СПОСОБ ПРОВЕДЕНИЯ БАЛЛИСТИЧЕСКИХ ИСПЫТАНИЙ С СОСТАВЛЕНИЕМ ТАБЛИЦ СТРЕЛЬБЫ Российский патент 2023 года по МПК F42B35/00 F41F3/04 F41A23/16 

Заявляемое изобретение относится к области вооружения и военной техники, в частности, к области испытания боеприпасов и может быть использовано для составления таблиц стрельбы.

Толкование терминов, используемых в заявке

Машинное обучение - класс методов искусственного интеллекта, характерной чертой которых является не прямое решение задачи, а обучение предиктивных моделей прогнозированию за счет применения решений множества сходных задач.

Машинное обучение использует статистические модели для анализа уже имеющихся данных и реализации механизма прогнозирования. Модели, основанные на различных алгоритмах машинного обучения, обучаются на предоставляемых выборочных данных, которые должны включать различные признаки, на основе которых происходит прогноз, и соответствующие им значимые данные (прогнозируемые характеристики) (см, например, Люгер Д.Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. 4-е издание. Издательский дом Вильяме. - 2003. - стр. 369-482 или Вьюгин В. Математические основы машинного обучения и прогнозирования. - Litres. - 2017. - стр. 295-306).

Предиктивные модели - модели предсказательного характера, используемые для прогнозирования будущего поведения объектов и субъектов с целью принятия оптимальных решений.

Таблицы стрельбы - сборник данных, необходимых для расчета установок прицельных приспособлений, корректирования огня в ходе стрельбы и решения некоторых инженерных задач.

Элементы траектории - характеристики полета снаряда, включающие время полета снаряда, дальность, высоту точки траектории, боковое отклонение, скорость снаряда и другие.

Угол прицеливания - угол в вертикальной плоскости между линией выстрела и прямой, соединяющей точку вылета и цель.

Баллистический коэффициент - коэффициент, учитывающий при расчетах влияние формы, скорости и массы снаряда на траекторию его полета.

Программа исследований - организационно-методический документ, устанавливающий объект и цели испытаний, виды, последовательность и объем проводимых экспериментов, порядок, условия, место и сроки проведения испытаний, обеспечение и отчетность по ним, а также ответственность за обеспечение и проведение испытаний. Уровень техники

Разработка таблиц стрельбы является ключевым элементом формирования данных, необходимых для расчета установок прицельных приспособлений, корректирования огня в ходе стрельбы на поражение и решения инженерных задач, требующих существенных временных и финансовых ресурсов.

Известен способ составления таблиц стрельбы, который реализован в частных методиках расчета баллистических характеристик снаряда по результатам траекторных измерений параметров его движения полигонным комплексом траекторных измерений, принятый за прототип.

Данный способ является опытно-теоретическим, так как расчеты элементов траекторий, поправок и других данных таблиц стрельбы производятся по уравнениям внешней баллистики с использованием опытных значений некоторых параметров, определяемых по результатам достаточно большого количества стрельб. Опытные данные, необходимые для расчета и составления таблиц стрельбы, определяют в результате проведения различных видов баллистических стрельб, основными из которых являются стрельбы на дальность и кучность, которые проводятся с целью определения опытных значений баллистического коэффициента, а также характеристик рассеивания. Полученные в каждой стрельбе опытные данные нормализуют и согласуют с результатами расчетов с опытными данными. Затем проводят обработку результатов стрельб расчетным методом (Логвин A.M., Мнацаканов Ю.Н. Стрельба артиллерии и внешняя баллистика. - ПВАИУ. -1987. - стр. 140-146).

Для реализации способа организована и функционирует система, состоящая из полигонного комплекса, включающего измерительное и сервисное оборудование, привлекаемые артиллерийские орудия и боеприпасы, а также личный состав, имеющий высокий уровень квалификации.

