CN116466736A - 一种基于决策树的空战狗斗滚转机动辅助决策方法 - Google Patents
一种基于决策树的空战狗斗滚转机动辅助决策方法 Download PDFInfo
- Publication number
- CN116466736A CN116466736A CN202310076524.8A CN202310076524A CN116466736A CN 116466736 A CN116466736 A CN 116466736A CN 202310076524 A CN202310076524 A CN 202310076524A CN 116466736 A CN116466736 A CN 116466736A
- Authority
- CN
- China
- Prior art keywords
- enemy
- rolling
- air combat
- class
- dog
- 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.)
- Pending
Links
- 238000005096 rolling process Methods 0.000 title claims abstract description 64
- 238000003066 decision tree Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims abstract description 7
- 230000008859 change Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 abstract description 5
- 241000282472 Canis lupus familiaris Species 0.000 description 34
- 238000010586 diagram Methods 0.000 description 13
- 238000012360 testing method Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
- G05D1/106—Change initiated in response to external conditions, e.g. avoidance of elevated terrain or of no-fly zones
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于决策树的空战狗斗滚转机动辅助决策方法,属于航空技术领域,包括:S1获取与敌我双方战机相关的若干个战场态势数据及我方战机的滚转角数据;S2对战场态势数据及滚转角数据进行预处理;S3将经过预处理的战场态势数据、滚转角数据分别作为输入和输出来对决策树算法进行训练,获得空战狗斗滚转机动辅助决策模型;S4在单机近距空战格斗过程中,将采集到的与敌我双方战机相关的战场态势数据用相同的方式进行预处理后输入到空战狗斗滚转机动辅助决策模型,获得用于辅助我方战机进行滚转机动的滚转角类别。本发明可针对不同战场态势提供机动滚转角建议,具有易于实现性、强可解释性以及和人类直观思维的高度一致性的特点。
Description
技术领域
本发明涉及航空技术领域,特别涉及一种基于决策树的空战狗斗滚转机动辅助决策方法。
背景技术
空战通常包含中远距、近距等任务场景。在中远距空战中,敌我双方战机以雷达制导导弹为武器,依据机载传感器/预警机等装备,遂行态势感知与预测、导弹占位发射与引导、敌弹规避等任务。在近距空战中,飞行员常用的武器是红外制导导弹以及航炮。而受限于导弹包线、航炮射程和射击威力等影响,追尾攻击是近距空战格斗(即‘狗斗’)最有效的攻击方式。但是,狗斗飞行具有高动态、强实时、大过载等特性,对飞行员的操纵要求极高。目前,各国均针对空战狗斗展开大量培训,知名的外军狗斗培训机构包括美国的海军战斗机武器学校(United States navy fighter weapons school,昵称:TOP GUN),而我国海军航空兵亦采用DCS World等仿真度良好的空战仿真软件展开大量的培训工作。
