基于D-S证据理论的炮兵战场目标价值分析*

针对如何依据目标情报资料和作战任务需要合理评估战场目标的价值,选择需要射击的目标和确定优先顺序,建立了战场目标价值评价体系,提出了一种运用D-S证据推理理论对炮兵战场目标价值进行分析的新途径,该方法运用D-S证据组合公式对目标繁杂、不确定信息的融合,能够很好地消除目标信息的不确定性,从而将具有主观不确定性信息的目标价值分析问题转化为普通的确定性决策问题。通过实例证明了方法的有效性。     

基于D-S证据理论的多特征数据融合算法

Dempster-Shafer证据理论是不确定推理的一种重要方法,提供了一定程度的不确定性,可以指定给相互重叠或互不相容的命题,然后通过Dempster组合规则将不确定性信息在新证据中进行重新分布,该理论在许多方面都得到了广泛的应用.将来自图像传感器的多种图像特征,通过D-S证据理论将这些特征信息进行融合,并应用于目标的识别.实验结果表明D-S证据理论用于多特征数据融合的目标识别算法是有效的,基于该理论的多特征数据融合具有广阔的应用前景.     

D-S推理的炮位侦校雷达目标模糊识别

随着对战场透明度的要求越来越高,炮位侦察校射雷达不仅要快速准确侦察敌方炮位和校正己方射击,还应根据弹丸的飞行特性,确定发射弹丸的武器平台类型,从而为目标威胁判断和指挥决策提供支持.在基于D-S证据理论的基础上,应用模糊识别理论,通过对模糊隶属度进行重新分配,探讨了对炮位侦察校射雷达战场目标进行识别的算法,列举了具体的实例,实验结果验证了算法的有效性.     

基于灰关联分析的目标分级排序模型

信息化战争中,目标选择与打击环节是联合火力打击作战的关键一环。如何对目标系统进行分级排序,是目标选择与打击的核心问题。运用灰色理论中灰靶决策和灰关联分析等方法,结合层次分析法建立了联合火力打击目标分级排序模型,并给出了模型求解算例。     

车载反坦克导弹火力分配优化模型

在车载反坦克导弹指挥控制系统软件设计过程中,火力分配模型在车载反坦克导弹射击中具有极其重要的地位作用,而传统反坦克导弹射击主要是根据攻击区进行划分,并未涉及火力分配问题,这将直接影响车载反坦克导弹作战效能的发挥.而AHP层次分析法是解决火力分配问题的有效模型,根据车载反坦克导弹的作战运用特点,并结合AHP层次分析法理论,建立了反坦克导弹火力分配的优化模型.通过对模型的求解,证明该算法对于某型车载反坦克导弹作战单元火力分配问题切实有效.     

一种改进的海战场机动目标功能合群算法

海战场条件下及时准确地对敌方目标的进攻意图进行判断,从而对当前海域内的目标进行动态合群是海战场情报处理的一个重要研究方向,提出一种改进的海战场机动目标功能合群算法,该算法通过对当前时刻与之前多个探测周期内目标运动属性的对比,判断敌方的进攻趋势进而实现目标的合群.最后用一个剧本集对该算法进行了仿真研究,结果表明,本算法能够较以往的算法更早、更准确地发现敌方意图.     

量化目标威胁等级的改进

目标威胁等级评判是战场数据融合中决策系统进行系统资源分配或重分配的基础。建立了基于模糊理论的目标威胁等级评判函数,提出了利用层次分析法(AHP)确定目标威胁等级加权向量的方法,实现了对目标威胁等级的量化评判。     

基于本体论的战场机动目标表述方法

在信息化条件下的现代战争中,战场机动目标的有效表述成为分析判断战场态势的重要内容。用统一的理论方法与工具建立战场机动目标的完整表述,可以有力地保障与推动其后的战场态势估计与威胁预测。本文提出了利用本体论表述战场机动目标的方法,通过建立相应的本体六要素,将机动兵器目标本身的特征属性与相关军事知识结合起来,用统一的方式表述目标要素及相关要素之间的关系。以A型战斗机为例建立其相应的目标本体,并利用Protégé工具实现了该本体的建立,结果表明利用基于本体的方法表述战场机动目标效果更好,更利于后续工作的开展,初步证实了研究的必要性和可行性,并对后续的研究进行了展望。     

TBM模型的目标综合识别算法

利用电子支援措施(ESM)和光学成像传感器等不同类型传感器进行目标综合识别,是现代综合电子战中的一个重要研究课题。TBM是D-S证据理论的一个扩展模型,它研究了D-S证据理论的动态部分,从数据融合的角度来看,它是一种层次化的递进模型,尤其适用于需要逐层进行数据、特征或决策级融合的融合系统。提出了一种基于TBM模型的异类传感器目标综合识别算法,充分利用了电子侦察和光学成像侦察提供的独立、互补的信息,获得了对目标的有效识别。仿真结果证明了这种算法的有效性。     

目标识别系统中的一种多传感器数据融合算法

Dempster证据组合规则在D-S证据理论中具有十分重要的作用。但在将Dempster证据组合规则应用于多传感器数据融合时,理论上仍有值得探讨之处。在对Dempster证据组合规则进行分析的基础上,提出了解决目标识别系统中多传感器数据融合的“一次Dempster联合法”,避免了原有算法中需多次采用Dempster证据组合规则来计算的问题,从而减少了计算量。