测量的分析一个无人机使用模拟的有效性

文摘

作为无人机(无人机)生产和运营成本低于载人飞机,它是广泛使用的和高效的,它已经被许多发展中国家。其战术价值高度评价军事领域的ISR(情报、监视和侦察)操作。申请M&S的收购,前面的方法来测量的有效性武器系统像一个无人机显示包含主观和定性因素的局限性。所以,新的测量方法使用模拟表演的武器系统输入作战环境和操作的概念是必要的。本研究旨在开发一种新的方法用于测量和分析了无人机的有效性。为了决定因素评估有效性、文学评论、专家的访谈,调查和因素进行了分析。雷竞技苹果下载与所选择的因素,模拟组织的实验设计。与发达模拟、西红柿(有效性的措施)是根据无人机的有效性。此外,为更好的无人机的有效性得到有意义的结果通过多元线性回归分析和结构方程建模。作为分析的结果应用于改进的场景中,大约29%增加的经营效能仿真所示。

关键字

无人机,测量的有效性,仿真分析、MOE(有效性的措施),因子分析、多元线性回归、结构方程建模。

介绍

无人机的定义是一个动力,不携带人类操作员的飞行器,使用空气动力来提供车辆,能够自主飞行,也可以是远程驾驶,可以一次性或可恢复的,,可以携带致命或非致命的有效载荷(美国国防部字典,2010)。是最近作为无人机(无人驾驶飞机系统)的基础上,承认需要的总系统由无人驾驶飞机,有效载荷,人为因素,控制元素,武器系统平台、显示、通信架构、物流、生命周期和支持的士兵在各种使用的话,无人机(无人机和无人飞行器),RMS(远程载人系统),以下(遥控车),RCS(远程控制系统),无人驾驶飞机和飞行机器人(美国国防部,2010)。

随着无人机生产和运营成本低于载人飞行器和广泛使用的和有效的,它已被许多发达国家。其战术价值高度评价军事领域的ISR(情报、监视和侦察)任务1]。武器系统的效能分析研究为开发更高效的武器在国防部,以及各种方法量化主观概念,如机动,火、生存能力和C4I得到研究和应用。例如,有方法使用魏(武器效能指数)和WUV(加权单位价值),但他们显示包含主观和定性因素的局限性2]。为了避免这些限制,几种方法量化了,玛莎百货使用模拟测量性能的武器系统输入作战环境和操作概念被广泛利用。新方法使用需要M&S获取武器系统作为“采集系统应用M&S的指导”成为法律9月,2010年。

无人机使用的“3 d”任务,因为“无人驾驶”的特点。“3 d”的缩写,“乏味,肮脏,危险”。例如,无人机经营长期监视和侦察任务“迟钝”的任务,空气污染下的观测和数据收集任务由于化学或放射性“脏”任务和ISR(情报、监视和侦察)和看见(压制敌人的防空系统)操作在敌人的主导区域作为“危险”任务。无人机系统,已经充分证明了“3 d”任务中的作用逐渐取代有人驾驶飞机的任务区域(3]。自第一无人机已经成功地与美国军队和民用工程师共同实验的军事基地,在1914年爱荷华州机械设备车辆,它不断扩大面积的利用率,需要一个无人机的发展科技(4]。无人机在军事,证明了其有效性,战场上的“眼睛”通过几个战争像黎巴嫩(1982),科索沃(1999),阿富汗(2001年)、伊拉克(2003)(5]。为民用目的,它的潜力和直接要求存在于各种领域的科学测量,监测非法活动,野生动物监测/保护海上任务和利用卫星替代品包括农业支持。它被用作实际。

国防M&S的定义(建模与仿真)是相关模型、工具和所有活动为了解决国防相关问题的科学分析(重击,2009)。M&S的利用率是强调最近,玛莎百货的应用广泛用于武器系统采集、模拟游戏训练和作战能力分析。在未来,这将是有效的决策工具[6]。M&S的概念作为SBA(基于仿真的采办),模拟下套管设计、智能(收购仿真与建模,需求和培训),步骤(基于仿真测试和评估程序)和作战实验(7]。根据合法化”向采集系统应用M&S的指导,”玛莎百货在采集系统的应用是有义务的。SBA(基于仿真的采办)是积极的在这种情况下发展起来的。SBA是科学和系统的收购活动进行了仿真分析和验证使用DM&S方法或工具槽武器系统的整个生命周期。预期的效果是风险管理,优化性能,减少的成本和时间8]。采集系统应用M&S的SBA概念,广泛使用的指标是MOE(措施的有效性)。MOE的定性或定量测量的性能模型或仿真或特征表明,在很大程度上,它执行任务或满足业务目标或要求在指定的条件下(国防部建模与仿真办公室在线M&S术语表,2005)。

