基于数据驱动的自学习防空火力控制技术

立足打赢未来智能化战争的作战需求,提高目标探测识别、运动参数估计的实时性和准确性,解决自主拦截决策建模难度大、决策结果稳定性差等问题,通过引入数据挖掘、深度学习、神经网络等人工智能技术,重点开展基于大数据的多类型目标状态空间模型分析、多探测模式下的目标融合识别技术、基于卷积神经网络的射击诸元修正等,研制一套自学习防空火力控制系统,有效弥补传统防空火力控制技术在时敏目标状态空间模型、大闭环校射、协同信息处理、控制决策等环节的不足,提升火控系统自修正、自学习能力,为武器装备向无人化智能化方向发展提供技术支撑.     

单目标探测下的双红外被动测距方法

基于工程三维应用中红外探测目标信息存在误差的情形,建立了对单目标探测进行双红外被动测距的方法,并且通过单点测试验证了该方法的正确性。利用Monte Callo模拟实验法,分析了红外探测角度误差、两站点基线距离和单目标运动特征对该方法定位精度的影响。     

基于蒙特卡洛方法的武器信息共享过程精度分配

针对协同作战武器信息共享过程中的对精度分配的需求,介绍了一种精度分配的方法。分析了武器信息共享的过程及误差环节,建立模型,采用蒙特卡洛方法进行模拟仿真。通过提出可以接受的共享信息精度误差协方差的最大值,得到各误差环节误差协方差最大值。最后通过一个具体的例子展示了计算的便捷性,对实际工程应用有一定的指导作用。