@inproceedings{226634,

title = {Modelos alternativos para predi\c{c}\~{a}o do alcance m\'{a}ximo de m\'{i}sseis Ar-Ar em simula\c{c}\~{o}es de alta fidelidade},

author = {Andre Kuroswiski and Diego Geraldo and Andre Negrao Costa and Angelo Passaro},

url = {https://www.sige.ita.br/edicoes-anteriores/2022/st/226634_1.pdf},

year  = {2022},

date = {2022-09-01},

booktitle = {Simp\'{o}sio de Aplica\c{c}\~{o}es Operacionais em \'{A}reas de Defesa 2022 (SIGE2022)},

abstract = {A predi\c{c}\~{a}o da efic\'{a}cia de m\'{i}sseis ar-ar em um combate a\'{e}reo \'{e} um fator determinante para as decis\~{o}es de engajamento de uma aeronave. Modelos propostos na literatura buscam equilibrar a precis\~{a}o nas predi\c{c}\~{o}es com o desempenho computacional, visando c\'{a}lculos em tempo real, seja para sistemas embarcados na aeronave ou para a representa\c{c}\~{a}o em simuladores de alta fidelidade. Este trabalho apresenta uma nova proposta de modelagem baseada em regress\~{a}o polinomial que, apesar da simplicidade, foi capaz de superar modelos no estado da arte baseados em redes neurais na predi\c{c}\~{a}o do alcance m\'{a}ximo de lan\c{c}amento. Os resultados encontrados indicaram um erro absoluto m\'{e}dio de apenas 0,35 milhas n\'{a}uticas nas predi\c{c}\~{o}es do alcance m\'{a}ximo em dados com uma dist\^{a}ncia m\'{e}dia de 17,9 milhas n\'{a}uticas.},

keywords = {AO - Pesquisa Operacional; C2 - Intelig\^{e}ncia Artificial e Aprendizado de M\'{a}quina},

pubstate = {published},

tppubtype = {inproceedings}

}