文章-世纪中文出版社

本文侧重于开发一种反无人机集群智能化防空协同系统，并对其内部的数据融合与决策优化过程进行研究。首先，通过大数据和机器学习技术，对各类无人机以及其集群的行为特征进行深度学习与分析。然后，利用这些分析数据，设计了一种新型的多源信息融合模型，以实现对无人机集群攻击的精确识别与预测。接着，采用了基于强化学习的动态决策优化算法，实现了天空态势的动态感知以及防空力量的实时调整，并提高了系统的响应速度和拦截精度。试验结果显示，该系统能有效提高对无人机集群攻击的防御能力，并具有较高的防空效率。

基于强化学习的自适应控制算法在无人机飞行中的应用下载：81 浏览：1205

赵逸超程晖刘瑞强杨泽艾雯《中国航空航天科学》 2024年8期

摘要:

近年来, 无人机在各个领域发挥着越来越重要的作用，而无人机的飞行精确性主要取决于其控制算法。而强化学习作为一种自我学习和决策的机器学习方法，被广泛应用在各种领域。本研究便提出和设计了一种基于强化学习的自适应控制算法，对无人机的飞行行为进行了优化。实验结果表明，本算法相比传统的控制算法，更能适应各种飞行条件，具有更强的鲁棒性，无人机在复杂环境下的飞行稳定性大幅提升。可为复杂应用环境中无人机的自主飞行提供有效的解决方案。

基于深度强化学习的无人作战决策优化研究综述下载：115 浏览：1412

李俊慧《电气学报》 2023年9期

摘要:

无人机在作战中的广泛应用，其智能化决策成为关键挑战。本文提出基于深度强化学习（Deep Reinforcement Learning，DRL）的决策优化方法，应对无人机作战中的复杂性和不确定性。首先介绍了深度强化学习(Deep Reinforcement Learning,简称DRL)，说明深度强化学习在该领域的研究优势，然后对深度强化学习算法在无人作战决策的主要方向——协同路径规划与任务分配的文献进行分析。提出采用近端策略优化(Proximal Policy Optimization，简称PPO)算法和规则算法结合的方式来解决无人机作战决策中任务分配和路径规划问题，梳理了基于近端策略优化算法的无人作战决策方法流程。最后，对文章进行总结并对未来深度强化学习在无人作战决策的发展方向作出展望。

[1/1]

	在线客服
	客服电话：400-188-5008
	客服邮箱：service@ccnpub.com
	投诉举报：feedback@ccnpub.com