Real-Time Surface-to-Air Missile Engagement Zone Prediction Using Simulation and Machine Learning

要約

地対空ミサイル (SAM) は、現代の防空システムにおいて極めて重要です。
それらの有効性の重要な側面は、SAM がターゲットを効果的に交戦し、無力化できる空間領域である交戦ゾーン (EZ) です。
特に、EZは本質的にミサイルの最大射程に関係している。
ミサイルが目標を迎撃できる最長距離を定義します。
この EZ の正確な計算は不可欠ですが、動的で複雑な要因が関係するため困難であり、従来のシミュレーション方法を使用すると、多くの場合、高い計算コストと処理時間の延長につながります。
これらの課題を踏まえ、私たちの研究では機械学習技術の可能性を調査し、機械学習とカスタム設計のシミュレーション ツールを統合して教師ありアルゴリズムをトレーニングするアプローチを提案しています。
事前に計算された SAM EZ シミュレーションの包括的なデータセットを活用し、モデルが新しい入力パラメーターに対して SAM EZ を正確に予測できるようにします。
SAM EZ シミュレーションを加速し、防空戦略計画を強化し、リアルタイムの洞察を提供して、SAM システムのパフォーマンスを向上させます。
この研究には、機械学習アルゴリズムの比較分析も含まれており、その機能とパフォーマンス指標を明らかにし、将来の研究分野を示唆し、SAM EZ シミュレーションにおける機械学習の変革の可能性を強調しています。

要約(オリジナル)

Surface-to-Air Missiles (SAMs) are crucial in modern air defense systems. A critical aspect of their effectiveness is the Engagement Zone (EZ), the spatial region within which a SAM can effectively engage and neutralize a target. Notably, the EZ is intrinsically related to the missile’s maximum range; it defines the furthest distance at which a missile can intercept a target. The accurate computation of this EZ is essential but challenging due to the dynamic and complex factors involved, which often lead to high computational costs and extended processing times when using conventional simulation methods. In light of these challenges, our study investigates the potential of machine learning techniques, proposing an approach that integrates machine learning with a custom-designed simulation tool to train supervised algorithms. We leverage a comprehensive dataset of pre-computed SAM EZ simulations, enabling our model to accurately predict the SAM EZ for new input parameters. It accelerates SAM EZ simulations, enhances air defense strategic planning, and provides real-time insights, improving SAM system performance. The study also includes a comparative analysis of machine learning algorithms, illuminating their capabilities and performance metrics and suggesting areas for future research, highlighting the transformative potential of machine learning in SAM EZ simulations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google