数据集链接开源如下：

https://aistudio.baidu.com/datasetdetail/90970

战斗机飞行路径数据集分为1个训练标签和8个训练输入，可以被用作训练AI完成无人机的路径规划任务

战斗机的姿态数据集分为13个文件，每个文件各自表示战斗机在不同时刻的姿态对应的运动学物理量（坐标、角度）取值集合

数据集文件最终转换为csv文件，大小合计约20MB，无法应用于实际的军事作战（应用于实际的军事作战必须学习海量的历史数据，GB级别起步）。

AI模型被命名为“冯如523”，为纪念历史上的航空先驱冯如（1884-1912）；在本人发布的PythonDPG算法的文章中，本人提出了P蛇模型（Python-Model），用于完成工业产品（外壳）自动化设计任务，但PythonDPG算法的“奖励机制”需要进一步改进和完善，算法整体的框架需要修改。

冯如523模型仍然遵循PythonDPG算法的思路，嵌套多层神经网络搭建轻量级别模型，不设置奖励机制。和Transformer算法不同，冯如523模型不包含自注意力机制和前馈神经网络机制，因此在训练时容易出现不稳定的现象（梯度爆炸），网络中间层数不宜设置过高，后续仍然需要就“奖励机制”的问题实施改进。

FengRu0523.py 5.71KB PY 6次下载

A_0.06.pth 3.68MB PTH 0次下载

C_0.06.pth 3.68MB PTH 0次下载

代码当中分为Actor编码器和Critic解码器，对应的A.pth和C.pth；PythonDPG算法会借鉴强化学习领域的DDPG算法，利用奖励机制来让人工神经网络自发地朝向系统最优的方向训练，但很可惜，算法原始版本的预印本论文尚未设置合适的流程，让奖励机制充分发挥作用，因而算法以及基于算法的模型无法展现“强化大模型”的优势。

附件中的代码使用MSE损失函数，MSE损失值为0.06，准确率可以近似看成是94%，但由于学习的战斗机历史数据量较小，因此不适合在战斗机上实际部署用于实战任务，只能通过扩充训练数据，训练更强的AI模型，并充分利用“UE5”等渲染软件实现性能提升。