Predicting the terminal ballistics of kinetic energy projectiles using artificial neural networks

دسته بندی: تجهیزات نظامی: سلاح
ویرایش:  
نویسندگان: Auten John R.,  Hammell Robert J.  
سری:  
 
ناشر:  
سال نشر:  
تعداد صفحات: 10 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 494 کیلوبایت 

قیمت کتاب (تومان) : 34,000

سن آنتونیو، تگزاس، ایالات متحده: مجموعه مقالات کنفرانس تحقیقات کاربردی سیستم های اطلاعات، 2013. – 10 ص. ارتش ایالات متحده به ارزیابی سلاح و وسیله نقلیه جدید نیاز دارد. سیستم‌ها از طریق استفاده از آزمایش‌های تجربی و مدل‌سازی و شبیه‌سازی آسیب‌پذیری/کشندگی. روش‌های مدل‌سازی و شبیه‌سازی فعلی که مورد استفاده قرار می‌گیرند اغلب به زمان و تخصص موضوعی قابل توجهی نیاز دارند. این بدان معناست که نمی توان نتایج سریعی را برای مقابله با تهدیدات جدیدی که در تئاتر با آن مواجه می شود ارائه کرد. اخیراً تمرکز فزاینده ای بر نتایج سریع برای مدل سازی و تلاش های شبیه سازی شده است که می تواند نتایج دقیقی را نیز ارائه دهد. مدل‌سازی دقیق نفوذ و خواص باقی‌مانده یک تهدید بالستیک هنگام پیشروی آن از طریق یک هدف، بخش بسیار مهمی در تعیین اثربخشی تهدید علیه آن هدف است. این مقاله کاربرد شبکه‌های عصبی مصنوعی را برای پیش‌بینی بالستیک پایانی پرتابه‌های انرژی جنبشی پیشنهاد می‌کند. با تغییر پیچیدگی محاسباتی مسئله به فاز برازش (رگرسیون) الگوریتم، سرعت الگوریتم در طول تجزیه و تحلیل در مقایسه با سایر مدل‌های بالستیک پایانی برای پرتابه‌های انرژی جنبشی بهبود می‌یابد. بهبود در زمان تجزیه و تحلیل کلی نیز می تواند با حذف نیاز به آماده سازی ورودی توسط متخصص موضوع قبل از استفاده از الگوریتم برای تجزیه و تحلیل تحقق یابد.

San Antonio, Texas, USA: Proceedings of the conference for information systems applied research, 2013. – 10 p. The U.S. Army requires the evaluation of new weapon and vehicle systems through the use of experimental testing and vulnerability/lethality modeling & simulation. The current modeling and simulation methods being utilized often require significant amounts of time and subject matter expertise. This means that quick results cannot be provided to address new threats encountered in theatre. Recently, there has been an increased focus on rapid results for modeling and simulation efforts that can also provide accurate results. Accurately modeling the penetration and residual properties of a ballistic threat as it progresses through a target is an extremely important part of determining the effectiveness of the threat against that target. This paper proposes the application of artificial neural networks to the prediction of the terminal ballistics of kinetic energy projectiles. By shifting the computational complexity of the problem to the fitting (regression) phase of the algorithm, the speed of the algorithm during an analysis is improved when compared to other terminal ballistic models for kinetic energy projectiles. An improvement in overall analysis time can also be realized by removing the need for input preparation by a subject matter expert prior to using the algorithm for an analysis.