基于EMEBN的空中目标战术意图识别方法

战术意图识别是战场态势分析与威胁评估中的重要一环,针对复杂战场环境中敌目标战术意图存在的动态性、序列性等问题,构建能够描述目标战术意图表达和推理的动态序列贝叶斯网络模型（dynamic series bayesian network,DSBN）,分析多实体贝叶斯网络（multi-entities bayesian network,MEBN）在表达规则知识概率迁移关系和序列关系的局限性,提出基于扩展多实体贝叶斯网络（extended multi-entities bayesian network,EMEBN）的战术意图识别模型构建方法,最后通过实例验证该方法的可行性和有效性。     

基于贝叶斯推理的海战场空中目标意图分层识别方法

针对海战场敌方空中目标意图识别方法都是一次性完成空中目标的意图识别,会在运算过程中带来消耗时间较多、效率较低的问题展开深入研究,在给出了海战场敌方空中目标相关特征参数计算和筛选公式的基础上,结合目标意图特点,依据指挥员的思维逻辑,提出了一种基于贝叶斯推理的海战场敌方空中目标意图分层识别新方法。该方法运用分层思想实现对更关注的目标意图更快捷的贝叶斯推理识别,可作为常规方法的简化过程,因此,可减少消耗时间,提高识别效率。基于实测数据的仿真实验验证了所提方法的有效性。     

基于MEBN的战术级空中目标意图识别

战术级空中目标意图识别是现代化防空作战中理解战场态势、预测目标行动的关键.构建空中目标意图识别模型的核心问题是如何表示不确定的意图因素以及它们之间的关系.分析了具有典型防空作战意义的想定,并结合军事经验总结了影响意图识别的因素.提出了应用多实体贝叶斯网络(Multi-Entities Bayesian Network)描述空中目标意图,在贝叶斯推理中融入逻辑理论,采用具体的基于知识的SSBN构建算法动态地进行空中目标意图识别.通过仿真实验,验证了此方法的有效性和可行性.     

基于RL-LSTM的空中目标意图识别方法

空中目标意图识别是战场态势认知的重要部分。为了进一步提高空中目标意图识别准确率及实时性,提出了基于改进长短时记忆（long short-term memory,LSTM）网络模型RL-LSTM的空中目标意图识别方法。首先获取目标实时的状态数据,以最后时刻目标状态作为模型输入,利用RL-LSTM模型来学习7种常见意图的运动及时间相关特征信息,最后,通过Softmax分类器实现目标意图识别。仿真实验表明,该模型提升了现有神经网络模型的识别准确率及识别效率。     

基于动态贝叶斯网络的代价敏感目标意图识别

目标意图的准确识别是战场态势评估的核心。为了应对意图分解与推理过程中因序列长度不一而导致无法推理的问题,提出一种新的解决方案。该方案融合动态贝叶斯网络与代价敏感机制,针对性地引入动态时间规整算法来优化意图置信度的评估。在敌方意图尚未完全显现的初步阶段,通过对分解得到的意图序列进行适应性截取,计算截取序列与推理序列间的相似度并进行归一化处理,提升各意图置信度的计算精度,进而增强在识别初期对敌方意图推理结果的可靠性。在此基础上引入3支决策理论处理意图误识别代价,通过将代价统一化计算降低多分类问题中3支决策的计算复杂度。仿真结果显示,该算法不仅成功地融合了意图识别的动态特性与代价敏感考量,还展现出了当数据存在部分缺失情况下依然能够稳健运行的能力,有效减轻了数据不完整对识别结果的影响。     

基于贝叶斯网络的空中目标威胁估计方法研究

针对当前威胁估计中存在的问题,提出了基于贝叶斯网络的空中目标威胁估计方法。文章从威胁估计的概念出发,构建了基于贝叶斯网络的威胁估计功能框架,在对输入的防空作战事件进行分类定义的基础上,给出了事件关联在贝叶斯网络中的实现方法,同时对模型的建立步骤进行了说明。文中提出的威胁估计方法在融合了目标威胁先验信息的基础上,通过战场观测到的不确定信息进行推理,其结果具有很强的可信性,相应的建模思路可为威胁估计系统的构建提供有益的参考。文章的最后以一个示例说明了方法的有效性。     

基于贝叶斯网络的空中目标作战企图识别研究

研究探讨了空中目标作战企图的识别问题.提出了基于贝叶斯网络和模糊逻辑相结合的空中目标作战企图识别方法,通过专家知识建立网络模型的结构,运用案例库分析来训练网络模型的边缘概率和条件概率参数,并用简单的示例推理验证了模型的有效性,该模型可以在有证据缺失的情况下进行推理.     

