CN116678263A - 轻武器射击模拟智能集成靶面 - Google Patents
轻武器射击模拟智能集成靶面 Download PDFInfo
- Publication number
- CN116678263A CN116678263A CN202310934204.1A CN202310934204A CN116678263A CN 116678263 A CN116678263 A CN 116678263A CN 202310934204 A CN202310934204 A CN 202310934204A CN 116678263 A CN116678263 A CN 116678263A
- Authority
- CN
- China
- Prior art keywords
- representing
- laser
- target surface
- intelligent integrated
- shooting
- 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.)
- Granted
Links
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 21
- 238000004891 communication Methods 0.000 claims abstract description 18
- 230000006698 induction Effects 0.000 claims abstract description 18
- 241000287127 Passeridae Species 0.000 claims abstract description 16
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims abstract description 12
- 229910052744 lithium Inorganic materials 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 238000010845 search algorithm Methods 0.000 claims abstract description 7
- 238000010304 firing Methods 0.000 claims description 14
- 238000000034 method Methods 0.000 claims description 13
- 244000062645 predators Species 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000000739 chaotic effect Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 3
- 239000011248 coating agent Substances 0.000 description 3
- 238000000576 coating method Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011247 coating layer Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F41—WEAPONS
- F41J—TARGETS; TARGET RANGES; BULLET CATCHERS
- F41J1/00—Targets; Target stands; Target holders
- F41J1/01—Target discs characterised by their material, structure or surface, e.g. clay pigeon targets characterised by their material
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F41—WEAPONS
- F41J—TARGETS; TARGET RANGES; BULLET CATCHERS
- F41J1/00—Targets; Target stands; Target holders
- F41J1/10—Target stands; Target holders
