CN116484227A - 用于机弹对抗末端机动规避指标生成的神经网络建模方法 - Google Patents

用于机弹对抗末端机动规避指标生成的神经网络建模方法 Download PDF

Info

Publication number
CN116484227A
CN116484227A CN202310492254.9A CN202310492254A CN116484227A CN 116484227 A CN116484227 A CN 116484227A CN 202310492254 A CN202310492254 A CN 202310492254A CN 116484227 A CN116484227 A CN 116484227A
Authority
CN
China
Prior art keywords
neural network
layer
avoidance
training
tail end
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
Application number
CN202310492254.9A
Other languages
English (en)
Inventor
毕文豪
毛泽铭
张安
杨忠杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202310492254.9A priority Critical patent/CN116484227A/zh
Publication of CN116484227A publication Critical patent/CN116484227A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Neurology (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供了一种用于机弹对抗末端机动规避指标生成的神经网络建模方法，构建末端规避数据集，确定BP神经网络输入层和输出层的特征参量，通过尺度变换，对特征参量的数值进行归一化处理，构建BP神经网络通用模型，并训练BP神经网络模型，无人机利用训练好的BP神经网络模型根据末端相对态势生成机动规避指标，并执行相应机动动作以规避导弹攻击。本发明利用神经网络的非线性映射能力通过机弹相对态势生成无人机末端机动规避指标，以实现无人机末端自主规避决策，提高规避成功概率，与随机选择法和经验决策法相比，机动规避指标明确，且生成机动规避指标的时间短，满足实时性和有效性要求。

