Calculation Method and Analysis of Blockage Time of Cluster Munitions Against Runway

The blockage probability and the blockage time are two important indexes for assessing the blockage efficiency of cluster munitions against the runway. The improved region-by-region searching method and the random sampling method are proposed to calculate the blockage time by considering the minimum number of craters which need to be re- paired after attack. A minimum leave window （MLW） with the minimum number of craters is found out as a region to be repaired, the blockage probability and the blockage time are calculated by the two methods in which the impact points of the sub-munitions are generated with Monte-Carlo simulation technique. An example is given to show the reasonableness of the two methods under the conditions of adequacy simulating times and enough sampling times, and how to choose the methods in application.     

差压传感器非线性特性研究

介绍了一种智能差压传感器,针对影响传感器准确度的输出—输入非线性问题进行了研究。采用了BP神经网络来建立差压传感器的输出—输入模型,网络模型采用了三层结构,输出—输入层各自采用了一个神经元,将神经网络的均方误差目标值设定为10-6,并在MATLAB中进行了仿真,经训练得到的输出—输入模型的非线性误差可以达到±0.032%。通过与多项式拟合方法和最小二乘直线拟合方法所得结果进行比较,结果表明:采用BP神经网络方法对提高智能差压传感器的测量准确度具有参考价值。     

融合认知行为模型的深度强化学习框架及算法

面对高维连续状态空间或稀疏奖励等复杂任务时,仅依靠深度强化学习算法从零学习最优策略十分困难,如何将已有知识表示为人与学习型智能体之间相互可理解的形式,并有效地加速策略收敛仍是一个难题.对此,提出一种融合认知行为模型的深度强化学习框架,将领域内先验知识建模为基于信念-愿望-意图(belief- desire-intention, BDI)的认知行为模型,用于引导智能体策略学习.基于此框架,分别提出融合认知行为模型的深度Q学习算法和近端策略优化算法,并定量化设计认知行为模型对智能体策略更新的引导方式.最后,通过典型gym环境和空战机动决策对抗环境,验证所提出算法可以高效利用认知行为模型加速策略学习,有效缓解状态空间巨大和环境奖励稀疏的影响.     

无人机任务规划课程设计与实践

针对无人机任务规划课程教学实际,梳理相关概念与内涵,分析其在无人机专业本科学员知识体系中的作用与地位,根据任务规划人才培养的能力需求提出课程的建设思路,并着重强调该方向人才培养所需要的动手能力,对教学实践环节进行详细设计,构建开放式任务规划教学框架和递进式试验内容.     

以无人系统自主控制为核心的计算智能课程设计与实践

引入以无人系统自主控制为核心的计算智能课程内涵,分析面向国防需求的研究生人才培养学情,介绍面向控制、应用导向、科教融合、课程思政等课程特色,提出按照生物原理、算法实现、问题求解3个维度,以及生物体及群体在结构、过程、行为、协作等4个层面的智能性来讲解神经网络、遗传算法、模糊系统、群体智能等内容的理论教学设计思路和实践环节设计方案,为实现计算智能理论和实践协调发展的教学模式提供参考.     

B样条分频理论及在外测数据处理中的应用

为确定外弹道测量数据节省参数建模中表示弹道所需的样条节点序列,考虑到B样条的局部支撑性、系数矩阵的对称稀疏性等特点,基于B样条函数时外测数据进行分频,改进了基于截幂样条基的分频方法.从理论上证明了逼近空间的相容性定理,并由相容性定理的证明过程得到了延拓节点的一种补充方式.运用本文的方法对外测数据进行事后处理,有效地减少了待估参数的个数,提高了弹道估计的精度.     

多智能体深度强化学习及其可扩展性与可迁移性研究综述

得益于深度学习强大的特征表达能力和强化学习有效的策略学习能力,深度强化学习在一系列复杂序贯决策问题中取得了令人瞩目的成就.伴随着深度强化学习在诸多单智能体任务中的成功应用,其在多智能体系统中的研究方兴未艾.近年来,多智能体深度强化学习在人工智能领域备受关注,可扩展与可迁移性已成为其中的核心研究点之一.鉴于此,首先阐释深度强化学习的发展脉络和典型算法,介绍多智能体深度强化学习的3种学习范式,分析两类多智能体强化学习的典型算法,即分解值函数方法和中心化值函数方法;然后归纳注意力机制、图神经网络等6类具有可扩展性的多智能体深度强化学习模型,梳理迁移学习和课程学习在多智能体深度强化学习可迁移性方向的研究进展;最后讨论多智能体深度强化学习的应用前景与研究方向,为未来多智能体深度强化学习的进一步发展提供可借鉴的参考.