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F41—WEAPONS
- F41J—TARGETS; TARGET RANGES; BULLET CATCHERS
- F41J5/00—Target indicating systems; Target-hit or score detecting systems
- F41J5/02—Photo-electric hit-detector systems
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Telescopes (AREA)
Abstract
本发明涉及智能分析技术领域，尤其为轻武器射击模拟智能集成靶面，包括：可拆卸式靶面、立杆、底座、激光感应阵列、锂电池供电组、无线通信装置；所述底座用于固定立杆；所述可拆卸式靶面上设置有激光感应阵列；所述锂电池供电组为所述智能集成靶面供电；所述无线通信装置用于发送激光感应阵列的反馈信号。本发明通过可接收和反馈激光点的全面积阵列感应靶面接收激光信号，不易受到自然环境的干扰，并由麻雀搜索算法进行智能寻优的变分模态分解算法对信号进行滤波处理，智能提高接收的激光信号的准确度，以提高反馈的射击成绩的精准度，同时提供多种射击目标，其适用性强，且通过无线通信装置进行及时反馈射击成绩，提高用户的体验感。
Description
技术领域
本发明涉及智能分析技术领域，尤其是轻武器射击模拟智能集成靶面。
背景技术
激光靶是激光真人CS娱乐项目或激光竞技类射击项目中经常用到的工具，激光靶被激光枪或激光发射器发出的光线照射到之后，用声音或者彩色灯光给予射击者命中反馈，从而模拟实弹打靶的过程，
现有技术中，通过在导光板上涂上反射涂层进行激光信号的采集，但是反射涂层易受到外界环境干扰，易被空气或自然环境腐蚀，导致反射涂层面上存在“盲区”，这样就不能保证对激光信号的有效识别及识别精准度。故本发明提出轻武器射击模拟智能集成靶面，通过激光感应阵列采集激光信号，并对激光信号进行滤波和反馈，输出精确的射击成绩。
发明内容
本发明的目的是通过提出轻武器射击模拟智能集成靶面，以解决上述背景技术中提出的缺陷。
本发明采用的技术方案如下：
提供轻武器射击模拟智能集成靶面，包括：可拆卸式靶面、立杆、底座、激光感应阵列、锂电池供电组、无线通信装置；
所述底座用于固定立杆；
所述可拆卸式靶面上设置有激光感应阵列；
所述锂电池供电组为所述智能集成靶面供电；
所述无线通信装置用于发送激光感应阵列的反馈信号。
作为本发明的一种优选技术方案：所述智能集成靶面设置有两种轻武器的不同精度射击模式及分别应用于两种轻武器的射击模板。
作为本发明的一种优选技术方案：所述两种轻武器包括手枪和自动步枪。
作为本发明的一种优选技术方案：所述应用于两种轻武器的射击模板包括胸环靶、半身靶、头靶和侧身靶。
作为本发明的一种优选技术方案：所述智能集成靶面为可接收和反馈激光点的全面积阵列感应靶面。
作为本发明的一种优选技术方案：所述可拆卸式靶面上设置的激光感应阵列接收和反馈由轻武器发射的射击激光信号，并由所述无线通信装置发送所述激光感应阵列的反馈信号。
作为本发明的一种优选技术方案：所述激光感应阵列对接收的由轻武器发射的射击激光信号进行滤波处理。
作为本发明的一种优选技术方案：所述滤波处理基于变分模态分解算法对发射信号进行滤波处理，所述变分模态分解算法中，通过麻雀搜索算法对模态分量个数和二次惩罚因子进行寻优获取。
作为本发明的一种优选技术方案：所述变分模态分解算法具体如下：
；
其中，为模态分量个数，/>为第/>个模态分量，/>为第/>个模态分量的中心频率， />为/>时刻的系数，/>为狄拉克函数，*为卷积运算符号，/>表示范数，/>为激光感应阵列接收的由轻武器发射的射击激光信号；
引入拉格朗日算子：
；
其中，为引入拉格朗日乘子的约束模型，/>为二次惩罚因子，/>为拉格朗日算子，/>表示当前时刻，/>表示复数信号，/>表示复数信号在时域内旋转的矢量，/>为数学常量，/>为瞬时频率；
通过交替方向乘子法进行迭代更新：
初始化、/>和 />，此时迭代次数为0，根据下式更新/>、/>和/>：
；
；
；
其中，表示第/>次迭代的第/>个模态分量的傅里叶变换，/>表示激光感应阵列接收的由轻武器发射的射击激光信号的傅里叶变换，/>表示第/>次迭代的除第/>个模态分量以外的分量之和的傅里叶变换，/>、/>表示第/>次迭代和第/>次迭代的拉格朗日算子的傅里叶变换，/>表示第/>次迭代的第/>个模态分量的中心频率，/>表示当前频率，/>为噪声容忍度；