受限于人体生理极限、心理负荷等因素,在空战狗斗中,飞行员难免会“犯错”,即以不符合最优性能机动决策的机动动作来执行空战。目前无人机技术快速发展,无人机免受生理、心理等因素影响的持续性优化决策性能优势愈发凸显,已有大量针对无人自主空战的无人机技术研究展开,取得了一定成果。但是,目前的自主无人空战技术尚未考虑武器使用原则、伦理道德等层面因素的影响,尚鲜见具备自主空战能力的无人机量产装备。而考虑到空战狗斗有关于武器使用原则、伦理道德等问题,未来空战狗斗依然无法完全摈弃飞行员。
考虑到数据驱动等方法针对持续性优化决策等问题的优异性能,已有学者提出研发狗斗辅助系统,从而以数据驱动的方法为飞行员提供实时的空战狗斗建议。但是,一方面这些方法的性能仍亟待提升;另一方面,面对狗斗高动态、强实时的环境,这些方法还需具备良好、直观的可理解性能,以增进飞行员和相关算法的人机互信度,保证有关方法的算法性能优势,实现人机共存及协同场景下的“1+1>2”的效果。
决策树是一种解决分类问题的机器学习算法。决策树算法采用树形结构和层进推理实现最终的分类。决策树算法通常包含3类元素:根节点,内部节点,叶节点。其中,根节点包含样本全集,内部节点对应特征提取及属性测试,叶节点代表分类的结果。在分类任务中,根节点输入数据,内部节点基于属性值进行判断以确定层进的下一个内部节点,直到抵达叶节点处输出分类结果。决策树算法的本质是一种基于if-then逻辑推理结构的有监督学习算法,相关节点的属性值、属性测试方法经由数据驱动训练获取。由于决策树的易于实现性、强可解释性以及和人类直观思维的高度一致性,因此有必要基于决策树算法开展空战狗斗机动分类研究。
考虑到飞行员在执行近距空战格斗任务中常采用BFM机动,即依据战场敌我双方的态势来选定合适的飞机滚转角,并施加法向过载将机头尽可能指向敌机,可见BFM机动的核心之一在于确定飞机合适的滚转角。因此实际上亟待开发一种基于决策树算法的空战狗斗滚转机构决策方法。
发明内容
针对现有技术存在的空战格斗中飞机滚转角辅助决策方法不易于实现性、可解释性差以及与人类直观思维一致性低的问题,本发明的目的在于提供一种基于决策树的空战狗斗滚转机动辅助决策方法。
为实现上述目的,本发明的技术方案为:
第一方面,本发明提供一种基于决策树的空战狗斗滚转机动辅助决策方法,包括以下步骤:
S1、获取与敌我双方战机相关的若干个战场态势数据,以及获取我方战机的滚转角数据;
S2、对所述战场态势数据以及所述滚转角数据进行预处理;
S3、构建决策树算法,将经过预处理的所述战场态势数据、所述滚转角数据分别作为输入和输出来训练所述决策树算法,获得空战狗斗滚转机动辅助决策模型;
S4、在单机近距空战格斗过程中,将采集到的与敌我双方战机相关的战场态势数据用相同的方式进行预处理后输入到所述空战狗斗滚转机动辅助决策模型,从而获得用于辅助我方战机进行滚转机动的滚转角类别。
优选的,在步骤S2中,所述对所述滚转角数据进行预处理的步骤包括:
将所述滚转角数据定义在-180°-180°区间范围内;
通过聚类算法对所述滚转角数据进行分类,根据分类结果确定所述滚转角类别的最优类别数、类间距离、类中心点;
记录各所述滚转角数据所对应的所述滚转角类别,以便于在步骤S3中作为所述决策树算法的输出使用。
优选的,所述根据分类结果确定所述滚转角类别的最优类别数、类间距离、类中心点的步骤包括:
遍历搜索多个不同类别数,并对于每个类别数,分别基于kmeans聚类分析算法解算类中心点、类内距离、类间距离;
根据类内距离和类间距离的比例值、类内距离和类间距离的比例值的变化趋势综合确定所述滚转角类别的最优类别数、类间距离、类中心点。
优选的,在步骤S2中,所述对所述战场态势数据进行预处理的步骤包括:对所述战场态势数据进行归一化。
优选的,在步骤S1中,所述战场态势数据包括:敌机在本机机体坐标y轴方向下的相对位置yetoo、敌机在本机机体坐标z轴方向下的相对位置zetoo、敌机在本机机体坐标x轴方向下的相对位置xetoo、敌机到本机的直线距离Distance、敌机到本机的接近速度大小Closure_v、敌机在本机的视线方向与本机机体坐标系x轴的夹角ATA、敌机在本机的视线方向与本机机体坐标系x轴的夹角的变化率Dot(ATA)、敌机在本机的视线方向与敌机机体坐标系x轴的夹角AA、敌机在本机的视线方向与敌机机体坐标系x轴的夹角的变化率Dot(AA)、敌机机体坐标系x轴方向与本机机体坐标系x轴方向的夹角HCA、敌机机体坐标系x轴方向与本机机体坐标系x轴方向的夹角的变化率Dot(HCA)、本机的迎角AOA、本机的法向过载Ny、本机的海拔高度Alt_ground_level、本机的速度大小vtas。