Description

用于机弹对抗末端机动规避指标生成的神经网络建模方法
技术领域
本发明涉及机弹对抗决策领域，尤其是用于无人机与中远距空空导弹对抗末端机动规避指标生成的神经网络建模方法。
背景技术
无人机规避中远距空空导弹问题是追逃对策的一种，导弹是追击者，其作战目标是在战术技术指标约束下命中目标，而无人机是逃逸者，其作战目标则是实施机动规避导弹攻击。随着现代高性能中远距空空导弹的不断出现，无人机的作战环境愈加恶劣，为了提高无人机的生存率，保障完成任务的可靠性，研究空战中如何使用高效的逃逸机动策略以提高无人机在高风险、快节奏、强对抗的机弹对抗环境中的生存能力，将成为应用无人机作战的重点问题之一。
在机弹对抗末端，无人机需要根据机动规避指标执行相应机动动作以规避来袭导弹攻击，传统的经验决策法、随机选择法等机动规避指标模糊，无法给出定量化的指标参数，难以适应瞬息万变的机弹对抗末端态势。用于机弹对抗末端机动规避指标生成的神经网络建模方法能够由实时的机弹相对态势关系生成明确的末端机动规避指标，进而实现无人机末端自主规避决策。
发明内容
为了克服现有技术的不足，本发明提供一种用于机弹对抗末端机动规避指标生成的神经网络建模方法。本发明利用神经网络的非线性映射能力通过机弹相对态势生成无人机末端机动规避指标，以实现无人机末端自主规避决策，提高规避成功概率。
本发明解决其技术问题所采用的技术方案包括以下步骤：
步骤1：构建末端规避数据集；
(1.1)利用已有的机弹对抗仿真系统随机设定不同机弹初始态势，并进行机弹对抗过程仿真，记录末端规避启动时刻机弹相对态势数据；
(1.2)在同种态势下，无人机采用不同的机动规避指标进行规避，选择中远距空空导弹脱靶量最大的规避动作作为当前态势下无人机最优规避动作，并记录最优规避动作的机动规避指标；
重复步骤(1.1)和(1.2)的过程，直至获得大于100000条以上的不同态势下的最优规避动作指标数据，构成末端规避数据集，然后将末端规避数据集划分成训练集和测试集其中，n和m分别表示训练集和测试集中的样本个数；i表示单个样本中的特征参量个数；
步骤2：特征参量选取；
确定BP神经网络输入层和输出层的特征参量；
步骤3：数据预处理；
通过尺度变换，对特征参量的数值进行归一化处理，变换到[-1,1]区间内；
步骤4：确定BP神经网络层级结构；
构建BP神经网络通用模型；
步骤5：BP神经网络模型训练，得到训练好的BP神经网络模型；
步骤6：无人机利用训练好的BP神经网络模型根据末端相对态势生成机动规避指标，并执行相应机动动作以规避导弹攻击，若导弹脱靶量Rmis大于杀伤半径Rkill，则判定无人机成功规避，若导弹脱靶量Rmis小于等于杀伤半径Rkill，则规避失败。
所述步骤1中，其中末端规避数据集的80％划分为训练集，末端规避数据集的20％划分为测试集。
所述步骤2中，BP神经网络的输入为末端规避启动时刻机弹相对态势，如图1所示，机弹相对态势用机弹相对方位Anglemp、机弹相对高度Hmp、机弹相对距离Rmp和机弹相对速度Vmp4个特征参量进行表示；规避动作由侧向过载角度Nangle，侧向过载大小Nnum和侧向过载持续时间Ntime3个机动规避指标决定，侧向过载角度Nangle作为BP神经网络的输出，侧向过载大小Nnum和侧向过载持续时间Ntime作为末端规避动作的约束条件。
所述步骤3中，通过尺度变换，对特征参量的数值进行归一化处理，变换到[-1,1]区间内，具体公式为其中，X′、X分别为每组样本中的特征参量的数值归一化后和归一化前的值，特征参量的数值为BP神经网络输入的机弹相对态势中的Anglemp、Hmp、Rmp、Vmp和Nangle；Xmax、Xmin分别为X同一个特征参量的数值的最大值和最小值。
