基于BP神经网络的空中目标威胁排序

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.     

基于神经网络和遗传算法对反装甲目标威胁度评估研究

针对威胁度估计问题和装甲车辆在战场上的实际情况,运用神经网络和遗传算法理论探索反装甲目标威胁度评估问题。基于BP神经网络模型的算法,利用神经网络良好的自适应能力和遗传算法强大的全局搜索能力,通过样本数据训练,提高了威胁度估计的准确性和适应性。经过验证该算法能够有效反应出反各种反装甲目标的威胁度,其稳定性、精确性也比较高。     

改进人工鱼群算法的小波神经网络模型

针对小波神经网络(WNN)算法方面的不足,提出一种基于改进人工鱼群算法(AFSA)的多分辨率WNN建模方法。该方法引入混沌初始化策略和免疫调节机制,用以克服基本AFSA存在的缺陷,并将改进后AFSA用于训练多分辨率WNN模型。仿真结果表明,所提出方法建模精度高,训练时间短,能较好控制早熟和局部收敛问题,用于复杂非线性系统建模是有效的,也是可行的。     

基于PLS特征提取的WNN装备保障性评估

为科学合理地评估装备的保障性水平,更好地发挥装备的作战使用效能,提出了一种基于偏最小二乘(PLS)的小波神经网络(WNN)装备保障性评估方法。该方法在系统分析基础上,构建了装备保障性评估指标体系;利用PLS提取诸多指标数据的主元特征;并利用获取的主元特征构建WNN模型,进而完成装备保障性评估。仿真结果表明,所提出方法的平均相对误差可达到0.009 6,比单一WNN模型评估效果有了改善,从而验证了它的可行性和有效性。     

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.     

基于优化神经网络的雷达波束分配方法研究

在多目标的跟踪过程中,自适应地分配雷达波束能够进一步提升雷达的工作效率.为了合理调度雷达波束跟踪目标,根据目标运动状态参数,建立了目标威胁度评估模型.该模型根据目标运动状态,包含类型、速度、加速度、航向角、高度、距离和干扰程度等;然后基于混合遗传粒子群优化算法改进了BP神经网络,分别采用运动状态信息和目标威胁度作为神经网络的输入和输出,建立了目标威胁度评估模型;算法根据威胁度的大小进行波束调度,并采用执行威胁率衡量波束调度的效果.仿真结果表明,该模型具有更高的预测精度,能够准确地实现目标威胁评估,在此基础上具有较好的波束调度效果.     

坦克火力运用智能系统目标威胁度评估模块

随着科学技术的发展,未来战争将有更多的智能化武器出现,坦克火力运用智能化将是坦克火力系统的发展方向,而目标威胁度评估是该系统的核心模块.应用BP神经网络建立了坦克目标威胁度评估模型,对影响因素进行了分析与预处理,并构造了3组训练样本.利用MATLAB7.0中神经网络工具箱的图形用户界面GUI对样本和影响因素进行训练、仿真.结果表明,BP神经网络模型能很好地解决坦克目标威胁程度与影响因素之间的非线性关系,评估坦克目标威胁度有很强的客观性和科学性,对未来坦克火力运用智能系统的建设具有一定的借鉴作用.     

基于改进人工鱼群算法的WNN优化设计

针对人工鱼群算法优化设计小波神经网络(WNN)的缺陷,引入了视野范围与步长的自调整策略,以提高搜索效率和收敛速度。改进后的人工鱼群算法可在WNN的搜索空间中同时确定参数初始值和隐节点数。仿真实例验证了其有效性。     

舰艇编队协同作战的空中目标威胁评估研究

从系统分析舰艇编队协同作战的空中目标威胁评估问题入手,深入研究了协同作战环境下编队空中目标威胁评估的基本过程。在此基础上,针对编队协同决策的特点,建立了基于两层决策的协同作战环境下编队空中目标威胁评估模型,从而提出了舰艇编队协同作战的空中目标威胁评估方法。最后,通过实例说明了所提方法的有效性。     

基于空中目标态势和作战能力的威胁评估算法

对空中目标进行威胁评估和目标分配是阵地防空指挥中心的一项重要工作,威胁评估的准确性将对防空作战的结局产生重大的影响。提出了一种新的威胁评估算法,在综合考虑空中目标态势和作战能力的前提下,分析了影响目标威胁评估的几个因素,并结合装备的战斗性能建立各函数的威胁度隶属函数,求出目标威胁度和排序,最后给出软件流程。     