Недостатками прототипа являются:

высокая ресурсоемкость;

большой объем времени;

значительный расход боеприпасов;

исчерпание ресурса артиллерийских орудий (до десяти единиц и более);

высокий уровень затрат на содержание полигонного комплекса.

Задачей заявляемого изобретения является создание способа составления таблиц стрельбы (далее - исследований), исключающего недостатки прототипа, с помощью метода машинного обучения. Создание предиктивных моделей стрельбы позволит анализировать таблицы стрельбы, составленные для существующих типов орудий и боеприпасов, прогнозировать точность стрельбы новых типов орудий и боеприпасов, составлять к ним таблицы стрельбы по результатам меньшего количества баллистических стрельб, оптимизировать процесс планирования и проведения испытаний.

Указанная задача решается за счет реализации совокупности предлагаемых в изобретении инженерных и технологических решений.

Так для составления таблиц стрельбы аналогично способу - прототипу используются:

комплекс полигонного оборудования и методика организации и проведения баллистических стрельб;

методика составления программы проведения исследований;

результаты предыдущих испытаний (таблицы стрельб).

В отличие от прототипа, в заявляемом изобретении технический результат достигается тем, что:

1. Посредством алгоритмов машинного обучения анализируются составленные для каждого баллистического варианта снаряда таблицы стрельбы, создаются базовые предиктивные модели для прогнозирования характеристик каждого баллистического варианта снаряда при стрельбе из конкретного типа орудия.

2. Используя в качестве входных данных стандартные таблицы стрельбы для различных типов орудий и результаты прогнозирования характеристик для различных баллистических вариантов снаряда, полученные с помощью базовых предиктивных моделей, посредством машинного обучения создают предиктивные модели второй группы для определения поправок на изменение баллистических характеристик и прогнозирования результатов стрельбы для различных баллистических вариантов снаряда из различного типа орудий.

3. В условиях наличия исходных данных в виде предиктивных моделей второй группы для определения поправок на изменение баллистических характеристик и прогнозирования результатов стрельбы для различных баллистических вариантов снаряда из различного типа орудий:

3.1. Составляют таблицы стрельбы для вновь разрабатываемых снарядов, используя в качестве входных данных результаты опытных стрельб для определения поправок на изменения баллистического коэффициента и прогнозирования результатов стрельбы для новых типов снарядов из различного типа орудий.

3.2. Составляют таблицы стрельбы для вновь разрабатываемых орудий, используя в качестве входных данных результаты баллистических стрельб для определения поправок на изменения баллистических коэффициентов и прогнозирования результатов стрельбы из нового типа орудий существующими баллистическими вариантами снаряда.

3.3. Составляют таблицы стрельбы для новых типов снарядов из нового типа орудий.

Используя все созданные предиктивные модели, осуществляют прогнозирование результатов стрельбы.

Все полученные данные прогнозирования результатов стрельбы вносят в базу данных (составленные таблицы стрельбы). Оценивают текущую точность прогнозирования и оценивают значимость новых исследований для повышения текущей точности стрельбы. По результатам оценки текущей точности стрельбы корректируют программу и объем требуемых баллистических стрельб.

Предлагаемый способ снижает объем баллистических стрельб и позволяет выполнить составление таблиц стрельбы по всему спектру принимаемых на вооружение орудий и боеприпасов к ним за счет прогноза для каждого образца (орудия или боеприпаса) всего набора характеристик, определяемых в процессе исследований, обеспечивает подтверждение полученных характеристик минимальным количеством натурных испытаний и сокращение времени на получение необходимой информации по получаемым характеристикам.

Краткое описание чертежей

Изобретение поясняется чертежами, где:

на фиг. 1 приведена блок-схема системы организационных, технологических, аппаратных и программных средств, применяемых для составления таблиц стрельбы,

на фиг. 2 - показан модуль прогнозирования баллистических результатов стрельбы,

на фиг. 3 - показана блок-схема способа составления таблиц стрельбы с помощью метода машинного обучения.

