人工智能赋能军事训练

随着大数据、物联网和5G的不断发展,海量数据的获取变得越来越容易,人工智能技术利用GPU的强大计算能力和深度学习网络对高维数据和非线性模型的拟合能力,迎来了飞跃式发展,深刻改变着人类生产、生活和学习方式,出现了语音识别、机器翻译、无人驾驶及智能机器人等场景,计算、数据与模型的不断发展也成为推动人工智能前进的主要动力。本文分析了人工智能技术的主要发展方向,包括自然语言处理、语音识别和图像识别分析等,结合当前人工智能的主要技术方向和典型应用,展望了人工智能在军事训练领域的广阔应用前景,同时,聚焦发展智能化军事训练亟需解决的关键问题,针对解决网络、数据、模型等面临的问题提出措施建议,指出应通过模拟仿真训练提高训练效率,基于训练数据科学评价训练效果。     

群时延傅里叶分解模型及其估计方法

建立了基于三角函数级数的群时延模型,并理论证明了仅采用有限阶数的三角函数群时延即可表征任意群时延对信号相关峰的影响。在此基础上,通过测量信号相关峰,并与不同三角函数群时延组合下的相关峰进行匹配搜索即可估计群时延的三角函数分解级数,从而估计得到相关峰影响等效的群时延特性。仿真中,采用该方法估计得到的群时延特性对滤波器进行修正后,信号相关峰与经过滤波器之前的信号相关峰高度吻合,时延估计偏差在0.1 ns之内。     

动态威胁环境下单无人机测向定位航迹优化算法

为解决单架无人机在动态战场环境下的测向定位问题,提出了一种基于动态窗口法的单机测向定位航迹优化算法。以最大化Fisher信息矩阵行列式为测向定位评价准则,在由动态探测雷达和静/动障碍构成的动态战场环境中,基于动态窗口法思想,将测向定位航迹优化评价准则由传统的单步最优原则扩展到对多步预测航迹的评价,同时考虑雷达探测和静/动障碍环境对预测航迹的影响,通过滚动时域方法控制无人机最优航向。仿真结果表明,所提方法能够使无人机在有效逃避雷达探测威胁以及规避环境中静/动障碍的条件下保证对目标的高精度测向定位,为解决动态战场环境下的单架无人机测向定位问题提供了新思路。