登陆作战推演方案评估模型研究

依据作战仿真推演及登陆作战过程特点,基于作战推演方案评估框架,制定针对登陆作战想定的推演方案效能评估指标体系;提出结合主观权重、客观熵权的TOPSIS方法,构建了组合熵权TOPSIS作战推演方案评估模型;基于登陆作战想定,通过仿真推演试验验证了作战方案评估模型的合理性,结果表明,该模型对登陆作战仿真推演方案的效能评估可行有效,克服了复杂性、主观性不足等问题,为仿真推演作战评估提供了新的方法思路。     

针对军事集群目标的YOLOv3改进算法研究

YOLOv3目标检测模型对于巡飞弹作战中的军事集群目标存在可能漏检紧邻目标的问题.改进算法以YOLOv3为基础,对其候选框选择算法采用的非极大值抑制(NMS)引入惩罚函数,实现soft-NMS,从而减少紧邻目标识别边框被误删的概率.同时针对军事目标数据稀缺的情况,对数据的预处理采用k-fold交叉验证策略,抑制过拟合现象,充分训练模型.实验结果表明,改进算法后对集群目标的检测效果要好于原YOLOv3,其准确率提高了3.14％,召回率提高了17.58％,符合巡飞弹作战中对目标检测精度指标的要求.     

一种针对坦克速度控制的深度强化学习算法

坦克的无人化将成为作战装备的未来研究方向之一,针对坦克无人驾驶如何提高智能体训练速度是当前深度强化学习领域的一大瓶颈,提出一种最近经验回放的探索策略来对传统的软行动者-评论家算法（soft actor-critic,SAC）进行改进,在训练阶段,赋予最近经验更大权重值,增大其采样概率,从而提高了训练的稳定性和收敛速度。在此基础上,基于应用环境以及作战任务设计奖励函数,提高算法的战场适用性。构建具体作战场景,对改进的算法与传统算法进行对比,结果表明,提出的算法在坦克速度控制上表现出更好的性能。     

基于DRL与微分对策的无人机空战决策研究

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.     

基于云贝叶斯网络的毁伤效果评估方法

目标毁伤效果评估是为指挥员提供决策的量化的依据,是现代信息化战争中必不可少的一环。基于图像的毁伤评估技术更是现代信息化战争必不可少的评估手段,通过对毁伤图像进行特征量提取,基于贝叶斯网络的概率推理和云模型强大的知识表示,进行毁伤评估值和毁伤等级的计算。仿真结果表明,该方法充分考虑到了不确定信息的模糊性和随机性,具有有效性和可行性。