基于人工智能的拦截弹拦截目标快速辨识方法

1.本发明涉及一种基于人工智能的拦截弹拦截目标快速辨识方法，属于制导控制领域。


背景技术：

2.在实际集群对抗环境下，会出现大量拦截弹对飞行器集群进行拦截的情况，为提高飞行器的生存能力，需要确定拦截弹的拦截目标，以实现针对性的闪避。
3.传统的拦截弹攻击目标辨识方法大多是基于卡尔曼滤波(kalman filter,kf)方法进行，这类方法是基于预测-校正思想的。
4.为了能够对敌方的攻击模型进行准确建立，进而预测拦截弹下一步的行动，拦截弹的关键特征参数，例如拦截弹弹速度、拦截弹速度方向，必须要准确获取。这在复杂空战博弈环境下是难易实现的。在卡尔曼滤波中，为解决这个问题，通常是将信息真值与估计值之间的差异视为一个较大的过程噪声，但这种处理方法容易导致辨识模型不收敛。且卡尔曼滤波方法对获取信息的连续性要求高，使工程应用价值大打折扣，同时，也限制了我方飞行器的机动性。
5.随着人工智能技术的发展，已有研究提出采用神经网络对拦截弹拦截目标进行的辨识，相比于卡尔曼滤波法，神经网络的方法在在线辨识速度和泛化能力方面有了显著提高，然而传统的神经网络因其低可解释性和易受到噪声干扰而被诟病。神经网络对抗噪声的主要方式是通过数据输入网络前的降噪处理，以及靠模型自身的被动抗噪声能力。而在激烈的集群博弈场景中，数据测量是很难保证完全准确地，通常会受到噪声污染，模型的输出在这种情况下会有较大的波动，这会给后续决策带来困难。
6.此外，现有的通过神经网络辨识拦截目标的方法，缺乏灵活性，在集群对抗条件下，拦截弹数量和飞行器数量是不确定的，为了实现训练有效性，在神经网络训练及使用时，需要预先设置拦截弹和飞行器数量，当实际飞行器数量小于预设数量时，需要对空缺飞行器位置进行补零；当拦截弹数量大于预设数量时，需要进行分批计算，前一种情况会极大浪费计算资源，后一种情况会导致重复计算以及辨识精度降低。
7.因此，有必要对拦截弹攻击目标辨识进一步研究，以解决上述问题。


技术实现要素：

8.为了克服上述问题，本发明人进行了深入研究，设计出一种基于人工智能的拦截弹拦截目标快速辨识方法，包括以下步骤：
9.s1、采用神经网络获取当前时刻每个拦截弹对飞行器的拦截概率，作为初步辨识结果；
10.s2、对一段时间内的初步辨识结果进行信息融合，辨识出拦截弹的拦截目标。
11.进一步地，s1中包括以下子步骤：
12.s11、建立模拟器，通过模拟器获取训练样本；
13.s12、构建神经网络，通过训练样本对神经网络进行训练，获得辨识模型；
14.s13、将辨识模型搭载至飞行器上，通过辨识模型获取当前时刻每个拦截弹对飞行器的拦截概率。
15.进一步地，在s11中，所述模拟器中设置有多个拦截弹和多个飞行器，通过模拟器模拟拦截弹拦截飞行器过程，从中提取拦截弹与飞行器的运动学信息。
16.在一个优选的实施方式中，在所述模拟器中，拦截弹与飞行器之间的相对距离变化率表示为：
[0017][0018]
拦截弹与飞行器之间的相对加速度表示为：
[0019][0020]
其中，i表示不同的拦截弹，j表示不同的飞行器，ρ
ij
表示第i个拦截弹与第j个飞行器之间的相对距离；v
a,i
表示第i个拦截弹的速度，v
t,j
表示第j个飞行器的速度；γ
a,i
表示第i个拦截弹的航向角，γ
t,j
表示第j个飞行器的航向角；λ
ij
表示第i个拦截弹与第j个飞行器之间的相对速度。
[0021]
在一个优选的实施方式中，在所述模拟器中，拦截弹采用比例导引制导律，其制导指令为
[0022][0023][0024]
其中，u
a,i
表示第i个拦截弹的法向加速度指令，n为制导参数，n表示飞行器的数量，ti表示第i个拦截弹的拦截目标。
[0025]
在一个优选的实施方式中，在所述模拟器中，在拦截弹与飞行器之间相对距离、相对角度中增加高斯白噪声的干扰，以模拟实际测量情况。