作为评估仿真工具和分析方法的列表,每个研究使用不同的工具和分析方法根据自己的目的。仿真工具,法力(地图意识到非均匀自动机)多次在国际研究使用基于代理模型。并没有任何重大的国内模型的仿真模型。几个模型系统动力学模型和领域模型用于自己的目的的研究。为分析工具,使用多元线性回归多次在国际和国内的研究。为了为我们的无人机应用仿真模型,该仿真模型可以反映朝鲜战争需要像一个地形和天气条件。先前的研究中使用的仿真模型是由外国军事或公司。这些仿真模型应该存在一些限制。先进的分析方法需要分析仿真数据。在先前的研究,他们认为每个属性的影响MOE由于分析方法的能力。 Even though Multiple Linear regression is a useful and effective statistical method to analyze the effectiveness, it cannot consider how the patterns grouped by similar attributes affect the effectiveness of an UAV. So, simulation tool reflected Korean warfare condition and advanced analytic method which can measure the factor’s effectiveness should be developed for improving of a methodology to measure and analyze the MOE of an UAV. Therefore, the purpose of this paper is to develop a new methodology for measuring and analyzing an UAV operating effectiveness, which is required for developing a future essential Army Tactical UAV. Factors of quantifying UAV operating effectiveness were selected from previous studies, the model for assessing operating effectiveness was set, the UAV operating effectiveness was analyzed by simulation, and finally meaningful conclusions were drawn.

研究方法

框架

为了测量和分析无人机的MOE,方法是开发的程序(图1)。程序除以3的步骤——因素选择、仿真和数据分析和验证。在步骤1中,属性是确定的文学评论和专家的采访。雷竞技苹果下载然后,MOE因素决定的因素分析通过使用MOE属性了先前的程序。在步骤2中,通过实验进行了仿真设计使用教育部决定因素和数据分析是由先进的统计方法多元线性回归和结构方程建模使用模拟数据。在步骤3中,验证是由以前的场景和改进场景之间的比较结果用数据分析的结果。

因素选择

识别教育部属性

有许多属性影响无人机的先前的研究中使用的有效性。许多属性也被用来衡量一个无人机的有效性。在美国军队,他们强调的无人机领域从DOT&E的角度测试已被证明有问题在过去的无人机作战测试。掌握这些知识,他们坚持“价值的信息”,“及时性”、“图像质量”、“探测、分类、识别条件”,“目标位置误差标准”和“生存能力标准”无人机的有效性的主要因素9]。但是我们需要的属性调整朝鲜战争条件(地形、天气等),暗示自己的无人机的发展过程。有几个研究测量和分析一个无人机使用模拟的有效性。从这些研究28属性提取如下(表1)来识别属性影响无人机的MOE (10- - - - - -17]。这些属性可以是教育部的池测量的因素。通过选择过程概念分析和专家访谈那些可以提取并添加找到必要的属性影响无人机的有效性。

表1:文献综述的摘要莫的无人机。

教育部确定的因素

为了确定使用教育部因素实验设计,可以进行因子分析。探索性因素分析(脂肪酸)通常被用来发现的因素结构测量和检查其内部的可靠性。电弧炉经常被推荐当研究人员没有假设的本质的潜在因子结构措施。探索性因素分析有三个基本决策点(1)决定因素的数量,选择提取方法(2),(3)选择一个旋转方法(金&米勒,1978)。使用选定的属性选择过程的调查研究人员和操作员的无人机可以提取进行毫无意义的属性和选择的因素来解释无人机的属性。毫无意义的属性提取的提取和因子负荷因子分析的结果。和属性显示正则模式由团体和重命名的因素来表示属性的因素。

仿真和数据分析

仿真:模拟是一个工具来评估系统的性能现有或拟议的不同配置下感兴趣的和长期的时间。使用现有系统改变或一个新系统之前建立减少失败的可能性,以满足规范,消除不可预见的瓶颈,为了防止下或过度使用资源,并优化系统性能(18]。模拟是进行无人机的数据通过使用属性导致的因素分析。

