基于神经网络模糊融合技术的潜艇声纳目标识别系统

将神经网络和属性层模糊数据融合技术应用于潜艇水下目标识别是解决潜艇声纳目标识别问题的有效途径。本文建立了声纳目标识别系统的结构模型和算法模型,设计了一个基于神经网络属性层模糊数据融合的目标识别系统,研究了将噪声信号功率谱和双谱用于目标识别,并进行了仿真,验证了该系统的可行性和有效性。     

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。     

深度多属性增强水声目标识别方法

被动声纳系统由于其隐蔽性好的特点在军事任务中发挥着重要作用。针对被动水声目标识别问题,开展了水声目标多属性特征提取与识别方法研究。利用深度学习方法从舰船辐射噪声中提取目标多属性特征并识别水声目标。提出了深度多属性增强水声目标识别方法,该方法可以从时域舰船辐射噪声中提取水声目标多属性特征及多属性之间的相关性特征,并用来增强深度模型对水声目标类别属性的表达能力。基于海试实测数据的6类水声目标识别实验结果表明,相比于不考虑多属性的识别方法,提出的深度多属性增强水声目标识别方法的平均正确识别率提高了3.6%~18.2%,并且具有更好的识别稳定性。     

基于模糊灰关联度的空袭目标属性识别

结合灰关联分析和模糊理论,建立了一种模式识别方法。在此基础上提出了基于模糊灰关联度的空袭目标属性识别模型,利用实例说明了模型的可行性。     

雷达辐射源识别的算法研究

针对现有雷达辐射源识别算法的不足,探索雷达辐射源数据库识别的新算法。运用属性测度理论建立了雷达辐射源属性识别模型,结合距离算法、灰关联算法和神经网络样本训练思想,设计出基于属性测度模型的雷达辐射源属性识别算法。通过仿真验证,该算法兼具识别准确度高和识别速度快优点,实用性较强。     

基于层次分析法的目标属性识别模型

空中目标的属性识别是一个复杂问题,在火力单元级进行目标识别只能根据上级指挥所或和目标指示雷达传来的目标信息和从相控阵雷达中给出的目标特征信息中提取关于空中目标的信息,对目标进行识别,并能对自动识别目标进行监视。如何快速准确地识别目标属性是当前防空指挥自动化所必须解决的问题。给出了影响目标属性识别的主要因素和各因素判断目标属性的模型,给出了基于层次分析法综合识别目标属性模型,定量地给出了综合识别空袭目标属性值,在一定程度上避免了属性识别的主观性。最后用实例验证了该模型的可行性和合理性。     

基于多信息源的潜艇目标融合识别系统研究

介绍了目标属性融合中的三种融合结构,并对潜艇获得目标属性信息的多信息源进行分析总结,提出了在潜艇目标融合识别系统中,采用决策级融合结构进行目标融合识别的方法,并对潜艇决策级融合识别过程进行了简要的分析说明.     

基于模糊二叉树支持向量机的空袭目标属性识别

针对现有空袭目标属性识别方法存在的不足,提出了一种基于模糊二叉树支持向量机的空袭目标属性识别技术。该方法充分发挥了模糊二叉树支持向量机解决二类分类问题的优势,有效地提高了识别率和识别速度。最后给出了与现有识别方法的比较结果,证明了该方法的有效性。     

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.     

基于运动状态和敌我属性的空中目标融合识别

研究了基于实时跟踪器的空中目标航迹身份识别问题。从分析目标运动状态和敌我属性的不确定性出发 ,建立了空中目标身份统计模型 ;根据建立的模型 ,通过采用Dempster Shafer证据理论方法 ,对空中目标进行融合识别。仿真实验结果证明了模型和算法的有效性。     

基于粗集理论证据加权的电子目标识别法

在对电子目标进行识别时,往往采取多传感器融合的D2S证据理论进行处理,但是由于传统的D2S证据理论中各传感器对识别结果的重要性没有区分,基于此将粗集理论属性重要度概念应用到各传感器的重要性上,从而实现加权融合的证据理论。仿真实验及其结果表明该方法对电子目标识别是有效的,尤其在传感器受到干扰时,具有较强的现实意义。     