所述步骤4中，构建BP神经网络通用模型的网络拓扑结构包括1层输入层、3层隐含层和1层输出层；BP神经网络模型为：输入层向量X＝(x1,x2,…,xn)T，n为输入层神经元个数；隐含层向量 m为隐含层神经元个数；输出层向量A＝(a1,a2,…,ak)T，k为输出层神经元个数。
所述步骤5中，(5.1)将神经网络的权值和阈值均初始化为(-1,1)区间内的随机数，从训练集中选择第g个样本并计算输出值，g＝0,1,…,n，则BP神经网络模型各层的输出值公式为/>其中，/>表示神经网络第l层第i个神经元与第l+1层第j个神经元之间的权值；/>表示神经网络第l层第i个神经元的输出值；/>表示神经网络第l+1层第j个神经元的阈值；/>表示神经网络第l+1层第j个神经元的输出值；神经网络各层之间采用的激活函数为f(x)＝(1-e-2x)/(1+e-2x)；
(5.2)设定神经网络的学习速率采用最小均方误差函数作为损失函数，计算输出值和实际值的误差，最小均方误差函数为/>其中，k＝1,2,…,n，n为训练集样本个数；Ak、Tk分别为网络输出值和网络实际值；然后再根据最小均方误差E进行反向传递，并根据链式求导法则逐层进行权值和阈值和修正；训练过程中，神经网络的权值和阈值按照梯度下降算法进行更新，更新公式为：
其中，表示损失函数对权值/>的误差梯度；/>表示损失函数对阈值/>的误差梯度；/>分别表示更新前的权值和阈值；/>分别表示更新后的权值和阈值；
(5.3)从训练集中选取新的样本重复步骤5.1和步骤5.2的操作，直至训练集中的所有样本训练完毕，并获得训练后的BP神经网络模型；然后将测试集Q中的样本数据输入到训练后的BP神经网络模型，将计算出来的输出值与测试集中的实际值进行对比，求样本误差：
其中，Rm表示测试集中第m个样本的输出值；Dm表示测试集中第m个样本的实际值；
(5.4)若满足样本误差e≤5％的测试样本占总测试样本数量的比值为P，且P大于等于阈值λ，则BP神经网络模型的精度符合要求，保存此时的BP神经网络模型，并结束训练过程，进入步骤6；若比值P小于阈值λ，则训练的BP神经网络模型的精度没有达到指定的要求，再次判定此时是否达到BP神经网络模型最大训练次数N，如果没有达到BP神经网络模型最大训练次数N，则继续训练，如果此时已经达到BP神经网络模型最大训练次数N，说明模型在达到最大训练次数后仍不满足精度要求，则重新进入步骤5对模型参数进行初始化并对模型进行重新训练。
所述神经网络学习速率
所述阈值λ＝0.85。
所述最大训练次数N＝1000。
本发明的有益效果在于提出了一种用于机弹对抗末端机动规避指标生成的神经网络建模方法，通过对末端规避数据集进行学习，实现了从机弹相对态势输入到机动规避指标输出的映射关系，无人机只需要利用训练好的神经网络模型即可进行末端自主规避决策。与随机选择法和经验决策法相比，机动规避指标明确，且生成机动规避指标的时间短，满足实时性和有效性要求。
附图说明
图1为末端规避启动时刻机弹相对态势示意图。
图2为BP神经网络模型构建及训练流程图。
图3为BP神经网络拓扑结构图。
图4为机弹对抗全过程飞行轨迹示意图。
图5为末端飞行轨迹示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
如图2所示，本发明的实例包括以下几个步骤：
