某型机载雷达抗干扰效果评估软件实现

抗干扰效果评估软件系统是电子对抗试验环境系统的重要组成部分,是机载雷达抗干扰效果评估系统的核心,在靶场电子对抗试验环境建设中具有重要作用和地位.采用软件工程设计方法对该雷达抗干扰评估软件系统进行了概要设计,建立了评估软件系统的评估模型、模块结构、逻辑流程和主要人机界面,基于VB.net进行了抗干扰效果评估软件系统的初步设计与调试.     

基于RBFNN与D-S证据理论的反舰导弹模式识别

由于反舰导弹在速度、机动性等方面的显著潜力,已日益成为舰船的主要威胁.尽快识别反舰导弹类型对缩短系统反应时间,正确预测目标运动具有重要意义.针对从不同目标传感器提取的末制导雷达辐射源参数和弹道特性参数,对目标数据进行相关处理,应用径向基神经网络(RBFNN)分别对反舰导弹模式识别,仿真中充分考虑了各种误差干扰并进行容错性处理,仿真结果表明该算法的有效性.最后将两部分识别结果通过D-S证据理论进行综合决策,进一步提高了系统识别决策的可信度.     

舰艇战术意图识别技术

对作战对象战术意图的识别是舰艇指挥决策的重要基础和前提,也是战场态势评估的核心内容.根据领域知识的特点,提出了用于识别舰艇战术意图的最大相似法,该方法根据战术专家识别舰艇战术意图的特点,将待识别意图的特征分量与已知意图模式特征分量的标准值相比较,确定待识别意图与所有已知意图模式的总相似度,将战术意图判别为与其总相似度最大的类别.分析了意图模式特征分量的特点,建立了待识别意图特征量与已知意图模式特征分量的标准值的相似度计算模型,提出了特征分量对模式类属判别的权重的获取方法.该模型具有直观、易于工程实现等优点.     

基于JMASE的自行高炮武器系统训练仿真

通过模拟器进行仿真训练是今后部队训练的必然趋势和要求.基于联合建模与仿真环境--JMASE,依据JMASE体系结构特点,运用JMASE开发工具和服务,对一般自行高炮武器系统进行研究,建立了自行高炮武器系统训练仿真模型,给出了武器系统训练仿真流程,实现了自行高炮武器系统仿真训练的基本功能.可用于有关军事人员的技能性训练和系统之间的协同训练仿真.     

基于贝叶斯网络的反舰导弹身份识别

为了解决反舰导弹身份识别所面临的实时性和信息不确定性问题,提出了采用贝叶斯网络识别反舰导弹的方法。设计了4种贝叶斯网络分类器,分别在导弹仿真数据集和UCI数据集上作了测试,比较了它们各自的分类性能。实验结果表明,朴素贝叶斯网络的分类准确率虽然比其它分类器稍低,但它简单有效,稳健性比其它分类器都好,可用于反舰导弹身份的实时识别。     

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。     

干扰条件下空中目标识别方法研究

目标识别是态势评估和威胁估计的基础,是作战指挥辅助决策的重要依据,是防空作战的关键环节之一。该文将雷达信息可信度扩展到传感器信息可信度,并基于扩展内涵的目标识别信息可信度,提出一种应用对空侦察雷达、光学器材、ESM传感器的空中目标识别方法,完成干扰条件下空中目标识别模块的设计。该方法依靠目标识别信息可信度较高的传感器信息来做出全局判决,有助于提高整个系统目标识别的可靠性。     

适配子在生化分析中的应用进展

适配子具有亲和力高、特异性强、靶分子范围广、稳定性好、制备及修饰容易、可重复利用等优点,可以作为与抗体竞争的一类分子识别物质用于亲和PCR、生物传感器、适配子信标、色谱法、质谱法、毛细管电泳、流式细胞分析及荧光偏振等分析领域,显示出广阔的应用前景。     

纹理影像特征选择及K-means聚类优化方法

Gabor变换和K-means算法是最为常用的纹理分析方法。然而,采用Gabor变换得到的纹理特征向量具有较高的维数,影响算法的运行效率;K-means算法也易受初始类中心的影响而导致分类精度下降。因此,通过Relief算法对采用Gabor变换所提取的纹理特征进行选择,得到合适的纹理特征子集。进一步采用差分进化算法,对K-means算法的聚类中心进行优化从而提高纹理识别精度和效率。实验结果表明:提出的方法所需用到的纹理特征向量的维数相对于原始特征集有大幅降低,较之基本的K-means算法,纹理识别的精度也有较明显的提高。     

基于LBP-PCA的多传感器目标识别算法

为了更加有效地提高多传感器图像融合后的识别率,提出一种基于LBP-PCA的多传感器目标识别算法。首先分别对红外和可见光图像进行预处理用以突显出要识别的目标,采用LBP算法提取目标的特征点向量,利用PCA算法进行特征融合,得到降维后的融合特征,最后利用SVM(支持向量机)进行分类和识别。实验仿真结果表明多传感器目标经过LBP-PCA融合后在保持足够数量的有效信息基础上降低了特征的维数,有效地提高了目标识别率。