之前进行模拟,设计实验是必要的。一个实验设计的过程中发挥着不可或缺的作用进行的仿真研究。首先应该设置的变化因素。仿真可能使用的因素。每一个因素都可以设置为两个或更多属性。一个设计点由规范的每个因素的研究。有很多参数的仿真模型可以多种多样的探索对性能的影响。由于计算的局限性,这些参数的一个子集,这是被认为是最有可能造成重大影响选择的西红柿,选择作为实验设计的因素。然后确定这些因素的合理范围。目前代理的功能扩展到确定最大范围的因素(19]。

其次,选择实验水平和点应设置最小和最大水平。这些因素形成实验地区的框架。探讨主效应和交互作用的因素,我们需要选择分样本实验区域内(20.]。尽管技术进步在电脑上,它仍然是几乎不可能运行一个模型在实验地区所有可能的点。因此,我们需要复杂的技术,找到一个有效的设计点,总共允许最大从实验中获得的信息。根据桑切斯,拉丁超立方体(LH)设计提供一种灵活的方式构建高效的设计对定量因素和三维空间的一些性质的阶乘设计,但需要抽样(数量级少21]。

•无人机的属性(变化的因素、特点等)

•敌人的属性(变化的因素、特点等)

•目标属性(数量、类型、伪装等)

•环境因素(地形、雾、温度等)。

•计算的限制(限制因素,等等)。

数据分析

模型运行后,数据集是西红柿了。几种统计方法可用于分析的数据集,但适当的分析方法是高钙(多元线性回归)和扫描电镜(结构方程模型)。高可用于分析每个属性的有效性西红柿和SEM可以用于分析的有效性因素西红柿。高钙是一种常见的方法决定因素对响应变量的影响。它涉及应用线性组合系数的因素,预测反应变量通过最小化错误。最小化误差项产生一个准确的响应基于因素。各种统计软件包可用于促进多元回归分析。虽然高钙使系数估计为每一个重要的因素,重点是每个因素的相对重要性,而不是价值系数。响应是一个概率,因此限制在0和1之间的值。SEM源于和服务目的类似于多元回归,但在一个更强大的方式考虑多个潜在的独立每个由多个指标,测量一个或多个潜在的家属也都有多个指标,原因和影响介质的建模,建模的交互,非线性,无党派人士,相关测量误差和相关错误条件。 SEM may be used as a more powerful alternative to multiple regression, path analysis, factor analysis, time series analysis, and analysis of covariance [22]。

验证

为了验证数据分析的结果,应进行验证。尽管方法不同,本文提出的方法是一个比较验证方法。在这种方法中,改进的开发场景反映了数据分析的结果进行比较的方法。进行的模拟在改进的情况下,新西红柿的结果出来了。比较的结果与前一个场景的结果改进的情况下,我们可以验证数据分析。

结果

案例study-army战术UAVCase study-army战术无人机

这个案例研究进行有针对性的对陆军战术无人机应用新的方法在本研究开发。过程方法划分的三个部分:因素选择、模拟、数据分析和验证。

因素选择

为了选择因素测量无人机经营效能,文学评论在无人机的操作有效性和专家进行了采访。雷竞技苹果下载以下(图1)是选择的过程因素。第一步,43个不同属性选择的文学评论在无人机的操作效率,第二,冗余十三被淘汰和最终28属性依然存在。雷竞技苹果下载第三步,14个属性是通过专家的采访无人机领域研究者和经营者和仿真是通过添加两个属性设置和十六个属性。第四步,统计意义的十属性添加了通过测量无人机研究人员和现场操作符和通过分析因子分析(23]。

识别教育部属性

43个属性选择和他们用于独立变量前研究无人机运营效率。以下(表2)的因素。十五是摆脱作为冗余或同一属性和剩余的属性是“图像质量”为“EO / IR范围,”“传感器范围”和“传感器系统。“相同的概念;“分类范围”“探测范围”,“分类概率”,“P(识别),”“P(分类)”和“分类,”“有效载荷”“有效载荷重量,”“高度”“天花板”,“空气速度”“最大速度,”和“虚度速度”,“易受天气”“天气”,“耐力”“飞行时间”和“经营范围”,“任务计划”和“任务半径。“第一次过滤后28属性被每个目的划分为七大类。七个类别是“车辆能力”是“空气速度”,“耐力”,“高度”,“有效载荷”和“操作范围内,燃料的能力。”“传感器能力”是“图像质量,”“分类范围,”“分类概率,”“扫描宽度,”“FOV,”和“目标位置错误。“生存”是“事故率,”“隐形,”“MTBF(平均故障间隔时间),”“MTTR(平均修复时间)”和“生存能力。”“数据链”是“连接的可靠性,”“消息延迟,”“目标过程能力”和“数据链接。”“环境影响”是“易受天气,”和“地形。”“等等。”是“反应性”、“信息的价值,”“路径属性,”“可操作性”和“及时性”。