Система, представленная на фиг. 1, содержит:

программу исследований 1;

полигонный комплекс 2;

таблицы стрельбы 3;

модуль прогнозирования характеристик результатов стрельбы 4;

модуль оценки степени точности прогноза 5;

модуль 6 оптимизации программы и объема исследований;

модуль препроцессора 7.

Модуль прогнозирования баллистических результатов стрельбы, представленный на фиг. 2, содержит:

процесс баллистических стрельб одним баллистическим вариантом снарядов на орудии одного типа 14;

таблицу стрельбы с баллистическими характеристиками и коэффициентами формы для одного баллистического варианта снарядов на орудии одного типа 15;

предиктивную модель для прогнозирования недостающих характеристик для одного баллистического варианта снарядов в рамках орудия одного типа 16;

процесс баллистических стрельб различными баллистическими вариантами снарядов из орудий различных типов 17;

таблицы стрельбы с баллистическими характеристиками и коэффициентами формы для различных баллистических вариантов снарядов на различных типах орудий 18;

предиктивную модель для прогнозирования недостающих характеристик для различных, в том числе новых баллистических вариантов снарядов на различных, в том числе новых типах орудий 19.

Способ, представленный на фиг. 3, включает следующие операции:

проведение баллистических стрельб 8;

пополнение базы данных результатами исследований 9;

препроцессинг результатов исследований 10;

прогнозирование баллистических характеристик и коэффициентов формы 11;

оценку текущей степени отработки таблиц стрельбы 12;

оптимизацию программы и объемов исследований 13.

Осуществление изобретения

Для обеспечения способа составления таблиц стрельбы артиллерийских орудий с помощью метода машинного обучения (далее - Способа) используется система взаимосвязанных организационных, технологических, аппаратных и программных средств проведения исследований (далее - Система).

Предлагаемый Способ представляет собой процесс осуществления действий над Системой, обеспечивающей получение баллистических характеристик с минимальным количеством стрельб и сокращение времени на получение необходимой информации по информации из базы данных в виде таблиц стрельбы. Сокращение времени на получение необходимой информации из базы данных происходит за счет постоянного определения степени полноты базы данных и формирования рекомендаций по корректировке комплекса проведения исследований. Система принимает на вход результаты части исследований и генерирует новые данные о баллистических коэффициентах, а также выполняет оценку полноты описания таблиц стрельбы, на основании чего происходит оптимизация объемов дальнейших исследований.

Система выполняет автоматизированное управление циклом исследований с помощью постоянной оптимизации программ и планов-графиков исследований, а также выдает рекомендации на прекращение исследований в соответствии с заранее заданными критериями.

Система может содержать препроцессор 7 фиг. 1 результатов исследований, предназначенный для формирования единой согласованной базы данных исследований из различных источников информации.

Как показано на фиг. 1, Система содержит базу данных 3 в виде таблиц стрельбы, предназначенную для хранения результатов исследований из различных источников информации. В базу данных 3 поступают результаты расчетов элементов траекторий, поправок и других данных таблиц стрельбы, которые вычисляются по уравнениям внешней баллистики с использованием опытных значений некоторых параметров, определяемых по результатам сравнительно небольшого количества стрельб. Опытные данные, необходимые для расчета и составления таблиц стрельбы, определяют в результате проведения баллистических стрельб 2. Полученные в каждой стрельбе данные нормализуются, то есть приводятся к нормальным и табличным условиям, затем проводится согласование результатов расчетов с опытными данными. В результате обработки опытных данных стрельб получают значения баллистических коэффициентов для всех отстрелянных углов бросания и зарядов, после чего интерполированием определяются баллистические коэффициенты для промежуточных зарядов и углов бросания. Далее рассчитываются основные элементы траекторий и табличные поправки для каждого заряда. Расчетным способом определяются значения угла прицеливания и основных элементов траектории. Также в таблицы стрельбы добавляются результаты прогнозирования результатов стрельбы, получаемые при осуществлении предлагаемого способа.

Система также содержит модуль 4 прогнозирования баллистических результатов стрельбы.