优选的,在步骤S1中,在敌我双方战机基于BFM机动条件进行单机近距空战格斗训练的过程中获取与敌我双方战机相关的若干个战场态势数据以及我方战机的滚转角数据。
优选的,在步骤S3中,基于XGBOOST算法库构建所述决策树算法。
第二方面,本发明还提供一种基于决策树的空战狗斗滚转机动辅助决策系统,包括:
获取模块,用于采集与敌我双方战机相关的战场态势数据以及我方战机的滚转角度数据;
预处理模块,用于对所述战场态势数据以及所述滚转角数据进行预处理;
训练模块,用于对决策树算法进行训练,并获得空战狗斗滚转机动辅助决策模型;
和执行模块,用于将采集到的与敌我双方战机相关的战场态势数据输入到所述空战狗斗滚转机动辅助决策模型中,以获得用于辅助我方战机进行滚转机动的滚转角类别。
第三方面,本发明还提供一种电子设备,包括存储有可执行程序代码的存储器以及与所述存储器耦合的处理器;其中,所述处理器调用所述存储器中存储的可执行程序代码,执行如上所述的方法。
第四方面,本发明还提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器运行时执行如上所述的方法。
采用上述技术方案,本发明的有益效果在于:本发明提供了一种基于决策树的空战狗斗滚转机动辅助决策方法,面向空战狗斗问题,针对不同战场态势,采用决策树算法实时提供狗斗机动滚转角建议,具有易于实现性、强可解释性以及和人类直观思维的高度一致性的特点。
附图说明
图1为本发明中一种基于决策树的空战狗斗滚转机动辅助决策方法的方法流程图;
图2为近距空战飞行中所采用的多种机动动作示例示意图;
图3为本发明中我方战机分别与三种敌方战机进行空战的时长示意图;
图4为本发明中聚类算法对滚转角数据进行解算后得到的类内距离和类间距离的比例值示意图;
图5为本发明中聚类算法对滚转角数据进行解算后得到的类内距离和类间距离的比例值的变化趋势示意图;
图6为本发明中类别数为6条件下的滚转角分类结果示意图;
图7为本发明中提出的决策树网络的结构示意图;
图8为本发明中一种基于决策树的空战狗斗滚转机动决策系统的结构示意图;
图9为本发明中一种电子设备的结构示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是,对于这些实施方式的说明用于帮助理解本发明,但并不构成对本发明的限定。此外,下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例一
一种基于决策树的空战狗斗滚转机动辅助决策方法,如图1所示,该方法包括S1-S4步骤。
S1、获取与敌我双方战机相关的若干个战场态势数据,以及获取我方战机的滚转角数据。
本实施例基于DCS World空战仿真软件展开数据采集和分析工作,这一软件针对战斗机的飞行动力学、航电系统、火控系统等的模拟具有较高的真实性。目前已被用于部分军种的飞行训练,取得了较好成果。
本实施例针对视距内一对一空战格斗展开,敌我双方战机均由具备良好空战格斗技术的人类飞行员操纵,其中我方战机的滚转角数据采集主要针对更富有经验的飞行员展开。在近距空战格斗中,由于敌我双方战机的飞行特性、机动性能、座舱视野等对飞行机动决策及飞行控制等具有较大的影响,因此本实施例的数据采集考察了四型不同战机,如表1所示。基于前期相关科研成果、国内外调研以及多军种飞行员评价,本发明所采用的仿真软件对此四种型号飞机在飞行、火控等层面均可实现真实度良好的模拟。
在本实施例的数据采集过程中,飞行员采用BFM动作执飞空战,传统的BFM机动包含了高优优、低优优、水平/垂直剪式飞行等多个动作,本实施例所采集的部分BFM机动动作示例如图2所示,其中,(a)为高优优、(b)为破S机动、(c)为纯追逐、(d)为水平剪式飞行、(e)为垂直剪式飞行、(f)为筋斗机动、(g)为滚筒机动。数据采集时,由更富有飞行经验的飞行员执飞F战机(即我方战机),另一飞行员分别执飞其他三型战机(即敌方战机),并分别进行三次空战格斗,以便于进行数据采集。如图3所示,其为本实施例所采集数据的总时长(共约360飞行分钟),并且配置三次空战格斗的时间保持均衡。其中,敌我双方战机的初始距离均为10km、初始速度均为0.75马赫,初始(无线电)高度分别选定为4500米(M1)、7500米(M2)、600米(S)。