表2:的列表属性影响无人机的有效性。

第二个过滤是通过专家的采访。这是进行两周从10月3日21采办局的专家(国防采办项目管理),添加(国防科学研究所),智库(韩国国防分析研究所),DTaQ(国防机构技术和质量)和军团级情报营。根据采访,十四属性被添加,两个属性被修改和两个属性都包括在内。属性从第二个过滤“燃料容量”,“扫描宽度,”“平均无故障时间、”“MTTR,”“生存能力”,“消息延迟,”“目标过程的能力”,“数据链”,“天气”“地形”,“反应性”,“信息的价值,”“路径属性,”“无人机可用性”和“可操作性,及时性。“修改的两个属性是“回报率”“事故率”和“雷达探测率”“隐形。”“Anti-EA能力”和“温度”是另外作为他们这些天被认为是重要的。最后的十六个属性就像表2通过过滤两次得到29 43和添加两个属性。

教育部确定的因素

10月调查从17日到21日期间访问一个星期。受试者无人机研究人员和运营商。研究人员在陆军情报学校工作的人,防卫事业厅、添加、智库和DTaQ和现场操作员的士兵在3 6无人机公司在军队24]。

调查是由7-Likert鳞片。“1”分数意味着“没有效果”和“7”得分”最有效的手段。“我们可以得到96个样本(86%)后,消除了样品不可靠性。样品由28个人员(29%)和68名字段运营商(71%)。对无人机的工作时间”,低于1年”11%,“不到2年,5年以上”14%,“不到6年,10年以上”是49%,和“超过11年”是26%。的平均工作时间是7.3年。与这些调查结果进行了探索性因素分析。看到图2平均成绩的因素。

范围是“5.81”和最大最小“6.58”倒下订单“图像质量”“耐力”,“易受天气、”“数据链”,“分类概率,”“分类范围,”“位置错误,”“海拔”,“操作范围,”“Anti-EA能力,”“回报率,”“雷达检出率,”“空气速度”,“有效载荷”和“FOV,温度。“六个独立变量是消除精炼过程的因素。探索性因子分析、主成分分析和方差极大正交旋转。这一分析的标准特征值≥1.0,集体性≥0.60,因子载荷≥0.50。四次分析,“有效载荷”,“目标位置错误,”“温度”“回报率,“可靠性”链接”和“FOV”就被消除了。10的16个变量用于探索性因素分析。测量变量按4分组因素(表3)。“图像质量”、“分类范围”,“分类概率,”和“易受天气”变量是聚合作为第一因素。“雷达接收率”和“Anti-EA能力”变量是聚合二因素。“空气速度”和“高度”变量是聚集侧吹风的因素。“经营范围”和“耐力”变量是聚合4因素。所有变量的特征值超过0.80除了“高度(0.747)”和“耐力(0.763)。“集体性的值也高(0.80)。累积分布描述是85.495%。即10变量的模型很好地解释了超过85%。因子分析的结果,4因素在10统计方法作为属性选择的因素影响无人机的措施的有效性。4因素命名为车辆的能力,传感器的能力,战术行动,电子战之后(图3)。属性用于无人机的有效性的指标的措施。“车辆能力”因素可用于测量飞机的性能影响多少无人机的任务的成就。“传感器能力”因素可用于测量传感器的分辨率多少无人机无人机的任务成就影响。“战术行动”因素可用于测量操作策略有多喜欢路由影响无人机的任务的成就。“电子战”因素可用于测量多少电子战的能力生存能力影响无人机的任务的成就。

表3:因子分析的结果。

仿真和数据分析

实验设计进行了仿真。在实验设计中,属性选择过程是提取的因子作为自变量和因变量。仿真是由场景设计的陆军战术无人机的有效性的措施。仿真后,使用统计方法进行数据分析。从数据分析有意义的结果,为验证改进的场景设计,与前一个场景。

