排序方式: 共有42条查询结果,搜索用时 15 毫秒
1.
面向多威胁的无人机智能目标跟随策略设计 总被引:1,自引:0,他引:1
随着无人机(UAV)一体化作战的不断发展,无人机在搜索到运动目标之后,需要立即转入跟随模式,考虑到战场环境的复杂性,研究了在多个威胁源条件下无人机跟随运动目标的问题,为了保证无人机的安全性以及跟随目标的精确性,提出了一种基于决策树的无人机智能目标跟随策略。首先对威胁概率图(TPM)进行建模;然后采用几何图法及任务优先级生成不同的规则,建立相应的决策树,并设计了不同规则下无人机飞行航向及速度指令;最后通过仿真验证所提出的智能目标跟随策略的有效性。 相似文献
4.
在运载器设计中,如何建立关键决策树、必备条件、折衰方案研究及与推进系统有关的敏感性分析,本文指明了一种方法。该方法还包括考虑推进系统和运载器的相互影响。全文分三部分对推进系统决策树进行描述,该决策树能够指明技术要求。从计划目标到子系统设计到运载器模型,必备条件始终提供一种引导方法.其具体表现在根据费用(重复和非重复两部分)、可靠性和运载器性能对推进系统设计方面的影响上。 相似文献
5.
为了降低在空中目标威胁评估任务中由于威胁评估结果的不准确性和传感器辐射所带来的潜在损失,提出了一种基于风险的多传感器管理方法。首先,基于部分可观马尔可夫决策过程建立了传感器管理模型;然后,给出了基于信息状态的威胁评估风险和传感器辐射风险的预测方法以量化潜在损失;接着,为获得更优的作战收益,以多步风险预测值为决策依据,以两种风险的加权和最小为优化目标建立了长期目标函数;最后,在求解目标函数时,将传感器管理问题转化为决策树搜索,设计了一种基于分支定界的标准代价搜索算法以快速获得高质量的管理方案。仿真实验表明,所提算法能够在搜索到高质量解的同时大幅减少计算时间和内存消耗;所提方法能够对风险进行准确预测,且相比于经典的传感器管理方法,所提方法具有更好的风险控制效果。 相似文献
6.
声爆抑制是发展新一代超声速民机必须突破的关键技术。总体布局参数的合理设计可以使飞行器具有良好的声爆特性。为了提高全局进化算法在布局设计中的优化效率,提出一种基于数据挖掘的分层优化方法,利用数据挖掘中的决策树算法提取设计知识,获得设计变量分层信息,指导低声爆布局分层优化;针对某超声速低声爆飞行器,选取后掠角、上反角、展弦比、梢根比、长细比五个总体布局参数作为设计变量,开展分层优化数值实验,并与一体化优化形成对比验证。结果表明:分层优化方法能够搜索到与一体化优化高度吻合的最优解,分层优化的收敛速度显著高于一体化优化,且对随机寻优历程的表现更稳健。 相似文献
7.
8.
为了提升使用随机回归森林进行头部姿态分析的精度,提出了一种基于特征点识别分析头部姿态的计算框架.考虑到高误差投票的干扰,该计算框架以随机森林的特征点识别为基础从而避免异常投票干扰,将头部姿态计算问题转换为空间鼻尖特征点和朝向特征点的识别问题.在随机森林的训练中,决策函数使用了高斯曲率和平均曲率作为图形特征,根据微分熵的信息增益在随机生成的决策函数库中搜索最优化决策函数.在训练完成的随机回归森林的叶子节点中,通过分析保存的样本数据,可以得到目标特征点的高斯分布估计.根据实验测试结果,在适当的阈值设定的情况下,该方法可以实现较高的识别成功率,使用曲率后明显提高了识别精度,能够在一定程度上处理有遮挡的数据,并且该方法已经成功应用于虚拟座舱的实时头部姿态分析计算系统. 相似文献
9.
发现参数间的关联规则对预测航天器系统状态和改进航天器系统设计都有着重要的意义。如何发现参数间的关联规则是航天测控数据分析中的一个难点问题。针对该问题,在概述小波分析和分类回归树基本原理的基础上,提出了一种基于分类回归树的分析方法。该方法首先采用小波分析技术对参数数据进行去噪声处理,然后用随机采样的方法把数据分为训练数据集和检验数据集两部分,再构建一个分类回归树模型并用训练数据集训练该模型,随后用检验数据集对该模型进行检验,在对检验结果好坏进行评价并确认获得较好结果的基础上,对分类回归树模型进行解析,并最终得出参数间的关联规则。最后运用仿真数据对上述方法进行了实例验证,结果表明该方法能较好地分析出参数间的关联规则。 相似文献
10.
为了提高机场运行高峰时航班过站时间预测的精度及可靠性,研究了一种结合无偏核密度估计(Unbiased kernel density estimation, UKDE)和极端梯度提升决策树(Extreme gradient boosting, XGBoost)模型的航班过站时间动态预测方法。首先,考虑模型输入变量航班密度的连续性和不确定性变化,利用UKDE法估计机场航班密度,将其作为动态指标输入模型。其次,引入量子粒子群(Quantum particle swarm optimization, QPSO)法优化XGBoost模型。最后,考虑前序航班延误发生前后输入特征的变化,利用初始预测结果对航班密度进行修正,得到二阶段预测结果。研究结果表明:本文方法在高峰时段的预测平均绝对误差为7.365 min,效果优于随机森林(Random forest, RF)、粒子群(Particle swarm optimization, PSO)-XGBoost和XGBoost,修正后的预测结果平均绝对误差减少了3.373 min;模型输入参数按敏感性程度由高到低依次为航班密度、前序航班提前到港时间和延误... 相似文献