На фиг. 2 поясняется принцип работы модуля 4 фиг. 1 прогнозирования результатов стрельбы, предназначенного для определения баллистических характеристик орудий.

Данный модуль предназначен для прогнозирования таких характеристик, как значения баллистических коэффициентов, баллистических коэффициентов для промежуточных зарядов и углов бросания, основных элементов траекторий и табличных поправок для каждого заряда, а также значений угла прицеливания и основных элементов траектории. Прогноз данных характеристик осуществляется на основе уже имеющихся и формирует полный набор характеристик каждого вида артиллерийских орудий. В процессе работы модуль 4 использует алгоритмы машинного обучения, обученные на результатах предыдущих исследований баллистических результатов для выстрелов разных типов. Модуль 4 позволяет определить баллистические характеристики орудий по всему их спектру за счет прогнозирования для каждого вида орудий всего набора характеристик баллистических вариантов снарядов, определяемых в процессе исследований фиг. 2.

Модуль 5 оценки качества таблиц стрельбы предназначен для оценки текущей степени разработки и качества таблиц стрельбы на основе точности прогноза полученных в модуле 4 результатов прогнозирования.

В Системе содержится модуль 6 оптимизации программы и объема исследований, предназначенный для корректировки программы и объема исследований по результатам оценки текущего уровня отработки таблиц стрельбы. Основная задача модуля 6 - автоматизированное управление циклом исследований от разработки первичных программ и планов-графиков исследований до их постоянной оптимизации, и выдачи рекомендаций на прекращение исследований. Модуль 6 позволяет спланировать исследования в автоматическом режиме, что исключает возможность негативного влияния человеческого фактора и ускоряет процесс исследований.

Система оптимизации составления таблиц стрельбы артиллерийских орудий дополнительно может содержать препроцессор 7 результатов исследований, предназначенный для формирования единой согласованной базы данных исследований из различных источников информации. Данные, поступающие в базу 3 данных, могут представлять собой набор файлов, имеющих различный формат, структуру и степень информативности или детализации результатов исследований. Например, результаты определения углов бросания в одном варианте могут включать пять значений, а в другом варианте - семь. Среди других проблем качества данных можно выделить наличие большого количества пропусков в данных (когда тот или иной эксперимент охарактеризован только частью параметров), опечатки, ошибки в форматах записи числовых значений.

Для решения описанных проблем и предназначен препроцессор 7 -модуль компьютерной обработки собранных данных. Данный модуль производит агрегирование данных по измерениям различного формата в единую базу данных с применением интеллектуальных алгоритмов приближенного поиска соответствий и исправления ошибок. Препроцессор 7 использует методы искусственного интеллекта для выполнения одного или нескольких действий, выбранных из группы:

- приведение собранных данных к единому формату, включающее выравнивание размерностей и единиц измерения;

- выявление с помощью метода машинного обучения аномальных данных: пропусков, выбросов, некорректных значений, фактов перекалибровки датчиков в процессе экспериментов.

Далее на фиг. 3 описан способ составления таблиц стрельбы артиллерийских орудий с помощью метода машинного обучения.

На вход Системы, представленной на фиг. 1, подается первичная программа исследований. Здесь с учетом заданных ограничений (бюджет, сроки, оборудование и пр.) происходит планирование исследований и формируются планы-графики и дорожные карты исследований, которые поступают исполнителям для выполнения. В соответствии с блоком 6, по мере выполнения исследований, их результаты непрерывно или с определенной периодичностью поступают в таблицу стрельбы (таблица стрельбы 3 на фиг. 1). В соответствии с одним из вариантов реализации изобретения посредством препроцессора 7 на фиг. 1 осуществляют препроцессинг результатов исследований (блок 10 на фиг. 3) - формируют единую согласованную базу данных таблиц стрельбы из различных источников информации (файлов). Препроцессинг также включает выгрузку и сопряжение данных из различных баз данных. Препроцессинг данных может быть выполнен с помощью поиска и анализа компетентным пользователем системы.

