基于学习的中段反导拦截时间和拦截点预测方法

弹道导弹实时、准确地预测拦截弹的拦截点与拦截时间，是实现中段突防的有效手段。针对弹道导弹中段突防中的拦截点坐标及拦截时间的预测问题，提出了一种基于监督学习的在线预测方法。以拦截弹的主动段关机参数和关机时刻为输入量，建立拦截时间和拦截点预测模型。在多层感知机神经网络的基础上构建有监督学习算法，通过攻防仿真获取拦截弹的参数制作训练数据集，在线下完成网络训练。仿真结果表明:神经网络能够有效在线预测拦截时间和拦截点坐标，预测结果的相对误差分别为0.124 3%和0.128 5%，拦截时间预测结果误差的平均值为0.224 0 s，拦截点预测结果距离误差平均值为2 016.48 m，均满足精度要求。      

深度学习在视觉SLAM中应用综述

视觉SLAM一直是近年来火热的研究方向,其处理对象为视觉图像;深度学习在图像处理中展现出的愈加突出的优势,使二者的广泛结合成为了可能.总结了传统SLAM与基于深度学习的SLAM的特点、性质,重点介绍和总结了深度学习在视觉里程计、回环检测中的研究成果,展望了基于深度学习的视觉SLAM的研究发展方向.     

高超声速飞行器非连续点火助推增程弹道设计

针对高超声速飞行器因防热烧蚀而制约整体射程的问题,创新提出了一种非连续点火助推方案,通过增大助推段射程的弹道设计方法提高飞行器整体射程能力,减轻后续段的射程压力。综合考虑动压、过载、控制和终端高度、速度、弹道倾角等约束条件,以助推段射程最大为目标函数,设计了非连续点火助推段飞行程序和纵向平面弹道优化模型,采用改进的梯度粒子群算法进行优化求解。仿真结果表明,改进的梯度粒子群算法能有效解决非连续点火助推弹道设计问题,设计的非连续点火助推弹道方案在满足各项约束的同时,助推段射程比连续点火方案提高了8.7倍,射程达到了4 800 km,增程的效果十分明显。