部分权重信息下两阶段决策方法的威胁评估

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.     

基于多属性目标决策的威胁评估排序模型

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.     

依据部分属性值的空中目标威胁快速排序方法

针对空中目标威胁排序问题,提出了一种依据部分属性值即可对目标威胁进行快速排序的方法.首先选取具有代表性的样本数据作为案例库;然后确定条件属性和决策属性,在利用K-均值聚类算法对决策属性进行离散化后,提出了一种针对连续条件属性值的全局离散化方法,并对离散化后的案例库进行属性约简并得出决策规则;最后将待排序目标各属性值进行...     

基于BP神经网络的空中目标识别

空中目标识别是防空作战辅助决策的关键环节之一。根据空中目标的各种属性,建立基于BP神经网络原理的空中目标识别模型。利用MATLAB神经网络train函数训练采集的样本数据,得到稳定的权值和阈值,为后继的目标识别提供依据。该模型利用神经网络的记忆、联想、容错功能,进一步提高空中目标识别的稳定性和可信度。降低了个别传感器误判而造成的目标识别错误概率。     

基于组合权重的目标识别系统威胁评估

现代信息战场中,对敌方的目标识别系统进行有效干扰,是增强我方、打击敌方的有效手段。对敌方的目标识别系统进行有效的威胁评估,有助于指挥员的决策以及对干扰资源的优化配置。借鉴空中目标威胁评估常用方法,提出对敌方目标的敌我属性识别系统进行威胁评估的方法。首先选择合理的威胁评估指标,然后对指标数据进行规范化处理,利用信息熵法求解威胁评估的客观权重与改进的层次分析法求解出的主观权重加权得到组合权重,运用灰关联分析法进行威胁评估和排序,最后用实例验证方法的有效性和合理性。     

基于RBF神经网络的空中目标识别技术

空中目标识别的正确与否对防空火力的部署、分配及有效打击有着重要的意义。利用径向基函数(RBF)神经网络逼近非线性的空中目标识别模型。在RBF神经网络空中目标识别模型中,输入向量是雷达探测到的空中飞行目标的6种目标属性,输出向量是空中飞行目标的类型。通过Matlab的数据仿真结果与传统的BP神经网络目标识别模型相比,该模型的误差更小,可以有效地提高空中目标的识别率。     

基于不确定多属性决策的空中目标威胁评估技术

针对现有空中目标威胁评估方法存在的不足,提出了一种基于不确定多属性决策的威胁评估技术,建立了威胁评估的属性体系,考虑了目标战术机动和指挥员主观决策对威胁程度的影响,分析了属性最优权重的求取方法,给出了基于区间数相对优势度的目标威胁排序方法.最后给出了一个应用实例,实例证明,该技术合理有效,评估结果准确,能有效减小误差.     

基于组合权重的灰色目标威胁评估

对空中来袭目标的威胁评估能为指挥员判断战场态势、合理分配火力单元提供有效的参考。目标的威胁评估需要得到雷达等传感器获取的相关信息,通过一定的算法,给出目标的威胁度排序。然而由于传感器获取的信息具有一定程度上的不确定性,完全依赖客观信息,往往与事实产生偏差。为此提出了一种主客观组合赋权的评估模型,对评估指标进行差异化赋权,在评估模型中加入指挥决策人员的经验影响,最后利用灰色理想关联法得到最终的威胁度排序。     

基于粗糙集的空袭目标威胁评估排序

通过对影响空袭目标威胁排序因素的分析,针对定性与定量因素并存的情况,提出利用粗糙集理论进行威胁排序的方法.将已有决策表转化为成对比较表,利用优势属性集来推理决策规则,从而确定各目标的排序.案例表明此方法有效地解决了空袭目标威胁排序中的如何处理不确定信息的问题,大大提高了决策的准确性和客观性.     

灰靶理论的空中目标威胁评估与排序

对空中目标的威胁程度进行科学的评估与排序是防空指挥的重要环节,是防空指挥员进行火力分配的主要依据,也是防空指挥自动化系统的重要功能之一.灰靶理论是处理模式序列的灰关联分析理论,其核心概念是靶心度,可以依据靶心度进行模式分级.分析了影响空中目标威胁程度的主要因素,并基于灰靶理论建立了空中目标威胁评估与排序的数学模型,提出了应用灰靶理论进行威胁评估与排序的方法,为防空指挥员进行科学决策提供了理论依据.     

