基于神经网络的飞机空战效能评估

基于神经网络的飞机空战效能评估

ID:33405562

大小:1.06 MB

页数:9页

时间:2019-02-25

基于神经网络的飞机空战效能评估_第1页
基于神经网络的飞机空战效能评估_第2页
基于神经网络的飞机空战效能评估_第3页
基于神经网络的飞机空战效能评估_第4页
基于神经网络的飞机空战效能评估_第5页
资源描述:

《基于神经网络的飞机空战效能评估》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库

1、基于神经网络的飞机空战效能评估王新虎陈柏松李良峰高鹍(空军航空大学研究生队吉林长春130022)AirCombatEfficiencyEvaluationBasedonNeuralNetwork(WangxinhuChenbaisongLiliangfengGaokun)(AviationUniversityofAirForceChangchunJilin130022)摘要:为有效评估反映现代飞机作战特点的飞机空战的综合效能,本文选取了兼顾传统空战和超视距空战特点的飞机空战效能评估的指标体系,并且为了克服传统效能评估中各指标权重的选择受人为主观因素影响较大的缺陷,根据该指标体系建立了基于B

2、P神经网络的能力评估模型。采用了相关算例进行了评估,通过与相关文献结论的对比验证了其模型的科学性和可行性。关键词:指标体系空战效能评估BP神经网络Abstract:Overthehorizonaircombatanddogfightarethemaincharactersofmodernaircombat.Aindexsystembasedonthecharacteristicforaircombatefficiencyevaluationisproposedinthisarticle.Accordingtotheindexsystem,amodelofaircombatefficienc

3、yevaluationisestablished,basedonthreeBPneuralnetwork.Themodelcanavoidthenegativeinfluenceofthehumanfactorwhenwecalculationtheweightofeveryindexofthesystem.Finally,wegetaresultbytheevaluationmodelwithacase.Bycomparingresultswithsomeotherliteratures,weconsiderthismodelforaircombatevaluationisscienti

4、fic,correctandpractical.Keywords:indexsystem,aircombatefficiencyevaluation,BPneuralnetwork随着战场复杂性的提高和战场网络化的发展,未来空战的对抗不再是一对一的对抗,而是由各武器系统组成的装备体系的综合对抗,采用科学的方法,比较全面、科学地评价飞机空战效能,全面衡量作战飞机在未来战场上应具备的能力,对飞机装备的发展、论证和使用具有至关重要的作用。为此,本文针对飞机系统的特点,先建立了合理的关于飞机空战效能指标体系,再根据指标体系合理的建立BP神经网络,最后通过样本训练使网络具备效能评估的能力,从而达到评

5、估装备空战能力的目的。1、空战评价指标体系的建立战斗机空战效能是对战斗机各项能力和性能的综合描述,表现为多层次、多参数、多因素的特点。评价指标体系是评价各待评机型的统一尺度,是建立数学模型的基础,因此指标体系建立的是否科学、合理将直接影响到评价结果的可信度。本文参考文献[1]中参考了文献[3]中的对数法空战指标体系和文献[4]中对对数法的分析,选取了影响空战的9个主要因素来衡量飞机空对空作战能力:机动性、生存力、格斗火力、快速瞄准能力、拦射火力、超视距态势感知能力、作战半径、操纵效能和电子对抗能力,构建了战斗机空战效能指标体系,基本能够覆盖空战效能的指标空间,如图1。指标的具体说明见文献[

6、1]。图1空战指标评价体系1、BP神经网络的建立2.1BP神经网络算法简介1986年,以Rumelhart和McCelland为首的科学家小组首次对于非连续性转移函数的多维多层前反馈网络的误差逆传播(ErrorBackPropagation,简称BP)进行了讨论,开启了BP神经网络发展应用的历史。从此人们把按误差逆传播算法训练的多层前馈网络直接称为BP网络。BP算法的基本思想是,学习过程有信号正向传播和误差逆向传播两个过程组成。正向传播时,模式作用于输入层,经隐层处理后,传向输出层。若输出层未得到期望输出,则转入误差逆向传播阶段,将输出误差以某种形式通过隐层向输入层逐层返回,并“分担”给各

7、层的所有单元,从而获得各层单元的误差信号以作为修改权值的依据。通过这种周而复始的各层权矩阵的修改过程,使网络的输出达到误差最小或设计要求。由于BP网络的出色的性能,其已经成为应用最为广泛的神经网络。利用Kosmogorov定理可证明在合理的结构和恰当的权值条件下,单隐层BP网络可逼近任意的连续函数,因此本文中选取结构相对简单的单隐层BP网络。2.2学习算法设计网络中,设M表示输入层节点数,Q表示隐含层节点数,L表示输出层

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。