期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于概率推理的舷外有源诱饵干扰评估方法研究
1
作者
吴兆东
胡生亮
+2 位作者
罗亚松
刘忠
夏家伟
《系统工程与电子技术》
EI
CSCD
北大核心
2024年第2期605-615,共11页
针对电子对抗的非合作性和传统干扰效能评估方法的主观性,围绕舷外有源诱饵,提出了一种基于概率推理的干扰有效性评估方法。首先,由导弹末段制导动态过程推导干扰有效性判据,从信号层面与态势层面分析非合作参数作用。然后,基于概率推...
针对电子对抗的非合作性和传统干扰效能评估方法的主观性,围绕舷外有源诱饵,提出了一种基于概率推理的干扰有效性评估方法。首先,由导弹末段制导动态过程推导干扰有效性判据,从信号层面与态势层面分析非合作参数作用。然后,基于概率推理原理,构建干扰有效性推理模型,阐述了干扰有效性评估内容。最后,通过数值仿真分析了正向推理和反向推理结果,并对不同诱饵干扰策略进行评估。仿真结果表明,利用概率推理可从未知参数中得到干扰有效性判据的概率分布,为舷外有源诱饵提供了量化且可扩展的干扰评估框架。
展开更多
关键词
电子对抗
舷外有源诱饵
概率推理
干扰有效性评估
在线阅读
下载PDF
职称材料
基于多智能体强化学习的无人艇集群集结方法
被引量：
3
2
作者
夏家伟
刘志坤
+1 位作者
朱旭芳
刘忠
《北京航空航天大学学报》
EI
CAS
CSCD
北大核心
2023年第12期3365-3376,共12页
为解决数量不定的同构水面无人艇(USV)集群以期望队形协同集结的问题,提出一种基于多智能体强化学习(MARL)的分布式集群集结控制方法。针对USV通信感知能力约束,建立集群的动态交互图,通过引入二维网格状态特征编码的方法,构建维度不变...
为解决数量不定的同构水面无人艇(USV)集群以期望队形协同集结的问题,提出一种基于多智能体强化学习(MARL)的分布式集群集结控制方法。针对USV通信感知能力约束,建立集群的动态交互图,通过引入二维网格状态特征编码的方法,构建维度不变的智能体观测空间;采用集中式训练和分布式执行的多智能体近端策略优化(MAPPO)强化学习架构,分别设计策略网络和价值网络的状态空间和动作空间,定义收益函数;构建编队集结仿真环境,经过训练,所提方法能有效收敛。仿真结果表明:所提方法在不同期望队形、不同集群数量和部分智能体失效等场景中,均能成功实现快速集结,其灵活性和鲁棒性得到验证。
展开更多
关键词
无人艇
集群系统
多智能体强化学习
深度强化学习
集结方法
近端策略优化
在线阅读
下载PDF
职称材料
基于信息融合的无人艇船舶检测与跟踪
被引量：
4
3
作者
朱旭芳
黎奥丰
夏家伟
《海军工程大学学报》
CAS
北大核心
2022年第5期20-26,共7页
针对无人艇所搭载各单一传感器对环境精确感知的不足,提出了一种基于信息融合的船舶检测与跟踪算法,对无人艇导航雷达和相机进行多源信息融合。采用基于视觉图像的目标检测算法对船舶进行检测,获取目标类别信息,再利用导航雷达完成目标...
