所在的平面坐标系。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的实施方式的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。在本说明书的描述中,参考术语“一个实施例”、“某些实施例”、“示意性实施例”、“示例”、“具体示例”或“一些示例”等的描述意指结合所述实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于概率神经网络的海上伏击预测方法,其特征在于,所述方法包括:
使用坐标解析器件,用于针对目标航母采集所述目标航母历史上每一轮次参与军事行动的集结位置坐标,所述集结位置坐标位于军事行动对象的邻海且包括横坐标和纵坐标;
使用网络初构器件,用于以所述目标航母预测轮次参与军事行动的集结位置坐标为概率神经网络的单个输出信息,以所述目标航母在预测轮次之前设定数目的各个轮次参与军事行动的各个集结位置坐标为概率神经网络的各个输入信息,构建归属于所述目标航母的、执行集结位置预测的概率神经网络;
使用次数映射器件,用于基于所述目标航母的最高行驶节数映射所述目标航母对应的概率神经网络的选择学习次数,所述选择学习次数的数值与所述目标航母的最高行驶节数成正比;
使用网络再构器件,分别与所述网络初构器件和所述次数映射器件连接,用于采用所述目标航母历史轮次参与军事行动的集结位置坐标作为所述目标航母对应的概率神经网络的输入信息和输出信息执行对所述概率神经网络的选择学习次数的多次学习动作,并将经历过多次学习动作后的概率神经网络作为再构后的概率神经网络输出;
使用位置预测器件,与所述网络再构器件连接,用于以所述目标航母在当前轮次之前设定数目的各个轮次参与军事行动的各个集结位置坐标为再构后的概率神经网络的各个输入信息,运行再构后的概率神经网络以获得其输出信息即所述目标航母当前轮次参与军事行动的集结位置坐标并作为当前集结位置坐标输出;
使用伏击分析器件,与所述位置预测器件连接,用于基于接收到的当前集结位置坐标分析伏击所述目标航母的最佳伏击区域的坐标范围;
其中,以军事行动对象的海岸线为垂直坐标轴,以所述海岸线的中点为原点,以垂直于所述海岸线的直线为水平坐标轴,以所述海岸线遭遇所述目标航母攻击的一侧为所述水平坐标轴的正向所在的一侧,以位于所述水平坐标轴的正向的逆时针方向的一侧的垂直坐标轴的方向为所述垂直坐标轴的正向,建立所述集结位置坐标所在的平面坐标系;
其中,当军事行动对象的海岸线为非直线的曲线时,对军事行动对象的海岸线拟合以获得作为垂直坐标轴的直线。
2.如权利要求1所述的基于概率神经网络的海上伏击预测方法,其特征在于,所述方法还包括:
使用信息存储器件,与所述伏击分析器件连接,用于接收并存储伏击所述目标航母的最佳伏击区域的坐标范围。
3.如权利要求1所述的基于概率神经网络的海上伏击预测方法,其特征在于,所述方法还包括:
使用无线通讯器件,与所述伏击分析器件连接,用于将接收到的伏击所述目标航母的最佳伏击区域的坐标范围无线发送到执行海上伏击管控的大数据服务器。
4.如权利要求1-3任一所述的基于概率神经网络的海上伏击预测方法,其特征在于:
以所述目标航母预测轮次参与军事行动的集结位置坐标为概率神经网络的单个输出信息,以所述目标航母在预测轮次之前设定数目的各个轮次参与军事行动的各个集结位置坐标为概率神经网络的各个输入信息,构建归属于所述目标航母的、执行集结位置预测的概率神经网络包括:所述目标航母的当前服役年数越短,所述设定数目的取值越小;
其中,基于接收到的当前集结位置坐标分析伏击所述目标航母的最佳伏击区域的坐标范围包括:基于当前集结位置坐标、目标航母随机行驶幅角以及埋伏半径确定每一伏击区域成功伏击所述目标航母的伏击概率,将伏击概率数值最大的伏击区域作为伏击所述目标航母的最佳伏击区域;
其中,伏击所述目标航母的最佳伏击区域的坐标范围为所述最佳伏击区域内部各个位置的横坐标数值和纵坐标数值。
5.如权利要求4所述的基于概率神经网络的海上伏击预测方法,其特征在于:
基于接收到的当前集结位置坐标分析伏击所述目标航母的最佳伏击区域的坐标范围还包括:每一伏击区域为圆形构造,所述埋伏半径为每一伏击区域对应圆形的半径;
其中,基于当前集结位置坐标、目标航母随机行驶幅角以及埋伏半径确定每一伏击区域成功伏击所述目标航母的伏击概率,将伏击概率数值最大的伏击区域作为伏击所述目标航母的最佳伏击区域包括:每一伏击区域对应的伏击概率数值的计算公式如下:,其中,p为每一伏击区域对应的伏击概率数值,r为埋伏半径,θ为目标航母随机行驶幅角,A为每一伏击区域对应圆形的圆心,B为当前集结位置,dAB为A和B两点之间的距离。
6.一种基于概率神经网络的海上伏击预测系统,其特征在于,所述系统包括:
坐标解析器件,用于针对目标航母采集所述目标航母历史上每一轮次参与军事行动的集结位置坐标,所述集结位置坐标位于军事行动对象的邻海且包括横坐标和纵坐标;
网络初构器件,用于以所述目标航母预测轮次参与军事行动的集结位置坐标为概率神经网络的单个输出信息,以所述目标航母在预测轮次之前设定数目的各个轮次参与军事行动的各个集结位置坐标为概率神经网络的各个输入信息,构建归属于所述目标航母的、执行集结位置预测的概率神经网络;
次数映射器件,用于基于所述目标航母的最高行驶节数映射所述目标航母对应的概率神经网络的选择学习次数,所述选择学习次数的数值与所述目标航母的最高行驶节数成正比;
网络再构器件,分别与所述网络初构器件和所述次数映射器件连接,用于采用所述目标航母历史轮次参与军事行动的集结位置坐标作为所述目标航母对应的概率神经网络的输入信息和输出信息执行对所述概率神经网络的选择学习次数的多次学习动作,并将经历过多次学习动作后的概率神经网络作为再构后的概率神经网络输出;