Одна из функций блока препроцессинга результатов лабораторных исследований 10 - приведение собранных данных к единому формату, выравнивание размерностей и единиц измерения (с помощью таблиц перевода известных размерностей и правил и пр.).

Еще одна функция блока 10 «выявление аномальных данных» использует алгоритмы машинного обучения для определения наличия в результатах лабораторных исследований аномалий, соответствующих пропускам, выбросам, некорректным значениям (например, значения, во много десятков раз превышающие физически обоснованные значения) и маркирует их в соответствии с выявленной аномалией.

В блоке 11 результаты исследований поступают на вход модуля 4 прогнозирования результатов стрельбы на фиг. 1. В данном модуле формируется каскад базовых предиктивных моделей (фиг. 2), основывающихся на алгоритмах машинного обучения (линейные регрессии, деревья решений, градиентный бустинг, метод опорных векторов, искусственные нейронные сети и пр.).

К первой группе базовых предиктивных моделей, формирующих каскад, относятся модели, которые позволяют получить наиболее точный прогноз тех или иных баллистических характеристик для одного типа снарядов на орудии одного типа, используя при этом сформированную систему исходных данных о характеристиках выстрела, орудия и результаты баллистических стрельб. Облегчает задачу наличие ранее уже составленных таблиц стрельбы, на которых, используя алгоритмы машинного обучения, можно организовать первичное обучение предиктивной модели.

В качестве исходных данных используются нормальные и табличные условия и ограничения, к которым относятся:

- топографические условия;

- баллистические условия;

- метеорологические условия;

- тактико-технические характеристики орудия;

- исходные данные по каждому заряду.

- исходные данные по каждому баллистическому варианту снаряда, такие как угол бросания, коэффициент формы, коэффициент внутренней баллистики, срединные отклонения и другие.

Посредством базовых предиктивных моделей могут быть определены такие характеристики, как:

- дальность;

- срединные отклонения;

- основные элементы траектории;

- поправки направления;

- поправки дальности;

- поправки на геофизические условия.

Ко второй группе предиктивных моделей, формирующих каскад, относятся модели, которые в качестве входных признаков используют не только результаты баллистических стрельб из других типов артиллерийских орудий, но и результаты прогноза моделей первой группы. Модели второй группы позволяют предсказывать характеристики прогнозирования недостающих характеристик для различных, в том числе новых типов снарядов на различных, в том числе новых типах орудий.

Разнообразие предиктивных моделей определяется наличием значительного количества данных, достаточных для обучения алгоритмов машинного обучения. Еще одним требованием построения точных моделей является представительность данных.

Высокая предиктивная способность моделей ограничена тем диапазоном признаков, в котором они были обучены.

Для повышения точности прогнозирования характеристик, в качестве дополнительных входных данных моделей могут быть использованы индивидуальные поправки артиллерийских орудий.

Все спрогнозированные характеристики пополняют базу данных таблиц стрельбы (модуль 3 на фиг. 1).

Затем, в соответствии с блоком 12 на фиг. 3 посредством модуля 5 на фиг. 1 оценки качества отработки таблиц стрельбы (VOI) оценивают текущую степень отработки таблиц стрельбы и значимость новых исследований для повышения текущей степени отработки на основе точности прогноза результатов различных видов исследований.

VOI (Value of Information) или «ценность информации» - одно из важных свойств информации, оценка которого зависит от целей процессов ее генерации и обработки.

Концепция VOI рассматривается специальными теориями информации и теорией принятия решений (см., например, Харкевич А.А., О ценности информации. Проблемы кибернетики. - 1960. - Вып. 4. - с. 53, или Howard R.A. Information value theory, IEEE Transactions on systems science and cybernetics. - 1966. - т. 2. - №. 1-е. 22-26).

В случае достижимости цели несколькими возможными путями VOI можно определить по приносимому этой информацией сокращению затрат ресурсов (материальных, временных). Чем более информация ведет к достижению цели, чем более она полезна, тем больше VOL Оценка VOI происходит в модуле оценки качества таблиц стрельбы 5 на фиг. 1.

