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。     

基于红外传感器的多无人机对高速飞行器协同定位跟踪方法综述

为了实现高精度远距离稳定定位与跟踪,多无人机搭载红外传感器对高速飞行器的定位跟踪方法成为研究热点。就此背景进行了综合评述,以相关技术难点及关键技术为切入点,分析了瞬时定位和动态跟踪问题的研究现状和发展方向。在瞬时协同定位方面,首先对目标瞬时定位的算法进行了分析对比,然后对造成定位误差的影响因素进行分析并探讨了误差补偿方法,最后针对传感器资源优化,讨论了能够使计算结果最优的传感器分布阵型。在动态跟踪方面,首先探讨了时间不同步问题对目标跟踪的影响及补偿方法,然后对目标运动学建模的问题进行了分析,最后对最优估计问题中各种滤波算法的应用进行对比。综述表明,无人机搭载红外传感器对高速飞行器进行定位和跟踪,存在误差来源多、相对运动速度快的技术难点,需要特别关注定位算法、误差来源及最优估计算法的影响,以尽可能实现稳定跟踪。     

射频识别系统的多目标识别-反碰撞算法

对多目标识别技术的二进制搜索算法、时隙ALOHA算法进行了剖析,并对ALOHA算法用概率论和数理统计的方法进行了深入的理论分析,得出要根据所设计的射频识别系统的特点合理采用各种算法方可得到良好的效果.该算法的实现对提高高速公路上自动收费系统、人员和物流管理等各领域的工作效率具有一定的指导意义.     

复杂背景下机载雷达目标探测的模型分析

考虑机载雷达目标探测受到复杂环境因素的影响,建立复杂背景条件下机载雷达目标探测的系统模型.利用此模型提出一个机载雷达目标探测的效能指标.在效能仿真的基础上,给出复杂背景条件下诸要素对机载雷达目标探测的定量影响.仿真结果表明了该模型的正确性和有效性.     

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.     

一种用于求解火力分配问题的混沌优化算法

针对火力分配问题,提出了一种新颖的用于解决组合优化问题的混沌优化算法.该算法利用混沌搜索的方法得到新的合法解,充分利用了混沌的随机性和遍历性等特点来改善寻优效率.通过设定逃逸系数,算法在寻优过程中具有了能够跳出局部极小点到达全局最优点的能力.仿真结果表明,该方法的寻优效率明显高于Hopfield等其他优化方法.     

导弹子母弹战斗部对复杂目标毁伤的计算机仿真

介绍了蒙特卡洛方法(Monte-Carlo)仿真的基本原理,并运用该方法对导弹子母弹战斗部对复杂目标毁伤进行研究,利用Matlab语言编制仿真程序实现了计算机仿真.有效地解决了其他方法计算繁琐的弊端,大大提高了毁伤仿真的计算效率.仿真结果表明应用该方法建模技术简洁,模型的通用性好,并能够随时根据需求进行功能扩展.     

深度多属性增强水声目标识别方法

被动声纳系统由于其隐蔽性好的特点在军事任务中发挥着重要作用。针对被动水声目标识别问题,开展了水声目标多属性特征提取与识别方法研究。利用深度学习方法从舰船辐射噪声中提取目标多属性特征并识别水声目标。提出了深度多属性增强水声目标识别方法,该方法可以从时域舰船辐射噪声中提取水声目标多属性特征及多属性之间的相关性特征,并用来增强深度模型对水声目标类别属性的表达能力。基于海试实测数据的6类水声目标识别实验结果表明,相比于不考虑多属性的识别方法,提出的深度多属性增强水声目标识别方法的平均正确识别率提高了3.6%～18.2%,并且具有更好的识别稳定性。