位置预测器件,与所述网络再构器件连接,用于以所述目标航母在当前轮次之前设定数目的各个轮次参与军事行动的各个集结位置坐标为再构后的概率神经网络的各个输入信息,运行再构后的概率神经网络以获得其输出信息即所述目标航母当前轮次参与军事行动的集结位置坐标并作为当前集结位置坐标输出;
伏击分析器件,与所述位置预测器件连接,用于基于接收到的当前集结位置坐标分析伏击所述目标航母的最佳伏击区域的坐标范围;
其中,以军事行动对象的海岸线为垂直坐标轴,以所述海岸线的中点为原点,以垂直于所述海岸线的直线为水平坐标轴,以所述海岸线遭遇所述目标航母攻击的一侧为所述水平坐标轴的正向所在的一侧,以位于所述水平坐标轴的正向的逆时针方向的一侧的垂直坐标轴的方向为所述垂直坐标轴的正向,建立所述集结位置坐标所在的平面坐标系;
其中,当军事行动对象的海岸线为非直线的曲线时,对军事行动对象的海岸线拟合以获得作为垂直坐标轴的直线。
7.如权利要求6所述的基于概率神经网络的海上伏击预测系统,其特征在于,所述系统还包括:
信息存储器件,与所述伏击分析器件连接,用于接收并存储伏击所述目标航母的最佳伏击区域的坐标范围。
8.如权利要求6所述的基于概率神经网络的海上伏击预测系统,其特征在于,所述系统还包括:
无线通讯器件,与所述伏击分析器件连接,用于将接收到的伏击所述目标航母的最佳伏击区域的坐标范围无线发送到执行海上伏击管控的大数据服务器。
9.如权利要求6-8任一所述的基于概率神经网络的海上伏击预测系统,其特征在于:
以所述目标航母预测轮次参与军事行动的集结位置坐标为概率神经网络的单个输出信息,以所述目标航母在预测轮次之前设定数目的各个轮次参与军事行动的各个集结位置坐标为概率神经网络的各个输入信息,构建归属于所述目标航母的、执行集结位置预测的概率神经网络包括:所述目标航母的当前服役年数越短,所述设定数目的取值越小;
其中,基于接收到的当前集结位置坐标分析伏击所述目标航母的最佳伏击区域的坐标范围包括:基于当前集结位置坐标、目标航母随机行驶幅角以及埋伏半径确定每一伏击区域成功伏击所述目标航母的伏击概率,将伏击概率数值最大的伏击区域作为伏击所述目标航母的最佳伏击区域;
其中,伏击所述目标航母的最佳伏击区域的坐标范围为所述最佳伏击区域内部各个位置的横坐标数值和纵坐标数值。
10.如权利要求9所述的基于概率神经网络的海上伏击预测系统,其特征在于:
基于接收到的当前集结位置坐标分析伏击所述目标航母的最佳伏击区域的坐标范围还包括:每一伏击区域为圆形构造,所述埋伏半径为每一伏击区域对应圆形的半径;
其中,基于当前集结位置坐标、目标航母随机行驶幅角以及埋伏半径确定每一伏击区域成功伏击所述目标航母的伏击概率,将伏击概率数值最大的伏击区域作为伏击所述目标航母的最佳伏击区域包括:每一伏击区域对应的伏击概率数值的计算公式如下:,其中,p为每一伏击区域对应的伏击概率数值,r为埋伏半径,θ为目标航母随机行驶幅角,A为每一伏击区域对应圆形的圆心,B为当前集结位置,dAB为A和B两点之间的距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310267447.4A CN116362390B (zh) | 2023-03-20 | 2023-03-20 | 基于概率神经网络的海上伏击预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310267447.4A CN116362390B (zh) | 2023-03-20 | 2023-03-20 | 基于概率神经网络的海上伏击预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116362390A CN116362390A (zh) | 2023-06-30 |
CN116362390B true CN116362390B (zh) | 2023-09-12 |
Family
ID=86941260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310267447.4A Active CN116362390B (zh) | 2023-03-20 | 2023-03-20 | 基于概率神经网络的海上伏击预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116362390B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2147141C1 (ru) * | 1999-04-21 | 2000-03-27 | Открытое акционерное общество Раменское приборостроительное конструкторское бюро | Система планирования и подготовки полетных заданий тактической группы самолетов |
WO2008143480A2 (en) * | 2007-05-23 | 2008-11-27 | Hun Geun Park | The car's signal detection system by sensor and thereof processing method |
CN108805350A (zh) * | 2018-06-06 | 2018-11-13 | 牟林 | 基于多维蒙特卡洛理论的搜救范围预测方法 |
KR101951595B1 (ko) * | 2018-05-18 | 2019-02-22 | 한양대학교 산학협력단 | 모듈형 순환 신경망 구조 기반 차량 경로 예측 시스템 및 방법 |