[0026]
在一个优选的实施方式中，s12中，所述神经网络为gru网络。
[0027]
在一个优选的实施方式中，神经网络的输出层采用softmax作为激活函数输出拦截弹对飞行器的拦截概率，表示为：
[0028][0029][0030]
p1(t∣t)+p2(t∣t)＝1
[0031]
其中，p1(t∣t)表示神经网络在当前时刻输出的当前拦截弹拦截该飞行器的概率，p2(t|t)代表神经网络在当前时刻输出的当前拦截弹不拦截该飞行器的概率，o1(t)表示神经网络输出层第一个神经元的输出值，o2(t)表示神经网络输出层第二个神经元的输出值，o(t)＝[o1(t),o2(t)]
t
。
[0032]
在一个优选的实施方式中，s13中，由飞行器上搭载的传感器实时测量获得每个拦截弹与飞行器的运动学信息，将每个拦截弹与飞行器的运动学信息分别输入辨识模型，通过辨识模型输出当前时刻不同拦截弹对飞行器的拦截概率，将获得的拦截概率作为初步辨识结果。
[0033]
在一个优选的实施方式中，s2中，通过设置时间权重将不同时间的初步辨识结果进行融合。
[0034]
本发明所具有的有益效果包括：
[0035]
(1)根据本发明提供的基于人工智能的拦截弹拦截目标快速辨识方法，辨识精度高，受噪声影响小；
[0036]
(2)根据本发明提供的基于人工智能的拦截弹拦截目标快速辨识方法，灵活性高，能够适应不同数量的拦截弹以及飞行器，且对机载计算机性能要求低。
附图说明
[0037]
图1示出根据本发明一种优选实施方式的基于人工智能的拦截弹拦截目标快速辨识方法流程示意图；
[0038]
图2示出实施例1中辨识模型训练过程示意图；
[0039]
图3示出实施例1中辨识结果示意图。
具体实施方式
[0040]
下面通过附图和实施例对本发明进一步详细说明。通过这些说明，本发明的特点和优点将变得更为清楚明确。
[0041]
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
[0042]
根据本发明提供的一种基于人工智能的拦截弹拦截目标快速辨识方法，如图1所示，包括以下步骤：
[0043]
s1、采用神经网络获取当前时刻每个拦截弹对飞行器的拦截概率，作为初步辨识结果；
[0044]
s2、对一段时间内的初步辨识结果进行信息融合，辨识出拦截弹的拦截目标。
[0045]
不同于现有技术中大都直接通过神经网络获取拦截弹的攻击目标，发明人发现，如果直接采用神经网络来示出拦截弹的拦截目标分配的话，会出现较多问题，灵活性、精确度较差，且对运算效能要求较高，需要搭配高性能机载计算机。因为在集群对抗条件下，拦截弹的数量和飞行器数量是不确定的，在神经网络训练时，需要预先设置拦截弹及飞行器数量，当实际拦截弹或飞行器数量小于预设数量时，需要对空缺拦截弹或飞行器位置进行补零，这种情况会极大浪费计算资源；当拦截弹数量大于预设数量时，需要进行分批计算，
会导致重复计算以及辨识精度降低。
[0046]
在本发明中，将获取拦截弹的拦截目标过程分为两个阶段，在s1中，采用神经网络获取当前时刻每个拦截弹对飞行器的拦截概率，实现拦截弹与飞行器的配对。当拦截弹对飞行器的拦截概率大于预设值时，认为拦截弹与飞行器配对；否则认为不配对。
[0047]
通过神经网络获取拦截概率，而不是直接输出拦截目标，有利于实现分布式计算，最大限度利用每个飞行器上的计算能力，从而降低飞行器上机载计算机的性能要求。
[0048]
进一步地，s 1中包括以下子步骤：
[0049]
s11、建立模拟器，通过模拟器获取训练样本；
[0050]
s12、构建神经网络，通过训练样本对神经网络进行训练，获得辨识模型；
[0051]
s13、将辨识模型搭载至飞行器上，通过辨识模型获取当前时刻每个拦截弹对飞行器的拦截概率。
[0052]