不断迭代更新、/>和/>，直至满足以下条件：
；
其中，、/>表示第/>次迭代和第/>次迭代的第/>个模态分量，/>为判断精度。
作为本发明的一种优选技术方案：所述滤波处理过程中，通过混沌映射对麻雀种群进行初始化：
；
其中，为待寻优参数模态分量个数和二次惩罚因子，/>为更新的待寻优参数模态分量个数和二次惩罚因子；
进行伯努利移位变换：
；
其中，为取余数运算；
经过上述初始化过程产生数量为的初始麻雀种群，以包络熵极小值为适应度函数，对每个位置的生产者和捕食者进行变分模态分解并计算初始适应度值；
发现者位置更新如下：
；
其中，表示种群中第/>代第/>个体的第/>维的位置，/>表示种群中第/>代第个体的第/>维的位置，/>表示/>间的随机数，/>表示最大迭代次数，/>表示一个标准正态分布随机数，/>表示元素大小都为1的/>的矩阵，其中，/>为变量维数，/>表示侦查麻雀发现捕食者发出鸣叫的预警值，取值范围为/>中的均匀随机数，/>表示预设的安全值；
更新跟随者位置：
；
其中，表示第/>代的生产者最差位置，/>表示第 />代的生产者最佳位置，，其中/>的/>的矩阵；
；
其中，表示当前全局最佳位置，/>表示步长控制参数，/>表示/>间的随机数，/>表示第/>个体的适应度值，/>表示全局最优适应度值，/>表示全局最差适应度值，/>表示使分母不为零的最小常数。
本发明提供的轻武器射击模拟智能集成靶面，与现有技术相比，其有益效果有：
本发明通过可接收和反馈激光点的全面积阵列感应靶面接收轻武器发射的激光信号，不易受到自然环境的干扰，并由麻雀搜索算法进行智能寻优的变分模态分解算法对信号进行滤波处理，智能提高接收的激光信号的准确度，以提高反馈的射击成绩的精准度，同时提供多种射击目标，其适用性强，且通过无线通信装置进行及时反馈射击成绩，提高用户的体验感。
附图说明
图1为本发明优选实施例的智能集成靶面结构图；
图2为本发明优选实施例中信号接收反馈流程图。
图中各个标记的意义为：1、可拆卸式靶面；2、立杆；3、底座；4、激光感应阵列；5、锂电池供电组；6、无线通信装置。
具体实施方式
需要说明的是，在不冲突的情况下，本实施例中的实施例及实施例中的特征可以相互组合，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参照图1，本发明优选实施例提供了轻武器射击模拟智能集成靶面，包括：可拆卸式靶面1、立杆2、底座3、激光感应阵列4、锂电池供电组5、无线通信装置6；
所述底座3用于固定立杆2；
所述可拆卸式靶面1上设置有激光感应阵列4；
所述锂电池供电组5为智能集成靶面供电；
所述无线通信装置6用于发送激光感应阵列4的反馈信号。
所述智能集成靶面设置有两种轻武器的不同精度射击模式及分别应用于两种轻武器的射击模板。
所述两种轻武器包括手枪和自动步枪。
所述应用于两种轻武器的射击模板包括胸环靶、半身靶、头靶和侧身靶。
所述智能集成靶面为可接收和反馈激光点的全面积阵列感应靶面。
所述可拆卸式靶面1上设置的激光感应阵列4接收和反馈由轻武器发射的射击激光信号，并由无线通信装置6发送激光感应阵列4的反馈信号。
所述激光感应阵列4对接收的由轻武器发射的射击激光信号进行滤波处理。
所述滤波处理基于变分模态分解算法对发射信号进行滤波处理，变分模态分解算法中，通过麻雀搜索算法对模态分量个数和二次惩罚因子进行寻优获取。
所述变分模态分解算法具体如下：
；
其中，为模态分量个数，/>为第/>个模态分量，/>为第/>个模态分量的中心频率，/>为/>时刻的系数，/>为狄拉克函数， *为卷积运算符号，/>表示范数，/>为激光感应阵列接收的由轻武器发射的射击激光信号；
引入拉格朗日算子：
；
其中，为引入拉格朗日乘子的约束模型，/>为二次惩罚因子，/>为拉格朗日算子，/>表示当前时刻，/>表示复数信号，/>表示复数信号在时域内旋转的矢量，/>为数学常量，/>为瞬时频率；
通过交替方向乘子法进行迭代更新：
初始化、/>和/>，此时迭代次数为0，根据下式更新/>、/>和/>：
；
；
；
其中，表示第/>次迭代的第/>个模态分量的傅里叶变换，/>表示激光感应阵列接收的由轻武器发射的射击激光信号的傅里叶变换，/>表示第/>次迭代的除第/>个模态分量以外的分量之和的傅里叶变换，/>、/>表示第/>次迭代和第/>次迭代的拉格朗日算子的傅里叶变换，/>表示第/>次迭代的第/>个模态分量的中心频率，/>表示当前频率，/>为噪声容忍度；
不断迭代更新、/>和/>，直至满足以下条件：
；