无人机仿真分析模型

无人机的作战效能仿真模型被开发用于测量基于无人机的陆军战术无人机特点,朝鲜半岛的地形和天气,韩国军方在2003年的战争条件。军队使用仿真模型生成陆战队的中华民国(功能需求),部门和Battalion-level无人机发展的战术无人机的路由和点在特定条件下最优高度和方式。

检测算法的无人机仿真模型使用一个标准的美国国防部批准,“空气STD 80/15 <最低解决对象大小图像解释>”。本标准定义的过程中卫星图像和目标图像检测的代表对象的最小大小。本标准为卫星图像但有效性的过程,因为它是一样无人机(25]。看到图4无人机仿真模型的目标检测算法。

实验设计

场景:本研究中使用的模拟工具是无人机仿真分析模型。它是用于生成中华民国陆军战术无人机和Sim卡开发的模型。这个模型适用于无人机的飞行特性严格的物理模型,意味着敌军的安排,模拟战斗条件,反映了韩国的天气和地形使用scie ntific分析工具。

这个场景的设置是一个半岛,“Yeo-ju”混合的山脉,河流和道路。操作的面积是25000×25000,有5个目标在每一个5000×5000。目标是“T-59”,主要在朝鲜军方坦克。这个场景的假设。

•操作无人机领域的ISR任务是25平方公里区域,而分布式河流、山区,道路不规则。

•ISR任务的目的在这一领域的操作是获得敌人的位置信息和图像信息。

•在这个ISR任务,无人机侦察方法和“区域侦察”“2公里”扫描宽度。

•无人机的飞行时间是时间进行空中侦察敌人的操作区域。

•操作区域中的敌人是准备攻击操作和集中在战术装配区。

的变化

模拟环境允许模型操纵一个大范围的因素,提供优越的灵活性设计实现。每个选择的因素是多样的评估其对无人机有效性的影响。不同因素在这个研究可以被分成两组,控制,不受控制。控制因素是那些直接由用户控制。例如,无人机的速度可以控制在设计阶段和操作员在使用。不可控因素不会影响或未知的用户。这些通常是与敌人特征,伪装等功能。这里可控和不可控的因素是多种多样的(26]。

本研究选择的因素选择过程的结果。“空气速度”和“高度”因素在汽车能力和“图像质量”和“易受天气”传感器选择能力在这个场景中。作为一个不受控制的因素,“敌人伪装”因素是包含在这个场景。所示的变化因素表4。筛选实验的有效性测量的概率根据每个每个场景分类的敌人。由于敌人代理的数量是125,分类的百分比之和除以125是敌人的经验概率分类。军队指挥官希望这个概率最大化。

表4:模拟的变化的因素。

正交拉丁超立方体设计

有大量的因素值得考虑之间的可控和不可控因素。出现问题,试图有效地改变这些因素在一个广泛的可能的水平。传统因子实验设计测试只有几个因素在两个或者三个层次。利用这种方法,有些因素必须排除实验设计假设和线性关系。需要一个聪明的设计。

正交拉丁超立方体(OLH)设计是为其选择优秀的空间填充属性,由此产生的低相关性因素的输入,确定非线性关系的能力。OLHs可以用来设计一个实验评估七因素在17水平在一个高效和有效的方式。近正交拉丁超立方体(NOLHs)几乎相同的属性略高,但可以忽略不计,因素之间的相关性。NOLHs可以利用评估从8 - 22因素在到129年的水平。

设计结果的正交性质没有明显的设计实施的相关性。这提供了能够独立观察每个变量的影响,以及在分析交互。通过优化链接OLHs或NOLHs,可以增加空间填充特性,同时保持了正交性质的设计和设计点不显著相关性。这提供了更大的能力来分析多维数据。

本研究采用正交拉丁超立方体因素控制。这提供了17个设计点为伟大的空间填充因子优化控制。不可控因素11应用水平。这导致17 * 11 = 185 5的阶乘设计点,每次运行的9种传感器(4.3毫米,6毫米,8毫米,12毫米,16毫米,20毫米,24毫米,68毫米和160毫米)。最后这1665设计(传统方式:9401700→OLH道:1665)点是每次运行5次迭代利用无人机仿真模型的随机性质。结果在8325年的总运行场景(图5)。

