基于深度学习的不可逃逸区内的规避决策研究

由于隐身技术的发展和攻击战术的需要,载机可能会进入敌方导弹不可逃逸攻击区。针对雷达型中远程空空导弹的不可逃逸攻击区内部的机动规避问题,设计了一种基于深度学习网络的规避决策的模型,通过蒙特卡罗仿真法建立了机动可逃逸数据库,对网络模型进行了学习,并仿真验证了网络输出的有效性。仿真结果表明,学习后的网络输出在满足机动可逃的条件下,在追逃仿真中有较好的决策效果,可显著提高在导弹不可逃逸攻击区内的逃逸成功概率,同时也可为飞行员执行高风险任务时的机动决策提供参考。