基于贝叶斯网络的态势评估算法研究

论述了基于贝叶斯网络专家系统的特点,研究了贝叶斯网络的推理模型以及基于此模型的信息传播算法,分析了基于态势评估的决策过程,并详细阐述了基于贝叶斯网络的态势评估算法在空 - 空作战态势推演中的应用.研究结果表明,此算法能够比较准确地反映态势评估过程,可较好地应用于决策支持系统中.     

基于模糊随机贝叶斯网络的意图估计方法

意图估计是数据融合五级模型中态势评估的重要研究内容。意图估计结果的稳定性对于辅助战场决策具有重要意义,在分析了影响意图识别结果稳健性的基础上,将模糊随机贝叶斯网络应用于战场目标的意图分析。在研究了战场环境下网络结点构造及推理方法的基础上,结合具体场景给出示例并进行了仿真验证。     

基于度量学习的半监督空中目标作战意图识别

空中战场态势是对空中战场中所有参与方行动和状态的总体描述;而目标作战意图识别则为空中战场态势评估提供重要依据。为了解决在激烈对抗、快速演化的空中战场态势背景下;大量已标记的空中目标战场态势数据获取难度大的问题;提出了一种基于度量学习的半监督空中目标作战意图识别模型。该模型提供了一种从无标签样本中发掘潜在模式的方法;缓解了对大量标记数据的需求。模型通过目标时序数据编码器对目标序列数据进行降维并得到其嵌入表示。在此基础上;通过分别度量已标记的目标序列与意图类型、未标记的目标序列之间的相似度;计算对应的损失值。实验结果表明;在有标签样本不同占比为30%、40%和50%的情况下;该模型识别空中目标作战意图的准确率分别为86%、89%和91%。     

基于贝叶斯网络的作战目标评估

在作战指挥决策活动的筹划阶段,对敌体系要害和关键点的分析,当前尚未形成系统方法。针对此问题,利用贝叶斯网络在非精确知识表达与推理领域的优势,提出了综合考虑目标价值、打击难度、打击效果等因素的作战目标评估模型。根据判别贝叶斯网络分类器性能优于生成贝叶斯网络分类器的特点,在经相关领域专家论证的样本数据集的基础上,采取梯度下降法训练得出评估模型各结点条件概率分布。最后,利用Netica仿真软件,经样本数据测试,证明了作战目标评估模型的合理性。     

基于离散模糊动态贝叶斯网络的空战威胁估计

对空战中目标的各个特征因素进行了分析,建立了空战目标威胁估计的离散模糊动态贝叶斯网络模型,并利用离散动态贝叶斯网络的直接推理算法进行了仿真计算.仿真结果表明,该方法得到的推理结果与理论分析完全一致,而且能够将各种并不显著的特征因素进行综合,使得各个特征因素间及不同时间片的同一特征因素相互修正补充.为空战威胁估计提供了一种有效而准确的方法.     

基于贝叶斯网络算法的空中目标可信度计算

文章在分析影响雷达探测准确性因素的基础上,分析空情雷达探测目标具有一定的误差。在信息化条件下的联合防空中,通过联合侦察预警判断来袭目标的种类和目标威胁度,已成为一种发展趋势。贝叶斯网络算法模型适应联合侦察预警的需要,为联合作战防空指挥员提供了分析判断空情信息的一种可行的方法。     

基于贝叶斯网络的装备损伤定位系统研究

分析了贝叶斯网络在装备损伤定位方面的优势,及其损伤定位的方法与流程,建立了用于装备损伤定位的贝叶斯网络模型,并开发了损伤定位系统。以某型火炮为例,演示了其损伤定位的一般过程,验证了贝叶斯网络在装备损伤定位中应用的可行性与有效性。     

基于贝叶斯网络的武器装备可靠性分析

针对复杂系统,尤其是国外进口武器装备可靠性判断的局限性,研究了一种基于贝叶斯网络的可靠性评估方法。结合系统连接逻辑与贝叶斯网络的映射关系建立了可靠性评估模型,并用该方法对机载吊舱和航空动力系统的可靠性进行了分析。结果表明,该方法不仅能够快速计算系统的可靠度,确定出某一组件(部件)对系统可靠性的影响程度,而且可以为其他进口装备的分析提供参考。     

基于BP神经网络的空中目标威胁排序

研究了BP神经网络算法对空中目标进行威胁排序的方法.水面舰艇对空防御作战中,舰载平台多传感器系统获得空中目标属性信息不完全,利用BP神经网络建立目标各属性权值的分配模型,通过大量的实例对模型进行训练,可以使所获得的空中目标属性信息得到充分利用,从而得到基本符合战场环境的客观的空中目标威胁排序.     

基于物元贝叶斯网的舰船损伤定位

在分析了物元理论和贝叶斯网理论的基础上,提出了结合主观概率信息和客观状态信息的物元贝叶斯网模型,并给出了物元贝叶斯网在损伤定位中的推理算法.舰船损伤定位的案例分析表明,该方法可以更加全面地融合战损装备的状态信息,使损伤定位结果更为准确.