基于HLA的信息化陆战场多传感器仿真系统研究

多传感器是实现未来信息化陆战场“网络中心战”概念的一组必要的装备系统。着眼于为信息化陆战场信息采集与信息融合等方面项目先期概念技术演示提供仿真平台,提出了多传感器系统模型,重点研究了基于HLA的信息化陆战场多传感器仿真系统的总体框架及其设计,为该仿真系统的建立和仿真实施提供了技术支持。     

潜艇表面涂层失效机理的研究

评述了有机涂层失效机理的现代研究方法,将电化学测试技术与现代表面分析技术和传统的涂料检测技术相结合,应用于涂层失效机理分析和寿命评估中.探讨了电化学交流阻抗谱技术在研究变海水压力作用下潜艇表面有机涂层的失效机理,以及建立腐蚀性介质渗入与涂层失效之间数学模型的可能性.     

美国全球作战支持系统

美国的全球作战支持系统(GCSS)是 "武士C4I"的一个组成部分,它将人员、后勤、采办、医疗等支持功能集成到一个跨功能的环境中.GCSS将实现作战支持功能之间以及作战支持与指挥控制功能之间的端对端的信息互操作,为联合作战人员提供融合、实时的多维战场视图.主要介绍了全球作战支持系统的功能、系统组成及其未来作战能力.     

大机动格斗及近距空战的若干问题

较系统地综述了大机动格斗的一些基本战术和技术概念,引入了超机动性的一些度量,然后提出了使用具有刚体性质的质点飞机模型的可行性.最后提出在大机动格斗实战环境中,火力控制需要解决的若干问题.     

海战潜艇兵力作战任务聚合、解聚与重构实现

根据海战仿真对潜艇作战仿真的多分辨率需求,采用聚合与解聚的方法对潜艇智能兵力作战行为模型进行层次划分和结构化设计,利用J2EE/EJB组件建模技术构建了潜艇智能兵力作战行为仿真组件模型,通过行为决策模型构建和多分辨率接口设计,对兵力作战任务进行解聚和聚合,仿真不同分辨率下的作战任务行为和作战指标,并通过任务行为决策控制参数调整实现兵力作战行为重构,满足了系统对智能兵力作战行为多分辨率建模和战法战术验证的功能需求,并有效提高了模型利用效率和可重用性。     

采用时序多属性评价方法的空战威胁排序

鉴于空战中威胁目标的多属性及动态变化特点,提出采用时序多属性评价方法来解决空战目标动态威胁排序问题。在建立空战威胁指标体系基础上,采用熵权法确定目标属性权重,并通过指数分布法确定各时刻权重,最后综合依据威胁目标多时刻的属性信息,实现了空战动态威胁排序。仿真结果说明该方法的合理性。     

未来中远距协同空战多目标攻击决策研究

根据先进战斗机的技术特点和未来中远距协同空战发展方向,提出一种基于先敌发现、先敌发射、先敌摧毁能力的空战态势分析模型。同时,采用一种将并行遗传算法与分布估计算法相结合的并行分布遗传算法并将其用于多目标攻击决策。最后利用具体算例进行仿真。结果表明空战态势分析模型能够较为准确地描述未来中远距多机协同空战,采用的算法具有较好的可行性和实时性,为中远距多机协同空战的多目标攻击决策提供了新的思路和方法。     

一种飞机可达性改进模型及其应用

针对飞机的结构可达性问题,提出了一种对飞机部件排列顺序进行优化的可达性改进方案。应用飞机的维修拆装顺序模型,得出飞机拆卸时的一般顺序,建立了基于模糊综合判定法的飞机可达性改进模型,给出了合理的飞机部件排列顺序。最后,结合实例,验证了该方法的可行性和实用性。     

基于等效电路和点电流源的潜艇水下腐蚀电场估算

为了对潜艇涂层破损状态的水下腐蚀电场进行快速评估,基于电化学腐蚀原理和潜艇结构特点,建立潜艇涂层局部破损时的腐蚀电流等效电路,对潜艇涂层局部破损时的腐蚀电流强度进行估算,并基于点电流源对潜艇腐蚀电场建模,将潜艇涂层破损部位和裸露螺旋桨等效为点电流源,利用点电流源在分层介质中的电场计算公式对潜艇涂层破损时的腐蚀稳恒电场进行估算。与某型潜艇腐蚀电场商业有限元软件COMSOL仿真结果对比表明：该估算方法得到的潜艇表面腐蚀电流和不同路径电场分布曲线规律与COMSOL仿真结果基本一致,电流估算值相对误差不超过6.5%,电场各分量峰峰值相对误差不超过18%。     

Autonomous maneuver decision-making for a UCAV in short-range aerial combat based on an MS-DDQN algorithm

To solve the problem of realizing autonomous aerial combat decision-making for unmanned combat aerial vehicles (UCAVs) rapidly and accurately in an uncertain environment, this paper proposes a decision-making method based on an improved deep reinforcement learning (DRL) algorithm: the multi-step double deep Q-network (MS-DDQN) algorithm. First, a six-degree-of-freedom UCAV model based on an aircraft control system is established on a simulation platform, and the situation assessment functions of the UCAV and its target are established by considering their angles, altitudes, environments, missile attack performances, and UCAV performance. By controlling the flight path angle, roll angle, and flight velocity, 27 common basic actions are designed. On this basis, aiming to overcome the defects of traditional DRL in terms of training speed and convergence speed, the improved MS-DDQN method is introduced to incorporate the final return value into the previous steps. Finally, the pre-training learning model is used as the starting point for the second learning model to simulate the UCAV aerial combat decision-making process based on the basic training method, which helps to shorten the training time and improve the learning efficiency. The improved DRL algorithm significantly accelerates the training speed and estimates the target value more accurately during training, and it can be applied to aerial combat decision-making.