申请/专利权人：西安科为实业发展有限责任公司

申请日：2020-04-17

公开（公告）日：2024-04-09

公开（公告）号：CN111523177B

主分类号：G06F30/15

分类号：G06F30/15;G06F30/27;G06N3/0475;G06N3/084;G06N3/09;G06N3/094

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2020.09.04#实质审查的生效;2020.08.11#公开

摘要：本发明公开一种基于智能学习的空战对抗自主决策方法及系统，方法包括：从空战对抗样本库中选取多个典型的训练样本形成空战对抗样本集，通过智能学习神经网络对选定的多个典型空战对抗样本集进行学习训练，采用训练好的空战对抗预测模型对未知样本进行验证；空战对抗样本集的输入为空战对抗双方的当前对抗态势，其组成部分包括：巡航飞行高度、马赫数、预警支援、相对距离、目标方位角及机动性能；空战对抗样本集的输出为实战训练飞行器的战术机动动作指令，包括：S机动、圆周机动、剪式机动、高强势回旋、低强势回旋及俯冲机动。本发明工作方式简洁可靠，只需要利用训练好的预测模型即可计算出对应的决策策略，实现从对抗态势到决策的映射。

主权项：1.一种基于智能学习的空战对抗自主决策方法，其特征在于，包括以下步骤：从空战对抗样本库中选取多个典型的训练样本形成空战对抗样本集，通过智能学习神经网络对选定的多个典型空战对抗样本集进行学习训练，采用训练好的空战对抗预测模型对未知样本进行验证；其中，空战对抗样本集的输入为空战对抗双方的当前对抗态势，其组成部分包括：巡航飞行高度、马赫数、预警支援、相对距离、目标方位角及机动性能；其中，空战对抗样本集的输出为实战训练飞行器的战术机动动作指令，包括：S机动、圆周机动、剪式机动、高强势回旋、低强势回旋及俯冲机动；智能学习神经网络的学习过程包含信号误差的正向和反向传递两个阶段；在正向传递阶段，输入信号从输入层传入，在隐含层逐层处理后传向输出层输出；当输出结果与参考值差距较大时，会转入误差反向传播过程，信号重新输出时会修改各层的神经元的权值，使得网络系统误差最小，最终网络的实际输出与期望输出逼近；从样本库中选择典型的对抗态势样本及其对应的战术机动指令作为训练集，训练集为：P＝{x1,E1,x2,E2,...xn,En}其中，x是输入的当前对抗态势； y表示机动指令；训练样本的数目与神经网络之间的关系为： 式中，Np为所需训练样本数目，NI为输入层节点数，NO为输出层节点数，Nh为隐含层节点数；采用L-M算法作为训练函数，权值调整公式为：△w＝JTJ+μJ-1Je，式中，J为误差对权值微分的雅可比矩阵；e为误差向量，μ为学习速率；空战对抗预测模型建立三层BP神经网络，输入层到隐含层及隐含层到输出层传递函数分别采用对Sigmoid型Logsig函数和正切Sigmoid型Tansig函数；训练函数选用Trainlm函数。

全文数据：

权利要求：

百度查询： 西安科为实业发展有限责任公司 一种基于智能学习的空战对抗自主决策方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD