空中目标战术机动类型的实时识别

空中目标的战术机动类型是识别其战术意图的重要依据.根据空中目标战术机动类型的特点,采用时间序列编码表示空中目标战术机动类型,推导了空中目标转向机动的判据,提出了机动动作之间的相似度计算模型,建立了空中目标战术机动类型的识别算法.最后提出了识别算法的仿真验证方法.     

基于HMM的机动目标识别

利用弹载高重频脉冲多普勒体制雷达所能获得的目标运动特征(加速度、加速度的变化率),将目标的机动性能与隐Markov模型(HMM)有机地相结合,提出了一种基于隐Markov模型(HMM)的动目标跟踪识别方案,并分析了其在不同条件下的有限识别能力。     

基于OKNN的目标战术意图识别方法

战术级意图识别为指挥员理解战场态势,制定接下来的作战计划提供辅助决策。意图识别模型的构建是态势分析过程中实体行为建模的难点之一。针对传统战术意图识别方法中战场态势不确定性的集成与传递,以及推理模板固化问题,在以获取目标动态作战知识用于解释敌方作战行动过程中行动要素的基础上,构建了目标战术意图推理框架;根据作战计划制定特点,提出了基于作战知识神经网络(operation knowledge neural network,OKNN)的目标战术意图识别方法。OKNN以空中目标群为单位,通过实时动态建立基于作战知识的实体片段集来增强模型推理的灵活性,模型基于经验的训练样本计划库,可动态自适应的调整目标战术意图空间分布结果,大大消减了不确定性的集成与传递。最后通过仿真实验验证了模型的有效性。     

基于动态时间规整算法的车辆目标分类研究

将动态时间规整(Dynamic Time Warping)算法应用于地面车辆目标的分类识别中。基于微多普勒效应原理,建立了轮式车辆和履带式车辆雷达回波模型,对两种车辆目标微多普勒信号的差异性进行了分析,并结合实测数据,验证了理论分析的正确性。在杂波抑制及速度归一化处理的基础上,利用动态时间规整算法,将提取出的车辆目标的累积失真距离作为目标分类识别的依据,实现了轮式车辆和履带式车辆的自动分类。基于实测数据的实验结果表明,该方法在不同信噪比条件下都具有较好的分类性能。     

基于动态时间规整下密度聚类的轨迹识别研究

为使地空导弹兵模拟训练系统获得的目标机动轨迹更加贴近实战、更有依据性,考虑对演习训练产生的轨迹数据进行分析,设计了DBSCAN(Density-Based Spatial Clustering of Applications with Noise,针对有噪声数据的基于密度的空间聚类)预分类的DBSCAN改进DTW(Dynamic Time Warping,动态时间归整)聚类算法来分析机动轨迹.并与未预分类的DBSCAN改进DTW聚类算法进行对比,发现其运行效率和分类准确度方面均较优.同时分析了数据结构和算法的参数对分类效果的影响,发现数据规模越大,DBSCAN预分类的DBSCAN改进DTW聚类算法的优势越明显.通过仿真得到了使DBSCAN预分类的DBSCAN改进DTW聚类算法发挥最高效率的参数.     

基于双驱动模型的目标机动行为识别方法

针对目标样本数据和行为知识匮乏、不平衡对空中目标飞行机动识别带来的难题,提出了一种基于数据与知识双驱动的智能化识别方法。采用集成学习的思想将数据驱动的深度学习模型和知识驱动的推理模型融合,既可以弥补推理模型在复杂环境下表现不佳的不足,又可以增加深度学习的可解释性和鲁棒性。利用仿真对比实验验证所提方法的有效性,结果表明：所提算法对目标机动行为识别能力优于仅基于知识驱动或仅基于数据驱动的单驱动系统,准确率达到90.1%。此方法大幅提升了对复杂环境的适应能力和识别准确率,对目标机动行为识别有重要工程应用价值。     

基于属性测度理论的辐射源识别

针对复杂电磁环境下辐射源识别困难的问题,提出了基于属性测度理论的辐射源识别方法。介绍了属性测度理论的相关知识,详细分析了属性识别模型,列出了基于属性测度的辐射源识别算法并给出了识别模型。最后通过仿真实验验证了此算法能有效处理辐射源信号参数的不确定性和模糊性,辐射源识别率优于经典的模板匹配法识别率。     

基于属性散射中心的SAR图像重构及在目标识别中的应用

提出基于属性散射中心重构的合成孔径雷达(SAR)图像目标识别方法.该方法采用邻域匹配算法构建测试图像散射中心集与对应模板散射中心集的对应关系.并分别利用所有的测试散射中心以及匹配的模板散射中心基于属性散射中心模型重构测试图像和模板图像.在此基础上,设计重构图像之间的相似度度量并根据最大相似度的准则判定目标类别.利用MSTAR数据集在多种条件下进行了目标识别实验,验证了所研究方法的有效性.     

基于支持向量机的多传感器空中目标识别研究

针对空中目标识别的复杂性,将支持向量机引入对空中目标的多传感器识别,对其机理进行了详细分析,建立了基于支持向量机的空中目标识别的算法模型.仿真实验的结果表明,该方法具有很好的识别效果,并且是一种能在训练样本很少的情况下达到很好分类推广能力的学习算法.     

一种雷达辐射源识别自学习算法研究

针对目前雷达对抗系统面临的辐射源识别精度不高、智能化水平低的特点,将自学习理论引入到雷达对抗系统中。提出了基于遗传算法(GA)的自学习算法实现雷达辐射源智能识别的方法。实验表明:在使用相同的特征参数"前件"条件下,通过这种自学习方法得到的正确识别率高于其它识别方法。     

基于目标结构特征像的SVM目标识别方法

针对支持向量(SVM)对目标高分辨一维距离像(HRRP)识别率和稳定性不高的问题,研究将目标分解理论推广应用于对目标极化散射矩阵的分解,求得了目标结构特征像.在分析研究SVM的训练和测试方法的基础上,采用SVM通过结构特征像对两实验目标进行分类识别,结果表明,基于目标结构特征像的SVM目标识别方法能够提高目标正确识别率,且其稳定性较好.该方法是一种有效的目标识别方法.     