CN110991545A (zh) * | 2019-12-10 | 2020-04-10 | 中国人民解放军军事科学院国防科技创新研究院 | 一种面向多智能体对抗的强化学习训练优化方法及装置 |
CN112541134A (zh) * | 2020-12-07 | 2021-03-23 | 韩珍 | 一种基于地理感知的序列位置推荐方法 |
CN112889100A (zh) * | 2018-10-29 | 2021-06-01 | 日立安斯泰莫株式会社 | 移动体行为预测装置 |
JP2021093088A (ja) * | 2019-12-12 | 2021-06-17 | ヤフー株式会社 | 処理装置、処理方法、および処理プログラム |
KR20210150790A (ko) * | 2020-06-04 | 2021-12-13 | 대우조선해양 주식회사 | 인식률을 높인 해상이미지의 기계학습을 통한 파랑정보 추정시스템 |
CN114239974A (zh) * | 2021-12-21 | 2022-03-25 | 清华大学 | 多智能体的位置预测方法、装置、电子设备及存储介质 |
CN114275131A (zh) * | 2021-12-16 | 2022-04-05 | 中航航空电子有限公司 | 一种舰艇防御方法、装置、防御辅助决策系统和存储介质 |
CN114661046A (zh) * | 2022-03-14 | 2022-06-24 | 中国科学技术大学 | 军事对抗环境下的机器人自主导航算法、存储介质 |
CN115130357A (zh) * | 2021-11-22 | 2022-09-30 | 中国人民解放军空军工程大学 | 一种基于gru的空中目标作战意图预测系统及方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040030571A1 (en) * | 2002-04-22 | 2004-02-12 | Neal Solomon | System, method and apparatus for automated collective mobile robotic vehicles used in remote sensing surveillance |
US7530105B2 (en) * | 2006-03-21 | 2009-05-05 | 21St Century Technologies, Inc. | Tactical and strategic attack detection and prediction |
JP6073387B2 (ja) * | 2015-01-16 | 2017-02-01 | 富士重工業株式会社 | 飛行経路探索装置及び飛行経路探索プログラム |
WO2016179413A1 (en) * | 2015-05-05 | 2016-11-10 | Retalilmenot, Inc. | Scalable complex event processing with probabilistic machine learning models to predict subsequent geolocations |
US20190385055A1 (en) * | 2018-06-14 | 2019-12-19 | Electronics And Telecommunications Research Institute | Method and apparatus for artificial neural network learning for data prediction |
JP7327482B2 (ja) * | 2019-07-04 | 2023-08-16 | 日本電信電話株式会社 | 学習装置、予測装置、学習方法、予測方法、及びプログラム |
-
2023
- 2023-03-20 CN CN202310267447.4A patent/CN116362390B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2147141C1 (ru) * | 1999-04-21 | 2000-03-27 | Открытое акционерное общество Раменское приборостроительное конструкторское бюро | Система планирования и подготовки полетных заданий тактической группы самолетов |
WO2008143480A2 (en) * | 2007-05-23 | 2008-11-27 | Hun Geun Park | The car's signal detection system by sensor and thereof processing method |
KR101951595B1 (ko) * | 2018-05-18 | 2019-02-22 | 한양대학교 산학협력단 | 모듈형 순환 신경망 구조 기반 차량 경로 예측 시스템 및 방법 |
CN108805350A (zh) * | 2018-06-06 | 2018-11-13 | 牟林 | 基于多维蒙特卡洛理论的搜救范围预测方法 |
CN112889100A (zh) * | 2018-10-29 | 2021-06-01 | 日立安斯泰莫株式会社 | 移动体行为预测装置 |
CN110991545A (zh) * | 2019-12-10 | 2020-04-10 | 中国人民解放军军事科学院国防科技创新研究院 | 一种面向多智能体对抗的强化学习训练优化方法及装置 |
