無人機(Unmanned Combat Aerial Vehicle,UCAV)多次在勘察和反恐中展現(xiàn)了其突出的優(yōu)勢,受到了國內(nèi)外軍事的廣泛關(guān)注。威脅評估與任務(wù)分配是整個無人機任務(wù)規(guī)劃系統(tǒng)的核心部分,已成為現(xiàn)代戰(zhàn)場的一種主要技術(shù)。本文主要針對UCAV目標(biāo)威脅評估和協(xié)同作戰(zhàn)任務(wù)分配兩方面開展了研究,具體內(nèi)容如下:(1)針對空中目標(biāo)威脅評估問題,提出了基于小波神經(jīng)網(wǎng)絡(luò)(Wavelet Neural Network,WNN)的空中目標(biāo)威脅評估方法。該方法以內(nèi)嵌的辦法將小波變換有機的嵌入神經(jīng)網(wǎng)絡(luò),即為“緊致型融合”,它不僅具有較好的自適應(yīng)分辨性,良好的逼近能力和容錯能力,并且能夠有效避免陷入局部最小值。分析了WNN的結(jié)構(gòu)特點和對空中目標(biāo)威脅評估造成影響的關(guān)鍵因素;給出了WNN的訓(xùn)練算法和流程,并進行了仿真驗證。結(jié)果顯示,該方法的評估誤差明顯小于粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò),具有較好的評估效果。(2)針對多無人機協(xié)同任務(wù)分配問題,先是給出了無人機的能力函數(shù),以能力函數(shù)的雅可比矩陣為橋梁,引出多無人機協(xié)同打擊時無人機與目標(biāo)之間的距離和俯仰角的更新方式;分析了多無人機任務(wù)分配的主要影響因素,...

【文章頁數(shù)】：56 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2.2BP網(wǎng)絡(luò)的優(yōu)缺點對比

()xk次迭代時，網(wǎng)絡(luò)的輸出誤差對所有的權(quán)值與閾值求梯度組成的向量；負號說明與梯度方向相反，也就是下降最快的方向；是學(xué)習(xí)速率，一般設(shè)置成0.01，在對網(wǎng)絡(luò)參數(shù)進行更新時可以設(shè)置；E(k)表示第k次迭代時，用來衡量神經(jīng)網(wǎng)絡(luò)優(yōu)良的誤差代價函數(shù)，在matlab中，一....

圖3.2墨西哥草帽小波函數(shù)多重維度的小波函數(shù)用式(3.2)來說明：

上圖所描述的小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)有輸入層、隱含層和輸出層三層，且有m1個輸經(jīng)元，一個輸出神經(jīng)元和k個隱層神經(jīng)元。人工神經(jīng)網(wǎng)絡(luò)經(jīng)常采用S型函數(shù)來為其激活函數(shù)，但在小波神經(jīng)網(wǎng)絡(luò)中，小波函受歡迎。本文中網(wǎng)絡(luò)訓(xùn)練使用墨西哥草帽小波為其激活函數(shù)，第一層每個小波的輸算為：2()2(....

圖3.4BP、PSO-BP和WNN神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果

圖3.4BP、PSO-BP和WNN神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果誤差曲線如圖3.4所示。通過將三個神經(jīng)網(wǎng)絡(luò)模型的得到的輸出值與真實，得到圖3.5描述的曲線。圖3.5相對誤差曲線

圖3.5相對誤差曲線

圖3.4BP、PSO-BP和WNN神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果差曲線如圖3.4所示。通過將三個神經(jīng)網(wǎng)絡(luò)模型的得到的輸出值與真得到圖3.5描述的曲線。

本文編號：3894305