排序方式: 共有9条查询结果,搜索用时 15 毫秒
1
1.
机动轨迹预测是自主空战中的一个重要组成部分。针对无人战斗机机动轨迹预测精度低且时耗过长的问题,提出一种基于机动单元库的自适应集成三角优化门控循环神经网络预测方法。建立无人战斗机3自由度模型,解决轨迹数据来源问题;通过4种轨迹特征,将轨迹分为平面机动、空间左转弯机动和空间右转弯机动三类,构建21种基本机动单元;介绍门控循环神经网络,为避免网络梯度优化陷入局部最优,引入三角搜索优化算法更新网络内部权值和偏置。为提高预测精度,采用自适应增强算法构建强预测器;通过实验选取预测器最优参数,在不同机动单元情况下进行预测,预测精度较高且均能满足时耗要求;为检验在机动轨迹上的预测性能,从空战训练测量仪中选取一段轨迹,与5种不同预测模型进行对比。研究结果表明,所提模型的预测精度最佳。 相似文献
2.
改进决策树的无人机空战态势估计 总被引:2,自引:1,他引:1
针对无人机空战态势估计中存在的多参数、非线性、实时性问题,提出了一种改进决策树思想的态势估计推理方法.首先,通过结合无人机与敌机的状态参量作为决策树模型的输入,确保态势估计的依据中包含交战双方的信息,为无人机态势估计的结果的合理性提供理论依据;然后,建立4类态势结果作为决策树模型的输出,以满足态势响应快速性的要求,根据影响空空导弹攻击区的状态参量,对比相同状态参量下,无人机与敌机的评价指标值的大小,构建对应的空战态势分类指标.建立了空战态势分类规则,作为决策树的推理规则,在决策树的节点对态势不断细化.最后,针对决策树中未开发分支引入反推理规则,在未知情形下提高学习能力.通过对不同的典型空战场景:一对一、一对二和二对二,进行仿真验证,并将结果与贝叶斯推理法进行全面比较,通过分析,所提方法用时5.39 s,准确度为80%,贝叶斯推理法用时11.63 s,准确度为60%.准确的实验结果表明所提方法比贝叶斯推理方法的评估速度更快,准确度更高. 相似文献
3.
针对多架无人机相互协同攻击多个来袭目标的武器目标决策问题进行了研究。利用层次分析法(AHP)评估了空战能力指数和三维空战态势威胁指数的权重,针对协同攻击空战的分配原则,采用计算分配值的情况下提出了一种自适应搜索的灰狼求解算法,实现了武器目标攻击决策的求解。仿真表明,改进的GWO算法对决策方案的求解速度和求解质量与现有的粒子群算法(PSO)、蚁群算法(ACA)和遗传算法(GA)等相比均有所明显提高。 相似文献
4.
为了解决多目标灰狼优化算法(MOGWO)易陷入局部最优,稳定性差等缺点,基于对算法寻优时灰狼个体运动情况的分析,提出了两条改进策略:一是通过引入“观察”策略赋予灰狼个体自主探索的能力,以提高算法的优化效率和跳出局部最优的能力;二是改进控制参数调整策略,选用幂函数取代线性函数以提高算法的稳定性。然后对两条改进策略进行了可行性分析,提出了带观察策略的多目标灰狼算法并进行了算法复杂度分析。最后通过对6个不同特点测试函数的多次重复实验,结合GD与IGD两种通用评价指标,对原算法、改进后算法和多目标粒子群算法进行比较,从算法效率、寻优能力和稳定性等方面综合验证了算法改进的有效性和优越性。 相似文献
5.
针对空战知识获取问题展开研究,提出了一条从海量飞行参数中获取知识的途径。构建空战专家系统知识库;对于飞行动作规则知识的提取,提出了一种基于樽海鞘群优化算法的飞行动作规则知识提取方法,为了使提取的规则知识简洁有效,对算法的评价函数进行了设计。通过对水平右转弯机动动作和斤斗动作进行规则提取仿真与分析,验证了该方法的有效性和可行性。 相似文献
6.
针对不确定信息下的无人机攻防博弈问题,建立了基于区间数的无人机攻防博弈模型。将态势信息引入支付区间矩阵,重构了支付区间内点的分布并将其转化为四参数区间数。结合信息论提出了一种基于相对熵的目标分配决策模型,提高了对不同策略的区分度。给出了参数不确定优化问题的求解方法,并使用自适应粒子群算法求解了纳什均衡。仿真结果验证了该方法在无人机攻防博弈中的可行性和有效性。 相似文献
7.
灰狼优化算法(Grey Wolf Optimization,GWO)是一种新型的群智能优化算法。与其他智能优化算法类似,该算法仍存在收敛速度慢、容易陷入局部极小点的缺点。针对这一问题,提出了具有自适应搜索策略的改进算法。为了提高算法的收敛速度和优化精度,通过适应度值控制智能个体位置,并引入了最优引导搜索方程;另一方面,为提高GWO的种群多样性,改进算法利用位置矢量差随机跳出局部最优。最后对10个标准测试函数进行了仿真实验,并与其他4种算法进行了比较,统计结果和Wilcoxon符号秩检验结果均表明,所提出的改进算法在收敛速度以及搜索精度方面具有明显优势。 相似文献
8.
灰狼优化算法(Grey Wolf Optimization,GWO)是新型启元优化算法,相比于其他群体智能优化算法,该算法同样存在收敛速度较慢、不稳定、易陷入局部最优等问题。针对上述问题,根据GWO算法的结构特点,提出了一种自适应调整策略的混沌灰狼优化算法(Chaotic Local Search GWO),利用自适应调整策略来提高GWO算法的收敛速度,通过混沌局部搜索策略增加种群的多样性,使搜索过程避免陷入局部最优。最后利用6个测试函数对算法进行仿真验证,并结合其他4种算法进行了横向比较。实验结果证明,所提出的改进算法在收敛速度、精度以及稳定性方面具有明显的优势。 相似文献
9.
1