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。     

空中目标威胁的ABC-RVM评估方法

为改善防空作战中对空中目标威胁的判断决策能力,提出了一种基于蜂群（ABC）算法和相关向量机（RVM）的空中目标威胁评估方法。从防空作战的实际出发,依据数理统计分析构建空中目标威胁指标体系;采用ABC算法优化多核RVM的相关参数,构建空中目标威胁评估模型。仿真分析表明,该方法是一种精度较高的空中目标威胁评估方法,在各项精度指标上均优于单一Gauss核或单一Sigmoid核的RVM方法,从而证实它的有效性和可行性。     

过失速机动的AUKF-WNN气动力建模及仿真

为使所建立的气动力模型能够准确刻画复杂动态特性,提出一种基于改进UKF算法的小波神经网络(Wavelet Neural Network,WNN)飞行数据失速气动力建模方法。引入一种自适应因子来改善无迹卡尔曼滤波(Unscented Kalman Filter,UKF)算法的性能;按照飞行数据的气动力建模流程,利用改进UKF算法对WNN参数进行最优化估计,构建失速现象的气动力模型。实验结果表明,针对飞行器失速的气动力建模问题,基于改进UKF算法的WNN建模方法,在建模精度和速度方面,优于传统神经网络和其他现有WNN方法,因此,使用提出飞行器失速的气动力建模方法是可行和有效的,得到预测结果也能准确刻画飞行器失速的动态特性。     

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。     

基于Vague集投影及距离的空中目标威胁评估方法

针对已有空中目标威胁评估方法存在的不足,提出一种基于Vague集投影及距离的威胁评估新方法。分析并确定了空中目标威胁因素中的评估指标,给出了评价指标的Vague值表示方法。在此基础上,应用Vague集投影及距离的多属性模糊决策理论,建立了空中目标威胁评估的数学模型,给出了目标威胁的排序方法。最后通过实例分析验证,该方法评估结果准确,对指挥员科学决策具有一定的参考价值。     

基于模糊MODM的空袭目标威胁评估

针对当前空中来袭目标的主要特点,运用模糊多目标决策(MODM)理论和方法,提出了一种空袭目标威胁评估方法。首先对影响空袭目标威胁程度的因素进行了分析;然后阐述了如何确定影响目标威胁评估的各个指标值;最后依据多目标决策方法,建立了在各指标权重值只有部分已知的情况下,目标威胁评估的数学模型,并通过示例介绍了威胁评估的求解过程。仿真结果表明,该方法有效地解决了目标威胁评估与排序问题,提高了防空作战效能。     

基于神经网络的装备维修资源保障能力评估

构建了维修资源保障能力评估指标体系。应用人工神经网络及BP网络的理论和方法,建立了维修资源保障能力评估的BP神经网络模型;提出了应用特尔菲法与层次分析法相结合确定各指标权重,并采用变权综合法思想构造神经网络训练样本的方法。最后进行了实例评估,结果表明该模型可较好地克服人为因素和模糊随机性的影响,具有很高的可信度。     

基于AFSA-WNN的Sallen-Key滤波器电路软故障诊断

为提高对Sallen-Key滤波器的软故障诊断能力,提出一种基于多分辨率变换与小波神经网络(WNN)的软故障诊断方法。该方法先引入多分辨率变换提取Sallen-Key滤波器电路的软故障特征,在此基础上,采用人工鱼群算法优化的WNN构建电路软故障诊断模型。仿真结果表明,与单纯的WNN相比,所提出方法对电路软故障的诊断性能更好,总正确率达到94.1%。从而证明该方法用于Sallen-Key滤波器软故障诊断是可行的,也是有效的。     

基于串联模型框架的目标威胁评估

针对防空武器系统防空作战特点,在对目标威胁程度影响因素分析的基础之上,运用模糊理论和多模型理论探索目标威胁评估问题。设计了一种基于串联模型框架的目标威胁评估方法,该方法采用3个基本模型,基于串联系统思想,经模糊推理融合,得到空中来袭目标的威胁程度。该评估方法层次分明、直观有效,能够较好地满足海上对空防御作战中对目标威胁评估的需要,为舰指挥员决策和防空武器系统火力分配提供一定的依据。     

标准化全连接残差网络空战目标威胁评估

针对空战态势中威胁评估传统方法存在缺乏自学习能力和面对大样本数据集推理能力不足的问题,提出了利用深度学习的基于标准化全连接残差网络空战目标威胁评估的方法。将影响空战目标威胁的主要因素作为输入,利用普通全连接神经网络训练模型的自学习能力,结合批量标准化(Batch Normalization)的优化算法和结构优化的残差网络(ResNet)增强网络的自学习能力,比较了样本的标记和网络模型的输出。分析了训练样本个数对网络训练准确率和损失变化的影响,对比了3种不同数据量下的训练模型在同一测试集下测试的准确率和损失变化。结果表明,该方法可以快速准确地评估空战中目标的威胁程度。