其中， 、/>表示第/>次迭代和第/>次迭代的第/>个模态分量，/>为判断精度。
所述滤波处理过程中，通过混沌映射对麻雀种群进行初始化：
；
其中，为待寻优参数模态分量个数和二次惩罚因子，/>为更新的待寻优参数模态分量个数和二次惩罚因子；
进行伯努利移位变换：
；
其中，为取余数运算；
经过上述初始化过程产生数量为的初始麻雀种群，以包络熵极小值为适应度函数，对每个位置的生产者和捕食者进行变分模态分解并计算初始适应度值；
发现者位置更新如下：
；
其中，表示种群中第/>代第/>个体的第/>维的位置，/>表示种群中第/>代第个体的第/>维的位置，/>表示/>间的随机数，/>表示最大迭代次数，/>表示一个标准正态分布随机数，/>表示元素大小都为1的/>的矩阵，其中，/>为变量维数，/>表示侦查麻雀发现捕食者发出鸣叫的预警值，取值范围为/>中的均匀随机数，/>表示预设的安全值；
更新跟随者位置：
；
其中，表示第/>代的生产者最差位置，/>表示第/>代的生产者最佳位置，，其中/>的/>的矩阵；
；
其中，表示当前全局最佳位置，/>表示步长控制参数，/>表示/>间的随机数，/>表示第/>个体的适应度值，/>表示全局最优适应度值，/>表示全局最差适应度值，/>表示使分母不为零的最小常数。
本实施例中，参照图1，智能集成靶面包括可拆卸式靶面1、立杆2、底座3、激光感应阵列4、锂电池供电组5、无线通信装置6；底座3固定立杆2；立杆2的另一端安装可拆卸式靶面1，可拆卸式靶面1上设置有激光感应阵列4；锂电池供电组5为智能集成靶面供电；无线通信装置6发送激光感应阵列4的反馈信号。智能集成靶面以手枪、自动步枪常用精度射击胸环靶、半身靶、头靶、侧身靶为模板，自主研发可接收和反馈激光点的全面积阵列感应靶面。
参照图2，激光感应阵列4对接收的由轻武器发射的射击激光信号基于变分模态分解算法进行滤波处理，
；
其中，为模态分量个数，/>为第/>个模态分量，/>为第/>个模态分量的中心频率，/>为/>时刻的系数，/>为狄拉克函数， *为卷积运算符号，/>表示范数，/>为激光感应阵列接收的由轻武器发射的射击激光信号；
引入拉格朗日算子：
；
其中，为引入拉格朗日乘子的约束模型，/>为二次惩罚因子，/>为拉格朗日算子，/>表示当前时刻， />表示复数信号，/>表示复数信号在时域内旋转的矢量，/>为数学常量，/>为瞬时频率；
变分模态分解算法是一种自适应、完全非递归的模态变分和时频处理算法，其搜索和求解的过程可以自适应地匹配各个模态分量中心频率和有限带宽的最优值，并且可以实现固有模态分量的有效分离、信号的频域划分，最终获得信号变分问题的最优解。变分模态分解算法处理信号时需要预先对模态分量个数和二次惩罚因子/>进行设定，如果参数设置不合理时可能会产生模态混叠现象，严重影响后续的研究分析。模态个数一般根据原始信号中不同频率成分的数量确定，惩罚因子由每个模态分量的中心频率确定。模态分量个数/>设置不合理时分解结果中可能会产生冗余信息，或者出现模态混叠的现象；二次惩罚因子 />设置不合理时，结果中可能含有大量的噪声或者导致有效信息失真，因此对变分模态分解算法的参数进行优化是十分必要的。
通过麻雀搜索算法对变分模态分解算法中的模态分量个数和二次惩罚因子/>进行寻优获取。
混沌映射在遍历均匀性和收敛速度方面表现良好，故通过混沌映射对麻雀种群进行初始化：
；
其中，为待寻优参数模态分量个数和二次惩罚因子，/>为更新的待寻优参数模态分量个数和二次惩罚因子；
进行伯努利移位变换：
；
其中，为取余数运算；
经过上述初始化过程产生数量为的初始麻雀种群，以包络熵极小值为适应度函数，对每个位置的生产者和捕食者进行变分模态分解并计算初始适应度值；
发现者位置更新如下：
；
其中，表示种群中第9代第/>个体的第/>维的位置， />表示种群中第8代第/>个体的第/>维的位置，/>表示/>间的随机数，最大迭代次数为500次， />表示一个标准正态分布随机数，/>表示元素大小都为1的/>的矩阵，其中，/>为变量维数，/>表示侦查麻雀发现捕食者发出鸣叫的预警值，取值范围为/>中的均匀随机数， />表示预设的安全值；
更新跟随者位置：
；
其中， 表示第8代的生产者最差位置，/>表示第9代的生产者最佳位置，，其中/>的/>的矩阵；
；
其中，表示当前全局最佳位置，/>表示步长控制参数，/>表示/>间的随机数，/>表示第/>个体的适应度值，/>表示全局最优适应度值，/>表示全局最差适应度值，/>表示使分母不为零的最小常数。
上述的麻雀搜索算法在实际应用中求解全局优化问题时具有很强的搜索能力和并行性。可以有效寻优获得最优模态分量个数和二次惩罚因子/>，代入至拉格朗日乘子的约束模型中，通过交替方向乘子法进行迭代更新：