JP2021093088A (ja) * | 2019-12-12 | 2021-06-17 | ヤフー株式会社 | 処理装置、処理方法、および処理プログラム |
KR20210150790A (ko) * | 2020-06-04 | 2021-12-13 | 대우조선해양 주식회사 | 인식률을 높인 해상이미지의 기계학습을 통한 파랑정보 추정시스템 |
CN112541134A (zh) * | 2020-12-07 | 2021-03-23 | 韩珍 | 一种基于地理感知的序列位置推荐方法 |
CN115130357A (zh) * | 2021-11-22 | 2022-09-30 | 中国人民解放军空军工程大学 | 一种基于gru的空中目标作战意图预测系统及方法 |
CN114275131A (zh) * | 2021-12-16 | 2022-04-05 | 中航航空电子有限公司 | 一种舰艇防御方法、装置、防御辅助决策系统和存储介质 |
CN114239974A (zh) * | 2021-12-21 | 2022-03-25 | 清华大学 | 多智能体的位置预测方法、装置、电子设备及存储介质 |
CN114661046A (zh) * | 2022-03-14 | 2022-06-24 | 中国科学技术大学 | 军事对抗环境下的机器人自主导航算法、存储介质 |
Non-Patent Citations (1)
Title |
---|
对目标打击概率的数学模型及分析;皮汉文等;《海军工程大学学报》;第78-82页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116362390A (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108388250B (zh) | 一种基于自适应布谷鸟搜索算法的水面无人艇路径规划方法 | |
CN102833882B (zh) | 一种基于水声传感器网络的多目标数据融合方法及系统 | |
CN104596516A (zh) | 基于动态新增毗邻区域的无人机覆盖航迹规划 | |
CN108363407B (zh) | 一种无人船自主航行的协同云控制系统 | |
CN108646728B (zh) | 基于云端服务器的水面垃圾自动清理方法与系统 | |
CN106959700A (zh) | 一种基于上限置信区间算法的无人机群协同巡逻追踪轨迹规划方法 | |
CN107450076A (zh) | 测云雷达的协同组网测量方法及装置 | |
CN116362390B (zh) | 基于概率神经网络的海上伏击预测方法及系统 | |
CN110778398B (zh) | 一种船用柴油机燃油管理控制系统 | |
CN113962473A (zh) | 船舶航线规划方法、装置、电子设备和存储介质 | |
Hill et al. | Using agent-based simulation and game theory to examine the WWII Bay of Biscay U-boat campaign | |
Zhou et al. | Compressing AIS trajectory data based on the multi-objective peak Douglas–Peucker algorithm | |
CN114331056A (zh) | 一种基于概率图动态规划的在线协同探测任务规划方法 | |
CN117454680A (zh) | 一种海洋搜索集群设计系统及方法 | |
CN111693049A (zh) | 一种无人船覆盖投食的动态路径规划方法及设备 | |
CN116772846A (zh) | 一种无人机航迹规划方法、装置、设备及介质 | |
Wang et al. | Observation and communication platform design of USV for marine environmental parameters | |
CN116634457B (zh) | 一种基于深度强化学习的多无人机自适应数据收集与回传方法 | |
CN113655785B (zh) | 一种基于混合算法的无人艇群控制方法 | |
Cao et al. | Multi-Agent Reinforcement Learning Charging Scheme for Underwater Rechargeable Sensor Networks | |
CN114629798B (zh) | 多智能体协同规划方法、装置、电子设备及存储介质 | |
Zhao et al. | Space–Air–Ground–Sea Integrated Network with Federated Learning | |
Kirchberger | China Maritime Report No. 31: China's Submarine Industrial Base: State-Led Innovation with Chinese Characteristics | |
CN113723805B (zh) | 一种无人艇复合任务分配方法及系统 | |
Vaněk et al. | Modeling maritime contraband trafficking activities with the agent-based approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |