基于图像变化检测的打击效果自动评估算法

提出了一个基于图像变化检测的军事目标打击效果评估算法.该算法通过对打击前后图像进行变化检测,比较目标打击前后的几何特征和纹理特征,对目标毁伤情况进行自动评估.实验表明,该算法能准确有效地对军事目标打击效果进行分级评估.由于采用的特征具有通用性.该系统可用于各种不同人造目标的打击效果评估.     

C^I体系下图像目标毁伤效果评估模型的研究

目标毁伤评估系统是C^4I的重要组成部分,图像变化检测是目标毁伤效果评估系统中的一种重要手段。分析了图像处理技术的必要性,据此设计了基于图像变化检测的目标毁伤评估系统模型,并对其关键技术及评估准则进行了深入分析。结果表明,基于图像变化检测的目标毁伤估计可以提高评估效率,提高评估精度和优化评估效果。     

C4I体系下图像目标毁伤效果评估模型的研究

目标毁伤评估系统是C4I的重要组成部分,图像变化检测是目标毁伤效果评估系统中的一种重要手段.分析了图像处理技术的必要性,据此设计了基于图像变化检测的目标毁伤评估系统模型,并对其关键技术及评估准则进行了深入分析.结果表明,基于图像变化检测的目标毁伤估计可以提高评估效率,提高评估精度和优化评估效果.     

基于卷积神经网络的SAR图像目标检测综述

针对合成孔径雷达(SAR)图像传统检测算法精度低、鲁棒性差等特点,对基于卷积神经网络的SAR图像目标检测算法进行归纳总结.归纳了基于CNN的目标检测框架的发展现状,并综述了其在SAR图像目标检测中的应用,分析了其应用难点与关键技术.最后结合深度学习方法在目标检测领域中的发展,对SAR图像目标检测算法的发展进行了展望.     

基于CNN的SAR图像舰船目标检测算法

为了提升合成孔径雷达(Synthetic Aperture Radar,SAR)图像舰船目标检测的精度和速度,对卷积神经网络(Convolutional Neural Network,CNN)在SAR图像舰船目标检测上进行了研究。通过改进OTSU方法对SAR图像进行分割,并且用最小外接矩形将疑似目标标记出来;依据矩形中心在原始图像上提取出固定大小区域作为候选区域;将提取的目标通过训练好的卷积神经网络进行判定,去除虚警目标并将检测结果在原图中标记出来。实测数据的实验结果表明,该算法在降低虚警的同时提升了检测速度。     

基于云贝叶斯网络的毁伤效果评估方法

目标毁伤效果评估是为指挥员提供决策的量化的依据,是现代信息化战争中必不可少的一环。基于图像的毁伤评估技术更是现代信息化战争必不可少的评估手段,通过对毁伤图像进行特征量提取,基于贝叶斯网络的概率推理和云模型强大的知识表示,进行毁伤评估值和毁伤等级的计算。仿真结果表明,该方法充分考虑到了不确定信息的模糊性和随机性,具有有效性和可行性。     

基于双层随机森林的空袭目标识别

空袭目标识别是防空作战指挥决策的关键环节,针对空袭目标特征繁杂容易造成模型拟合和识别精度不高这一问题,为提高空袭目标的识别能力,提出了一种基于双层随机森林的空袭目标识别算法。该算法在第一层随机森林通过计算基尼指数变化量对特征进行重要性评估和优选,然后在第二层随机森林进行数据降维和目标识别,相较传统随机森林能够提高目标识别的准确率和稳定性。将该算法与传统随机森林、支持向量机和PNN神经网络进行对比分析,仿真结果表明该算法能够在保证识别准确率的基础上同时具有较高的识别速度和识别稳定性。     

基于改进GA-BP神经网络的目标毁伤效果评估

针对事后的目标毁伤效果评估时效性一般、主观性较强的问题,提出了一种基于改进GA-BP神经网络的毁伤评估方法.该方法以飞机系统为例,分析了系统目标特性后,按照目标系统层、功能毁伤层、物理毁伤层的结构顺序,构建目标毁伤树并划分毁伤等级;引入遗传算法,对其选择算子、交叉和变异概率加以改进,以获取BP神经网络最优权重值,增强了遗传算法种群的多样性和泛化能力,使网络模型的精确性得以提升;通过算例分析验证了模型的可信性和有效性,对目标毁伤效果评估的人工智能化,特别在新概念武器作战运用中,具有一定的启发和借鉴意义.     