步骤1.构建末端规避数据集。如图1所示，利用已有的机弹对抗仿真系统随机设定不同机弹初始距离(15km-60km)、机弹初始方位(0°-360°)、导弹初始高度和速度(5km-15km，0.9Ma-1.5Ma)、无人机初始高度和速度(5km-15km，0.5Ma-0.8Ma)并进行机弹对抗过程仿真，记录末端规避启动时刻机弹相对态势数据；同种态势下，选择中远距空空导弹脱靶量最大的规避动作作为当前态势下无人机最优规避动作，并记录最优规避动作的机动规避指标。计算机弹对抗飞行轨迹约20万条，构成末端规避数据集，其中80％划分为训练集P、20％划分为测试集Q。
步骤2.特征参量选取；
BP神经网络输入层的特征参量为机弹相对方位Anglemp、机弹相对高度Hmp、机弹相对距离Rmp、机弹相对速度Vmp；输出层的特征参量为侧向过载角度Nangle；侧向过载大小Nnum和侧向过载持续时间Ntime指标作为末端规避动作的约束条件，即
步骤3.数据预处理；
对BP神经网络的输入和输出数据全部进行归一化处理，将其变换到[-1,1]区间内，具体公式为其中，Angle′mp、H′mp、R′mp、V′mp、N′angle分别为归一化后的机弹相对方位、机弹相对高度、机弹相对距离、机弹相对速度和侧向过载角度。
步骤4.确定BP神经网络层级结构；
构建BP神经网络模型，网络拓扑结构为1层输入层、3层隐含层和1层输出层，输入层神经元个数n＝4，隐含层神经元个数m＝10，输出层神经元个数k＝1，BP神经网络拓扑结构如图3所示。BP神经网络模型为：输入层向量X＝(x1,x2,x3,x4)T；隐含层向量输出层向量A＝a1；
步骤5.BP神经网络模型训练；
(5.1)采用(-1,1)区间内的随机数初始化神经网络的权值和阈值，从训练集中选择第一个样本并计算输出值，BP神经网络模型各层的输出值公式为其中，/>表示神经网络第l层第i个神经元与第l+1层第j个神经元之间的权值；/>表示神经网络第l层第i个神经元的输出值；/>表示神经网络第l+1层第j个神经元的阈值；/>表示神经网络第l+1层第j个神经元的输出值；神经网络各层之间采用的激活函数为f(x)＝(1-e-2x)/(1+e-2x)；
(5.2)设定神经网络学习速率采用最小均方误差函数作为损失函数计算输出值和实际值的误差，其中，k＝1,2,…,n，n为训练集样本个数；Ak、Tk分别为网络输出值和实际值。然后再根据误差进行反向传递，逐层进行权值和阈值的修正。训练过程中，神经网络的权值和阈值按照梯度下降算法进行更新，公式为/>其中，/>表示损失函数对权值/>的误差梯度；表示损失函数对阈值/>的误差梯度；/>分别表示更新前的权值和阈值；/>分别表示更新后的权值和阈值；
(5.3)从训练集中选取新的样本重复步骤5.1至步骤5.2，直至训练集中的所有样本训练完毕；然后将测试集Q中的样本数据输入BP神经网络模型，将计算出来的输出值与测试集实际值进行对比，求样本误差/>其中，Rm表示测试集中第m个样本的输出值；Dm表示测试集中第m个样本的实际值；
(4)设定阈值λ＝0.85，最大训练次数N＝1000，在21350个测试样本中，e≤5％的测试样本有18956个，占总测试样本数量的比值P＝0.89，大于阈值λ，因此BP神经网络模型的精度符合要求，保存此时的BP神经网络模型，并结束训练过程。
步骤6.无人机利用训练好的BP神经网络模型根据末端相对态势生成机动规避指标，并执行相应机动动作以规避导弹攻击。导弹杀伤半径Rkill＝10m，机弹初始距离35264m，机弹初始方位37°，无人机初始高度7120m、速度0.62Ma，导弹初始高度8426m、速度0.93Ma。无人机在机弹相遇前1.61s进行规避，末端规避启动时刻机弹相对态势为利用BP神经网络模型生成的机动规避指标为/>无人机执行相应机动动作规避导弹攻击，最终脱靶量Rmis＝37.51m，无人机成功规避。机弹对抗全过程飞行轨迹如图4所示，末端飞行轨迹如图5所示。

