多无人机最优态势攻击方法研究

针对多无人机攻击单目标问题,提出了一种基于最优态势的攻击方法。首先,分析了目标机电子干扰对距离态势的影响,采用距离态势和角态势构造了攻击态势函数;然后,建立了目标机在当前位置和"预逃跑"位置时的多无人机攻击态势函数模型,在此基础上获得了总攻击态势函数;最后,根据总攻击态势函数的最优解,给出了针对单目标的多无人机攻击理想队型和方法。仿真结果表明,所设计的攻击方法对处于当前位置和"预逃跑"位置的目标机均具有较好的攻击态势。     

导弹发射包线指数优化搜索仿真分析

以某型近距空空格斗导弹为例，针对传统计算导弹发射包线精度较低、模型复杂、解算耗时长问题，分析影响导弹发射包线形状大小的重要参数，建立简化的导弹六自由度运动模型。在搜索包线边界时，综合考虑八个重要运动参数，构建指数多项式函数，粗略估算初始搜索空间，避免搜索初始值的盲目性。在黄金分割法的基础上，提出指数优化搜索算法，结合每次搜索值的空间误差和函数值误差，更新并优化下一次搜索的黄金分割点。利用模型和Matlab仿真平台，解算弹道轨迹，利用搜索到的边界值进一步优化距离多项式系数，使初始计算值更接近真实边界值。实验表明，本文方法解算的弹道轨迹和发射包线与实战中数据基本吻合，有效地提高了计算精度；指数优化搜索算法有效减少了仿真计算次数，缩短了整体耗时。     

基于动态变结构BP神经网络的目标威胁评估

针对传统目标威胁估计方法和BP神经网络的不足,在BP神经网络的基础上,建立了基于动态变结构BP神经网络的目标威胁估计模型.该模型通过在权值向量更新公式中引入冲量函数,加快了网络的搜索速度和精度,保证了网络获得全局最优值;通过实时调整隐含层节点数目,可以将网络结构优化,极大地提升了网络的灵活性.仿真结果表明,与传统目标威胁估计方法和BP神经网络相比,动态变结构BP神经网络具有更好的预测能力和收敛速度,可以快速、准确地完成目标威胁估计.     

基于模糊推理的无人战斗机视距空战机动决策

针对视距1vs.1空战场景下无人战斗机（Unmanned combat aerial vehicle, UCAV）的自主机动决策,提出了一种基于模糊推理的空战机动决策方法。首先,从空战场景出发,建立了角度、距离、速度及高度4种优势因子;其次,利用模糊规则对空战态势进行评估,将代表空战态势的优势因子输入模糊推理机,自适应地调整优势函数中各因子的权重;同时,利用决策机动、序列机动和惯性机动相结合的方法建立敌机位置预测模型,作为机动决策的辅助手段,最后利用试探机动进行机动决策。仿真结果表明模糊推理模型能够实现UCAV自主机动决策能力,模型的优势在于将模糊的空战态势转化为优势函数中确定的权重因子,在策略上指导UCAV做出更有针对性的机动决策。     

基于ALO-SOM神经网络的航迹稳定分析

为了快速准确地分析稳定敌方航向并判断其攻击目标,提出了基于蚁狮优化算法(ALO)的自组织竞争(SOM)神经网络的航迹稳定分析方法。首先探究了航迹稳定分析的具体流程;然后提出并采用ALO-SOM神经网络提取航迹特征;最后,为了提高复杂线段拟合的准确性,采用分段线性拟合对特征进行处理,进而获取稳定的航向。仿真结果表明,ALO-SOM神经网络可以快速准确地提取航迹特征,SOM神经网络训练正常,分段线性拟合方法准确地获得了目标的稳定航向。     