基于ANFIS的目标毁伤等级预测模型

分析了神经网络和模糊推理系统的优缺点,研究了自适应神经模糊推理系统（ANFIS）结构模型及后向传播和递归最小二乘算法相结合的混合算法．在分析了目标毁伤等级主要影响因素的基础上,构建了目标毁伤等级预测ANFIS模型,利用毁伤试验样本数据训练该模型,得到了与实际一致的目标毁伤等级,并将预测结果与基于BP神经网络的预测结果进行了仿真对比分析．仿真结果表明,该目标毁伤等级预测模型能够准确地预测出目标的毁伤等级,并且其预测精度较BP神经网络方法高,为目标毁伤等级预测提供了一种有效的方法．     

针对侵爆弹的毁伤效能评估方法

基于侵爆弹毁伤特征,提出针对侵爆弹的毁伤效能评估通用方法,建立了评估模型和计算流程,并以侵爆弹打击机库为例,整合并提出了相关算法,开发了软件工具,进行了毁伤效能评估案例分析。案例分析中,研究对比了侵彻速度、入射角度、目标尺寸、投射精度等因素的影响,表明了弹体威力参数以及目标参数与毁伤结果间的关系。提出的方法较为明确地给出了毁伤效能评估的内涵定义、评估内容、评估技术要点,对于侵爆弹打击其他坚固目标的毁伤效能评估具有较强的指导意义和参考价值。     

基于迁移学习和特征融合的航空器图像分类算法

航空器目标的分类是空战中作战方案制定的重要环节,目前在航空器图像分类方面的研究很少,数据库也少之甚少。在自然图像分类领域存在的特征表达方法主要是对图像的颜色、纹理、梯度等特征进行编码,但这些浅层特征不能体现出图像的深层语义信息,而卷积神经网络(CNN)有着强大的特征表达能力,但小规模数据库直接训练网络会造成模型过拟合。针对这些问题,组建一个具有8 000张图片、10类的航空器图像数库并提出了一种基于迁移学习和特征融合的航空器图像分类算法,算法用卷积神经网络来提取图像的特征,提出用迁移学习的思想来训练网络,从而减轻了模型过拟合,在此基础上提出特征融合算法,融合深度特征和浅层特征,弥补了单一特征对图像信息表达的不足。在实验中,用航空器图像数据库来验证算法的有效性,结果表明,算法能够有效地进行航空器图像的分类。     

用于视频图像帧间运动补偿的深度卷积神经网络

为探索深度学习理论在视频图像帧间运动补偿问题中的应用,提出一种用于视频图像帧间运动补偿的深度卷积神经网络。该网络由卷积模块和反卷积模块构成,可以处理不同分辨率输入图像并具备保持较完整图像细节的能力。利用具有时序一致性的视频图像序列构造训练样本,采用随机梯度下降法对设计的深度卷积神经网络进行训练。视觉效果和数值评估实验表明,训练得到的网络较传统方法能更有效地进行视频图像帧间运动补偿。     

基于卷积神经网络的无人机侦察图像去雨算法

提出了一种改进的无人机侦察图像去雨算法,该算法采用双边滤波和引导滤波相结合的方法提取有雨侦察图像的高频子图。根据无人机侦察图像中一般存在天空、地面等纹理相对平滑区域的特点,提取侦察图像中的纯雨区域。最后,将提取的纯雨区域作为训练样本,输入卷积神经网络中进行训练,提取图像特征信息,得到卷积神经网络的最优参数,完成神经网络训练,得到去雨侦察图像。通过仿真实验表明,该算法能够有效去除雨线对无人机侦察图像的干扰,提升侦察图像质量,具有一定的军事应用价值。     

模糊识别和随机森林算法在柴油机振动信号状态识别中的应用

针对模糊识别算法中,样本特征向量中各参量(分量)对状态分类的贡献权重难以确定的问题,提出了利用随机森林算法对特征参量的重要度评估结果作为特征权重的方法。通过对柴油机台架试验振动信号的跟踪分析,获得了柴油机在磨合期、100摩托小时、200摩托小时、300摩托小时及400摩托小时5种不同使用期(典型状态)的75个振动信号样本,然后计算出各类样本在幅域、时域和频域的特征参量,利用随机森林算法进行特征选择,确定4个重要特征参量及其权重,用统计方法得出其隶属度函数,最后根据评价向量对样本进行识别,识别准确率达到94%以上。     