Claims (9)

1.一种用于机弹对抗末端机动规避指标生成的神经网络建模方法，其特征在于包括下述步骤：
步骤1：构建末端规避数据集；
(1.1)利用已有的机弹对抗仿真系统随机设定不同机弹初始态势，并进行机弹对抗过程仿真，记录末端规避启动时刻机弹相对态势数据；
(1.2)在同种态势下，无人机采用不同的机动规避指标进行规避，选择中远距空空导弹脱靶量最大的规避动作作为当前态势下无人机最优规避动作，并记录最优规避动作的机动规避指标；
重复步骤(1.1)和(1.2)的过程，直至获得大于100000条以上的不同态势下的最优规避动作指标数据，构成末端规避数据集，然后将末端规避数据集划分成训练集和测试集其中，n和m分别表示训练集和测试集中的样本个数；i表示单个样本中的特征参量个数；
步骤2：特征参量选取；
确定BP神经网络输入层和输出层的特征参量；
步骤3：数据预处理；
通过尺度变换，对特征参量的数值进行归一化处理，变换到[-1,1]区间内；
步骤4：确定BP神经网络层级结构；
构建BP神经网络通用模型；
步骤5：BP神经网络模型训练，得到训练好的BP神经网络模型；
步骤6：无人机利用训练好的BP神经网络模型根据末端相对态势生成机动规避指标，并执行相应机动动作以规避导弹攻击，若导弹脱靶量Rmis大于杀伤半径Rkill，则判定无人机成功规避，若导弹脱靶量Rmis小于等于杀伤半径Rkill，则规避失败。
2.根据权利要求1所述的其特征在于包括下述步骤，其特征在于：
所述步骤1中，其中末端规避数据集的80％划分为训练集，末端规避数据集的20％划分为测试集。
3.根据权利要求1所述的其特征在于包括下述步骤，其特征在于：
所述步骤2中，BP神经网络的输入为末端规避启动时刻机弹相对态势，机弹相对态势用机弹相对方位Anglemp、机弹相对高度Hmp、机弹相对距离Rmp和机弹相对速度Vmp4个特征参量进行表示；规避动作由侧向过载角度Nangle，侧向过载大小Nnum和侧向过载持续时间Ntime3个机动规避指标决定，侧向过载角度Nangle作为BP神经网络的输出，侧向过载大小Nnum和侧向过载持续时间Ntime作为末端规避动作的约束条件。
4.根据权利要求1所述的其特征在于包括下述步骤，其特征在于：
所述步骤3中，通过尺度变换，对特征参量的数值进行归一化处理，变换到[-1,1]区间内，具体公式为其中，X′、X分别为每组样本中的特征参量的数值归一化后和归一化前的值，特征参量的数值为BP神经网络输入的机弹相对态势中的Anglemp、Hmp、Rmp、Vmp和Nangle；Xmax、Xmin分别为X同一个特征参量的数值的最大值和最小值。
5.根据权利要求1所述的其特征在于包括下述步骤，其特征在于：
所述步骤4中，构建BP神经网络通用模型的网络拓扑结构包括1层输入层、3层隐含层和1层输出层；BP神经网络模型为：输入层向量X＝(x1,x2,…,xn)T，n为输入层神经元个数；隐含层向量 m为隐含层神经元个数；输出层向量A＝(a1,a2,…,ak)T，k为输出层神经元个数。
6.根据权利要求1所述的其特征在于包括下述步骤，其特征在于：
所述步骤5中，(5.1)将神经网络的权值和阈值均初始化为(-1,1)区间内的随机数，从训练集中选择第g个样本并计算输出值，g＝0,1,…,n，则BP神经网络模型各层的输出值公式为/>其中，/>表示神经网络第l层第i个神经元与第l+1层第j个神经元之间的权值；/>表示神经网络第l层第i个神经元的输出值；/>表示神经网络第l+1层第j个神经元的阈值；/>表示神经网络第l+1层第j个神经元的输出值；神经网络各层之间采用的激活函数为f(x)＝(1-e-2x)/(1+e-2x)；
(5.2)设定神经网络的学习速率采用最小均方误差函数作为损失函数，计算输出值和实际值的误差，最小均方误差函数为/>其中，k＝1,2,…,n，n为训练集样本个数；Ak、Tk分别为网络输出值和网络实际值；然后再根据最小均方误差E进行反向传递，并根据链式求导法则逐层进行权值和阈值和修正；训练过程中，神经网络的权值和阈值按照梯度下降算法进行更新，更新公式为：
其中，表示损失函数对权值/>的误差梯度；/>表示损失函数对阈值/>的误差梯度；/>分别表示更新前的权值和阈值；/>分别表示更新后的权值和阈值；
(5.3)从训练集中选取新的样本重复步骤5.1和步骤5.2的操作，直至训练集中的所有样本训练完毕，并获得训练后的BP神经网络模型；然后将测试集Q中的样本数据输入到训练后的BP神经网络模型，将计算出来的输出值与测试集中的实际值进行对比，求样本误差：
其中，Rm表示测试集中第m个样本的输出值；Dm表示测试集中第m个样本的实际值；
(5.4)若满足样本误差e≤5％的测试样本占总测试样本数量的比值为P，且P大于等于阈值λ，则BP神经网络模型的精度符合要求，保存此时的BP神经网络模型，并结束训练过程，进入步骤6；若比值P小于阈值λ，则训练的BP神经网络模型的精度没有达到指定的要求，再次判定此时是否达到BP神经网络模型最大训练次数N，如果没有达到BP神经网络模型最大训练次数N，则继续训练，如果此时已经达到BP神经网络模型最大训练次数N，说明模型在达到最大训练次数后仍不满足精度要求，则重新进入步骤5对模型参数进行初始化并对模型进行重新训练。
7.根据权利要求6所述的其特征在于包括下述步骤，其特征在于：
所述神经网络学习速率
8.根据权利要求6所述的其特征在于包括下述步骤，其特征在于：所述阈值λ＝0.85。
9.根据权利要求6所述的其特征在于包括下述步骤，其特征在于：所述最大训练次数N＝1000。
CN202310492254.9A 2023-05-04 2023-05-04 用于机弹对抗末端机动规避指标生成的神经网络建模方法 Pending CN116484227A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310492254.9A CN116484227A (zh) 2023-05-04 2023-05-04 用于机弹对抗末端机动规避指标生成的神经网络建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310492254.9A CN116484227A (zh) 2023-05-04 2023-05-04 用于机弹对抗末端机动规避指标生成的神经网络建模方法

