基于深度强化学习和导航向量场的卫星规避拦截算法

针对在轨卫星规避拦截问题,提出了一种新的基于强化学习和三维李雅普诺夫导航向量场（3D-LGV）算法。首先,采用3D-LGV产生收敛于椭圆轨道的趋近律,保证规避拦截后能再次入轨。其次,针对拦截卫星利用扰动流体动态系统算法（IFDS）产生扰动流场,利用该扰动流场对导航向量场产生的趋近律进行修正,从而保证卫星能有效地规避拦截。由于IFDS算法中扰动流场大小和方向主要受其中反应系数和方向系数的影响,采用近端策略优化深度强化学习算法作为决策层输出反应系数和方向系数,用于指导卫星在不同场景下提供合适的对导航向量场的修正。最后,通过将IFDS算法修正后的趋近律作为卫星的最终运动方向,实现了整个规避过程。在构建的不同场景下进行了对比实验,结果表明,相较于滚动时域优化算法（RHC）、人工势场算法（APF）和传统IFDS算法,基于强化学习的算法决策时间更短、规避效果更好,在不同场景下均能实现有效规避。同时,对该算法进行蒙特卡洛仿真,统计结果显示卫星规避成功率高达98%。因此,此研究对智能方法在卫星规避拦截领域的应用具有一定价值。     

深度神经网络指导下的无线覆盖预测算法

为保证新一代移动无线网络能够根据实时覆盖情况动态地调节小区天线参数,需要实现高效且准确的无线覆盖预测。传统的求解方法通过精确的场强预测判断天线参数的优劣,虽然精度很高但需要大量的计算资源,无法满足5G和后5G移动网络通过实时覆盖预测进行射频参数动态调整的实际需求。现采用基于深度神经网络的算法对给定天线参数的覆盖效果进行预测,以取代对目标区域的精确场强预测。数值结果表明:该方法能够在保持计算准确性的同时显著减少计算量,为5G动态网络规划提供基础性参考数据。     

模糊控制的现状与发展概述

模糊控制方法是智能控制的重要组成部分.简要回顾了模糊控制理论的发展,详细介绍了模糊控制理论的原理和模糊控制器的设计步骤,根据各种模糊控制器的不同特点,对模糊控制在航空航天领域中的应用进行了分类,并分析了各类模糊控制器的应用效能,最后分析了模糊控制理论的优缺点及需要完善或继续研究的内容,展望了模糊控制的发展趋势与动态.     

动态警卫工作的特点及措施

新形势下,警卫对象深入基层调查研究中临时调整计划,增加工作内容的动态性,给警卫工作提出了更高的要求,因此,要深入研究动态警卫工作的特点和规律,有针对性的落实各项警卫措施,大力提高警卫部队的特殊反应能力、果断决策能力、组织协调能力,同时还要加强与之相适应的装备建设.     

基于神经网络的导弹系统辨识

详细地讨论了神经网络在导弹动态特性中的应用 ,利用神经网络的万能拟合能力进行了神经网络的训练和仿真 ,为导弹离散控制系统的设计提供了有效的工程数据 ,给导弹系统的系统辨识提供了一条新的方法和思路