复杂目标毁伤效果评估关键问题分析

复杂目标毁伤效果评估一直是毁伤效果评估中的重难点问题,作为作战指挥决策的重要依据,对其关键问题进行分析和研究具有重要现实意义。首先总结和梳理复杂目标毁伤效果评估的基本思路,在此基础上归纳出复杂目标毁伤效果评估的一般步骤,并构建毁伤效果评估的基本框架,明确其中的关键环节和问题,并基于现有复杂目标毁伤效果评估的方法和模型对其进行详细的论述和分析,最后指明未来发展的方向。     

联合多层次深度特征的SAR图像目标识别方法

提出了联合多层次深度特征的合成孔径雷达(SAR)目标识别方法。采用卷积神经网络(CNN)学习SAR图像的多层次深度特征。多层次的深度特征从不同方面描述原始SAR图像中的目标特性,从而为目标识别提供更充分的决策依据。为了充分发掘不同层次深度特征的独立特性以及它们之间的内在关联,采用联合稀疏表示对多层次的深度特征进行联合分类。根据各层次特征的整体重构误差判定目标类别。采用MSTAR (Moving and Stationary Target Acquisition and Recognition)公共数据集对提出方法进行了性能测试。实验结果表明,该方法的识别性能显著优于现有的SAR目标识别方法。     

神经网络和DEA方法的炮兵火力毁伤先验评估模型

提出运用BP神经网络理论和数据包络分析(DEA)方法,对炮兵火力毁伤先验评估问题进行研究。利用以往经验数据建立样本集,通过BP神经网络预测模型,对待评估的炮兵火力毁伤计划进行分析,预测其毁伤效益,再建立带有偏好锥结构的DEA评估模型,分析火力计划的可行性和合理性;最后以某部17组炮兵火力毁伤数据进行实例分析。结果表明,该模型能给出科学、明确、可靠的先验评估结果。     

目标区域局部特征和局部图像质量相结合的激光干扰效果评估

为客观描述光电成像系统激光干扰效果,提出目标区域局部特征和图像质量相结合的干扰效果评估算法。图像的局部特征用特征点描述,图像质量用结构相似度指数描述。该算法利用特征点匹配算法确定场景图像中的目标区域,计算干扰前后目标区域内特征点数量的变化、干扰后目标区域内未饱和面积所占的比重以及目标区域内图像的结构相似度指数,并将上述各参数相乘得到最终的评价指标。利用该方法对典型激光干扰图像进行评估,结果表明:在不同入射功率和不同光斑位置情况下,所提评估指标比单独使用结构相似度的评估指标具有更大的取值范围和更明显的非线性变化特征。这说明:该指标能够反映光电成像系统激光干扰过程的丰富细节,更加适合激光干扰效果的评估。     

飞机类目标毁伤效果评估方法研究

在飞机结构特性、战斗部破片毁伤场等毁伤效能评估基本要素分析基础上,建立了一种破片式战斗部作用下的飞机类目标毁伤效果评估模型。通过对飞机目标结构分析,得到适用于毁伤概率计算的目标几何特征、毁伤模式等易损性信息,结合破片动态飞散特性,给出了破片命中舱段的计算方法,最终通过计算破片对飞机目标的毁伤概率定量描述飞机的易损性。基于此数学模型开发了毁伤评估仿真系统,并通过某型飞机实例验证其可行性。     

基于CNN-PCA-DT算法的合成孔径雷达目标识别

合成孔径雷达(Synthetic Aperture Radar,SAR)目标识别是SAR图像解译的重要环节,已广泛应用于国防和国民经济领域。在传统的卷积神经网络(Convolutional Neural Network,CNN)的基础上,提出了将CNN,主成分分析(Principle Component Analysis,PCA)和决策树(Decision Tree,DT)相结合的算法,记为CNN-PCA-DT:利用CNN提取出SAR图像的特征向量,再用PCA降维,最后用DT分类器取代CNN中的Softmax分类器实现SAR目标识别。实验结果表明,所提出的算法在MSTAR实测数据集上取得了较高的识别准确率,从而说明了实验的有效性。