В качестве VOI может быть выбрана точность прогноза баллистических характеристик модулем прогнозирования результатов исследований (модуль 4 на фиг. 1). В качестве метрик точности прогноза могут использоваться: коэффициент детерминации (R), среднеквадратическая ошибка прогноза (MSE); средняя абсолютная ошибка прогноза (МАЕ) и пр. В рассматриваемом варианте VOI может оцениваться для каждого типа исследований независимо. Количественное выражение VOI будет зависеть от требований к точности прогноза характеристик. Например, пусть необходимой точностью прогноза какой-либо характеристики является значение R₂² (R₂² не может быть лучше, чем для обученной модели). Тогда при достижении данного условия VOI для любого последующего измерения будет равняться нулю. В начальный момент времени значение VOI максимально - любая новая информация позволит выполнить оценку метрик точности прогноза алгоритмов, обученных на исторических данных по объектам аналогам. Таким образом, VOI в начальный момент времени можно приравнять к единице при некотором начальном значении R₀². Тогда для каждого 1-ого вида исследований VOI на каждом шаге цикла оптимизации исследований может быть оценен как

Если для каждого результата стрельбы, отобранного на текущем цикле исследований, прогноз рассматриваемой характеристики удовлетворяет критерию точности, то VOI≤0, а в новой программе исследований соответствующий вид исследований будет отсутствовать. В случае же когда VOI>0, происходит дообучение предиктивной модели из модуля прогноза результатов исследований на новых данных и выдача рекомендаций по расширению программы исследований дополнительными баллистическими стрельбами по определению рассматриваемой характеристики.

В другом варианте осуществления системы в качестве VOI может быть выбран диапазон доверительного интервала. В этом случае условием равенства VOI нулю будет являться снижение диапазона доверительного интервала после цикла дообучения предиктивной модели до заданного уровня.

В соответствии с блоком 13 на фиг. 3, в зависимости от степени отработки таблиц стрельбы (VOI), модуль оптимизации программы и объема баллистических стрельб и расчетов (модуль 6 на фиг. 1) непрерывно контролирует и по необходимости вносит корректировки, а также уточняет план-график проведения работ. Планы-графики могут быть сгенерированы с учетом таких факторов, как

- ожидаемый бюджет исследований;

- ожидаемые сроки исследований;

- доступные мощности;

- шкала приоритетов по исследованиям.

- история исследований по объекту (если программа не первичная) и других.

Система работает в итерационном режиме: корректировка программы и плана-графика исследований происходит циклически по мере поступления новых данных пока не будет достигнут определенный уровень отработки таблиц стрельбы (VOI>0). Если VOI≤0, то система выдает стоп-сигнал о прекращении исследований вследствие достижения заданного уровня отработки. Если VOI>0, то система выполняет корректировку программы исследований с учетом значимости каждого последующего исследования. На основе скорректированной программы формируют и новые планы-графики исследований.

Таким образом, к основным данным, генерируемым системой при оптимизации лабораторных исследований, относятся:

- величина VOI отдельно как каждого баллистического варианта снаряда и каждого типа артиллерийского орудия;

- скорректированная программа исследований отрабатываемой таблицы стрельбы или стоп-сигнал о прекращении исследований.

Промышленная применимость способа обусловлена наличием элементной базы, на основе которой могут быть выполнены устройства, реализующие данный способ.

Предлагаемый способ составления таблиц стрельбы с помощью метода машинного обучения может быть реализован с помощью аппаратных и программных средств и используемого в настоящее время полигонного комплекса. Для аппаратной части реализации устройство должно содержать, по крайней мере, процессор и постоянное запоминающее устройство (ПЗУ). Для программной части реализации предлагаемый способ может представлять собой набор функциональных модулей (функции или классы), написанных на языках программирования (например, С++, Python). Программный код может храниться в блоках памяти ПЗУ и извлекаться процессором для выполнения.

