本研究利用来自超视距（BVR）空战“构造仿真”的可靠数据，对比多种监督机器学习方法，以估计导弹最具效费比的发射时机。我们引入重采样技术以改进预测模型，结果显示：基于决策树的模型表现出色，而其他算法则呈现明显敏感性。在是否采用重采样技术两种情形下，模型取得的最佳 F1 值分别为 0.379 与 0.465，相当于提升 22.69%，且推理耗时处于可接受范围。因此，在需要时，重采样技术可在准确率与精确率轻微下降的代价下，换取召回率与 F1 值的改善。综上，借助构造仿真所得数据，可构建基于机器学习模型的决策支持工具，从而优化超视距空战飞行品质并提升针对特定目标的进攻任务有效性。
本文后续结构安排如下：第 2 节给出所模拟的 BVR 空战场景定义；第 3 节阐述本文提出的、利用机器学习模型估计最佳发射时机的整套方法；第 4 节展示机器学习模型应用后的结果分析；第 5 节给出本文结论并展望未来工作方向。
·点击左下角“阅读原文”或复制以下网址查阅
https://www.zhuanzhiai.com/vip/87321f2f07ea9e9007b1bc4aa5ee4957