Publications (1)

Publication Number Publication Date
CN116484227A true CN116484227A (zh) 2023-07-25

Family

ID=87217637

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310492254.9A Pending CN116484227A (zh) 2023-05-04 2023-05-04 用于机弹对抗末端机动规避指标生成的神经网络建模方法

Country Status (1)

Country Link
CN (1) CN116484227A (zh)

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080249669A1 (en) * 2006-12-22 2008-10-09 Saab Ab Device at an airborne vehicle and a method for collision avoidance
CN104299047A (zh) * 2014-10-08 2015-01-21 西安电子科技大学 一种基于模糊综合评价法的飞机航路评价指标体系的建立方法
CN104537898A (zh) * 2015-01-08 2015-04-22 西北工业大学 一种空地协同的无人机感知规避系统及其规避方法
US20170142596A1 (en) * 2015-04-14 2017-05-18 ETAK Systems, LLC 3d modeling of cell sites and cell towers with unmanned aerial vehicles
US20180253980A1 (en) * 2017-03-03 2018-09-06 Farrokh Mohamadi Drone Terrain Surveillance with Camera and Radar Sensor Fusion for Collision Avoidance
CN110008582A (zh) * 2019-04-02 2019-07-12 董妍欣 一种基于无人机的划线标记方法
US20200057935A1 (en) * 2017-03-23 2020-02-20 Peking University Shenzhen Graduate School Video action detection method based on convolutional neural network
CN111665866A (zh) * 2020-06-24 2020-09-15 西北工业大学 一种基于性能影响算法的多无人机任务分配方法
CN111773722A (zh) * 2020-06-18 2020-10-16 西北工业大学 一种模拟环境中的战斗机规避机动策略集生成方法
CN112666976A (zh) * 2020-12-23 2021-04-16 西北工业大学 一种基于一致性的多无人机集群防撞方法
US20210132612A1 (en) * 2019-03-08 2021-05-06 SZ DJI Technology Co., Ltd. Techniques for sharing mapping data between an unmanned aerial vehicle and a ground vehicle
CN114118365A (zh) * 2021-11-08 2022-03-01 北京理工大学 基于径向基网络的跨介质飞行器快速入水近似优化方法
CN114221726A (zh) * 2021-12-16 2022-03-22 浙江建德通用航空研究院 ka频段无人机通信系统的下行链路同频干扰表征方法
CN114690790A (zh) * 2020-12-28 2022-07-01 北京理工大学 基于gru的拦截飞行器制导律快速辨识方法
CN114721424A (zh) * 2022-03-18 2022-07-08 中国人民解放军国防科技大学 一种多无人机协同对抗方法、系统以及存储介质
CN115291625A (zh) * 2022-07-15 2022-11-04 同济大学 基于多智能体分层强化学习的多无人机空战决策方法
CN115828742A (zh) * 2022-11-25 2023-03-21 北京航空航天大学 一种基于深度神经网络的飞行器可配平能力在线预示方法

