基于改进核极限学习机和集成学习理论的目标机动轨迹预测

为了提高目标轨迹预测的精度以及预测模型的泛化能力,提出基于改进蝙蝠算法优化的核极限学习机(Kernel Extreme Learning Machine,KELM)和集成学习理论目标机动轨迹预测模型。构建KELM模型,并采用改进的蝙蝠算法对KELM的参数进行优化;以优化后的KELM神经网络为弱预测器,结合集成学习算法生成强预测器,通过训练不断优化强预测的结构和参数,得到一种基于集成学习理论的目标机动轨迹预测模型;基于不同规模的样本,将所得预测模型与逆传播神经网络、支持向量机和极限学习机等模型进行对比分析。仿真结果表明:所提目标机动轨迹预测模型具有较好的预测精度和泛化能力。     

基于PCA-LM的空战目标威胁评估

空战过程中态势瞬息万变,获取敌目标的威胁是我方取得攻击占位优势和采取战术规避的前提条件。提出主成分分析法和阻尼最小二乘法相结合的回归模型对目标的威胁进行评估。利用主成分分析法,分析指标之间的相关性,转化成相互独立的分量,确定主成分分量,重构目标威胁评估体系;对目标威胁与主成分分量进行回归分析,利用阻尼最小二乘法对回归模型参数进行估计,得到主成分分量与目标威胁之间的统计关系;利用目标威胁估计值与实际值之间的误差大小,验证了回归模型的有效性。消除了指标之间的相关性对评估结果的影响,提高了评估结果的客观性,解决了传统评估方法忽略指标之间耦合性的问题。