基于BP和Hopfield神经网络的航空肼燃料保障安全评价

针对航空肼燃料保障安全评价的复杂性和非线性,提出并建立了基于BP和Hopfield神经网络的动态安全评价模型。在综合分析国内外肼燃料保障安全评价的基础上,针对航空肼燃料保障过程中出现的问题,构建并优化了指标体系,选取前馈神经网络中的BP网络和反馈神经网络中的Hopfield网络建立评价模型。在详细说明了BP和Hopfield神经网络的构建方法后,进行实例验证,并对预测效果进行了比较分析。仿真表明,两种模型都能正确评价安全保障状态。但在收敛速度、联想记忆功能方面Hopfield神经网络优于BP神经网络。将BP和Hopfield神经网络用于肼燃料保障安全评价过程中,具有适用性和可行性,对于航空肼燃料保障的安全建设与安全管理研究具有重要意义。     

合成分队火力分配自适应决策模型研究

针对合成分队武器和打击目标种类多样,战场态势变化迅速的特点,提出了一种火力分配自适应决策模型。该模型在火力分配中加入满意度函数以提高整体火力打击效率,根据各决策单元评估信息通过灰色关联法获得目标价值,根据目标类型和特点通过BP神经网络自动选择适合打击武器,通过GM(1,1)模型预测目标状态指标并结合相应的影响因素预测命中概率。仿真实例表明,自适应火力分配模型能够依据态势变化信息调整火力分配模型参数,获得更加合理有效的火力分配结果。     

基于改进萤火虫优化算法的BP神经网络目标群威胁判断

以舰艇防空作战目标选择决策和规划需求为背景,针对萤火虫算法求解精度不高且收敛速度较慢的问题,提出可动态调整步长的改进萤火虫优化算法。在改进萤火虫优化算法的基础上,建立基于改进萤火虫优化算法的BP神经网络目标群威胁判断结构模型。通过改进萤火虫算法优化BP神经网络的初始权值和阈值,能够更好地预测测试集。实验结果表明,该方法可快速、准确地实现目标群威胁判断。     

基于BP神经网络的装备故障诊断专家系统研究

分析了神经网络和专家系统的特点,提出了基于BP神经网络与专家系统结合的某装备的故障诊断方法,构造了BP神经网络的装备故障诊断专家系统的诊断模型,克服了传统专家系统在知识获取和表达的薄弱环节,并用了某型装备的故障实际数据进行了验证,结果表明了神经网络与专家系统结合是一种有效的诊断方法。     

低气压环境下柴油机涡轮增压器转速实车估算方法

针对涡轮增压器转速实车测量中存在安装困难、精度低的问题,提出了利用RBF神经网络和BP神经网络估算涡轮增压器转速的方法。分别建立了基于RBF神经网络和BP神经网络增压器转速估算模型,通过与台架试验测试样本比较,模型误差分别2.25%和2.27%。同时,RBF神经网络较BP神经网络,具有训练次数少,收敛速度快、结果稳定的优点,更适合实车涡轮增压器转速估算。     

BP人工神经网络的应用及其实现技术

简述了BP人工神经网络的算法原理 ,利用Batchnet程序对一个三层BP人工神经网络进行了设计 ,应用Matlab中人工神经网络工具箱设计了一个用于函数逼近的BP人工神经网络 ,最后 ,运用Matlab中可视化工具Simulink对一个BP人工神经网络例子进行了仿真 ,通过例子 ,探讨了BP人工神经网络的应用并介绍目前几种实用的BP人工神经网络实现技术 .     

基于滤波与BP神经网络的水下探测信号检测算法

针对水下探测系统探测船舶磁场信号时信噪比较低的问题,首先根据磁异常信号的频域特征,设计了约束最小二乘FIR滤波器,通过对含噪信号进行带通滤波,滤除高频噪声;再采用BP神经网络对低频分量进行学习,提取船舶目标特征信号。将该算法应用于船模实测实验,结果表明:该算法可以显著提高信噪比,增强对船舶磁场信号的检测能力。     

The SSA-BP-based potential threat prediction for aerial target considering commander emotion

The target's threat prediction is an essential procedure for the situation analysis in an aerial defense system. However, the traditional threat prediction methods mostly ignore the effect of commander's emotion. They only predict a target's present threat from the target's features itself, which leads to their poor ability in a complex situation. To aerial targets, this paper proposes a method for its potential threat prediction considering commander emotion (PTP-CE) that uses the Bi-directional LSTM (BiLSTM) network and the backpropagation neural network (BP) optimized by the sparrow search algorithm (SSA). Furthermore, we use the BiLSTM to predict the target's future state from real-time series data, and then adopt the SSA-BP to combine the target's state with the commander's emotion to establish a threat prediction model. Therefore, the target's potential threat level can be obtained by this threat prediction model from the predicted future state and the recognized emotion. The experimental results show that the PTP-CE is efficient for aerial target's state prediction and threat prediction, regardless of commander's emotional effect.     

基于神经网络和功率谱的水中目标信号检测方法

将功率谱和神经网络相结合,应用于高海况、低信噪比条件下,水中目标信号的特征提取中.文中首先对信号进行功率谱估计,利用目标信号功率主要集中在低频部分的特点,提取低频信号的能量作为特征,然后利用人工神经网络对目标信号进行检测.利用不同浪级情况下海洋水压场的仿真信号数据,对某型目标舰船的水压信号进行了检测计算,验证了该方法的有效性,尤其是达到了在高海况、低信噪比条件下,对目标信号检测率比较高、虚警率比较低的效果.