针对无人艇所搭载各单一传感器对环境精确感知的不足,提出了一种基于信息融合的船舶检测与跟踪算法,对无人艇导航雷达和相机进行多源信息融合。采用基于视觉图像的目标检测算法对船舶进行检测,获取目标类别信息,再利用导航雷达完成目标位置信息的检测,并将其投影到视觉图像上;通过信息融合规则将雷达与相机的信息进行融合,确定跟踪目标;采用Kalman滤波跟踪算法,完成对船舶目标进行有效跟踪。实验结果表明:基于视觉图像的目标检测算法的检测精度可达93.92%,融合算法的成功率可达87.5%,能够准确完成对目标船舶的位置、速度、类别等信息的检测,并进行目标跟踪。
展开更多
关键词
信息融合
目标检测
目标跟踪
在线阅读
下载PDF
职称材料
题名
基于概率推理的舷外有源诱饵干扰评估方法研究
1
作者
吴兆东
胡生亮
罗亚松
刘忠
夏家伟
机构
海军工程大学兵器工程学院
出处
《系统工程与电子技术》
EI
CSCD
北大核心
2024年第2期605-615,共11页
基金
国家自然科学基金(61601491)资助课题。
文摘
针对电子对抗的非合作性和传统干扰效能评估方法的主观性,围绕舷外有源诱饵,提出了一种基于概率推理的干扰有效性评估方法。首先,由导弹末段制导动态过程推导干扰有效性判据,从信号层面与态势层面分析非合作参数作用。然后,基于概率推理原理,构建干扰有效性推理模型,阐述了干扰有效性评估内容。最后,通过数值仿真分析了正向推理和反向推理结果,并对不同诱饵干扰策略进行评估。仿真结果表明,利用概率推理可从未知参数中得到干扰有效性判据的概率分布,为舷外有源诱饵提供了量化且可扩展的干扰评估框架。
关键词
电子对抗
舷外有源诱饵
概率推理
干扰有效性评估
Keywords
electronic countermeasures
outboard active decoy
probabilistic reasoning
jamming effectiveness evaluation
分类号
TN97 [电子电信—信号与信息处理]
在线阅读
下载PDF
职称材料
题名
基于多智能体强化学习的无人艇集群集结方法
被引量：
3
2
作者
夏家伟
刘志坤
朱旭芳
刘忠
机构
海军工程大学兵器工程学院
海军航空大学青岛校区
海军工程大学电子工程学院
出处
《北京航空航天大学学报》
EI
CAS
CSCD
北大核心
2023年第12期3365-3376,共12页
基金
中国博士后基金(2016T45686)
湖北省自然科学基金(2018CFC865)。
文摘
为解决数量不定的同构水面无人艇(USV)集群以期望队形协同集结的问题,提出一种基于多智能体强化学习(MARL)的分布式集群集结控制方法。针对USV通信感知能力约束,建立集群的动态交互图,通过引入二维网格状态特征编码的方法,构建维度不变的智能体观测空间;采用集中式训练和分布式执行的多智能体近端策略优化(MAPPO)强化学习架构,分别设计策略网络和价值网络的状态空间和动作空间,定义收益函数;构建编队集结仿真环境,经过训练,所提方法能有效收敛。仿真结果表明:所提方法在不同期望队形、不同集群数量和部分智能体失效等场景中,均能成功实现快速集结,其灵活性和鲁棒性得到验证。
关键词
无人艇
集群系统
多智能体强化学习
深度强化学习
集结方法
近端策略优化
Keywords
unmanned surface vehicles
swarm system
multi-agent reinforcement learning
deep reinforcement learning
rendezvous method
proximal policy optimization
分类号
U664.82 [交通运输工程—船舶及航道工程]
TP18 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
基于信息融合的无人艇船舶检测与跟踪
被引量：
4
3
作者
朱旭芳
黎奥丰
夏家伟
机构
海军工程大学电子工程学院
海军工程大学兵器工程学院
出处
《海军工程大学学报》
CAS
北大核心
2022年第5期20-26,共7页
基金
中国博士后科学基金资助项目(45686)
湖北省自然科学基金资助项目(2018CFC865)。
文摘
针对无人艇所搭载各单一传感器对环境精确感知的不足,提出了一种基于信息融合的船舶检测与跟踪算法,对无人艇导航雷达和相机进行多源信息融合。采用基于视觉图像的目标检测算法对船舶进行检测,获取目标类别信息,再利用导航雷达完成目标位置信息的检测,并将其投影到视觉图像上;通过信息融合规则将雷达与相机的信息进行融合,确定跟踪目标;采用Kalman滤波跟踪算法,完成对船舶目标进行有效跟踪。实验结果表明:基于视觉图像的目标检测算法的检测精度可达93.92%,融合算法的成功率可达87.5%,能够准确完成对目标船舶的位置、速度、类别等信息的检测,并进行目标跟踪。
关键词
信息融合
目标检测
目标跟踪
Keywords
information fusion
target detection
target tracking
分类号
TP212.9 [自动化与计算机技术—检测技术与自动化装置]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于概率推理的舷外有源诱饵干扰评估方法研究
吴兆东
胡生亮
罗亚松
刘忠
夏家伟
《系统工程与电子技术》
EI
CSCD
北大核心
2024
0
在线阅读
下载PDF
职称材料
2
基于多智能体强化学习的无人艇集群集结方法
夏家伟
刘志坤
朱旭芳
刘忠
《北京航空航天大学学报》
EI
CAS
CSCD
北大核心
2023
3
在线阅读
下载PDF
职称材料
3
基于信息融合的无人艇船舶检测与跟踪
朱旭芳
黎奥丰
夏家伟
《海军工程大学学报》
CAS
北大核心
2022
4
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
