基于A3C的多功能雷达认知干扰决策方法

在多功能雷达对抗领域,目前基于强化学习理论的认知干扰决策方法难以满足雷达对抗高实时性要求。对此,将异步优势行动者-评论家(asynchronous advantage actor-critic,A3C)算法引入到认知干扰决策领域,设计了包括干扰机模型、环境模型(目标方多功能雷达)以及交互机制的认知干扰决策整体框架,制定了干扰决策流程,干扰机模型利用异步多线程方式与环境模型进行交互训练。仿真实验表明,在扩充雷达任务转换关系表的基础上,所提方法与基于深度Q网络(deep Q network,DQN)的认知干扰决策系列方法相比,极大地提高了时间效率,平均决策时间降低70%以上,并且在决策准确度上有着明显优势,表明所提方法能够为多功能雷达对抗决策提供更有力的技术支撑。

基于航迹预测的着舰指挥决策算法

为提高着舰指挥决策的准确度,本文以预测的着舰航迹为决指挥策依据,提出了基于航迹预测的着舰指挥决策算法。该算法分为航迹预测和指挥决策两个模型,两个模型以历史着舰数据为训练样本,分别基于径向基函数RBF网络和属性相关贝叶斯算法建立,并针对着舰航迹的阶段特性,提出了基于RBF网络集成的着舰航迹预测模型。与常规算法的对比仿真实验表明:基于RBF网络集成的着舰航迹预测模型具有更高的预测精度,基于航迹预测的着舰指挥决策算法的决策结论与着舰指挥官的决策结论基本一致,能够有效提高着舰成功率。