初始化、/> 和/>，此时迭代次数为0，根据下式更新/>、/>和/>：
；
；
；
其中，表示第/>次迭代的第/>个模态分量的傅里叶变换，/>表示激光感应阵列接收的由轻武器发射的射击激光信号的傅里叶变换，/>表示第/>次迭代的除第/>个模态分量以外的分量之和的傅里叶变换，/>、/>表示第/>次迭代和第/>次迭代的拉格朗日算子的傅里叶变换，/>表示第/>次迭代的第/>个模态分量的中心频率，/>表示当前频率，/>为噪声容忍度；
不断迭代更新 、/>和/>，直至满足以下条件：
；
其中，、/>表示第/>次迭代和第/>次迭代的第/>个模态分量，/>为判断精度。
当满足上述条件时，输出激光感应阵列4接收的由轻武器发射的射击激光信号的射击结果，并由无线通信装置6向报靶显示终端发送射击结果。其中，锂电池供电组5为激光感应阵列4和无线通信装置6供电。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (10)
1.轻武器射击模拟智能集成靶面，其特征在于：包括：可拆卸式靶面（1）、立杆（2）、底座（3）、激光感应阵列（4）、锂电池供电组（5）、无线通信装置（6）；
所述底座（3）用于固定立杆（2）；
所述可拆卸式靶面（1）上设置有激光感应阵列（4）；
所述锂电池供电组（5）为所述智能集成靶面供电；
所述无线通信装置（6）用于发送激光感应阵列（4）的反馈信号。
2.根据权利要求1所述的轻武器射击模拟智能集成靶面，其特征在于：所述智能集成靶面设置有两种轻武器的不同精度射击模式及分别应用于两种轻武器的射击模板。
3.根据权利要求2所述的轻武器射击模拟智能集成靶面，其特征在于：所述两种轻武器包括手枪和自动步枪。
4.根据权利要求2所述的轻武器射击模拟智能集成靶面，其特征在于：所述应用于两种轻武器的射击模板包括胸环靶、半身靶、头靶和侧身靶。
5.根据权利要求1所述的轻武器射击模拟智能集成靶面，其特征在于：所述智能集成靶面为可接收和反馈激光点的全面积阵列感应靶面。
6.根据权利要求1所述的轻武器射击模拟智能集成靶面，其特征在于：所述可拆卸式靶面（1）上设置的激光感应阵列（4）接收和反馈由轻武器发射的射击激光信号，并由所述无线通信装置（6）发送所述激光感应阵列（4）的反馈信号。
7.根据权利要求6所述的轻武器射击模拟智能集成靶面，其特征在于：所述激光感应阵列（4）对接收的由轻武器发射的射击激光信号进行滤波处理。
8.根据权利要求7所述的轻武器射击模拟智能集成靶面，其特征在于：所述滤波处理基于变分模态分解算法对发射信号进行滤波处理，所述变分模态分解算法中，通过麻雀搜索算法对模态分量个数和二次惩罚因子进行寻优获取。
9.根据权利要求8所述的轻武器射击模拟智能集成靶面，其特征在于：所述变分模态分解算法具体如下：
；
其中，k为模态分量个数，为第k个模态分量，/>为第k个模态分量的中心频率，为t时刻的系数，/>为狄拉克函数，*为卷积运算符号，/>表示范数，/>为激光感应阵列接收的由轻武器发射的射击激光信号；
引入拉格朗日算子：
；
其中，L为引入拉格朗日乘子的约束模型，为二次惩罚因子，/>为拉格朗日算子，t表示当前时刻，j表示复数信号，/>表示复数信号在时域内旋转的矢量，e为数学常量，为瞬时频率；
通过交替方向乘子法进行迭代更新：
初始化，此时迭代次数为0，根据下式更新/>：
；
其中，表示第s+1次迭代的第k个模态分量的傅里叶变换，/>表示激光感应阵列接收的由轻武器发射的射击激光信号的傅里叶变换，/>表示第s+1次迭代的除第k个模态分量以外的分量之和的傅里叶变换，/>表示第s次迭代和第s+1次迭代的拉格朗日算子的傅里叶变换，/>表示第s+1次迭代的第k个模态分量的中心频率，w表示当前频率，/>为噪声容忍度；
不断迭代更新，直至满足以下条件：
；
其中，表示第s+1次迭代和第s次迭代的第k个模态分量，/>为判断精度。
10.根据权利要求9所述的轻武器射击模拟智能集成靶面，其特征在于：所述滤波处理过程中，通过混沌映射对麻雀种群进行初始化：
;
其中，为待寻优参数模态分量个数和二次惩罚因子，/>为更新的待寻优参数模态分量个数和二次惩罚因子；
进行伯努利移位变换：
；
其中，为取余数运算；
经过上述初始化过程产生数量为的初始麻雀种群，以包络熵极小值为适应度函数，对每个位置的生产者和捕食者进行变分模态分解并计算初始适应度值；
发现者位置更新如下：
；