基于异态集成学习的飞行目标辅助识别模型

对飞行目标类型的准确识别是空中作战意图识别的前提和基础。针对当前各类识别模型在训练样本较少时,较难同时获得模型的稳定性和较好的泛化能力且在线学习能力较差的问题,提出了一种基于异态集成学习的飞行目标辅助识别模型,将k近邻学习模型与BP神经网络模型进行整合,使模型兼具训练稳定性与较好的泛化能力;通过算法设计,模型具有了整体动态更新的能力。基于某作战仿真系统完成飞行目标识别实验,对比了该模型与各类模型的性能表现。实验结果显示所提出的模型识别正确率稳定在90%左右,且在个体学习器的基础上至少提高2%。     

用于雷达监视的贝叶斯及登普斯特－－谢弗目标识别法

本文探讨了雷达监视系统中目标航迹的识别问题,为了跟踪器旁边建立目标识别器,这里使用了可用于空中监视系统实时处理的四个特征:从敌我识别系统(IEF)得到的目标标识符(TID).来自雷达的仰角量测、目标速度以及跟踪器估计的加速度。将这四个特征组合起来,可将空中目标分成五类:友方商用目标、友方军事目标、敌方商用目标(或未知目标)、敌方军事目标及假目标(雷达杂波)。两种流行的基于统计的技术,即贝叶斯和登普斯特——谢弗方法,用于开发本文的雷达目标识别算法。真实及仿真的空中监视雷达数据用于评估雷达监视系统的这种航迹识别方法的适用性及效能。     

基于D-S理论的多传感器空中目标识别

针对当前空中目标识别的特点,探讨基于D-S理论的多传感器空中目标识别方法.设计了一套多传感器空中目标识别算法.详细推导了该算法,对"未知度"的概念进行了扩充,让其涵盖了部分不可求的逆命题,并结合具体实例对其应用进行了验证和分析.分析表明,该算法能够较好地识别空中目标.灵活确定"未知度",适当扩充"未知度"的概念,可使一些复杂问题简单化,通过较少地运算达到预定效果.     

多DSP并行的神经网络集成目标识别法

针对分布式信息融合结构、异质传感器条件下的目标识别问题,提出了基于多DSP并行结构的神经网络集成目标识别方法.给出了生成神经网络集成的具体方法,并构造了一个实际的空中目标识别硬件系统.结果表明,系统的目标识别性能明显优于单个神经网络的目标识别性能,且识别目标的速度很快.     

一种基于支持向量机的无源雷达目标识别方法

针对传统的无源雷达目标识别系统存在的不足,提出了一种新的基于模式识别的目标识别方法。在提取雷达辐射源信号熵特征的基础上,设计支持向量机(SVM)分类器完成目标的分类识别。理论分析和实验结果表明,提出的方法在较大信噪比范围内均能获得比较满意的识别率及识别效率,优于传统的基于常规特征参数的识别方法。     

无监督神经网络的潜艇对空战术意图识别

传统的通过遥感系统获取空中目标信息,解析出目标战术意图的方式,需要大量的专家评估计算网络节点及权重,具有速度慢,耗费大等缺点。为了降低潜艇对空战术意图识别时间,发挥无监督学习神经网络的计算能力。利用遥感获取的空中目标属性与目标战术意图形成训练样本训练神经网络,获得输入目标属性的阈值及竞争层神经元间的关系,建立输出函数,识别空中目标的战术意图。仿真结果表明,竞争神经网络与自组织特征映射(SOFM)神经网络训练的测试样本的输出值与真实值相对应,准确度较高。     

空中大机动目标跟踪算法研究

为了解决在导弹末制导阶段对空中大机动目标的准确跟踪问题,将交互式多模型(IMM)及容积卡尔曼滤波(CKF)算法应用于导弹寻的制导中。首先,在三维空间中对大机动目标进行建模分析,并建立相应的导弹制导模型及导引头测量模型;其次,结合IMM模型与CKF方法设计了目标跟踪算法;最后,通过仿真验证了该算法对空中大机动目标跟踪的准确性,结果表明该算法在实时性方面也具有一定的优势,适合用于弹载计算机。     

基于关联离散度的目标类型识别方法

针对空中作战空中目标识别问题,在分析影响目标类别因素的基础上,提出了一种基于关联离散度的空中目标灰色识别方法。该方法采用灰色理论,通过应用定义的关联离散度作为识别测度,因而在无需对现役雷达作太多技术改进的情况下,就可以提高低分辨雷达对空中目标粗略分类的自动判别能力。给出了应用该方法的具体步骤,通过仿真实例证明该算法的有效性。     

基于模糊推理的机动目标自适应多模型跟踪算法

针对当前空中来袭目标的主要特点,运用模糊理论和多模型理论探索空中机动目标跟踪问题,并设计了一种模糊自适应多模型(FAMM)目标跟踪算法,该算法采用五个基本模型,以加速度估值作为模糊推理系统的输入,经模糊推理融合得到系统状态和方差的估计值以及下一时刻的滤波模型(最多三个).经Monte Carlo仿真研究,与IMM算法相比较,该算法不仅在目标弱机动或不机动条件下,而且在复杂机动时能更稳定、精确地跟踪目标,较好地满足了海上对空防御作战中跟踪机动目标的需求.