在s11中，所述模拟器中设置有多个拦截弹和多个飞行器，分别令每个拦截弹与飞行器配对，通过模拟器模拟拦截弹拦截飞行器过程，从中提取拦截弹与飞行器的运动学信息，
[0053]
进一步地，针对任一个飞行器，将每一个拦截弹与该飞行器的运动学信息作为训练样本的输入，将每一个拦截弹的拦截目标是否为当前飞行器做为训练样本的标签，优选地，当拦截弹的拦截目标为该飞行器时，训练样本的标签为1，否则为0。
[0054]
根据本发明，拦截弹与飞行器的运动学信息包括：
[0055]
飞行器速度、拦截弹速度、拦截弹与飞行器之间的相对距离、拦截弹与飞行器之间的相对角度和飞行器加速度。
[0056]
在一个优选的实施方式中，在所述模拟器中，拦截弹与飞行器之间的相对距离变化率表示为：
[0057][0058]
拦截弹与飞行器之间的相对加速度表示为：
[0059][0060]
其中，i表示不同的拦截弹，j表示不同的飞行器，ρ
ij
表示第i个拦截弹与第j个飞行器之间的相对距离；v
a,i
表示第i个拦截弹的速度，v
t,j
表示第j个飞行器的速度；γ
a,i
表示第i个拦截弹的航向角，γ
t,j
表示第j个飞行器的航向角；λ
ij
表示第i个拦截弹与第j个飞行器之间的相对速度。
[0061]
在一个优选的实施方式中，在所述模拟器中，拦截弹采用比例导引制导律，其制导指令为
[0062]
[0063][0064]
其中，u
a,i
表示第i个拦截弹的法向加速度指令，n为制导参数，n表示飞行器的数量，ti表示第i个拦截弹的拦截目标。
[0065]
在一个优选的实施方式中，在所述模拟器中，在拦截弹与飞行器之间相对距离、相对角度中增加高斯白噪声的干扰，以模拟实际测量情况。
[0066]
在一个优选的实施方式中，在所述模拟器中，模拟开始阶段进行一次拦截弹与飞行器的配对，之后不再进行配对，即拦截弹的拦截目标不会发生变化。
[0067]
发明人发现，拦截弹的当前状态会受到其拦截目标状态变化的影响，拦截弹的拦截意图是通过一系列动作实现的，因此，s12中，从飞行器的角度来讲，想要对拦截的拦截目标及逆行辨识，辨识依据应为拦截弹在一段时间内的动作，即
[0068][0069]
其中，oi是第i个拦截弹对飞行器j的初步辨识结果；表示一段时间内飞行器j的运动学信息，表示一段时间内飞行器j观测到的拦截弹与飞行器之间相对距离和相对角度；(t1,tk)表示该段时间的长度。
[0070]
s12中，优选地，所述神经网络为gru网络，gru网络是在长短时记忆(lstm)网络基础上简化合并出的一种神经网络，已经广泛应用于时序预测领域，其能够在保证准确率的同时加快训练速度，解决了原始rnn网络在模型训练过程中存在的“梯度爆炸”或“梯度消失”问题。
[0071]
gru网络包括多个gru神经元，所述gru神经元包括：
[0072]
两个输入：上一时刻的神经元输出和上一层的神经元输出x
t
，用来传承上一时刻神经元的输出和接收上一层神经元的输出；
[0073]
两个门：重置门，用于计算之前的记忆需要保留多少；更新门，用于计算当前时刻的更新内容；
[0074]
一个状态：候选隐藏层状态用于计算当前时刻神经元内部状态；
[0075]
一个输出：最终输出h
t
，根据当前的输入和内部状态计算输出。
[0076]
tanh被设定为输入层的激活函数以将输入范围压缩到[-1,1]范围内，即
[0077]yt
＝tanh(wx
t
+b)
[0078]
在本发明中，上述gru神经元结构如本领域技术人员所知，对此没有特别限定。
[0079]
在本发明中，神经网络的输出层采用softmax作为激活函数输出拦截弹对飞行器的拦截概率，表示为：
[0080]
[0081][0082]
p1(t∣t)+p2(t∣t)＝1
[0083]
其中，p1(t∣t)表示神经网络在当前时刻输出的当前拦截弹拦截该飞行器的概率，p2(t|t)代表神经网络在当前时刻输出的当前拦截弹不拦截该飞行器的概率，o1(t)表示神经网络输出层第一个神经元的输出值，o2(t)表示神经网络输出层第二个神经元的输出值，o(t)＝[o1(t),o2(t)]