其中，表示种群中第t+1代第i个体的第d维的位置，/>表示种群中第t代第i个体的第d维的位置，/>表示(0,1)间的随机数，T表示最大迭代次数，Q表示一个标准正态分布随机数，I表示元素大小都为1的1×D的矩阵，其中，/>为变量维数，R表示侦查麻雀发现捕食者发出鸣叫的预警值，取值范围为[0,1]中的均匀随机数，S表示预设的安全值；
更新跟随者位置：
；
其中，表示第t代的生产者最差位置，/>表示第t+1代的生产者最佳位置，，其中/>的1×D的矩阵；
；
其中，表示当前全局最佳位置，/>表示步长控制参数，/>表示(0,1)间的随机数，/>表示第i个体的适应度值，/>表示全局最优适应度值，/>表示全局最差适应度值，/>表示使分母不为零的最小常数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310934204.1A CN116678263B (zh) | 2023-07-28 | 2023-07-28 | 轻武器射击模拟智能集成靶面 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310934204.1A CN116678263B (zh) | 2023-07-28 | 2023-07-28 | 轻武器射击模拟智能集成靶面 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116678263A true CN116678263A (zh) | 2023-09-01 |
| CN116678263B CN116678263B (zh) | 2023-10-27 |
Family
ID=87787621
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310934204.1A Active CN116678263B (zh) | 2023-07-28 | 2023-07-28 | 轻武器射击模拟智能集成靶面 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116678263B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1398595A1 (en) * | 1997-08-25 | 2004-03-17 | Beamhit L.L.C. | Network-linked laser target firearm training system |
| CN204255183U (zh) * | 2014-11-07 | 2015-04-08 | 济南众邦电子有限公司 | 激光电子靶及打靶系统 |
| CN205718685U (zh) * | 2016-05-06 | 2016-11-23 | 孙宗远 | 无线光电式弹道识别系统 |
| CN107990788A (zh) * | 2016-10-26 | 2018-05-04 | 曹立军 | 一种激光模拟精度射击定位方法和技术 |
| JP2019039638A (ja) * | 2017-08-29 | 2019-03-14 | 昭一 石井 | 射的競技の的盤 |
| CN113723244A (zh) * | 2021-08-20 | 2021-11-30 | 中国电子科技集团公司第二十八研究所 | 一种基于改进变分模态分解的雷达辐射源信号分离方法 |
| CN217818353U (zh) * | 2022-07-07 | 2022-11-15 | 北京烽火星晖科技有限公司 | 射击模拟训练系统 |
| CN218238556U (zh) * | 2022-06-09 | 2023-01-06 | 百战奇(安徽)特训装备基地有限公司 | 一种可显示轻武器激光射击训练瞄准轨迹设备 |
| CN115628648A (zh) * | 2022-09-23 | 2023-01-20 | 中国电子科技集团公司第十一研究所 | 一种激光模拟射击用靶纸及利用其进行靶面图像处理方法 |
-
2023
- 2023-07-28 CN CN202310934204.1A patent/CN116678263B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1398595A1 (en) * | 1997-08-25 | 2004-03-17 | Beamhit L.L.C. | Network-linked laser target firearm training system |
| CN204255183U (zh) * | 2014-11-07 | 2015-04-08 | 济南众邦电子有限公司 | 激光电子靶及打靶系统 |
