基于深度学习的战役初始态势认知方法

战役初始态势不仅影响着整个战役进程,而且对战役筹划的影响也极为显著。以深度学习为代表的人工智能技术突飞猛进,为我们利用人工智能技术实现自动识别复杂的战役初始态势、模拟战役指挥员的经验知识带来了契机,作者就此问题进行初步探索性研究。对战役初始态势的概念及其类型进行了介绍,探讨了基于深度学习的战役初始态势认知模型构建,对模型构建步骤、输入和输出的设计进行了探讨,对卷积神经网络的基本思想、结构、训练进行了介绍,在示例中介绍了样本数据的录入程序、卷积神经网络的具体结构与应用程序,验证了方法的可行性与有效性。所提出的战役初始态势认知方法可以在一定程度上获得指挥员对战役初始态势的经验知识。     

基于训练网络的目标检测方法及应用

传统的Faster-RCNN目标检测网络以VGG16作为训练网络,其网络提取能力弱、检测速度慢,提出将inception网络与深度残差网络作为训练网络用于Faster R-CNN。在TensorFlow框架下,搭建相应的网络模型,并选取飞机、车辆、操场以及水箱的遥感图像进行了实验验证。实验结果表明,相比于VGG16网络,基于inception网络与深度残差网络作为训练网络的Faster R-CNN模型在识别精度和识别速度上都具有明显的优势。     

基于SRWNN-FTSM的舰载火箭炮火控系统研究

针对舰载火箭炮大功率交流伺服系统存在的非线性特性以及不确定扰动,提出了一种自回归小波神经网络快速终端滑模控制器(SRWNN-FTSM)。基于快速终端滑模强鲁棒性特点,用自回归小波神经网络对模型动态自适应逼近,可有效提高响应速度,鲁棒性。利用SRWNN-FTSM控制器,有效克服了负载扰动、参数变化等不确定因素的影响。根据Lyapunov理论证明了闭环系统稳定性。仿真实验表明:所提方案可以有效提高系统的响应速度以及发射的命中精度。     

基于BP神经网络的空中目标威胁排序

研究了BP神经网络算法对空中目标进行威胁排序的方法.水面舰艇对空防御作战中,舰载平台多传感器系统获得空中目标属性信息不完全,利用BP神经网络建立目标各属性权值的分配模型,通过大量的实例对模型进行训练,可以使所获得的空中目标属性信息得到充分利用,从而得到基本符合战场环境的客观的空中目标威胁排序.     

基于卷积神经网络的中段拦截弹弹道规划

为解决中段反导拦截弹实时规划问题,将经典Lambert理论与卷积神经网络(CNN)相结合,提出一种高效的拦截点解算方法。基于Lambert理论构建二体假设条件下椭圆轨道的中段反导拦截弹弹道规划模型。利用卷积神经网络求解模型,可在满足精度要求的同时极大提升解算效率。利用Matlab仿真软件验证了此方法的合理性。此方法可以推广至其他作战规划问题,以满足作战选择的多样性需求。     

基于局部敏感哈希算法和神经网络学习的跨媒体检索方法

为了提高跨媒体检索的效率,可行的方法是降低数据集中不相关内容的比例。采用局部敏感哈希算法将图像数据映射到汉明空间并利用神经网络学习将文本数据映射到汉明空间的哈希函数,提出一种可以显著提高数据集中相关文件比例的高效跨媒体检索方法。实验结果表明,提出的方法能够有效去除数据集中的不相关内容,相对于已有的跨媒体检索方法,其有效提高了检索效率与准确率。     

基于自适应模糊神经网络的油料消耗预测模型

根据我军油料消耗预测方法的现状,利用模糊控制和神经元网络原理,提出了一种新的预计方法。量化的作战条件作为系统的输入,预计作为系统的输出,根据历史的输入、输出数据确定系统的特性,激励预测模型,利用此种方法建立的模型根据历史数据训练后,输入现有作战估计条件,即可对部队日平均油料消耗做出预测。     

基于混合训练神经网络的武器系统效能评估

本文采用将遗传算法和神经网络相结合的混合训练神经网络模型 ,分析了其基本思想方法、具体实现过程 ,以及在武器效能评估中的具体应用。实例分析表明 ,该模型用于武器系统效能评估可较好地克服人为因素和模糊随机性的影响 ,使评估结果更为合理可信。     

登陆作战智能化海上输送装卸载作业系统的设想

本文提出了采用代理机制 ,构建智能装载实体 ,实现决策机构智能化的方法 ;文章认为 ,使用分层多级代理 ,以及对象间通信、协商、竞争与裁决的机制 ,并通过基于神经网络技术的学习功能 ,能实现装卸载作业系统对复杂规则 ,尤其是军事规则的逐步理解 ,达到智能化装卸载作业方案生成的目的。