共查询到10条相似文献,搜索用时 18 毫秒
1.
随着无人机战场环境越来越复杂,空战对抗将逐渐成为主要的一种无人机作战方式.为了能够确保我方无人机在快速演变的战场态势下抓住先机、精确决策、快速致胜,需要根据实际作战环境、作战样式,建立无人机和环境进行交互的规则、无人机空战对抗中采用的战术使用规则,并结合规则,通过智能决策算法,达到提升无人机空战对抗胜率的目的.提出一种结合微分对策(Differential Games,DG)的深度强化学习方法(Deep Reinforcement Learning,DRL)解决此问题,利用深度强化学习的智能决策性以及微分对策的准确机动性,实现战术决策到机动决策.最后以空战对抗1V1为例,对提出的方法进行验证,结果证明方法可行有效. 相似文献
2.
针对陆军装甲分队博弈对抗决策问题,在分析深度强化学习方法在构建智能博弈对抗决策模型适用性基础上,对基于马尔科夫决策过程的陆军装甲分队博弈对抗过程模型进行了形式化描述,提出了基于元深度强化学习的博弈对抗决策模型,给出了分队战术平台下基于元深度强化学习的智能博弈对抗策略生成与优化框架.研究成果可为智能博弈对抗问题的解决提供一种思路. 相似文献
3.
4.
基于深度学习模型的新一代智能化多模态(可见光/红外/雷达)图像识别系统已逐步在航空航天情报侦察、人机交互增强作战系统、无人作战平台自动图像目标识别以及多模复合图像末制导等多个军事场景中得到广泛应用。然而,由于深度神经网络模型在理论上存在不完备性和对抗脆弱性、多模态图像目标识别深度网络结构设计与优化在工程上存在迁移性等因素,使得现有识别系统在鲁棒准确性方面评估不足,给系统在未来战场复杂对抗场景中的广泛部署带来极大的安全隐患。为此,本文通过研究多模态图像智能目标识别系统军事场景应用的风险模型,分析系统存在的潜在攻击面,开展基于深度神经网络的多模态图像识别对抗样本攻击技术和对抗鲁棒准确性评估等关键技术研究,以期提升系统在复杂电磁环境条件下的鲁棒性和准确性。 相似文献
5.
6.
7.
8.
9.
适用于大数据复杂系统的人工智能研究水平,已成为制约战场态势评估技术发展的瓶颈问题.2006年提出的人工智能新研究领域——深度学习,具备多层感知的深度网络模型,体现出非线性表达、多层学习、自主提取等优势,为研究大数据战场态势评估问题提供了技术支持.美军将机器学习作为重点发展的基础研究和应用开发领域,自2007年以来启动多个项目;我军应用与研究领域中,深度学习也得到重视并取得一些有益探索.展望未来,可从空间、时间角度研究大数据战场态势特征,并基于此构建基于深度学习的战场态势评估模型. 相似文献
10.
空天防御态势感知是实现空天防御战场透明化,降低信息复杂度,提升空天防御作战指挥决策支撑能力的前提和基础。系统分析了未来空天防御战场态势感知面临的巨大威胁和挑战,提出了复杂信息对抗条件下态势信息数据挖掘、融合处理、意图预测的能力需求,在此基础上结合深度学习的特征提取能力,构建了基于深度学习理论的空天防御态势感知体系结构,最后探讨了关键技术,为未来空天防御态势感知技术的发展提供了新的思路。 相似文献