应用智能控制提高火控技术进步的相关思考

摘 要：随着现代化科学技术的进步与发展，智能控制技术逐渐渗透在各个领域，如现代火控系统的基础和数学控制则是从现代控制理论中演而来。近年来我国工业领域和计算机技术发展迅速，有利推动了现代控制理论的发展，在多个控制方向上取得了明显的进步。其中智能控制属于最受关注的控制科学技术。本文主要分析了智能控制的理论概述及方法研究，阐述了智能控制人工神经元网络的应用，并针对智能控制促进火控技术进步的思考进行了研究和探讨。

关键词：智能控制；火控技术；思考方向

现代控制逐渐向综合性科学技术方向发展，如非线性控制、随机控制等，且加大了对其他学科领域的渗透和吸收。现代控制理论主要是以线性代数和微分方程作为数据控制，针对控制系统进行分析与设计[1]。在全新思想的推动下，如今智能控制越来越受到重视，进一步实现了火控系统技术的推动发展。尤其是随着指挥与控制系统工程学科的成立，火控系统成为该学科的重要内容。

1 智能控制的理论概述及方法研究

智能控制主要是指自动控制与运筹，包含计算智能、人工智能等结合，能够满足模拟人一定智能和经验，实现识别、推理、决策和执行等[2]。近年来我国各项先进的科学技术发展较快，并在多个领域逐渐实现智能控制系统，但由于武器火控系统等比较复杂，且存在非线性、时变性和不确定性等，难以对其进行精确数学模型的建立，因此通过联合人工智能、计算智能和控制理论，可以确保在进行控制系统的设计时，对被控对象的数学模型要求不高，能够直接根据设计人员的专业知识，促使被控对象达到预期目的。智能控制理论将专家系统、神经网络、遗传算法优化等作为基础，属于人工智能与控制理论的结合，即智能控制需要依据计算机和数值方法实现各项功能。

虽然如今已经有很多领域应用智能控制系统，但发展还不够完善，然而价值已经逐渐凸显出来，可以判断智能控制进一步发展，将会给控制科学与工程学科带来革命性的进步。依据中国科学技术出版社相关报告，控制理论发展主要分为调节原理代表、状态空间代表和智能控制代表等三个阶段[3]。智能控制的发展方向主要有人工神经元网络发展方向，主要表现为收敛性、稳定性等；模糊逻辑与模糊控制发展方向，其具有高度可行性和合理性，尤其是在复杂系统与行为中，优势比精确控制更加明显；学习控制发展方向，主要应用在生物与工程的应用研究中。

2 智能控制人工神经元网络的应用

人工神经元网络是体现智能控制发展的重要依据，属于近年来高速发展的边缘学科，属于复杂生物神经网络研究基础上的新型技术。人工神经元网络主要是由适应性简单单元组成的并行互连网络，实现满足模拟人类大脑活动，大规模并行处理和自训练学习、容错能力等能力。人工神经元网络为建模系统的输入输出提供刻画方法，具有重要的价值，如今其已经发展出几十种网络，其中应用比较广泛且发展比较成熟的为反向传播网络和径向基网络，均为前向型网络。其他网络则因为各种原因，限制了应用[4]。反向网络作为多层前馈神经网络，能够模拟任意复杂的非线性映射，且应用空间较大，但精确无法与径向基网络相比。径向基神经网络具有全局最佳逼近的能力，包含输入层、隐含层和输出层，其中输入层主要为信号源节点，隐含层为非负非线性数，输出层则为线性。

3 智能控制促进火控技术进步的思考

3.1 火控技术的知识结构和层次

指挥与控制学科体系下火控技术知识结构主要分为三个层次，即系统知识层、控制知识层和基础知识层。其中系统知识层有包含指挥与系统工程、复杂系统、运动控制系统、管理信息系统、人机系统等。控制知识层包含控制与智能、网络与通信、计算与处理、执行与驱动、传感与检测、对象与建模等。基础知识层则包含数理基础、机电一体化基础、计算机基础、数学、力学、物理、化学、生命科学、计算机原理、军事学、电工电子基础、微机原理等。

3.2 智能控制与火控技术的关系

随着我国工业化水平和新计划技术的发展，推动了控制科学的创新，实现全新控制理论和全新控制方法在火控系统中的应用[5]。智能控制对于不同层次的控制采用不同的控制方法，即低层次控制采用常规控制器，而高层次控制则利用具备在线学习、修正、组织、规划等能力的控制器，通过模拟人类思维和经验进行求解过程的引导。将智能控制引导到火控系统中，则为智能火控。

此外复杂系统控制的理论和方法对火控系统的进步有一定的价值，如混杂与切换系统、多自主体的涌现等。通过研究复杂控制系统的涌现现象，如自组织与趋同性，可以在机器人协作、飞行器队列控制中得到应用。

3.3 智能控制在火控系统中的应用

在当前的火控系统中，主要采用射表逼近法进行解算，如非标准弹道方程结算、气象条件修正量的弹道方程解算等，即需要依据相应的情况建立多个射表，造成降低解算精确和毁伤概率的降低。如果运算量过大，还会出现实时性的问题。因此为了能够有效提高解算精度，可以通过设计RBF网络进行解算。在RBF网络中输出层和隐含层的任务不同，学习策略也存在不同，其中输出层采用线性优化策略，隐含层采用非线性优化策略，学习速度相对较慢。通过随机选取中心学习方法，利用最小二乘原则，结合样本信号进行隐含层参数和输出层参数的校正，有效提高网络的精度。

4 结束语

综上所述，随着科学技术的繁荣发展，传统自然科学学科的深入研究，学科之间的相互渗透性越来越强，很容边缘学科和交叉学科逐渐涌入人们的视野。随着自动化技术、指挥与控制系统的发展，智能控制受到重视，将其应用在火控技术中，能够进一步推动火控技术的进步。

参考文献

[1]马玲.科技打造精准火控 创新铸就坚固国防――记何梁何利科技创新奖获得者、中国指挥与控制学会秘书长秦继荣[J].海峡科技与产业，2014，05：100-103.

[2]寇英信，李战武，陈哨东，周德云.火控系统在航空作战中的作用――作战飞机之“魂”[J].电光与控制，2013，12：1-5.

[3]陆君，吕彤光.光电探测技术在火控系统中的应用及发展[J].红外与激光工程，2012，04：1047-1051.

[4]韩洋，常天庆，刘水泉.半自主式火控系统Petri网建模与作战效能[J].火力与指挥控制，2012，05：159-163.

[5]韩洋，张金艳，李泽正，刘巍.基于实时递阶控制的智能坦克火控系统结构分析[J].装甲兵工程学院学报，2010，05：63-67.