基于模糊聚类的舰载机超视距空战火力分配模型

针对舰载机超视距协同交战中对多个敌机目标火力分配优化问题,在建立舰载机超视距协同优势空战态势的基础上,提出了一种协同交战火力分配模型及算法.该模型基于舰载机超视距攻击作战规则,通过模糊综合评判专家系统,分析、计算目标威胁度量和效能度量,将打击目标的随机性和不确定性与聚类算法的反馈相结合,实现快速有效的搜索和寻优求解.仿...     

基于神经网络的模糊理论在桥梁状态评估中的应用

探讨了模糊数学中的隶属函数在桥梁技术等级状态评估中的应用.在研究现有桥梁状态评估方法的基础上,把人工神经网络和模糊数学理论结合起来应用于大跨度预应力斜拉桥的等级状态评估,建立了基于三层神经元的模糊神经网络模型,并建立结构损伤度函数及等级隶属度模型,通过样本学习训练,获取评估专家的知识及直觉思维,最终确定桥梁所对应的技术状态等级.以检测的480组索力数据作为学习样本,另外4组作为验证样本进行了索力状态评估预测.计算结果表明,网络预测值与期望值吻合良好.     

基于神经网络的防空武器目标智能分配方法

为满足现代防空作战高动态环境对武器目标实时智能分配的迫切需求,提出了一种基于神经网络的防空武器目标智能分配方法.首先综合考虑武器数量及拦截能力等要素,以毁伤效能最大为优化目标,建立武器目标分配问题优化模型;在此基础上,构建基于神经网络的武器目标智能分配框架,基于分配方案数据集训练武器分配决策神经网络,并通过神经网络预测...     

基于SDE模型的雷达组目标角度跟踪方法

针对低信噪比下的组目标实时跟踪精度低的问题,提出一种基于随机微分方程(stochastic differential equation,SDE)模型的多输入多输出雷达目标角度跟踪方法.应用随机微分方程进行建模描述,利用马尔可夫链蒙特卡罗粒子滤波算法来进行连续推理.仿真结果验证了该方法的有效性,并显示低信噪比情况下的组目...     

基于神经网络的雷达抗干扰效果评估

分析了常用的雷达抗干扰效果评估方法的特点,建立了雷达抗干扰效果评价指标集,对指标数据的采集和处理方法进行了分析,提出了一种基于神经网络的雷达抗干扰效果评估模型,论述了网络结构和样本获取方法,最后通过算例验证了模型的正确性和实用性.     

开放式自动测试系统软件设计

实现测试程序的可移植性、改善测试系统仪器互换性和提高ATS新技术注入能力是通用ATS研制的热点问题,遵循标准和实现开放式系统是解决问题的途径,软件系统是当前通用ATS实现开放性的制约因素.根据领域需求软件采用层体系结构模式,合理划分各层功能,在高层提供面向信号的编程接口,资源控制层提供了面向功能的接口,资源管理实现了系统对资源控制层构件开放的动态集成方式,实现了开放式的系统软件构架.     

多机空战系统的歼击机建模技术

分析了多机空战系统的顶层模型结构,给出了机载雷达、武器控制和导弹等三个主要部件的模型,可以将其应用于多机空战仿真系统的数学建模和软件设计中.     

装备保障兵棋动态评估方法研究

针对装备保障兵棋推演中的方案裁决和分析评估问题,对装备保障效能动态评估方法进行了研究.从分析装备保障兵棋要素入手,构建基于兵棋地图的评估模型.该兵棋地图评估模型能够充分利用地图中的静态地理环境信息和动态战场环境信息,对装备保障方案进行综合分析并给出评估结果,为装备保障方案的制定、调整和执行提供依据.     

基于强化学习的多对多拦截目标分配方法

针对空中对抗环境中多对多拦截的武器目标分配问题,提出了一种基于强化学习的多目标智能分配方法。在多对多拦截交战场景下,基于交战态势评估构建了目标分配的数学模型。通过引入目标威胁程度和拦截有效程度的概念,充分反映了各目标的拦截紧迫性和各拦截器的拦截能力表征,从而全面评估了攻防双方的交战态势。在目标分配模型的基础上,将目标分配问题构建为马尔可夫决策过程,并采用基于深度Q网络的强化学习算法训练求解。依靠环境交互下的自学习和奖励机制,有效实现了最优分配方案的动态生成。通过数学仿真构建多对多拦截场景,并验证了该方法的有效性,经训练后的目标分配方法能够满足多对多拦截中连续动态的任务分配要求。     

2023年深度学习技术主要发展动向分析

深度学习已成为人工智能领域的研究热点和主流发展方向之一,为诸多重要应用领域带来了革命性的进步。对2023年深度学习技术热门领域的主要发展动向进行了综合评述。首先介绍了深度学习技术发展现状,其次探讨了深度学习技术的军事应用任务和挑战,最后盘点了深度学习技术的未来重点发展方向。综述表明,大语言模型是深度学习领域在2023年最突出的亮点,世界模型框架下的自监督学习技术、强化学习框架下的人工智能智能体技术等也呈现加速发展态势;环境恶劣与强干扰复杂条件下的高鲁棒性深度学习、面向实时流数据高效处理与内在逻辑关联的深度学习、面向多变作战场景自主决策与快速决策的深度学习、面向跨域数据协同感知与协同推理的深度学习等,是深度学习技术未来重要的发展方向。