数据分析

多元线性回归:看不到多元线性回归(MLR)是一种常见的方法决定因素对响应变量的影响。它涉及应用线性组合系数的因素,通过最小化误差预测响应变量。最小化误差项产生一个准确的响应基于因素。各种统计软件包可用于促进多元回归分析。虽然高钙使系数估计为每一个重要的因素,重点是每个因素的相对重要性,而不是价值系数。响应是一个概率,因此限制在0和1之间的值。SPSS 18.0是用于这项研究。

使用模拟数据,“分类率”用于因变量和“敌人的伪装,”“高度”,“空气速度,”“风速”,“雾率”和“图像质量”因素用于自变量。看到表5变量的描述性统计。模型适合,r平方和Durbin-Watson值是好的。在这个模型中是0.602 r平方值。r平方的衡量可变性用回归模型来解释。这个r平方值并不高。但即使只有六个变量实现。Durbin-Watson值是1.522。Durbin-Watson统计是一个检验统计量用于检测之间的关系的存在价值分开由一个给定的时间间隔从回归分析残差。远离零个或四个价值观和价值接近两个值。在这个模型和F值是63.641。 Significant provability is 0.000. It can interpret that the model fit is good. See the表6的价值模型。由独立变量系数的结果,“空气速度”、“雾率”和“图像质量”被接受(t > 1.96,团体< 0.05)。其他独立变量,“敌人的伪装”、“高度”和“风速”不接受由于t值和重要因素。不存在共线性问题,因为所有的变量都超过0.10的公差值。“敌人的伪装”这个模型没有意义。“高度”和“空气速度”的分类概率产生负面影响。但“风速”、“雾率”和“图像质量”有积极的作用。特别是“图像质量”变量安静与分类概率高。“图像质量-高度风速雾,空气速度敌人的伪装”的降序排列的重要性分类概率。看到表7的系数值。

表5:变量的描述性统计。

表6:指标模型的推广。

表7:图像质量系数表(< 16毫米)。

进行的多元线性回归方程系数值。系数值可以用于无人机的优化问题。例如,优化开发成本的有效载荷设备根据车辆或传感器的能力(分类范围,FOV)与教育部和操作成本(燃油成本根据高度或速度)和教育部。其他发现的结果之间的比较两组图像的质量。问:图像的系数< 16毫米(表8)是一个积极的(0.027 *)但这问:图像> 16毫米是负(-0.001 * *)。因此,高质量的图像不会产生高分类概率。它可以解释有针点的图像质量进行分类概率最高

表8:系数表(图像质量> 16毫米)。

结构方程建模

结构方程建模(SEM)发展服务的目的类似于多元回归,但在一个更强大的方式考虑多个潜在的独立每个由多个指标,测量一个或多个潜在的家属也都有多个指标,原因和影响介质的建模,建模的交互,非线性,无党派人士,相关测量误差和相关错误条件。SEM可以使用更强大的替代多重回归,路径分析、因素分析、时间序列分析、协方差分析。AMOS 16.0是用于这个研究[27]。

这项研究的因素结构方程建模提取通过探索性因素分析的结果在第3章。两个因素,“车辆能力”和“传感器能力”是用于潜变量。“车辆能力”,“空气速度”、“高度”、“风速”和“风向”是用于观察到的变量。“传感器的能力”,“敌人的伪装”、“雾率”和“图像质量”是用于观察到的变量。看到表9潜变量与观测变量。

表9:潜变量与观测变量。

模拟的数据用于分析。典型的指标模型适合用于这项研究。模型的总体结果符合很好除了假定值。χ²,cmin / df, TLI CFI和RMSEA高于最优水平。看到表10详细的模型符合的结果。模型建立了SEM如下(图6)。为模型,“车辆能力”和“传感器能力”因素是用于潜变量。“高度”、“空气速度”、“风速”和“风向”因素是用于一个观测变量车辆能力”变量。“敌人的伪装”、“图像质量”和“雾率”因素是用于一个观测变量“传感器能力”变量。衡量有效性的定义的“分类概率”作为内生变量。两个潜变量之间的相关关系成立,“车辆能力”和“传感器能力”变量。每个变量的误差项。和误差项的方差值“e8”设置为“0.005”是因为“分类概率”的方差。本研究将分析模型的有效性的程度“车辆能力”和“传感器能力”无人机的有效性的措施。扫描电镜的结果,“车辆能力”的回归估计价值为-0.003 (p = 0.850)和“传感器能力”的回归估计价值为0.107 (p = 0.059)。 So “Sensor ability” factors are more effective factors compared with “Vehicle ability” for the measure of effectiveness of an UAV. Even the standardized values of estimate of “Sensor ability” are higher than “Vehicle ability.” And the only “Sensor ability” has significant value in 95% confidence level. But SEM gives low coefficient estimates for each significant factor; the focus here is on the relative importance of each factor and not value of the coefficient. As values of the observed variable influenced the exogenous variables, the only “Altitude” variable in the “Vehicle ability” variable has significant values and the only “Quality of imagery” variable in the “Sensor ability” variable has significant value. The Squared multiple correlation of each variable are -0.284 (for “Altitude”) and 0.862 (for “Quality of imagery”). See the表11变量的系数。