基于Bi-LSTM 的无人机轨迹预测模型及仿真

传统轨迹预测模型存在模型简化较大、考虑因素较少等问题。结合飞行轨迹连续性、时序性、交互性 的特点,提出基于双向长短期记忆(Bi-LSTM)神经网络的轨迹预测模型,将入侵者的位置、姿态和两机的相对 信息同时作为轨迹预测模型的输入,更加符合真实轨迹变化规律;对建立的基于 Bi-LSTM 的轨迹预测模型采 用综合考虑动量和速度的自适应调整学习步长的学习算法进行训练;并与基于 Elman神经网络的轨迹预测模 型进行仿真对比分析。结果表明:与基于 Elman神经网络的轨迹预测模型相比,所提模型在不同方向预测200 个点的平均绝对误差不超过4m,三维预测效果更优,可以较为准确地进行轨迹预测。     

基于模糊聚类的近距空战决策过程重构与评估

目前大量研究集中在空战的智能决策和解决近距空战评估结果"是什么"的问题上,却极少关注评估结果的"为什么"。根据空战训练中记录的客观数据的变化特征,提出基于模糊聚类的方法来计算决策序列,构建模糊粗糙决策系统,以实现对近距空战决策过程的重构;通过计算分析条件属性之间的相对重要度,对具有相似重要度的决策对象序列进行二次聚类划分,分析出关键决策点集合。通过实例研究,从空战能量和相对方位2个方面对近距空战决策过程进行了评估分析。结果表明,从空战决策的角度可认为关键决策点集合是产生评估结果的原因。     

基于IL-HMM的目标机动动作识别

针对隐马尔科夫模型(HMM)不能实时更新的问题,提出一种基于增量学习-隐马尔科夫模型(IL-HMM)的目标机动动作识别和预测方法,并构建了基于目标机动识别的意图威胁分析方法。HMM能够较好地处理时间序列问题,增量学习提供了一种解决数据更新的方法,将HMM与增量学习相结合,使得模型训练延伸至全过程,从而提高模型的识别率。空中目标三维运动是关于方向状态与动作状态的HMM过程,通过观测目标的方向状态,识别出当前动作状态,并进行轨迹预测,对目标的意图威胁进行分析。仿真试验表明了动作识别的准确性,同时通过对比传统HMM与IL-HMM识别的精度,验证了所提方法的可靠性。     

基于信息素决策的无人机集群协同搜索算法

针对无人机(UAV)集群在未知环境中无先验信息条件下的搜索问题，提出了一种以信息素为决策机制的无人机集群协同搜索算法。首先，考虑无人机通信约束，建立了有外部节点的星型网络通信和无外部节点的自组织网络通信2种形式的搜索模型。其次，通过环境地图向信息素地图映射的方法建立任务环境模型。将任务过程分为3个阶段，在搜索阶段，无人机通过不断地移动实现本机信息素地图的更新；在通信阶段，通过通信网络实现多机信息素地图的融合；在决策阶段，根据局部信息和全局信息做出决策，并将栅格信息素浓度作为决策函数来引导无人机的位置更新。基于信息素地图覆盖率来定量描述搜索效果。最后，仿真结果表明，所提算法能够对区域进行覆盖搜索，表现为搜索效率高、抗毁性强、受集群的初始位置影响小。      

基于自编码网络的导弹攻击区实时计算方法

针对传统中远距空空导弹三线攻击区无法为飞行员提供丰富的战术决策信息，火控系统计算攻击区实时性差、精度低的问题，提出以攻击机为中心，考虑目标逃逸机动的新型导弹杀伤包线概念。分析经典战例中目标机规避导弹的常见机动方式，将攻击区抽象为导弹的七种杀伤包线，给出准确的计算方法并进行离线仿真。确定8种影响杀伤包线的运动参数，构建样本库。引入深度学习方法，建立降噪自编码网络（AE）模型，采用无监督学习提取样本初级特征，获取表征样本库非线性规律的高维特征量；建立深度网络模型，采用监督学习提取高维特征量中的高级特征并进行拟合。实验表明深度网络的拟合值与六自由度仿真结果以及导弹真实数据相比，误差可控制在15 m之内；网络在线解算只需0.04 s，能够满足实时性需求；新型杀伤包线为飞行员及时掌握敌我态势提供了有效的辅助信息，为机动决策提供理论依据。