t
。
[0084]
其中，p1(t∣t)是神经网络输出的初步辨识结果，在其基础上，通过步骤s2，考虑一段时间内的神经网络输出辨识，按照时间权重加权得到的最终辨识结果。
[0085]
优选地，在神经网络中，输入数据前需将输入数据转化为区间相同的、无量纲的数值，即对其进行标准化和归一化处理，消除不同指标之间因属性不同而带来的影响，可以采用当前广泛应用的处理方法进行，例如最大最小线性变化、logistics/softmax变化、反正切函数变化、z-score规范化和对数变换等，更优选的，采用最大最小线性变化，将数据缩放到[0,1]区间内，表示为：。
[0086][0087]
其中，mina
x
为第x种属性的最小值，maxa
x
为该属性的最大值；a
xi
为处理前的原始数据，a'
xi
为处理后用于训练的数据。
[0088]
在一个优选的实施方式中，采用监督学习的方式对神经网络进行训练。
[0089]
在一个优选的实施方式中，基于adam算法对神经网络进行训练，该算法将momentum算法与rmsprop算法相结合，加入动量并使参数自适应训练，与bp算法相比，adam算法能够有效避免网络陷入局部最优点，加速网络收敛，提高算法鲁棒性，adam算法已在神经网络训练中广泛应用，具体地adam算法过程在本发明中不做赘述。
[0090]
在本发明中，网络训练中，仅适用了1v1配对的运动学数据(即飞行器被拦截弹拦截)，并不涉及集群对抗的数量。因此，能够灵活应对不同的集群数量，且构建训练集时候，只需要构建1v2的对抗模型(飞行器被拦截或飞行器未被拦截)即可。这是因为，所建立的神经网络仅适用了1v1(飞行器被拦截)的运动学数据，而1v2就已经能够包含被拦截和未被拦截两种情况。另一方面，在构建数据库时，应该尽可能多的包含不同场景，而在集群对抗中，随着集群规模的增加，其所产生的数据量会急剧增加，其所需的计算资源和计算时间也会增加。因此，为了在保证样本可靠地情况下，为了尽可能增加样本库泛化度、减小计算量和计算时间，在构建样本库时，只采用1v2模式。
[0091]
s13中，由飞行器上搭载的传感器实时测量获得每个拦截弹与飞行器的运动学信息，将每个拦截弹与飞行器的运动学信息分别输入辨识模型，通过辨识模型输出当前时刻不同拦截弹对飞行器的拦截概率，表示为p
ij
，将获得的拦截概率作为初步辨识结果。
[0092]
s2中，优选地，通过设置时间权重将不同时间的初步辨识结果进行融合。
[0093]
进一步优选地，越往后的时间对应的时间权重占比越大。
[0094]
进一步优选地，所述信息融合表示为：
[0095][0096]
其中，p
ij
(t
p
∣[t1,t
p
])为最终得到的第i个拦截弹拦截第j个飞行器的拦截概率，k
p
为时间权重系数，k
p
越大，代表后来得到的辨识结果的权重越大，p
ij
(t)表示t时刻第i个拦截弹拦截第j个飞行器的概率，即s1中获得的t时刻的初步辨识结果。
[0097]
实施例
[0098]
实施例1
[0099]
进行模型实验，包括以下步骤：
[0100]
s1、采用神经网络获取当前时刻每个拦截弹对飞行器的拦截概率，作为初步辨识结果；
[0101]
s2、对一段时间内的初步辨识结果进行信息融合，辨识出拦截弹的拦截目标；
[0102]
其中，s1中包括以下子步骤：
[0103]
s11、建立模拟器，通过模拟器获取训练样本；
[0104]
s12、构建神经网络，通过训练样本对神经网络进行训练，获得辨识模型；
[0105]
s13、通过辨识模型获取当前时刻每个拦截弹对飞行器的拦截概率。
[0106]
在s11中，所述模拟器中设置有多个拦截弹和多个飞行器，通过模拟器模拟拦截弹拦截飞行器过程，从中提取拦截弹与飞行器的运动学信息。
