基于深度强化学习的兵棋推演决策方法框架

针对兵棋推演的自动对抗问题,文章提出基于深度学习网络和强化学习模型来构建对抗策略。文章结合深度强化学习技术优势,立足多源层次化的战场态势描述,提出面向智能博弈的战场态势表示方法;将作战指挥分层分域的原则同即时策略游戏中的模块化和分层架构相结合,提出一种层次化和模块化深度强化学习方法框架,用于各决策智能体与战场环境交互的机制以及对抗策略的产生;为满足实际作战响应高实时特点,提出压缩的深度强化学习,提升模型输出速度;为改善对不同环境的适应性,提出利用深度迁移学习提升模型泛化能力。     

深度置信网络在导弹攻击区分类中的应用

针对传统导弹攻击区解算方法忽略双方态势变化等问题,提出运用深度置信网络的导弹攻击区分类模型。根据导弹命中情况与目标机动间的关系,将导弹攻击区划分为五类。通过分析影响导弹攻击结果的态势参数,构建导弹攻击结果预测模型。在实验部分,结合重构误差和测试错误率确定深度置信网络的网络结构,通过逐层提取数据法分析模型参数特征并且讨论微调数据的采样方式。使用反向传播神经网络和支持向量机进行分类有效性对比实验。实验结果表明：深度置信网络运行速度和预测准确度明显优于其他两种方法,满足实时性和准确性要求,所提方法具有良好的应用价值。     

针对不同视场辅助信标的无人机目标定位方法

针对无人机在单站测角测距的目标定位过程中受无人机姿态角误差影响较大的问题,提出一种对辅助信标进行探测并与惯性传感器相结合的无人机姿态求解方法。建立基于容积卡尔曼滤波的惯性传感器姿态求解模型,采用梯度下降法对基于辅助信标的无人机位姿参数进行求解,并综合它们的结果对无人机的姿态偏差进行估计和校正,最后完成了不同视场条件下的目标定位和仿真计算。结果表明,所提方法对无人机目标定位精度有明显提高。     

基于改进遗传算法的多无人机航路规划方法

在分析多无人侦察机任务需求、限制以及特性等要素基础上,建立了多无人机航路规划优化模型。以航程作为性能指标,将多无人机侦察多目标航路规划转化为多旅行商问题。通过对多旅行商问题特点分析,采用遗传算法基本思想,对编码和适应度函数以及操作算子进行合理设计,并改进了交叉和变异操作算子以取得更好优化结果。仿真结果表明所提算法的合理性和有效性。     

美陆军无人机训练研究

美陆军是在所有美军种中配备无人机数量最多且功能最全的军种,无人机正逐步成为美军在全球遂行全频谱作战行动支援的首选武器,并在美军无人机作战训练领域颇具代表性。但由于当前无人机集群的自主能力较弱,战斗力生成还需要地面指控站人员进行后方操纵。本文主要对美陆军无人机操作人员训练的各要素进行解析,并梳理出美军在无人机训练中好的做法及不足之处,提出了军队无人机训练的建议及对策。     

无人机编队飞行控制仿真研究

借鉴Agent体系结构,研究无人机编队的控制结构。建立以编队中僚机航迹坐标系为参考坐标系的长机与僚机的相对运动模型,考虑到工程应用实际,利用PID方法通过调整僚机与长机的相对距离进行队形保持控制。地面控制站利用Creator和Vega作为三维视景仿真的开发工具,MapX和GMS进行无人机状态监控功能的开发,从而实现三维视景显示编队控制情况,二维数字地图和仪表显示单个无人机的飞行状态。     

小型无人机控制逻辑建模及仿真

无人机的飞行轨迹具有明显的分段特性,且在各飞行段内其飞行状态和控制方式有明显的区别。针对这一特点,可以通过建立飞行全过程的控制逻辑模型实现对无人机的监控任务。Stateflow是一个基于有限状态机理论的图形化离散事件仿真环境,可以用于控制逻辑建模。利用Stateflow建立了某小型无人机飞行全过程的控制逻辑模型,为无人机的控制逻辑建模提供了新的设计方法。通过对所研究的小型无人机非线性系统模型进行仿真,验证了所建立的控制逻辑模型的正确性。