共查询到20条相似文献,搜索用时 187 毫秒
1.
2.
基于BP神经网络的空中目标威胁排序 总被引:9,自引:0,他引:9
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. 相似文献
3.
4.
5.
威胁判断是进行有效攻击和有效防御的重要前提。针对目前威胁判断算法主观因素过强、没有考虑因素间的相互关系等问题,提出了基于战术分析的目标威胁判断算法。首先根据敌我识别和攻击意图对目标进行威胁等级划分,之后由目标的可攻性和目标的毁伤能力确定目标的攻击效能,根据目标的攻击效能对一级威胁等级进行威胁排序。该算法充分考虑了各个因素之间的相互关系,符合战术推理和战场实际情况。仿真表明,该算法能得到有效、合理的威胁判断结果,能满足对空中目标的威胁估计。 相似文献
6.
为适应变化的战场态势,研究了多无人机协同空战中的目标威胁评估算法和目标分配算法.利用一种新的计算方法对目标威胁矩阵进行确定,从而针对不同的空战态势进行威胁评估,以提高威胁评估的性能.利用所得到的威胁评估结果,采用基于态势的目标分配方法实现目标分配.所研究的目标分配算法不仅考虑敌机对我方威胁,同时还考虑了敌机的作战意图,使得我方能够实时准确的对敌做出目标分配.仿真结果表明所研究的算法能够完成多机空战中的目标威胁评估和目标分配,所研究的算法是有效的. 相似文献
7.
为适应变化的战场态势,研究了多无人机协同空战中的目标威胁评估算法和目标分配算法.利用一种新的计算方法对目标威胁矩阵进行确定,从而针对不同的空战态势进行威胁评估,以提高威胁评估的性能.利用所得到的威胁评估结果,采用基于态势的目标分配方法实现目标分配.所研究的目标分配算法不仅考虑敌机对我方威胁,同时还考虑了敌机的作战意图,使得我方能够实时准确地对敌做出目标分配.仿真结果表明所研究的算法能够完成多机空战中的目标威胁评估和目标分配,所研究的算法是有效的. 相似文献
8.
9.
10.
战场态势估计和威胁估计 总被引:19,自引:5,他引:14
描述了战场态势、态势估计和威胁估计的概念。对态势估计从态势要素提取、态势评估推理及态势预测三方面进行了分析,重点对态势评估中的功能领域如:目标合并、协同关系推理、战场主动权指数计算、作战能力评估、重要目标估计及敌战斗序列估计等的含义、内容和实现步骤进行详细阐述。对威胁估计的内容和主要功能也进行了描述。 相似文献
11.
12.
13.
基于云模型和改进熵权的空战多目标威胁等级评估 总被引:1,自引:0,他引:1
为了更加准确地评估我机在空战中所遭遇目标的威胁等级,提出了基于云模型和改进熵权的威胁等级评估方法。云模型可以很好地兼顾战场态势信息的随机性和模糊性,改进的熵权可以很好地弥补传统熵权在确定属性权重上的缺陷,更加客观地反映各指标因素间的现实关系,将两者结合在一起能够更加准确地对目标进行威胁等级评估。通过引入实例,对空中所遭遇目标的各指标进行了云模型转换,并采用改进的熵权为各指标赋予了合理的权重,最终得到了威胁等级对比云图,实现了威胁评估。实例仿真表明:基于云模型和改进熵权的方法是准确的、合理的。 相似文献
14.
15.
基于多属性目标决策的威胁评估排序模型 总被引:2,自引:0,他引:2
针对当前海战中对舰艇编队构成威胁的空中目标的特点,运用目标多属性理论探索对空中目标的威胁排序问题.提出了一种对空中目标进行威胁评估和排序的方法,并通过示例介绍了威胁评估和排序的求解过程.该方法有效地解决了目标威胁评估与排序问题,提高了舰艇编队防空作战能力. 相似文献
16.
空中目标的威胁值评估是指空中目标对所攻击的地(水)面目标可能造成的毁伤程度进行评价.在防空体系目标分配和火力分配中,只需确定空中目标威胁值的相对大小即可,即对空中目标进行威胁排序即对于单个要地空中目标的威胁排序.采用一种已知部分权重信息下的两阶段多属性决策方法对防空中的目标威胁进行评估,该方法将指挥员主观给出的部分权重信息和客观实际相结合,既充分利用了客观信息,又以方案的综合属性的形式进行尽可能满足指挥员的主观愿望,有效地达到两者的统一.最后给出了相应的算例分析证明了其可行性. 相似文献
17.
18.
量化目标威胁等级的改进 总被引:5,自引:0,他引:5
目标威胁等级评判是战场数据融合中决策系统进行系统资源分配或重分配的基础。建立了基于模糊理论的目标威胁等级评判函数,提出了利用层次分析法(AHP)确定目标威胁等级加权向量的方法,实现了对目标威胁等级的量化评判。 相似文献
19.
20.
为研究解决空战目标威胁评估问题时目标属性复杂、数据非结构化等问题,提高评估效率,提出图卷积网络(graph convolutional network,GCN)的解决方法,并引入改进的指标相关性权重确定方法(improved criteria importance through intercriteria correlation,ICRITIC),构建了基于ICRITICGCN的目标威胁评估模型。针对战场威胁目标的空间拓扑性和属性复杂性,利用图卷积网络在处理非欧式数据时的优势进行学习训练;针对传统方法在属性权重时过于主观的问题,ICRITIC法考虑属性之间的关联性及属性的信息量,客观分配属性权重。仿真结果表示,该算法在解决多目标威胁评估问题时,在处理效率、准确率等方面均有所提升。 相似文献