Please wait a minute...
空天防御  2022, Vol. 5 Issue (2): 27-31    
0
  导弹武器系统与总体技术 本期目录 | 过刊浏览 | 高级检索 |
机器学习在引战系统设计中的应用研究
贾岛,陈磊,朱志鹏,余曜,迟德建
1. 上海机电工程研究所,上海 201109; 2.重庆红宇精密工业集团有限公司,重庆 402760
Application of Machine Learning in Fuze- Warhead System Design
JIA Dao,CHEN Lei,ZHU Zhipeng,YU Yao,CHI Dejian
1. Shanghai Electro-Mechanical Engineering Institute,Shanghai 201109,China; 2. Chongqing Hongyu Precision Industry Group Co., Ltd., Chongqing 402760, China
全文: PDF(1614 KB)  
输出: BibTeX | EndNote (RIS)      
摘要 随着计算机技术和人工智能技术的发展,机器学习在图像、语音、自然语言处理等各个不同的领域展现出了优异的性能,迅速成为了业界热门的技术之一。同时,为满足未来空战的需求,引战系统在智能探测、智能化引战配合等方面需要发展新的技术。本文通过分析机器学习在回归、分类等方向的应用,提出了引战系统在引战配合规律设计、试验数据生成和目标要害部位识别等方面应用机器学习的基本方法及应用前景,为后续引战系统向智能化高效毁伤发展指出了方向。
服务
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章
关键词 引战系统机器学习引战配合要害部位识别    
Abstract:With the development of computer technology and artificial intelligence, machine learning has shown its excellent performance in image, speech, natural language processing and other fields. It has quickly become one of the hottest technologies in the industry. In the meantime, to meet the needs of future air combat, new technologies in intelligent detection and intelligent fuze-warhead coordination need to be developed for fuze-warhead system. By analyzing the application of machine learning in regression and classification, this paper puts forward the basic methods and application prospects of machine learning in fuze-warhead coordination law designing, experiment data generation and target vital parts recognition. and points out the direction for the development of fuze-warhead system to intelligent and efficient damage.
Key words fuze-warhead system    machine learning    fuze-warhead coordination    vital part identification
收稿日期: 2020-08-05      出版日期: 2022-07-12
ZTFLH:  TP273  
作者简介: 贾岛(1986—),男,硕士,高级工程师,主要研究方向为引战配合。
引用本文:   
贾岛, 陈磊, 朱志鹏, 余曜, 迟德建. 机器学习在引战系统设计中的应用研究[J]. 空天防御, 2022, 5(2): 27-31.
JIA Dao, CHEN Lei, ZHU Zhipeng, YU Yao, CHI Dejian. Application of Machine Learning in Fuze- Warhead System Design. Air & Space Defense, 2022, 5(2): 27-31.
链接本文:  
https://www.qk.sjtu.edu.cn/ktfy/CN/      或      https://www.qk.sjtu.edu.cn/ktfy/CN/Y2022/V5/I2/27

参考文献
[1] 鲍朱杰, 李祯, 王斐亮, 庞博, 杨健. 基于机器学习的直角扣件滑移和扭转性能预测方法[J]. 上海交通大学学报, 2024, 58(2): 242-252.
[2] 孙乾洋, 周利, 丁仕风, 刘仁伟, 丁一. 基于人工神经网络的极地船舶冰阻力预报方法[J]. 上海交通大学学报, 2024, 58(2): 156-165.
[3] 李明爱1,2,3,许冬芹1. 综述:运动想像脑机接口中的迁移学习[J]. J Shanghai Jiaotong Univ Sci, 2024, 29(1): 37-59.
[4] 苏泓嘉, 罗宇成, 刘飞. 装备体系效能评估及支撑技术综述[J]. 空天防御, 2023, 6(3): 29-38.
[5] 孙婕, 李子昊, 张书宇. 机器学习在化学合成及表征中的应用[J]. 上海交通大学学报, 2023, 57(10): 1231-1244.
[6] 甘娥忠, 刘焱, 王海荣, 王承光. 基于机器学习性能度量理论的保障资源指标综合权衡研究[J]. 空天防御, 2023, 6(1): 38-44.
[7] 王卓鑫, 赵海涛, 谢月涵, 任翰韬, 袁明清, 张博明, 陈吉安. 反向传播神经网络联合遗传算法对复合材料模量的预测[J]. 上海交通大学学报, 2022, 56(10): 1341-1348.
[8] 李川, 聂熠文, 刘军伟, 孟凡钦, 沈晓静. 基于机器学习的多算法融合航迹稳健起始方法[J]. 空天防御, 2022, 5(1): 20-24.
[9] 周毅, 秦康平, 孙近文, 范栋琦, 郑义明. 台风气象环境电网设备风险量化预警及其N-m故障处置预案在线生成方法[J]. 上海交通大学学报, 2021, 55(S2): 22-30.
[10] 何夏维, 蔡云泽, 严玲玲. 一种合成残差式的反作用轮故障检测方法[J]. 上海交通大学学报, 2021, 55(6): 716-728.
[11] 祝颂, 钱晓超, 陆营波, 刘飞. 基于XGBoost的装备体系效能预测方法[J]. 空天防御, 2021, 4(2): 1-.
[12] 包清临, 柴华奇, 赵嵩正, 王吉林. 采用机器学习算法的技术机会挖掘模型及应用[J]. 上海交通大学学报, 2020, 54(7): 705-717.
[13] 李建东, 王蓉, 赵文龙, 胡杨, 刘清成.  步进调频系统的测距精度分析[J]. 空天防御, 2018, 1(2): 18-21.
[14] 化存卿. 物联网安全检测与防护机制综述[J]. 上海交通大学学报(自然版), 2018, 52(10): 1307-1313.
[15] 屠恩美,杨杰. 半监督学习理论及其研究进展概述[J]. 上海交通大学学报(自然版), 2018, 52(10): 1280-1291.
沪ICP备15013849号-1
版权所有 © 2017《空天防御》编辑部
主管单位:中国航天科技集团有限公司 主办单位:上海机电工程研究所 上海交通大学出版社有限公司