UKF算法及其在纯方位目标跟踪中的应用

为克服扩展卡尔曼滤波算法的缺陷,将UKF算法应用于纯方位目标跟踪问题中.该算法是一种以扩展卡尔曼滤波算法为基本框架,以贝叶斯理论和UT变换为理论基础的新型滤波算法.对UKF算法进行了深入的研究,并给出了一个纯方位目标跟踪的算例.仿真结果表明,该算法提高了滤波的稳定性和精确性,优于一般的扩展卡尔曼滤波算法,具有广泛的应用前景.     

基于轨迹跟踪预测的反HTV2中制导研究

针对具有高速、高机动性能的HTV2(hypersonic technology vehicle 2)目标,对采用直接碰撞拦截策略拦截弹的中制导进行了研究,给出了一种基于轨迹跟踪预测的中制导算法。该中制导算法首先使用自适应网格交互式多模型（adaptive grid interactive multi-model,AGIMM）滤波器对目标轨迹进行稳定跟踪,获取目标运动信息。之后使用基于遗忘因子的最小二乘法对目标进行轨迹预测,获取目标预测交班点处的运动状态。最后,将预测交班点处的目标状态量作为中制导约束,并使用高斯伪谱法计算最优中制导指令。使用该中制导算法对HTV2目标进行了拦截仿真,仿真结果证明了该算法的有效性。     

基于深度学习的系统异常检测综述

基于深度学习的系统异常检测可划分为：基于堆栈自编码(SAE)、基于卷积神经网络(CNN)、基于深度置信网络(DBN)、基于循环神经网络(RNN)以及基于生成对抗网络(GAN)等5类系统异常检测方法。为了梳理出当前深度学习技术在系统异常检测应用中所面临的问题以及应对方法,分别对这5种检测方法的建模思想、在系统领域的应用实现以及它们各自的特点进行了对比论述,并对深度学习在系统异常检测领域未来的发展进行了展望。     

空中目标作战任务智能判识方法研究

为从动态、时序变化的战场态势中准确迅速地判识出空中目标的作战任务,运用深度学习理论构建作战任务智能判识模型。在门控循环单元网络的基础上,引入双向传播机制构建多层网络,学习作战任务的时序特征;采用残差机制防止出现由于神经网络层数加深导致模型性能退化问题;运用注意力机制,捕捉相互关联的重要态势特征,将先验知识与多层神经网络的输出相融合,确保在获得时序信息较短时对作战任务判识的准确性。实验表明,该方法可以有效地判识空中目标的作战任务。     

基于不完全信息博弈的动态武器目标分配

考虑合成分队作战存在不确定性和动态性的特征,基于博弈论构建不完全信息下的动态武器目标分配模型,建立攻防支付矩阵,利用遗传算法求解不完全信息条件下的纳什均衡,最后通过案例分析和软件仿真证明了模型和算法的可行性,通过博弈论与遗传算法相结合的方式能够快速获得最优的武器目标分配方案,有效提高实际作战能力。     

基于运动信息的空中目标模糊识别方法

为解决空中机动目标识别方法复杂且识别率不高的问题,提出了一种基于运动信息的空中目标模糊识别方法。选取了机动性较小的无控类弹以及机动性较大的制导炸弹等作为研究对象。首先,对无控类弹(榴弹、火箭弹、迫击炮弹)、制导炸弹、巡航导弹及无人机的运动特征进行分析,仿真得出目标的运动轨迹。然后,提取目标的速度、高度、加速度、俯仰角及其变化率等特征,建立基于模糊集合的目标识别算法,根据择近原则进行判定,最后,得到仿真结果。实验结果表明,所提方法应对不同目标识别效果较好,且响应速度较快,为今后作战指挥及理论研究提供支持。     

基于改进遗传蜂群算法的武器系统优化部署问题研究

针对重点保卫目标区域武器系统应对多目标的合理配置问题,建立了武器系统优化部署模型,对每个子目标函数进行加权分析,建立了获得最优方案数学模型,并针对该模型提出了基于改进遗传蜂群算法。该算法在基本人工蜂群算法的基础上,引入遗传算法中的交叉操作与变异操作,并结合改进的食物源自适应选择策略,使算法实现了探索与开发的平衡,能够做到初期全局寻优与后期快速收敛。运用Matlab软件编程,利用改进遗传蜂群算法获得了满足重点保卫目标实际情况的最优部署方案,与传统人工蜂群算法和传统遗传蜂群算法对比该算法具有更加优秀的收敛性和效率,可以更加迅速达到目标要求函数值。最终将算法得出的部署方案应用于指控仿真软件,直观展示了基于该算法进行武器系统部署的效果与性能。     

早期火焰探测增强型算法性能的实验分析

介绍了基于MV早期火焰探测算法的性能,并详细介绍了该算法的实验分析过程,同时结合实验数据给出了关于该算法的性能评价和阶段性结论以及进一步研究的要点和趋向。     

遗传算法在防空导弹火力优化分配中的应用

介绍了遗传算法的基本原理、算法设计并结合遗传算法主要解决了如何把目标分配给火力单元的问题,编写了相应的程序,并给出了一个基于遗传算法的火力优化分配方案。