基于蚁群算法的舰艇编队多目标识别模型

现代海战中,舰艇编队面临的威胁目标复杂多样,正确识别目标是做出准确的军事决策的前提。基于蚁群算法的并行最优化特点,引入近邻函数,将目标识别问题转化为最优化聚类问题,提出了一种新的多目标识别算法。实验结果表明此方法是有效的,具有一定的军事现实意义。     

基于支持向量机的多分类军事目标识别应用

针对现代战场信息化程度的不断提高,电磁环境日趋复杂,侦查目标难以准确地识别情况,提出了运用支持向量机多分类器对军事侦查目标进行有效识别.结构风险最小化地支持向量机分类方法是小样本情况下统计机器学习的经典,具有速度快、泛化能力强等特点.用该算法建模军事目标的识别问题,达到了较高的识别准确率.所以应用在对侦查目标的识别上具有良好的效果,在军事应用上有较广阔的前景.     

改进的YOLOv5地面军事目标识别算法

针对战场复杂背景下地面军事目标识别算法性能较低的问题,提出一种基于并行注意力机制的PAL-YOLO地面军事目标识别算法。该算法在自建地面军事目标数据集下,对目标的锚框进行重新聚类;在网络的Backbone中加入通道-空间并行注意力机制模块,提升目标特征提取能力;通过采用Alpha＿IoU对目标识别分类器的损失函数进行改进,加速模型收敛。结果表明,改进后的算法在保证模型空间复杂度的同时,mAP值提升了6.4%,FPS提升6%。     

基于Dempster组合规则的电子目标识别算法研究

在军事目标识别中,必须综合考虑目标的电磁辐射信息和红外图像信息,并采用有效的识别算法,才能准确识别电子目标。提出了基于Dempster组合规则的电子目标综合识别方法,完成了基于Dempster组合规则的电子目标自动识别综合处理算法研究,并进行了仿真实验,试验结果表明,该算法是可行的。     

贪心遗传算法解决一般武器-目标分配问题

一般武器-目标分配问题,是使武器发挥最大效能而使目标遭受最大毁伤的最优化问题.遗传算法广泛用于解决最优化问题.提出一种具有贪心优化机制的局部搜索方法,以提高遗传算法的搜索效率,从而迅速找到全局最优解.应用于炮兵武器-目标分配问题的仿真试验结果表明,此算法比现有的其他搜寻算法具有更好的求解效率.     

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.     

针对军事集群目标的YOLOv3改进算法研究

YOLOv3目标检测模型对于巡飞弹作战中的军事集群目标存在可能漏检紧邻目标的问题.改进算法以YOLOv3为基础,对其候选框选择算法采用的非极大值抑制(NMS)引入惩罚函数,实现soft-NMS,从而减少紧邻目标识别边框被误删的概率.同时针对军事目标数据稀缺的情况,对数据的预处理采用k-fold交叉验证策略,抑制过拟合现象,充分训练模型.实验结果表明,改进算法后对集群目标的检测效果要好于原YOLOv3,其准确率提高了3.14％,召回率提高了17.58％,符合巡飞弹作战中对目标检测精度指标的要求.     

基于支持向量机的多目标分类和识别

支持向量机(SVM)算法广泛应用于模式识别等领域,但是SVM最初是针对二类别分类提出,在多分类识别中稍显逊色。对将SVM由二分类扩展到多分类的算法进行了研究,发现有向无环图(DAG-SVM)是其中用的最多的算法之一。因此,针对军事领域图像的多目标分类,选择有向无环图算法来实现军事图像中单兵、装甲、低空等多目标的分类识别。     

军事领域细粒度识别技术与应用

战争的信息化程度不断加深对军事侦察提出了更高要求。军事目标识别作为军事侦察的主要任务之一,需要能够处理细粒度军事目标,为人员提供更加详细的目标信息。但传统的粗粒度目标识别方法无法得到目标的细粒度信息。因此,如何识别细粒度目标成为目前军事侦察亟需解决的问题。针对该问题,本文结合军事领域的实际需求,对细粒度识别技术的发展现状进行了分析,提出了军事领域细粒度识别技术应用流程的数据集构建、模型设计和终端部署三个阶段,同时,从无人机侦察、遥感侦察和单兵侦察三个方向分析了细粒度识别的应用前景。经过分析,军事领域细粒度识别技术已经具备实际运用条件,具备良好的应用价值。     

基于VD-AiNet聚类算法的空袭目标类型识别

针对防空反导作战中空袭目标类型识别问题,在分析空袭目标的主要类型、识别指标及其识别原则的基础上,将人工免疫算法中矢量距人工免疫网络聚类算法应用于抗体样本训练模块,并建立了抗体训练和目标识别的并行决策模型.最后进行了算例验证,结果表明了算法和模型的可行性和有效性.