Технический результат, получаемый при осуществлении изобретения, заключается в способе составления таблиц стрельбы, обеспечивающем снижение временных и материальных затрат при быстрой и качественной обработке результатов стрельб с возможностью масштабирования этих результатов.

Изобретение относится к области вооружения и военной техники, в частности, к области испытания боеприпасов и используется при составлении таблиц стрельбы артиллерийских орудий методом машинного обучения. Способ проведение баллистических испытаний с составлением таблиц стрельбы для различных артиллерийских орудий с помощью методов машинного обучения заключается в том, что проводят различные виды баллистических стрельб, измеряют комплексом полигонного оборудования траекторные параметры движения снаряда, сохраняют результаты исследований в базе данных в виде таблиц стрельбы, рассчитывают баллистические характеристики и составляют таблицы стрельб при помощи аппаратных и программных средств комплекса полигонного оборудования. Комплекс полигонного оборудования состоит из модуля прогнозирования характеристик результатов стрельбы, модуля оценки качества прогноза, модуля оптимизации программы и объема исследований. Модулем прогнозирования характеристик результатов стрельбы с использованием алгоритмов машинного обучения создают базовые предиктивные модели первого типа для прогнозирования характеристик каждого баллистического варианта снаряда при стрельбе из конкретного типа орудия и предиктивные модели второго типа для определения поправок на изменение и прогнозирования баллистических характеристик результатов стрельбы различных снарядов из различного типа орудий, которые используют в качестве входных данных для новых снарядов и новых типов орудий. Все полученные данные прогнозирования результатов стрельбы вносят в базу данных. Модулем оценки качества прогноза оценивают текущую точность прогнозирования и значимость новых исследований для повышения текущей точности стрельбы. Модулем оптимизации программы и объема исследований осуществляют корректировку таблиц стрельбы по результатам оценки текущего уровня отработки и формируют единую согласованную базу данных таблиц стрельбы из различных источников информации с применением алгоритмов машинного обучения. Техническим результатом является создание способа составления таблиц стрельбы с помощью метода машинного обучения, который позволит анализировать таблицы стрельбы, составленные для существующих типов орудий и боеприпасов, прогнозировать точность стрельбы новых типов орудий и боеприпасов, составлять к ним таблицы стрельбы по результатам меньшего количества баллистических стрельб, оптимизировать процесс планирования и проведения испытаний. 3 ил.

Способ проведение баллистических испытаний с составлением таблиц стрельбы для различных артиллерийских орудий с помощью методов машинного обучения, заключающийся в том, что проводят различные виды баллистических стрельб, измеряют комплексом полигонного оборудования траекторные параметры движения снаряда, сохраняют результаты исследований в базе данных в виде таблиц стрельбы, рассчитывают баллистические характеристики и составляют таблицы стрельб при помощи аппаратных и программных средств комплекса полигонного оборудования, состоящего из модуля прогнозирования характеристик результатов стрельбы, модуля оценки качества прогноза, модуля оптимизации программы и объема исследований, при этом модулем прогнозирования характеристик результатов стрельбы с использованием алгоритмов машинного обучения создают базовые предиктивные модели первого типа для прогнозирования характеристик каждого баллистического варианта снаряда при стрельбе из конкретного типа орудия и предиктивные модели второго типа для определения поправок на изменение и прогнозирования баллистических характеристик результатов стрельбы различных снарядов из различного типа орудий, которые используют в качестве входных данных для новых снарядов и новых типов орудий, все полученные данные прогнозирования результатов стрельбы вносят в базу данных, модулем оценки качества прогноза оценивают текущую точность прогнозирования и значимость новых исследований для повышения текущей точности стрельбы, модулем оптимизации программы и объема исследований осуществляют корректировку таблиц стрельбы по результатам оценки текущего уровня отработки и формируют единую согласованную базу данных таблиц стрельбы из различных источников информации с применением алгоритмов машинного обучения.