表1-四型战机基本参数
本实施例中,战场态势数据共有15个,具体包括:敌机在本机机体坐标y轴方向下的相对位置yetoo、敌机在本机机体坐标z轴方向下的相对位置zetoo、敌机在本机机体坐标x轴方向下的相对位置xetoo、敌机到本机的直线距离Distance、敌机到本机的接近速度大小Closure_v、敌机在本机的视线方向与本机机体坐标系x轴的夹角ATA、敌机在本机的视线方向与本机机体坐标系x轴的夹角的变化率Dot(ATA)、敌机在本机的视线方向与敌机机体坐标系x轴的夹角AA、敌机在本机的视线方向与敌机机体坐标系x轴的夹角的变化率Dot(AA)、敌机机体坐标系x轴方向与本机机体坐标系x轴方向的夹角HCA、敌机机体坐标系x轴方向与本机机体坐标系x轴方向的夹角的变化率Dot(HCA)、本机的迎角AOA、本机的法向过载Ny、本机的海拔高度Alt_ground_level、本机的速度大小vtas。
通常直接采集到的数据如表2所示,因此还需要对表2中的数据进行换算才能够得到上述的战场态势数据。
表2-敌我双方战机数据类型
可以理解的是,为避免后续步骤中决策树有监督学习过程中的过拟合问题,本实施例将数据集分隔开,其中2/3数据(约240飞行分钟)作为训练数据,1/3数据(约120飞行分钟)作为测试数据。由于原始数据集中的M1、M2、S三型战机的飞行时间较为均衡,因此最终的训练数据、测试数据中,三型战机所占比也大致均衡,即每型飞机的训练数据约为80飞行分钟,测试数据约为40飞行分钟。
S2、对战场态势数据以及滚转角数据进行预处理。
本实施例中,对战场态势数据进行预处理的步骤包括:对战场态势数据进行归一化。
本实施例中,对滚转角数据进行预处理的步骤包括:
S21、将滚转角数据定义在-180°-180°区间范围内。
S22、通过聚类算法对滚转角数据进行分类,根据分类结果确定滚转角类别的最优类别数、类间距离、类中心点。
即,本实施例将滚转角数据进行离散,并对离散化后的滚转角数据进行分类,分类结果即作为决策树算法的输出使用。
其中,根据分类结果确定滚转角类别的最优类别数、类间距离、类中心点的步骤包括:
遍历搜索多个不同类别数,并对于每个类别数,分别基于kmeans聚类分析算法解算类中心点、类内距离、类间距离;根据类内距离和类间距离的比例值、类内距离和类间距离的比例值的变化趋势综合确定滚转角类别的最优类别数、类间距离、类中心点。
例如,在类别数为2-16的情况下,分别解算出对应的类中心点、类内距离、类间距离数据,类内距离和类间距离的比例值、类内距离和类间距离的比例值的变化趋势分别如图4、图5所示。可以看出,类内距离和类间距离的比例值越小,则表明各类内的数据越聚集且与其他类分得越开。因此综合考虑后,本实施例选定优最类别数为6,如图6所示,其展示的是类别数为6时的滚转角类别划分示意图。图6中,以正上方表示滚转角为0°的位置,右偏为正、左偏为负,以原点为中心将滚转角的值分布在单位圆上,单位圆上的6个分段则表示的是对滚转角数据进行聚类的分类结果,各分段中的“+”符号表示滚转角类别的类中心点,其中横坐标表示滚转角的正弦值、纵坐标表示滚转角的余弦值。
S23、记录各滚转角数据所对应的滚转角类别,以便于在步骤S3中作为决策树算法的输出使用。
本实施例中,将滚转角数值划分为6个类别数(角度数值区间),其原因在于实际空中格斗中,我方战机并不需要精确地控制滚转角的具体数值,只要滚转角大致处于某一区间内即已较为准确,因此对于模型的输出结果,只要求其输出一个范围区间(滚转角类别)即可。
S3、构建决策树算法,将经过预处理的战场态势数据、滚转角数据分别作为输入和输出来对决策树算法进行训练,获得空战狗斗滚转机动辅助决策模型。
本实施例基于XGBOOST算法库构建决策树算法,如图7所示,其展示的是本实施例构建的决策树算法的结构示意图。
本实施例中,决策树算法的关键参数主要有学习率、决策树数量和树的最大深度3种,通过对输入、输出数据的训练与测试,比较决策树对输出数据预测的准确度。可以得出,当学习率为0.1、决策树数量为100、树的最大深度为10时,决策树模型取得最佳准确度,决策树的重要参数设置参见表3,决策树的其他参数值采用默认值。
表3-决策树算法网络重要参数表
