机动部队后勤战备工作浅探

“宁可万日无战,不可一日无备”。世纪之初,国际风云变幻莫测,民族分裂主义分子活动猖獗。为使武警机动部队后勤战备水平与担负的任务相适应,必须着眼全局,统筹规划,突出重点,狠抓落实,做好随时执行“处突”任务的后勤保障准备。     

远程预警声呐发现目标后的机动原则

鉴于经典的载体优化理论对装备舷侧阵声呐的潜艇的局限性,讨论了装备舷侧阵远程预警声呐的潜艇发现目标后的机动问题.在分析经典的载体优化机动理论的使用条件和特点的前提下,借鉴美国潜艇拖曳阵远程预警声呐发现目标后的战术机动思想,提出了装备舷侧阵声呐的潜艇发现目标后可以采取与初始发现方位线相垂直的倒"U"字机动策略及具体的细节.该机动方法理论上成立,但具体参数的确定还需要经过计算机仿真和海上实践的检验.同时认为战术理论的发展与装备技术水平的发展紧密相关.     

动态规划在机动作战油料保障中的应用

针对机动作战中各部队对油料需求量不同的这一特点,通过建立离散确定性动态规划模型,解决了在只有N支油料补给小分队且不能满足全部油料保障需求的情况下,油料部门如何同时给M个担负机动作战任务的部队派遣油料补给小分队的问题,使M支作战部队总的油料缺额达到最小。最后通过一个实例验证了该模型的有效性。     

雷达跟踪空中机动目标的有向图切换算法

空中机动目标机动能力的增强,使得建立的目标模型与目标的实际运动失配。为了解决这一问题,需要建立大量模型来逼近真实模式。但这使得计算量大幅度增加,而且有时性能不一定能提高。本文提出的有向图切换算法根据一定的规则在不同的有向图之间切换,既避免了使用过多的模型造成的不必要竞争,又使使用的模型集合更加逼近真实模式。     

单机动目标跟踪建模的新探索

建模是机动目标跟踪领域需要研究的一个重要理论课题之一。根据指挥自动化系统的特点,本文提出了一种新的更符合指挥自动化系统战术要求的圆弧机动模型——非线性机动中心坐标系模型(Nonlinear Maneuver-Centered Coordinates Model—NMCCM),与坐标旋转模型(Coordinated Turn Model-CTM)[4] 和J. A.Roecker的机动中心坐标系模型(Maneuver-Centered Coordinates Model—MCCM)[2]相比,这种新的模型不仅能以较高精度估计出目标的位置、速度和航向,而且能估计出目标圆弧机动的中心和半径,为指挥、辅助决策和实时拦截引导提供更多的参考数据。     

基于协同转弯模型的机动目标预测算法

机动目标机动能力的增强,使跟踪系统显得越来越不适应,从而给火控系统命中点的求解计算带来了巨大的困难。机动目标预测精度的下降,使得火控系统的生命力大幅度下降,严重影响了平台及其人员的安全。本文将协同转弯模型和指数加速度模型相结合提出了一种新的预测算法。通过仿真,证明了算法的有效性。     

基于多Agent的导弹机动方案辅助决策系统体系结构研究

研究了系统的功能及Agent体系结构,给出了Agent的功能划分,建立了Agent模型以及多A-gent的协作模型,特别针对系统中最重要的决策Agent,提出了慎思型和反应型相结合的混合型结构模型;最后研究了系统的分布式软件结构。     

幅度信息辅助的多机动目标跟踪算法

针对密集杂波下现有的多机动目标跟踪算法计算量大且性能严重衰退的问题,提出了联合幅度信息的多模型标签多伯努利(AI-MM-LMB)滤波器。首先,对目标状态进行扩展,引入幅度信息;然后,建立幅度信息及位置信息的联合量测似然函数;最后,基于MM-LMB滤波器框架,给出新的更新方程。仿真实验结果表明:低杂波下,AI-MM-LM算法同MM-LMB算法跟踪性能相当;高杂波下,AI-MM-LMB算法性能明显优于MM-LMB算法。     

基于强化学习的无人机自主机动决策方法

提出了一种基于连续动作集强化学习的无人机机动决策方法。通过Actor-Critic强化学习构架下的NRBF神经网络输出状态真实效用值与连续动作控制变量,效用值与动作控制变量的输出层共用隐层以简化网络结构。结合相对熵理论设计隐层节点的自适应调整方法,有效减少了隐层节点数目。对输出动作控制变量,采用基于高斯分布的连续动作选择策略,并依据训练次数调整随机动作控制变量的概率分布,提升了网络对未知策略的探索能力。在3种不同空战态势下的仿真验证了该方法的有效性,结果表明该方法生成的策略鲁棒性较强,动作控制量更加精确。     

基于加速度的马尔可夫参数自适应IMM算法

针对标准的交互式多模型算法(IMM)模型切换存在滞后性,使得目标机动改变时跟踪误差增大的问题,提出了一种基于加速度的自适应转移概率矩阵的IMM算法。该算法通过当前时刻IMM算法输出的加速度估计值,得到相应的修正因子,修正下一时刻的转移概率矩阵,使得模型切换速度加快,减小目标机动时的跟踪误差。最后通过仿真实验证明,改进的IMM算法能够有效减小目标机动改变时跟踪误差,提高模型切换速度,同时还指出了该算法的适应范围。