空间预警系统建立导弹目标优先级的多属性决策

空间预警系统在多传感器多目标的情况下需要传感器调度,而建立目标优先级是有效进行传感器调度的第一步。由星载传感器所得图像对目标特征进行估计具有很大的不确定性,直接影响到导弹目标优先级的建立。首先通过作战分析确定出导弹目标的主要属性,采用层次分析法评价属性的权重,然后在不确定的条件下对属性求期望值,使用3种多属性决策方法评价导弹目标的威胁程度,最后取期望值作为导弹目标的威胁评价。正交实验结果表明算法具有很强的实时性和实用性。     

基于主成分分析和神经网络的目标识别

采用主成分分析法将多项识别属性进行综合聚集,减少关联属性对识别的干扰,达到属性约简的目的。利用神经网络进行目标识别,通过优化训练策略,可以提高网络的收敛速度和泛化能力。主成分分析法与神经网络结合既能高效识别已知样本,又能对未知样本具有很强的自学与适应能力,从而有效地对海战场目标进行识别。通过对比仿真,证明了算法的有效性。     

基于累积前景理论的时间矩阵多属性综合评判模型

针对动态多属性方案排序优选决策问题,提出了一种基于累积前景理论的时间矩阵序列动态多属性综合评判系统模型。依据累积前景理论,将时间矩阵序列动态多属性决策转化为关于属性期望的益损时间矩阵序列动态决策,综合考虑各属性权重、各时间点的权重,计算各方案的最终综合前景值,并依据其大小对方案进行综合评判排序。最后给出了一个决策实例。     

基于模糊多属性决策的装备维修行为选择

针对装备保障行动中维修行为决策在实践中存在的问题,借助于多属性决策方法和模糊理论,提出基于模糊多属性决策的装备维修行为决策,在分析装备维修行为的影响因素和约束条件的基础上,建立了装备维修行为决策的模型方法,并进行了实例分析。研究表明,该方法能有效降低维修保障费用、缩短维修保障时间和提高维修保障效率。     

粗糙集理论在装备保障训练效果评估中的应用

装备维修保障训练效果评估中最关键的步骤就是评估指标体系的构建及优化,为了克服传统评价方法中存在指标关联性大和权重确定主观性强的问题,将粗糙集和信息熵理论引入装备维修保障训练效果评估领域。采用信息熵的算法对连续指标离散化,基于粗糙集区分矩阵的方法对指标体系进行属性约简,降低了模型的复杂性;在此基础上提出了粗糙集属性重要度和AHP法相结合确定指标权重的方法,进而通过专家评议应用于训练效果评估实例,得到了较好的评估效果,为装备维修保障训练评估提供了新的参考方法。     

一种高效的不协调决策表约简算法

目前,不协调决策表的分布约简、最大分布约简和分配约简算法复杂度较高,不适合处理大数据集。在分析已有算法基础上,分析了基于相对可区分度的属性重要性度量的性质,解决了正域度量属性重要性的缺陷。针对不协调决策表,给出了多种简化协调决策表的定义,从而大大缩减了约简的实例数。以相对可区分度为启发函数构造了一种高效完备的不协调决策表约简算法。理论分析和实验结果表明,该约简算法解决了现有算法在复杂度和属性重要性度量上的缺陷,适合处理不协调的大数据集。     

基于ELECTRE方法的模糊多属性决策

针对传统ELECTRE法的弱点,将ELECTRE法拓展到了模糊环境下,得到一种解决模糊多属性决策问题的新方法,决策评估中涉及到的属性值与属性权重值等模糊信息以三角模糊数形式给出。首先集结决策者对各方案属性的评价,确定出模糊决策矩阵;其次根据信息熵原理,求解出三角模糊数型的属性权重向量;最后给出新的模糊ELECTRE方法的决策步骤。新方法既具有统一的表达形式,又克服了传统方法中和谐性与不和谐性之间具有一定相关性的缺陷。新方法计算简单,给出的实例验证了此方法的可行性和有效性。     

基于粗糙集的装备维修信息属性约简算法

分析了装备维修信息的概念和组成,将粗糙集理论应用到装备维修信息处理中,结合信息熵和互信息的定义,界定了一种新的属性重要度,并将其作为启发信息,提出了改进的基于属性重要度和互信息的属性约简算法,并通过对装备维修信息约简,进行了算法验证。实验结果表明:所提出的算法精度较高,得到的结果比较符合实际,能够为装备维修保障提供决策依据。