[0107]
在所述模拟器中，拦截弹与飞行器之间的相对距离变化率表示为：
[0108][0109]
拦截弹与飞行器之间的相对加速度表示为：
[0110][0111]
其中，i表示不同的拦截弹，j表示不同的飞行器，ρ
ij
表示第i个拦截弹与第j个飞行器之间的相对距离；v
a,i
表示第i个拦截弹的速度，v
t,j
表示第j个飞行器的速度；γ
a,i
表示第i个拦截弹的航向角，γ
t,j
表示第j个飞行器的航向角；λ
ij
表示第i个拦截弹与第j个飞行器之间的相对速度。
[0112]
在所述模拟器中，拦截弹采用比例导引制导律，其制导指令为
[0113][0114][0115]
在所述模拟器中，在拦截弹与飞行器之间相对距离、相对角度中增加高斯白噪声
的干扰，以模拟实际测量情况。
[0116]
s12中，所述神经网络为gru网络。
[0117]
神经网络的输出层采用softmax作为激活函数输出拦截弹对飞行器的拦截概率，表示为：
[0118][0119][0120]
p1(t∣t)+p2(t∣t)＝1
[0121]
s13中，由飞行器上搭载的传感器实时测量获得每个拦截弹与飞行器的运动学信息，将每个拦截弹与飞行器的运动学信息分别输入辨识模型，通过辨识模型输出当前时刻不同拦截弹对飞行器的拦截概率，将获得的拦截概率作为初步辨识结果。
[0122]
s2中，通过设置时间权重将不同时间的初步辨识结果进行融合，所述信息融合表示为：
[0123][0124]
其中，时间权重系数k
p
取值为4。
[0125]
进一步地，在模拟器中设置5个拦截弹、3个飞行器(编号u1～u3)，其中拦截弹与飞行器初始距离范围为[12,15]km，拦截弹制导律参数n范围为[3,5]，5个拦截弹的拦截目标分别为u1、u2、u3、u1、u2，进行仿真获得100000条轨迹模拟数据，选择其中的80000条作为训练集进行神经网络训练，其余的作为测试集。
[0126]
gru神经网络的隐含层数量为两层，隐含层神经元数量为96，训练过程中dropout率为50％，学习率为0.00125，训练过程如图2所示，从训练过程中可以看出，神经网络可以快速收敛，损失函数较低，且训练后辨识准确度较高。
[0127]
采用测试集中的轨迹数据作为飞行器的测量值，进而通过辨识模型获取当前时刻每个拦截弹对飞行器的拦截概率。
[0128]
对一段时间内的初步辨识结果进行信息融合后，最终辨识出拦截弹的拦截目标结果如图3所示，从图3可以看出，经过3-6秒即可获得较为准确的辨识结果，经过10秒后，辨识准确率能够大幅度提高，将辨识结果与测试集中的标签对比，辨识结果完全准确。
[0129]
在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”、“前”、“后”等指示的方位或位置关系为基于本发明工作状态下的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”、“第四”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0130]
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”“相
连”“连接”应作广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体的连接普通；可以是机械连接，也可以是电连接；可以是直接连接，也可以通过中间媒介间接连接，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0131]
以上结合了优选的实施方式对本发明进行了说明，不过这些实施方式仅是范例性的，仅起到说明性的作用。在此基础上，可以对本发明进行多种替换和改进，这些均落入本发明的保护范围内。