表10:扫描电镜的合适指标模型。

表11:变量的系数。

总结数据分析

分析操作的有效性的无人机模拟数据,统计方法应用多元线性回归和结构方程建模等。结果可以解释为追随者。多元线性回归的模型适合是可以接受的(R = 0.362平方,Durbin-Watson = 1.522, F = 63.641团体= 0.000)。模型还没有共线性(所有变量的公差值> 0.90)。一些研究结果通过高的结果。首先,图像质量因素影响操作的有效性是一个无人机最多。根据分析结果,有三个因素在统计上的显著水平,“空气速度,”“雾率”和“图像的质量。“然而,“图像质量”(0.027)的价值系数极高。即可以认为更高的“图像质量”是最重要的因素有更有效的经营成果的目标分类的概率无人机。第二,适当的愤怒的“图像质量”是需要无人机的最有效的经营成果。回归系数的值与少16毫米图像质量或更多的是不同的。 The value of coefficient of the former was 0.027 (p=19.168) and the latter was -0.001 (p=-15.413). That is, it is meaningful to increase quality of imagery to the certain level for more effective operating results of an UAV. It is not necessary, however, to increase the quality of imagery beyond the certain level. Therefore, a study is needed to find the certain level of the quality of imagery for the optimized results. Third, the optimization for the effectiveness of UAVs is possible using regression equation. New applications are possibly developed to optimize the UAV’s combat effectiveness in limited conditions by utilizing regression equation driven by data analysis [28]。

结构方程建模,模型是可以接受的(cmin / df = 1.676, = 0.905, TLI CFI = 0.939, RMSEA = 0.066)除(p = 0.036)。通过SEM结果几个结果也被吸引。首先,“传感器能力”和“车辆能力”影响提高操作效率。“传感器能力”的回归估计是0.107,但“车辆能力”的回归估计是-0.003。预计增加的图像质量改善操作有效性或使用成像红外(I2R)降低伪装的敌人比或设置“空气速度高度。第二,“图像质量”和“高度”影响操作无人机的有效性。每个值SMC(平方多个关联)的图像质量(0.862)和高度(-0.284)。图像质量对无人机的操作有效性提供积极的影响而高度负面影响。

验证

为了验证数据分析的结果,从提高场景仿真结果与先前的结果。指出,“图像质量”严重影响无人机操作通过数据分析高有效性。此外,它是观察之间的高仿真的分析的价值系数与数据集“图像质量”(图像质量> 16毫米),另一个数据集的图像> 16毫米)(质量更高质量的图像不可能导致更多的积极的结果。,适当的“图像质量”对无人机可能导致积极的影响。此外,注意到“图像质量”和“高度”通过SEM分析的数据操作效率的影响。以下表12解释了仿真结果。如果“图像质量”和高度和空气速度下降,大约增加29%的操作有效性是导致仿真。因此,操作效率可以提高了仿真应用于分析数据结果。

表12:仿真的结果进行验证。

讨论

本研究的方法测量和分析了无人机的有效性。为了决定因素评估有效性、文学评论、专家的访谈,调查和因素进行了分析。雷竞技苹果下载与所选择的因素,模拟组织的实验设计。与发达模拟,不同的西红柿(有效性的措施)是根据无人机的有效性。此外,对结果的影响,为更好的无人机的有效性得到有意义的结论通过多元线性回归分析和结构方程建模。

本研究的贡献可以概括为追随者。首先,新方法通过玛莎提出了获取操作武器系统的有效性。在过去他们主观和定性,但这是更客观和定量模拟基础上,通过多元线性回归和结构方程建模。第二,实际因素通过模拟计算操作的有效性。通过专家访谈而不是评判分析过去,更广义的因素。因此,实际因素获得了朝鲜半岛,是适合和有效的无人机的韩国军事操作概念。他们被应用于模拟。