参数名称 | 参数含义 | 设置值 |
learning_rate | 每次迭代产生的模型的学习率 | 0.1 |
n_estimators | 决策树的数量 | 100 |
max_depth | 树的最大深度 | 10 |
min_child_weight | 叶子节点最小权重 | 1 |
gamma | 节点分裂所需的最小损失函数下降值 | 0.5 |
subsample | 对于每棵树,随机采样的比例 | 0.9 |
objective | 给定损失函数 | 'multi:softmax' |
num_class | 类别树,与'multi:softmax'并用 | 8 |
random_state | 随机种子数 | 27 |
S4、在单机近距空战格斗过程中,将采集到的与敌我双方战机相关的战场态势数据按照与步骤S1相同的方式进行预处理后输入到空战狗斗滚转机动辅助决策模型,从而获得用于辅助我方战机进行滚转机动的滚转角类别。
在对模型进行测试的环节中,本实施例通过混淆矩阵来验证空战狗斗滚转机动辅助决策模型的准确度。由于本实施例将我方战机的滚转角类别划分为6类,即模型的输出结果被分为6类,因此,混淆矩阵是一个6×6的矩阵。混淆矩阵中,每行表示实际的分类结果,每列表示模型输出的预测分类结果,则其对角线即表示预测分类结果与实际分类结果相符的百分比。最终使用优化后的决策树算法网络后,其测试结果参见表4。
表4-网络预测结果(混淆矩阵)
实际应用中,针对单机近距空战格斗中的滚转角分类问题,本实施例提出的空战狗斗滚转机动辅助决策模型,其输出的滚转角类别只需要与实际的滚转角数据对应的分类处于相同或相邻的位置上即可有效满足机动辅助决策任务。因此,在测试环节,本实施例对模型输出的预测分类结果定义了三级准确度,定义方式参见表5,其中,二级准确度又可称为右偏准确度,基于飞行员通常向右进行滚转的操作习惯定义,三级准确度同时包含右偏和左偏的情形。
表5-三级准确度定义
在对预测分类结果定义了三级准确度的基础上,上述测试分类结果中,其一级准确度接近3/4(74.06%),三级准确率已超过96%,如表6所示,可见本实施例所提出的空战格斗机动辅助决策方法准确性能良好,预计可有效在复杂的近距空战战场态势下对飞行员空战格斗飞行机动提供良好的滚转辅助决策。
表6-决策树算法网络预测准确率
准确度等级 | 准确率(%) |
一级 | 74.06 |
二级 | 85.08 |
三级 | 96.19 |
实施例二
一种基于决策树的空战狗斗滚转机动辅助决策系统,如图8所示,包括:
获取模块,用于采集与敌我双方战机相关的战场态势数据以及我方战机的滚转角度数据;
预处理模块,用于对战场态势数据以及滚转角数据进行预处理;
训练模块,用于对决策树算法进行训练,并获得空战狗斗滚转机动辅助决策模型;
和执行模块,用于将采集到的与敌我双方战机相关的战场态势数据输入到空战狗斗滚转机动辅助决策模型中,以获得用于辅助我方战机进行滚转机动的滚转角类别。
实施例三
一种电子设备,如图9所示,包括存储有可执行程序代码的存储器以及与该存储器耦合的处理器;其中,处理器调用存储器中存储的可执行程序代码,执行上述实施例公开的方法步骤。
实施例四
一种计算机存储介质,计算机存储介质中存储有计算机程序,计算机程序被处理器运行时执行上述实施例公开的方法步骤。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图对本发明的实施方式作了详细说明,但本发明不限于所描述的实施方式。对于本领域的技术人员而言,在不脱离本发明原理和精神的情况下,对这些实施方式进行多种变化、修改、替换和变型,仍落入本发明的保护范围内。
Claims (10)
1.一种基于决策树的空战狗斗滚转机动辅助决策方法,其特征在于:包括以下步骤:
S1、获取与敌我双方战机相关的若干个战场态势数据,以及获取我方战机的滚转角数据;
S2、对所述战场态势数据以及所述滚转角数据进行预处理;
S3、构建决策树算法,将经过预处理的所述战场态势数据、所述滚转角数据分别作为输入和输出来训练所述决策树算法,获得空战狗斗滚转机动辅助决策模型;
S4、在单机近距空战格斗过程中,将采集到的与敌我双方战机相关的战场态势数据用相同的方式进行预处理后输入到所述空战狗斗滚转机动辅助决策模型,从而获得用于辅助我方战机进行滚转机动的滚转角类别。