技术特征：
1.一种基于人工智能的拦截弹拦截目标快速辨识方法，其特征在于，包括以下步骤：s1、采用神经网络获取当前时刻每个拦截弹对飞行器的拦截概率，作为初步辨识结果；s2、对一段时间内的初步辨识结果进行信息融合，辨识出拦截弹的拦截目标。2.根据权利要求1所述的基于人工智能的拦截弹拦截目标快速辨识方法，其特征在于，s1中包括以下子步骤：s11、建立模拟器，通过模拟器获取训练样本；s12、构建神经网络，通过训练样本对神经网络进行训练，获得辨识模型；s13、将辨识模型搭载至飞行器上，通过辨识模型获取当前时刻每个拦截弹对飞行器的拦截概率。3.根据权利要求2所述的基于人工智能的拦截弹拦截目标快速辨识方法，其特征在于，在s11中，所述模拟器中设置有多个拦截弹和多个飞行器，通过模拟器模拟拦截弹拦截飞行器过程，从中提取拦截弹与飞行器的运动学信息。4.根据权利要求3所述的基于人工智能的拦截弹拦截目标快速辨识方法，其特征在于，在所述模拟器中，拦截弹与飞行器之间的相对距离变化率表示为：拦截弹与飞行器之间的相对加速度表示为：其中，i表示不同的拦截弹，j表示不同的飞行器，ρ
ij
表示第i个拦截弹与第j个飞行器之间的相对距离；v
a,i
表示第i个拦截弹的速度，v
t,j
表示第j个飞行器的速度；γ
a,i
表示第i个拦截弹的航向角，γ
t,j
表示第j个飞行器的航向角；λ
ij
表示第i个拦截弹与第j个飞行器之间的相对速度。5.根据权利要求3所述的基于人工智能的拦截弹拦截目标快速辨识方法，其特征在于，在所述模拟器中，拦截弹采用比例导引制导律，其制导指令为在所述模拟器中，拦截弹采用比例导引制导律，其制导指令为其中，u
a,i
表示第i个拦截弹的法向加速度指令，n为制导参数，n表示飞行器的数量，t
i
表示第i个拦截弹的拦截目标。6.根据权利要求3所述的基于人工智能的拦截弹拦截目标快速辨识方法，其特征在于，在所述模拟器中，在拦截弹与飞行器之间相对距离、相对角度中增加高斯白噪声的干扰，以模拟实际测量情况。7.根据权利要求2所述的基于人工智能的拦截弹拦截目标快速辨识方法，其特征在于，s12中，所述神经网络为gru网络。
8.根据权利要求2所述的基于人工智能的拦截弹拦截目标快速辨识方法，其特征在于，神经网络的输出层采用softmax作为激活函数输出拦截弹对飞行器的拦截概率，表示为：为：p1(t∣t)+p2(t∣t)＝1其中，p1(t∣t)表示神经网络在当前时刻输出的当前拦截弹拦截该飞行器的概率，p2(t|t)代表神经网络在当前时刻输出的当前拦截弹不拦截该飞行器的概率，o1(t)表示神经网络输出层第一个神经元的输出值，o2(t)表示神经网络输出层第二个神经元的输出值，o(t)＝[o1(t),o2(t)]
t
。9.根据权利要求2所述的基于人工智能的拦截弹拦截目标快速辨识方法，其特征在于，s13中，由飞行器上搭载的传感器实时测量获得每个拦截弹与飞行器的运动学信息，将每个拦截弹与飞行器的运动学信息分别输入辨识模型，通过辨识模型输出当前时刻不同拦截弹对飞行器的拦截概率，将获得的拦截概率作为初步辨识结果。10.根据权利要求1所述的基于人工智能的拦截弹拦截目标快速辨识方法，其特征在于，s2中，通过设置时间权重将不同时间的初步辨识结果进行融合。

技术总结
本发明公开了一种基于人工智能的拦截弹拦截目标快速辨识方法，包括以下步骤：采用神经网络获取当前时刻每个拦截弹对飞行器的拦截概率，作为初步辨识结果；对一段时间内的初步辨识结果进行信息融合，辨识出拦截弹的拦截目标。本发明公开的基于人工智能的拦截弹拦截目标快速辨识方法，辨识精度高，灵活性高，能够适应不同数量的拦截弹以及飞行器，且对机载计算机性能要求低。算机性能要求低。算机性能要求低。


技术研发人员：王江 王鹏 王因翰 范世鹏 侯淼
受保护的技术使用者：北京理工大学
技术研发日：2023.03.29
技术公布日：2023/7/21