战时弹药消耗预测方法研究

弹药,是战争形态演化的关键要素,是作战方式转变的内在本质,是人类文明进步的智慧结晶,是科技创新成就的集中体现。现代作战交战强度高、持续时间短,弹药消耗量急剧增长,提高弹药消耗预测精确度成为增强军队战斗力的重要手段,引起广大学者关注。论文按弹药消耗预测方法不同特性将目前主要的弹药消耗预测方法分为基于案例经验推算、作战模拟与人工智能三大类,通过对比分析得出目前弹药预测方法存在的问题,最后指出未来重点发展方向。

面向作战任务的弹药消耗预测模型研究

针对战时弹药供应存在断供以及盲供问题,从实战情况出发,按照宏观把握与微观分析相结合的思想,在重点分析弹药消耗规律与补给特点的基础上,建立了基于消耗规律的战时弹药预测模型.以红蓝双方对抗演习为背景,以影响弹药消耗与补给的各类因素为落脚点,通过数值计算与结果对比分析,验证了预测方法的有效性,一定程度上为指挥员宏观层面上整体把握弹药消耗规律,快速制定弹药补给方案提供了重要的辅助支撑作用.

一种面向弹药保障的消耗预测方法

结合部队弹药保障 ,在传统兰切斯特理论的基础上 ,采用诸兵种合同作战的兰切斯特方程对弹药消耗预测进行研究 ,为实战指挥提供更准确的作战决策依据 ,并且举例提出具体实现方案 ,采用C +

战时弹药消耗预测方法研究

针对目前弹药消耗预测方法普遍存在对历史弹药消耗数据依赖大和预测精度较低等问题,根据预测方法的不同属性,将弹药消耗预测方法划分为基于数理模型、基于作战模拟、基于智能算法和基于组合预测等4大类;对各种弹药消耗预测方法现状对比分析了优缺点;提出了未来应加强组合预测法和以航母编队作战为主的新型作战形式下的弹药消耗预测方面的研究。研究结果在一定程度上指明了战时弹药消耗预测方法的重点发展方向。

组合预测法在弹药消耗预测中的应用

提出了利用组合预测法预测弹药消耗的设想,建立了基于BP神经网络的弹药消耗组合预测模型,并对弹药消耗影响因素进行了初步探讨,为今后弹药消耗预测的研究工作提供了参考依据。

基于LSTM神经网络的弹药消耗预测

针对当前考虑弹药消耗多重影响因素所反映的规律不够客观,长时间弹药消耗没有考虑其消耗规律等问题,提出了利用长短期记忆神经网络(long short term memory,LSTM)来分析弹药消耗的规律。通过示例数据的训练集和测试集,来进行弹药消耗的预测。通过对比RNN模型和BP神经网络模型在测试集上的平均绝对误差(mean absolute error,MAE)和均根方差(root mean square error,RMSE),LSTM神经网络在MAE和RMSE上的误差小,对于长时间序列弹药消耗数据有着很好的预测效果。

面向装备作战的弹药消耗智能预测方法

针对装备作战仿真环境下,弹药消耗预测计算时间长、实时仿真速度慢的问题,以战役战术火力毁伤弹药需求预测计算方法为主线,以人工神经网络为技术支持,提出了智能化的弹药消耗预测方法。通过遗传算法对网络连接权值的训练及优化,以及误差目标函数的改进与隐含层神经元数目的智能选取,提高弹药消耗预测的实时仿真速度,为下一步的弹药消耗预测研究提供了理论参考与方法支持。

面向装备作战仿真的弹药消耗预测方法研究现状

作战模拟、数理模型和智能算法是当前弹药消耗预测常用的三类方法。美陆军弹药消耗预测系统是基于作战模拟弹药消耗预测方法的代表,预测过程模块化、系统化。基于数理模型的弹药消耗预测包括基于能力和面向目标威胁的两类方法,预测过程科学化、严谨化。基于智能算法的弹药消耗预测包括时间序列分析和人工神经网络两类方法,预测过程智能化、精确化。各类预测方法在武器—弹药—目标的分组方式与目标分配原则等方面尚存在问题,未来应加强联合火力下以及高技术弹药消耗预测研究。