没有合适的资源?快使用搜索试试~ 我知道了~
一份小总结的文档
资源推荐
资源详情
资源评论
基本概念及内涵
弹药的智能化水平主要体现在目标自主识别、跟踪及毁伤, 完全依靠弹上
的控制系统独立完成作战任务,并且命中精度和抗干扰能力更强。 目前, 国内
外对精确制导弹药的研究主要集中在卫星、激光、雷达以及图像等几种模式。
其中,卫星制导精度依赖于目标的定位精度,激光制导需要前沿观察所在弹丸
工作末期给予激光指引,与雷达制导同属被动制导,易于被敌发现,而图像制
导利用图像传感器采集目标反射或辐射的可见光信息形成图像, 抗干扰能力强,
不易被目标发现, 通过充分挖掘图像中的信息实现目标的自主识别、定位和毁
伤。
在实际应用中,弹载制导平台面临着目标种类多,背景复杂、目标尺度变
化剧烈、干扰遮挡等现状,导致传统的信号处理算法失效,已有的算法很难适
用上述情况,识别目标能力提升遭遇瓶颈。相较于传统特征提取方法,人工智
能算法拥有更强大的特征学习和表征能力,对于处于对抗环境的弹载制导平台
目标识别问题有很好的应用前景。而人工智能算法在完成数据积累和算法训练
后,如何将训练好的网络快速部署在对功耗和体积都有严格要求的弹载制导平
台上,将成为人工智能技术在军事领域落地的关键技术和瓶颈所在。
随着深度学习(Deep Learning, DL)算法被应用到社会的各行各业, 卷积神经
网络(Convolution NeuralNetwork, CNN)突破传统人工挖掘图像特征导致目标识
别准确率低的瓶颈,通过多隐层的网络结构,良好的数据集训练,深度挖掘图
像的特征信息,大幅度提升了目标识别的准确率。随后,各种基于 CNN 的改
进模型被不断提出,在提升目标识别准确率的同时网络层次逐步加深,这也对
计算平台的计算、 存储以及功耗提出了更高要求。 弹丸内部空间小、作用时间
短, 嵌入式硬件平台的处理速度成为制约深度学习算法向弹载平台部署的关键
因素。为此, 需要在深度学习算法和硬件异构平台加速两个方面进行研究, 满
足弹载图像目标检测实时性的要求, 推动图像制导弹药的智能化发展。
然而, 卷积神经网络在生物学上是不精确的,缺少神经内部的动力学机制,不
能较准确地模仿生物大脑神经元的运作机制。近年来,起源于脑科学的脉冲神经
网络(spiking neuralnetwork, SNN)被誉为新一代的神经网络,以其丰富的时空领
域的神经动力学特性、多样的编码机制、事件驱动的优势引起了学者的关注。
与此同时,脉冲神经网络的发展使得当前以脑科学成果为基础和启发,我们提出
“人工通用智能”算法作为弹载目标识别问题新的解决方案,解决 ANN 算法无法
解决的低功耗和低数据率等问题。
军事需求及科学意义
深度学习未得到广泛应用之前,图像制导弹药主要利用手工特征提取,图像
模板匹配等方法对目标进行识别检测, 依赖人的先验知识,不能从本质上刻画
图像的特征,识别准确率低,检测速度慢;而未来作战样式复杂多变,非接触、
突发性战争成为主要特点,战争爆发后指挥员可能并不明确敌目标的主要特征,
很难做到制导弹药的准确识别和精确打击,传统意义上的图像制导弹药会更依
赖于人的主观判断识别目标,在瞬息万变的战场环境下可能错失最佳攻击时间。
深度学习模型具有强大的表征和建模能力,通过监督或者非监督的学习方式进
行训练,逐层、自动的学习目标的特征表示,通过将底层特征抽象形成高层特
征, 实现待检测目标本质的描述。利用前期学习到的各种目标特征信息, 弹载
处理器对采集到的图像进行深度挖掘、推理与融合,判断目标类别、位置,自
主控制弹丸命中目标,实现“感知-判断-决策-行动” 的新型作战样式,自主完成
侦察与打击任务,如图所示。
由图看出,传统图像制导弹药将采集的图像信息回传至地面站进行处理,
严重依赖于人的先验知识,并且对未知、不确定目标往往做不到首发命中。此
外, 弹丸作用时间短,任务不可逆,数据量庞大的图像信息回传至地面站处理
过程中存在较大时延, 不能满足系统实时性要求; 而智能图像制导弹药极大释
放人的作用,利用学习到的目标特征自主完成识别打击任务,仅需要指挥员对
弹药决策信息进行辅助修正,降低误判率。由于整个处理过程在弹载平台自主
实现,降低了数据传输对带宽的压力,大大降低系统延迟,增强制导弹药的响
应时间。
剩余25页未读,继续阅读
资源评论
dx0014
- 粉丝: 51
- 资源: 5
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功