无人机目标威胁评估与协同作战任务分配研究

发布时间：2024-02-03 15:19

　　无人机(Unmanned Combat Aerial Vehicle,UCAV)多次在勘察和反恐中展现了其突出的优势,受到了国内外军事的广泛关注。威胁评估与任务分配是整个无人机任务规划系统的核心部分,已成为现代战场的一种主要技术。本文主要针对UCAV目标威胁评估和协同作战任务分配两方面开展了研究,具体内容如下:(1)针对空中目标威胁评估问题,提出了基于小波神经网络(Wavelet Neural Network,WNN)的空中目标威胁评估方法。该方法以内嵌的办法将小波变换有机的嵌入神经网络,即为“紧致型融合”,它不仅具有较好的自适应分辨性,良好的逼近能力和容错能力,并且能够有效避免陷入局部最小值。分析了WNN的结构特点和对空中目标威胁评估造成影响的关键因素;给出了WNN的训练算法和流程,并进行了仿真验证。结果显示,该方法的评估误差明显小于粒子群优化BP神经网络和BP神经网络,具有较好的评估效果。(2)针对多无人机协同任务分配问题,先是给出了无人机的能力函数,以能力函数的雅可比矩阵为桥梁,引出多无人机协同打击时无人机与目标之间的距离和俯仰角的更新方式;分析了多无人机任务分配的主要影响因素,...

【文章页数】：56 页

【学位级别】：硕士

【部分图文】：

图2.2BP网络的优缺点对比

()xk次迭代时，网络的输出误差对所有的权值与阈值求梯度组成的向量；负号说明与梯度方向相反，也就是下降最快的方向；是学习速率，一般设置成0.01，在对网络参数进行更新时可以设置；E(k)表示第k次迭代时，用来衡量神经网络优良的误差代价函数，在matlab中，一....

图3.2墨西哥草帽小波函数多重维度的小波函数用式(3.2)来说明：

上图所描述的小波神经网络结构有输入层、隐含层和输出层三层，且有m1个输经元，一个输出神经元和k个隐层神经元。人工神经网络经常采用S型函数来为其激活函数，但在小波神经网络中，小波函受欢迎。本文中网络训练使用墨西哥草帽小波为其激活函数，第一层每个小波的输算为：2()2(....

图3.4BP、PSO-BP和WNN神经网络预测结果

图3.4BP、PSO-BP和WNN神经网络预测结果误差曲线如图3.4所示。通过将三个神经网络模型的得到的输出值与真实，得到图3.5描述的曲线。图3.5相对误差曲线

图3.5相对误差曲线

图3.4BP、PSO-BP和WNN神经网络预测结果差曲线如图3.4所示。通过将三个神经网络模型的得到的输出值与真得到图3.5描述的曲线。

本文编号：3894305