2.根据权利要求1所述的方法,其特征在于:在步骤S2中,所述对所述滚转角数据进行预处理的步骤包括:
将所述滚转角数据定义在-180°-180°区间范围内;
通过聚类算法对所述滚转角数据进行分类,根据分类结果确定所述滚转角类别的最优类别数、类间距离、类中心点;
记录各所述滚转角数据所对应的所述滚转角类别,以便于在步骤S3中作为所述决策树算法的输出使用。
3.根据权利要求2所述的方法,其特征在于:所述根据分类结果确定所述滚转角类别的最优类别数、类间距离、类中心点的步骤包括:
遍历搜索多个不同类别数,并对于每个类别数,分别基于kmeans聚类分析算法解算类中心点、类内距离、类间距离;
根据类内距离和类间距离的比例值、类内距离和类间距离的比例值的变化趋势综合确定所述滚转角类别的最优类别数、类间距离、类中心点。
4.根据权利要求1所述的方法,其特征在于:在步骤S2中,所述对所述战场态势数据进行预处理的步骤包括:对所述战场态势数据进行归一化。
5.根据权利要求1所述的方法,其特征在于:在步骤S1中,所述战场态势数据包括:敌机在本机机体坐标y轴方向下的相对位置yetoo、敌机在本机机体坐标z轴方向下的相对位置zetoo、敌机在本机机体坐标x轴方向下的相对位置xetoo、敌机到本机的直线距离Distance、敌机到本机的接近速度大小Closure_v、敌机在本机的视线方向与本机机体坐标系x轴的夹角ATA、敌机在本机的视线方向与本机机体坐标系x轴的夹角的变化率Dot(ATA)、敌机在本机的视线方向与敌机机体坐标系x轴的夹角AA、敌机在本机的视线方向与敌机机体坐标系x轴的夹角的变化率Dot(AA)、敌机机体坐标系x轴方向与本机机体坐标系x轴方向的夹角HCA、敌机机体坐标系x轴方向与本机机体坐标系x轴方向的夹角的变化率Dot(HCA)、本机的迎角AOA、本机的法向过载Ny、本机的海拔高度Alt_ground_level、本机的速度大小vtas。
6.根据权利要求1所述的方法,其特征在于:在步骤S1中,在敌我双方战机基于BFM机动条件进行单机近距空战格斗训练的过程中获取与敌我双方战机相关的若干个战场态势数据以及我方战机的滚转角数据。
7.根据权利要求1所述的方法,其特征在于:在步骤S3中,基于XGBOOST算法库构建所述决策树算法。
8.一种基于决策树的空战狗斗滚转机动辅助决策系统,其特征在于:包括:
获取模块,用于采集与敌我双方战机相关的战场态势数据以及我方战机的滚转角度数据;
预处理模块,用于对所述战场态势数据以及所述滚转角数据进行预处理;
训练模块,用于对决策树算法进行训练,并获得空战狗斗滚转机动辅助决策模型;
和执行模块,用于将采集到的与敌我双方战机相关的战场态势数据输入到所述空战狗斗滚转机动辅助决策模型中,以获得用于辅助我方战机进行滚转机动的滚转角类别。
9.一种电子设备,其特征在于:包括存储有可执行程序代码的存储器以及与所述存储器耦合的处理器;其中,所述处理器调用所述存储器中存储的可执行程序代码,执行如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于:所述计算机程序被处理器运行时执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310076524.8A CN116466736A (zh) | 2023-01-19 | 2023-01-19 | 一种基于决策树的空战狗斗滚转机动辅助决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310076524.8A CN116466736A (zh) | 2023-01-19 | 2023-01-19 | 一种基于决策树的空战狗斗滚转机动辅助决策方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116466736A true CN116466736A (zh) | 2023-07-21 |
Family
ID=87181285
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310076524.8A Pending CN116466736A (zh) | 2023-01-19 | 2023-01-19 | 一种基于决策树的空战狗斗滚转机动辅助决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116466736A (zh) |
