基于AGENT的危机决策模拟问题求解框架研究

本文在分析危机决策对抗模拟特点的基础上 ,提出了基于双层黑板模型的危机决策对抗模拟问题求解框架 ,探讨了多智能体对各种不同类型知识模块的封装和组织 ,分析了态势推演问题求解框架和危机决策问题求解框架的结构和组成。     

基于舰队对抗的军用卫星效能仿真研究

军用卫星系统作为一种重要的作战信息资源,在高技术战争中发挥越来越重要的作用。为了分析和研究卫星系统在作战中的应用以及对作战效能的影响,这里我们针对一个舰队对抗的作战想定,研究了侦察卫星、通信卫星、导航定位卫星系统在作战中的应用模式,并结合仿真实验,对三种卫星系统对作战效能的影响进行了定性和定量的分析。     

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。     

基于高斯数据增广的小样本数据无人机编队类型抗扰识别

近年来,随着无人机的应用越来越广泛,对无人机编队类型进行准确识别具有重要意义。基于此,对小样本数据下无人机编队类型识别问题进行了研究。首先,对目前常用的各种无人机编队类型识别方法进行了介绍,针对小样本数据无人机编队类型抗扰识别面临的主要问题进行了分析;其次,对所提方法涉及的理论背景进行了研究;然后,对所提无人机编队类型抗扰识别算法进行了详细阐述;最后以带有噪声的菱形无人机编队的位置坐标作为输入数据,使用所提方法进行仿真实验,仿真实验结果表明,以参数均方误差作为队形识别的准确度指标,所提方法可将均方误差由45.1降低至0.46,显著提高了无人机机群特征聚类的精度与鲁棒性,证明了所提方法在小样本数据无人机编队类型抗扰识别问题上的有效性。     

通道失配对GNSS阵列抗干扰性能的影响分析

卫星导航接收机极易受到电磁干扰的影响,基于阵列接收机的空时(频)抗干扰技术被证明是目前最有效的抗干扰手段。在工程实现时,阵列通道存在通道失配,本文以统计性能的评估方法评估了通道失配对阵列抗干扰性能的影响。研究结果表明,通道间群时延偏差和幅度失配是导致阵列抗干扰性能下降的主要因素,前者可通过增加空时滤波器阶数来消除影响,而后者对空时滤波器阶数不敏感,需要进行必要的校正。     

基于异环境重要性采样的增强DDRQN网络

针对局部可观测多智能体学习环境下,智能体与环境频繁交互造成环境不稳定,导致智能体无法使用经验回放机制(experience replay)的问题,采用了一种基于异环境重要性采样的回放经验利用机制。并结合该机制再深度强化学习算法,深度分布式循环Q网络(DDRQN)基础上进行了改进,提出一种增强型的深度分布式循环Q网络。通过对Deep Mind的Py SC2平台Defeat Roaches局部可观测多智能体学习环境实验结果对比分析表明,增强型的深度分布式循环Q网络相比于DDRQN网络,具有良好的学习性能,稳定性、收敛速度均具有显著提升。     

基于北斗卫星反射信号的弹载探测器高度测量方法

为满足弹载探测器的高度测量需求,对高程测量方法进行研究,在载弹中设置北斗卫星信号接收组件,利用两个北斗卫星信号来确定引信的实际对地高度,进而发出指令起爆引信主装药。其中一个北斗信号被弹载接收组件直接截获,而由同一卫星发射的另一信号则经过反射后被弹载的另一接收组件截获,通过上述两信号间传输距离与时间的差异来计算引信的对地高度。同时结合误差模型,利用最小二乘融合算法降低测高误差,提升弹载探测器的测高精度。