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080249669A1 (en) * 2006-12-22 2008-10-09 Saab Ab Device at an airborne vehicle and a method for collision avoidance
CN104299047A (zh) * 2014-10-08 2015-01-21 西安电子科技大学 一种基于模糊综合评价法的飞机航路评价指标体系的建立方法
CN104537898A (zh) * 2015-01-08 2015-04-22 西北工业大学 一种空地协同的无人机感知规避系统及其规避方法
US20170142596A1 (en) * 2015-04-14 2017-05-18 ETAK Systems, LLC 3d modeling of cell sites and cell towers with unmanned aerial vehicles
US20180253980A1 (en) * 2017-03-03 2018-09-06 Farrokh Mohamadi Drone Terrain Surveillance with Camera and Radar Sensor Fusion for Collision Avoidance
US20200057935A1 (en) * 2017-03-23 2020-02-20 Peking University Shenzhen Graduate School Video action detection method based on convolutional neural network
US20210132612A1 (en) * 2019-03-08 2021-05-06 SZ DJI Technology Co., Ltd. Techniques for sharing mapping data between an unmanned aerial vehicle and a ground vehicle
CN110008582A (zh) * 2019-04-02 2019-07-12 董妍欣 一种基于无人机的划线标记方法
CN111773722A (zh) * 2020-06-18 2020-10-16 西北工业大学 一种模拟环境中的战斗机规避机动策略集生成方法
CN111665866A (zh) * 2020-06-24 2020-09-15 西北工业大学 一种基于性能影响算法的多无人机任务分配方法
CN112666976A (zh) * 2020-12-23 2021-04-16 西北工业大学 一种基于一致性的多无人机集群防撞方法
CN114690790A (zh) * 2020-12-28 2022-07-01 北京理工大学 基于gru的拦截飞行器制导律快速辨识方法
CN114118365A (zh) * 2021-11-08 2022-03-01 北京理工大学 基于径向基网络的跨介质飞行器快速入水近似优化方法
CN114221726A (zh) * 2021-12-16 2022-03-22 浙江建德通用航空研究院 ka频段无人机通信系统的下行链路同频干扰表征方法
CN114721424A (zh) * 2022-03-18 2022-07-08 中国人民解放军国防科技大学 一种多无人机协同对抗方法、系统以及存储介质
CN115291625A (zh) * 2022-07-15 2022-11-04 同济大学 基于多智能体分层强化学习的多无人机空战决策方法
CN115828742A (zh) * 2022-11-25 2023-03-21 北京航空航天大学 一种基于深度神经网络的飞行器可配平能力在线预示方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张宏鹏 等: "基于BP网络的UCAV最优规避动作生成", 飞行力学, vol. 38, no. 03, 30 June 2020 (2020-06-30), pages 46 *
毕文豪 等: "Combination Method of Conflict Evidences Based on Evidence Similarity", JOURNAL OF SYSTEMS ENGINEERING AND ELECTRONICS, vol. 28, no. 03, 30 June 2017 (2017-06-30), pages 503 *

Similar Documents

Publication Publication Date Title
CN111240353B (zh) 基于遗传模糊树的无人机协同空战决策方法
Hu et al. Application of deep reinforcement learning in maneuver planning of beyond-visual-range air combat
Xu et al. Autonomous decision-making method for combat mission of UAV based on deep reinforcement learning
CN113467508A (zh) 面向围捕任务的多无人机智能协同决策方法
CN113159266B (zh) 基于麻雀搜索神经网络的空战机动决策方法
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
CN114330115B (zh) 一种基于粒子群搜索的神经网络空战机动决策方法
CN113268081B (zh) 一种基于强化学习的小型无人机防控指挥决策方法及系统
CN114266355A (zh) 一种基于BiLSTM-Attention的战术意图识别方法
CN114638339A (zh) 基于深度强化学习的智能体任务分配方法
CN113741186B (zh) 一种基于近端策略优化的双机空战决策方法
Cao et al. Autonomous maneuver decision of UCAV air combat based on double deep Q network algorithm and stochastic game theory
CN115293022A (zh) 基于OptiGAN和时空注意力的航空兵智能体对抗行为建模方法
Xianyong et al. Research on maneuvering decision algorithm based on improved deep deterministic policy gradient
CN113128021B (zh) 多无人平台协同对抗的实时重决策方法和系统
CN116050515B (zh) 一种基于XGBoost的平行推演多分支态势预测方法
CN116484227A (zh) 用于机弹对抗末端机动规避指标生成的神经网络建模方法
CN115357051B (zh) 变形与机动一体化的规避与突防方法
CN113128698B (zh) 多无人机协同对抗决策的强化学习方法
CN116432539A (zh) 一种时间一致性协同制导方法、系统、设备及介质
CN115186378A (zh) 一种空战模拟环境中的战术控制距离实时解算方法
CN116306941A (zh) 一种基于决策树的无人机多回合攻防博弈决策方法
CN114722998B (zh) 一种基于cnn-ppo的兵棋推演智能体构建方法
CN114202185A (zh) 一种高功率微波武器协同防空的体系贡献率评估方法
CN115204286A (zh) 模拟环境中基于深度学习的目标战术意图在线识别方法

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