-
2023
- 2023-01-19 CN CN202310076524.8A patent/CN116466736A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Maneuver decision of UAV in short-range air combat based on deep reinforcement learning | |
CN111240353B (zh) | 基于遗传模糊树的无人机协同空战决策方法 | |
Yang et al. | UAV air combat autonomous maneuver decision based on DDPG algorithm | |
CN104077601B (zh) | 一种利用不同类型信息进行目标综合识别的方法 | |
Hu et al. | Application of deep reinforcement learning in maneuver planning of beyond-visual-range air combat | |
CN110222406B (zh) | 一种基于任务阶段复杂性的无人机自主能力评估方法 | |
CN109960148B (zh) | 一种智能无人系统的自主性评估方法及系统 | |
CN112749761A (zh) | 基于注意力机制和循环神经网络的敌方作战意图识别方法及系统 | |
CN113625569B (zh) | 一种基于混合决策模型的小型无人机防控决策方法及系统 | |
Fu et al. | The overview for UAV air-combat decision method | |
Yang et al. | LSTM-based deep learning model for civil aircraft position and attitude prediction approach | |
Fan et al. | Path planning for a reconnaissance UAV in uncertain environment | |
CN114444201A (zh) | 基于贝叶斯网络的对地攻击无人机自主能力评估方法 | |
Ximeng et al. | Threat assessment in air combat based on ELM neural network | |
CN115661576A (zh) | 一种样本不平衡下的飞机群组意图识别方法 | |
Lei et al. | A new machine learning framework for air combat intelligent virtual opponent | |
CN116466736A (zh) | 一种基于决策树的空战狗斗滚转机动辅助决策方法 | |
CN115186378A (zh) | 一种空战模拟环境中的战术控制距离实时解算方法 | |
CN115457809A (zh) | 对面支援场景下基于多智能体强化学习的航迹规划方法 | |
CN115204033A (zh) | 单机近距空战格斗机动辅助决策方法、系统、设备及介质 | |
Ximeng et al. | Trajectory prediction of target aircraft in air combat based on ga-oif-elman neural network | |
Marcu | Fuzzy logic approach in real-time UAV control | |
CN112800082B (zh) | 一种基于置信规则库推理的空中目标识别方法 | |
Karli et al. | Air combat learning from F-16 flight information | |
CN113657182A (zh) | 一种基于变权理论的动态贝叶斯网络的目标意图识别方法 |
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 |