然而,这项研究有局限性。首先,尽管一个新的方法来测量操作武器系统的有效性通过仿真,给出了一种新的实际应用并不发达。开发的新应用程序可能优化无人机的作战效能在有限的条件下,利用回归方程由数据分析。第二,几个因素的总选择因素被用于实验设计的步骤。如果不仅“分类概率”,而且“生存能力”和“电子战”反映在所有选定的操作有效性的因素,更可靠的分析可以做到的。第三,各种无人机仿真模型已经开发在国内、国际市场,但这项研究只局限于朝鲜军队无人机。这将是更可靠;然而,如果从国内、国际各种仿真模型仿真结果无人机进行了比较。

引用

1. 香港摩根大通,et al。下降影响分析的智能无人驾驶飞行器(SUAV)起落架和与实验数据进行比较。先进的工程计算和试验(ACE-X 2) .2009; 40:192 - 197。
2. Andreas B, et al。安全,安全,和营救任务无人机(UAV),空中Mosaicking和自主飞行》2009。
3. David g .无人机:偶尔对军事行动、空中大学论文。2000年。
4. 乔治五世,et al。从飞行控制的无人机任务规划:战略和实现工具。年度审核Con雷竞技苹果下载trol.2005; 29:101 - 115。
5. 伊丽莎白B和克里斯托弗·B无人机:国会的背景和问题。国会研究服务。2003年。
6. 杰弗里•广告et al .创新管理DARPA高空耐力无人机计划,兰德》1999。
7. 卡明斯毫升和米切尔PJ。操作员在监控多个无人机的调度策略。航空航天科学和Technology.2007; 11:339 - 348。
8. 卡特里娜·h·发展无人机市场:预测和趋势。航空与航天Europe.2000; 2:25-27。
9. 李C, et al。无人机作战测试和评估的教训。国防分析研究所。2003年。
10. 公园,et al。一项研究的实时参数估计DURUMI-II使用飞行操纵面故障测试数据。国际期刊的控制、自动化和Systems.2007; 5:410 - 418。
11. 罗伯特AB。多个无人机的有效使用B表面搜索和控制。海军研究生院的硕士论文,2004。
12. 劳伦斯啊和梁。使用基于代理合作传感的模拟战场。海军研究生院的硕士论文,2005。
13. 洛杉矶英t·琼斯,a Maneschijn(2006),考虑无人机的设计和操作在南非的领空。航空Journal.2006; 695:695 - 701。
14. Kuo-Ping L andKuo-Chen h .军用无人机的一个有效的模糊加权平均算法选择群体决策。以知识为基础的系统。2011;24:877 - 889。
15. 凯文LM。无人驾驶飞行器生存能力:速度的影响,检测能力,和敌人的能力。海军研究生院的硕士论文,2005。
16. 詹妮弗GW。无人机任务级模拟。空军技术学院。1999年。
17. Bahri y探索使用无人机和其他资产加强边境保护。海军研究生院的硕士论文,2009
18. 杰弗里美国“全球鹰”无人机采集过程:我经历的总结阶段。兰德》1997。
19. 马克。r .无人机贡献情报,监视和侦察任务的远征行动。海军研究生院的硕士论文,2004。
20. 迈克尔。人类在小型无人机系统集成和自动化问题。海军研究生院的硕士论文,2004
21. Dalamagkidis K, et al。在无人机系统问题,挑战和操作限制防止集成。国家领空System.2008; 503 - 519。
22. Sujit PB和Ghose用d搜索使用多个无人机飞行时间限制。IEEE航空航天和电子系统。2003;40:491 - 509。
23. 帕特里克•L, et al .操作多个半自治作出:导航、策略和瞬时性能。工程心理学和认知Ergonomics.2007; 732 - 740。
24. 无人机系统路线图2010 - 2035,美国陆军》2010。
25. 勇L andJose BC。一般马尔可夫模型与应用程序弹出的威胁持续区域封锁。空军研究实验室》2006。
26. Vasileios l .探索海军战术无人机在使用模拟复杂的一个岛屿。海军研究生院的硕士论文,2007。
27. Suk, Jin-Young。地面测试和评估无人机的飞行控制系统。哪些国际journal.2004; 5:57 - 63。
28. 保罗一个。无人飞行器:当前和未来的使用。对大气成分观测系统。2007;106 - 118。