基于修正核函数的支持向量机空袭目标威胁评估

为提高空袭目标威胁评估的准确性,在分析目标威胁评估特点的基础上,提出了一种基于修正核函数的支持向量机空袭目标威胁评估方法.该方法以黎曼几何为理论依据,通过构造一种新的保角变换,并利用该保角变换对核函数进行修正,可提高支持向量机用于空袭目标威胁评估的精度.通过实例仿真与标准支持向量机方法进行比较,说明了该方法的有效性和优越性.     

粗集支持向量机的战斗机空战效能智能评估

根据现代空战特点,选取了战斗机的空战效能评估指标集,并采用粗糙集理论对指标体系进行约简,提取对空战效能影响起关键作用的特征参数,消除冗余信息,减少了支持向量的维数。支持向量机(SVM)具有结构简单、全局最优、泛化能力强的优点。根据所提取的特征参数,文中提出采用回归型支持向量机(SVR)建立空战效能智能评估模型。并通过实例与指数法和BP神经网络法计算结果进行了比较,验证了该模型的可行性和有效性。     

基于支持向量机的武器系统研制项目评估分析

对常规评估方法和支持向量机模型用于武器系统研制项目评估进行了分析和比较,着重分析了应用支持向量机进行武器系统研制项目重要度评估的具体形式以及方法特点,通过实例进行了分析验证,取得了满意的结果.     

基于支持向量机的末敏弹命中概率预测研究

用传统的机器学习方法进行末敏弹命中概率预报建模存在泛化能力难以保障、训练速度慢等一些困难。本文对统计学习理论和支持向量机的基本内容和核心思想进行了简要的介绍,探讨了基于支持向量机的末敏弹命中概率预报模型的建模方法。通过实例中的应用,该模型显示了泛化能力强,训练速度快,便于建模等优点,有良好的应用前景。     

基于区间支持向量回归的空战目标威胁评估

针对空战目标威胁评估问题,提出了一种新的基于区间支持向量回归的评估方法。首先对空战目标威胁评估方法中常用的距离威胁模型进行了分析,在此基础上对距离威胁模型进行了改进。然后构建了基于区间数方法的威胁评估指标权重的确定方法。最后建立了基于区间支持向量回归的空战目标威胁评估模型,并进行了仿真实验。仿真结果表明,提出的方法具有较高的预测精度,能够准确、快速地完成多个空战目标的威胁评估。     

SVM在空中目标威胁值评估中的应用

构建了基于回归型支持向量机的空中目标威胁值评估模型,确定了基于粗糙集理论的空中目标威胁因素,并建立了数据离散化、归一化的标准。将常用的4种核函数应用于对空中目标威胁值的估计,并通过基于网格法和遗传算法的搜索方法找到模型的最优参数。最后通过Matlab对算例进行了仿真验证。     

支持向量机规则提取

支持向量机是一种黑箱模型,其学习到的知识蕴含在决策函数中,不仅影响了用户对利用支持向量机技术构建智能系统的信心,还阻碍了支持向量机技术在数据挖掘领域的应用。由于对支持向量机规则提取进行研究有助于解决上述问题,因此该领域正成为机器学习和智能计算界的研究热点。分析了具有代表性的支持向量机规则提取算法,并提出该领域未来的研究重点。     

舰艇对抗反舰导弹威胁判断变权评估方法

分析了威胁判断中常权评估方法可能导致不合理评估结果的原因,针对舰艇对抗反舰导弹的威胁判断问题,结合变权原理提出了来袭反舰导弹威胁判断的变权确定方法,进而建立了舰艇对抗反舰导弹威胁判断的变权评估模型.实例分析表明该方法较现有的方法更可信合理,可为威胁评判提供理论与方法支持.     

基于支持向量机的多传感器空中目标识别研究

针对空中目标识别的复杂性,将支持向量机引入对空中目标的多传感器识别,对其机理进行了详细分析,建立了基于支持向量机的空中目标识别的算法模型.仿真实验的结果表明,该方法具有很好的识别效果,并且是一种能在训练样本很少的情况下达到很好分类推广能力的学习算法.     