| CN205718685U (zh) * | 2016-05-06 | 2016-11-23 | 孙宗远 | 无线光电式弹道识别系统 |
| CN107990788A (zh) * | 2016-10-26 | 2018-05-04 | 曹立军 | 一种激光模拟精度射击定位方法和技术 |
| JP2019039638A (ja) * | 2017-08-29 | 2019-03-14 | 昭一 石井 | 射的競技の的盤 |
| CN113723244A (zh) * | 2021-08-20 | 2021-11-30 | 中国电子科技集团公司第二十八研究所 | 一种基于改进变分模态分解的雷达辐射源信号分离方法 |
| CN218238556U (zh) * | 2022-06-09 | 2023-01-06 | 百战奇(安徽)特训装备基地有限公司 | 一种可显示轻武器激光射击训练瞄准轨迹设备 |
| CN217818353U (zh) * | 2022-07-07 | 2022-11-15 | 北京烽火星晖科技有限公司 | 射击模拟训练系统 |
| CN115628648A (zh) * | 2022-09-23 | 2023-01-20 | 中国电子科技集团公司第十一研究所 | 一种激光模拟射击用靶纸及利用其进行靶面图像处理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116678263B (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107886184B (zh) | 一种多型防空武器混编火力群目标分配优化方法 | |
| CN111176334A (zh) | 一种多无人机协同目标搜索方法 | |
| CN110083971B (zh) | 一种基于作战推演的自爆式无人机集群作战兵力分配方法 | |
| CN109085469A (zh) | 一种用于识别电缆局部放电信号的信号类型的方法及系统 | |
| CN106017217B (zh) | 智能化全自动校枪系统及方法 | |
| CN111832462B (zh) | 一种基于深度神经网络的跳频信号检测与参数估计方法 | |
| CN108416421B (zh) | 基于dde改进蝙蝠算法的动态火力分配方法 | |
| CN110990784B (zh) | 一种基于梯度提升回归树的烟支通风率预测方法 | |
| CN112861257B (zh) | 一种基于神经网络的飞机火控系统精度敏感性分析方法 | |
| CN107729923A (zh) | 一种基于TensorFlow的商品计算机视觉识别方法 | |
| CN113220033B (zh) | 基于改进多元宇宙优化算法的多异构无人机任务分配方法 | |
| CN110334026B (zh) | 基于cs-spso算法的组合测试用例生成方法 | |
| CN113932650B (zh) | 一种基于机器学习的出膛速度控制方法、装置和系统 | |
| CN112484565A (zh) | 一种具有弹道模拟功能的射击瞄准训练分析系统 | |
| CN116678263B (zh) | 轻武器射击模拟智能集成靶面 | |
| CN109001694A (zh) | 一种动态自适应天线扫描特性模拟方法及系统 | |
| CN109640255B (zh) | 位置指纹室内定位系统及方法 | |
| CN204757810U (zh) | 直瞄武器射击训练系统 | |
| CN116618849B (zh) | 一种玻璃的激光雕刻方法、装置、电子设备和存储介质 | |
| CN111897809A (zh) | 一种基于生成对抗网络的指挥信息系统数据生成方法 | |
| CN109448060B (zh) | 一种基于蝙蝠算法的相机标定参数优化方法 | |
| CN113988482B (zh) | 基于互联网数据链的三维空间轨迹路径自动匹配生成系统 | |
| CN116483559A (zh) | 一种基于多智能体强化学习的多机协同干扰资源分配方法 | |
| CN108614242A (zh) | 一种基于多目标蚁狮优化的雷达通信一体化波形设计方法 | |
| CN113055814B (zh) | 一种改进wknn的室内定位方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |