《基于回归估计、附带损伤优化与发射集成的武器效能评估（RECOIL）系统》

附带损伤是军事行动中的重大关切。武器效能评估软件旨在最大限度提升对目标毁伤效果的同时降低附带影响。然而动态瞄准过程中（AC-130等特种作战飞机的主要作战模式）无法使用该软件。通过弹药对目标毁伤效果建模及优化精确制导弹药使用参数，可实现实时附带损伤控制。此举还能为大规模作战行动储备冗余弹药。本文阐述运用回归估计与梯度提升决策树机器学习技术，在AC-130J炮艇机实现武器效能评估模型的方案。AGM-176导弹模型对所有装甲目标集的平均R2达0.81，平均绝对误差（MAE）为0.041；HFR9E模型平均R2同样为0.81，MAE为0.040。这表明各特定概率预测的平均误差率为4%，满足机载武器效能评估要求。

本文着力解决机载武器效能评估能力（特别是近距空中支援平台）的重大缺口。美空军现役机型缺乏动态目标武器效能评估能力：虽可引信选项调整与弹药投送参数操控，但缺乏优化目标集毁伤效果的实证数据。简言之，机组人员缺乏弹药效能优化辅助手段，仅能依赖经验法则或既往经验。此法适用于卡车等简易非装甲目标，却不适用于大型舰船或多层建筑等需复杂武器解决方案的目标。本文重点虽为运用“灾难性毁伤”等术语评估武器对目标效能，但根本目标是通过精确武器效能评估降低附带损伤。该建模系统将用于保障美军部队安全，同时降低其他人员风险，并致力于以合乎伦理的方式运用机器学习技术[1]。

本研究支持旨在通过战役管理系统软件简化飞机“发现-定位-跟踪-瞄准-打击-评估”周期的杀伤链自动化计划，亦符合空军特种作战司令部指挥官关于加强精确打击能力的战略指南——这是保持战略竞争相关性的关键要求[2]。本建模工作采用随机森林、极限梯度提升等机器学习方法，预测AGM-176 Block III导弹与AGM-114 R9E导弹对装甲目标集及小型艇目标的毁伤概率。该两款弹药是特种作战航空力量最常用武器，所选目标集代表特种作战航空兵在大规模作战中最常打击的威胁类型。