基于支持向量机的遥感图像分析与处理

支持向量机是一种新的机器学习方法。本文结合遥感图像和支持向量机的特性,重点分析了支持向量机在遥感图像分类、遥感图像压缩、遥感图像特征提取等方面的应用。并对支持向量机在遥感图像分析与处理中的应用趋势及有待进一步研究的问题进行了探讨。     

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。     

小样本装备软件成本估算相关向量机建模

针对装备软件成本估算时面临的历史数据少的小样本难题,提出把机器学习理论运用到装备软件成本估算研究领域,构建了基于相关向量机的小样本装备软件成本估算模型,采用COCOMO模型数据库中的数据对所构建模型进行训练和验证。为进一步验证所构建模型的合理性,在机器学习领域分别运用支持向量机模型和神经网络模型对相同数据进行估算,实验结果证明了基于相关向量机估算模型在小样本装备软件成本估算时比其他两种模型更精确。     

基于粗糙集理论的武器系统效能评定

简述了各种武器效能评定方法。建立武器参数效能模型,首先要挑选特征参数,这里采用知识约简方法选择武器的特征参数。利用神经网络理论建立了参数效能模型,武器系统的效能与武器特征参数的关系可通过神经网络的阈值和权值得到体现。通过实例对神经网络法与指数法所得的结果进行了比较,结果表明神经网络法比指数法精确。     

深度置信网络在导弹攻击区分类中的应用

针对传统导弹攻击区解算方法忽略双方态势变化等问题,提出运用深度置信网络的导弹攻击区分类模型。根据导弹命中情况与目标机动间的关系,将导弹攻击区划分为五类。通过分析影响导弹攻击结果的态势参数,构建导弹攻击结果预测模型。在实验部分,结合重构误差和测试错误率确定深度置信网络的网络结构,通过逐层提取数据法分析模型参数特征并且讨论微调数据的采样方式。使用反向传播神经网络和支持向量机进行分类有效性对比实验。实验结果表明：深度置信网络运行速度和预测准确度明显优于其他两种方法,满足实时性和准确性要求,所提方法具有良好的应用价值。     

基于学习矢量量化(LVQ)神经网络的雷达体制识别

由于现代战争中雷达体制的多样化、复杂化及其综合应用使得雷达体制识别中要处理大量复杂的高维数据,学习矢量量化(LVQ)神经网络不仅能处理有监督分类,而且相对于其他神经网络能以较小的计算量处理大量输入数据,所以采用LVQ对雷达体制进行识别,同时针对LVQ学习速率的变化可能引起学习算法不稳定,采用修正的学习速率算法.在简要介绍雷达体制和LVQ的基础上构造了LVQ神经网络对雷达体制进行分类.通过与径向基神经网络(RBFN)识别算法的仿真对比,证实了方法的有效性.     

基于支持向量机的功率变换器开关管开路故障诊断

提出一种基于支持向量机的功率变换器开关管开路故障诊断方法。利用支持向量机建立分类模型,模型以相电流功率谱为输入量,7种故障状态为输出量,选用高斯核,使用基于二叉树分类器的分类算法。将诊断结果与基于BP神经网络的诊断结果进行比较,结果表明基于支持向量机的分类器在功率变换器开关管开路故障诊断中具有更高的准确率和更好的泛化能力。     

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.     

支持向量机在弹药训练消耗量预测中的应用

针对部队平时弹药训练消耗量预测过程中,样本采集数目较少的实际情况,采用了一种新的预测方法———支持向量机。该方法基于统计学习理论的原理,较好地解决了小样本的学习问题。并以某部队1997—2002年弹药训练消耗量为学习样本,建立了弹药年消耗量的预测模型。计算结果表明,这种方法比传统的方法有更少的误差和更好的预测精度。     

基于多级神经网络的类型融合

研究了基于多级神经网络的类型融合方法。这种多级神经网络分为传感器子网和融合子网两部分。传感器子网是一种基于专家规则的模糊神经网络,根据专家规则确定网络结构,网络节点和传递函数都有明确的意义,避免了普通神经网络层数和隐层节点数难以确定的缺点。经过训练的传感器子网能够实现各目标类型的置信度分配,然后用融合子网对多个传感器子网输出结果进行融合,得到目标类型的最终判决。在融合子网中,加入了各传感器的可信度,使融合结果更可靠。仿真结果表明,此方法鲁棒性强,识别率高。