一种无人机自主避障与目标追踪方法

针对无人机自主避障与目标追踪问题,以深度Q网络(DQN)算法为基础,提出一种多经验池深度Q网络(MP DQN)算法,使无人机避障与追踪的成功率和算法的收敛性得到优化。更进一步,赋予无人机环境感知能力,并在奖励函数中设计了方向奖惩函数,提升了无人机对环境的泛化能力以及算法的整体性能。仿真结果表明,相较于DQN和双重DQN(DDQN)算法,MP DQN算法具有更快的收敛速度、更短的追踪路径和更强的环境适应性。     

考虑移动目标不确定行为方式的轨迹预测方法

针对现有方法难以预测出符合飞行移动目标不确定行为方式轨迹的问题,提出基于逆强化学习的飞行移动目标轨迹预测方法,通过学习目标行为偏好以及模拟目标行为决策过程的方式预测目标的移动轨迹。首先基于深度神经网络建立目标的行为决策模型与行为偏好模型,然后通过最大熵逆强化学习方法交替地学习模型参数。为了有效地学习目标的不确定行为特征,采用监督学习的方法学习出目标示例轨迹概率分布模型,用于指导目标行为偏好模型的训练以及初始化目标行为决策模型,同时通过对目标行为偏好模型进行预训练的方式提高其训练质量。仿真结果表明,提出的飞行移动目标轨迹预测方法可通过学习到的目标行为决策模型较为准确地模拟目标的行为方式,预测的目标轨迹分布与真实的目标轨迹分布在Kullback Leibler(KL)散度下的相似度可达0.24。     

攻击角度约束下的分布式强化学习制导方法

为提高导弹在攻击角度约束下对目标的打击效能,提出了一种基于深度确定性策略梯度算法的分布式强化学习制导策略。为了最大限度地减小攻击角度误差,设计了一种新的奖励函数,使导弹在满足视场角约束的同时,视线角向期望值收敛。此外,为了增强强化学习模型的泛化能力,提出了一种分布式探索策略,提高了模型训练过程中对环境的探索效率。仿真结果验证了所提出的分布式强化学习制导方法能够在固定攻击角度约束下实现对目标的精准打击。与传统制导律相比,所提制导方法的攻击角度误差更小,收敛速度更快。     

基于深度学习的焊缝PAUT数据智能化分析方法

超声相控阵检测技术(PAUT)凭借其突出的技术优势被广泛应用在船舶、铁路、石油石化和航空航天等诸多领域。在焊缝超声相控阵检测(PAUT)中,对检测数据缺陷的识别定位目前多采用传统的人工判读方式,判读效率较低,对检测人员的判读经验有较高要求,难以满足自动化超声检测的要求。基于深度学习中的目标检测和跟踪算法构建智能识别模型,通过对焊缝超声相控阵检测的S、B扫图特征进行融合,并结合焊缝的三维结构信息,识别并定位出缺陷在焊缝中的三维空间位置。实验结果显示: 缺陷框的平均三维IOU(预测三维缺陷框和实际三维缺陷框的平均交并比)达到0.644 9,较为接近缺陷的真实空间位置,可以实现焊缝超声相控阵检测成像结果智能识别和定位。      

基于联合分布适配的智能电表运行状态评价

针对智能电表运行状态评价中经常存在带标签的数据采集困难且不同地区的数据分布不一致的问题,在智能电表的运行状态评价领域引入迁移学习中的联合分布适配（JDA）算法。该算法寻找一个最优化的变换矩阵,使得在变换后的空间中不同地区数据的边缘分布和条件分布距离最小化。针对条件分布适配中目标域没有数据标签的问题,采用伪标签迭代的方法使得目标域伪标签不断接近真实标签。变换后空间数据中训练得到的分类模型可以运用于新的地区,实现迁移。实验结果证明了JDA算法在智能电表运行状态评价中的有效性。      

TopPixelLoss:类别不均衡的遥感影像语义分割损失函数

针对遥感影像中类别不均衡的小目标分割效果不理想的问题,提出了一种类别不均衡小目标二分类分割的损失函数——TopPixelLoss损失函数。首先计算出每个像素的交叉熵,然后将所有像素的交叉熵按从大到小进行排序,随后确定一个K值作为阈值,筛选出前K个交叉熵最大的像素,最后对于筛选出的K个像素交叉熵取平均,做为损失值。在ISPRS 提供的 Vaihingen 数据集上,使用PSPNet网络与普通交叉熵、FocalLoss、TopPixelLoss三种损失函数分别对车辆进行二分类分割试验。结果表明,不同的K值,使用TopPixelLoss损失函数的平均交并比（MIoU）、F1-score、准确度（ACC）都最高;当K值为5×104时效果最佳,MIoU、F1-score、ACC分别比FocalLoss提高了3.0%、5.0%、0.1%。TopPixelLoss损失函数是一种针对类别不均衡分割非常有效的损失函数     

基于深度迁移强化学习的无人机投放自主引导机动控制算法

针对无人机精确投放引导问题,本文提出基于深度迁移强化学习的无人机投放自主引导机动控制算法,分别建立基于马尔可夫决策过程的引导机动决策模型、引导机动评估模型等,并设计基于迁移学习和课程学习的引导机动策略训练方法,拟合基于深度学习的引导机动策略和评估网络,最后开展仿真训练和验证试验。仿真结果表明,该算法实现了无人机在任意姿态和位置条件下,能够自主规避区域威胁并自主引导至目标投放点,成功完成投放瞄准任务,有效地提升了无人机投放引导机动控制的自主性。     

电子对抗技术发展综述

随着雷达低截获技术、通信系统抗干扰技术的发展和战场上智能化电子信息装备部署的应用,战场电磁频谱环境的复杂程度日益增加。如何提高电子战感知环境-适应环境-做出决策-采取行动(OODA)环路速度,实现电磁敏捷,是电子战应对未来复杂战场环境挑战需要解决的关键科学技术问题。通过分析现代雷达技术发展对传统电子战系统的挑战,阐述认知电子战发展的必要性,并从认知概念演变、人工智能技术发展、认知电子战关键技术等方面,对传统电子战向认知电子战发展过程中人工智能技术的应用情况进行分析与总结。     

基于多任务辅助学习特征的瞳孔中心检测

眼动跟踪技术在航空领域极具潜力,其作为关键的信息获取和人机交互手段,可用于精确的目标瞄准、飞行员状态监测,对飞行安全和作战精准意义重大。而瞳孔中心检测作为核心技术,决定了眼动追踪系统的鲁棒性和准确性,本文提出一种基于多任务辅助学习特征的瞳孔中心检测算法,模拟人类视觉系统的多任务辅助学习特性,引入多任务模块,实现从粗到精的瞳孔中心检测,并通过试验验证了本文方法的有效性和先进性,从而提高了眼动跟踪的精度和准确性,为航空领域的各项任务和操作提供了更精确、高效和安全的手段。     

协同空战与多智能体强化学习下的关键问题

自从协同作战的概念提出后,各军事强国在协同空战领域均取得了重大进展,协同成为提升作战能力的倍增器。近数十年来,作为解决序列问题的现代智能方法,强化学习在各领域高速发展。然而,面对高维变量问题时,传统的单智能体强化学习往往表现不佳,多智能体强化学习算法为解决复杂多维问题提出新的可能。通过对多智能体强化学习算法原理、训练范式与协同空战的适应性进行分析,提出了协同空战与多智能体强化学习的未来发展方向,为更好地把多智能体强化学习应用于协同空战提供思路。