“打击时敏目标”任务的Petri网建模方法

对武器装备体系而言,作为现代战争中的重要样式"打击时敏目标"任务可分为获取时间窗口和利用时间窗口打击目标两个阶段。首先分析了打击时敏目标任务的过程,然后提出使用广义随机Petri网(GSPN)描述时间窗口的获取过程的方法,引入了负位置和负令牌的概念,最后提出用改进的GSPN描述利用时间窗口打击目标的过程的方法,并建立了一个"打击时敏目标"任务的Petri网模型。     

有限数量机载雷达目标覆盖价值算法

针对有限数量机载雷达目标覆盖价值问题,建立了机载雷达载机待选轨道中心点(COCP)概念;分析了COCP和目标点之间的关系,给出了有限数量机载雷达目标覆盖价值问题的数学模型。通过分析有限规模COCP集合的方法,建立了多个机载雷达部署约束条件的数学模型。通过对COCP集合和目标点集合进行约束排除和聚类,简化了研究问题。总结出了有限数量机载雷达目标覆盖价值数学模型的最优解和启发式次优解,实例仿真结果表明该模型和算法的有效性。     

一种改进的联合概率数据关联算法

联合概率数据关联算法(JPDA)是密集杂波环境下一种有效的多目标跟踪算法,但该算法的复杂度会随着目标和观测值的增加而显著增长。为了减少JPDA算法所需要的存贮空间和计算时间,提出了一种改进的联合概率数据关联算法(I-JPDA)。首先通过合理选取跟踪门门限的阈值,去除小概率事件,然后再根据跟踪门内目标的关联概率对关联事件的概率密度值进行衰减,计算出跟踪门内各目标的关联概率。经过理论分析和仿真试验,证明了该方法在保证跟踪成功率的同时,还具有算法简单、计算量小和易于工程实现等优点。     

基于D-S证据理论的多特征数据融合算法

Dempster-Shafer证据理论是不确定推理的一种重要方法,提供了一定程度的不确定性,可以指定给相互重叠或互不相容的命题,然后通过Dempster组合规则将不确定性信息在新证据中进行重新分布,该理论在许多方面都得到了广泛的应用.将来自图像传感器的多种图像特征,通过D-S证据理论将这些特征信息进行融合,并应用于目标的识别.实验结果表明D-S证据理论用于多特征数据融合的目标识别算法是有效的,基于该理论的多特征数据融合具有广阔的应用前景.     

网络中心战中基于MAS的分布式辅助决策研究

在海上网络中心战环境下,提出了基于MAS(Multi-Agent Systems)的分布式辅助决策方法。首先建立了基于MAS的体系结构,然后对体系结构下的效能评估进行了研究,并采用合同网协议对武器目标分配的流程进行了研究。仿真实验表明了此框架下的效能评估和武器目标分配是有效可行的。     

空中多红外目标威胁程度排序方法

提出了一种空中多红外目标威胁程度排序的方法:首先,提取红外图像中能够表现目标运动特征的参数,分析了各参数对目标威胁程度的影响;在此基础上,修改传统的优势函数,提出一种基于目标运动参数的分层威胁程度排序法;最后给出了仿真算例,计算结果表明,该排序法可以全面、有效地完成空中多目标威胁程度排序的计算。     

一种雷达组网目标分配数学模型

根据雷达的探测性能和雷达运用的战术规则,结合雷达情报保障的要求,总结出了目标分配的准则,建立了目标分配的数学模型。该模型通过两个目标函数得到了目标分配的最优方案和方案优劣排序,排序结果供指挥员根据实际情况进行选择。仿真结果表明该数学模型比较有效地解决了目标分配问题。     

一种基于克隆选择原理的空战目标分配算法

针对空战目标分配问题,在以优势函数为空战模型的基础上,提出了一种基于克隆选择原理的目标分配算法,并引入混沌算子,增强了算法中个体的多样性和稳定性,减少算法的盲目性,提高了算法的收敛速度。根据克隆选择原理,分析了算法的编码方式、克隆选择算子对算法的影响,给出了算法的流程。最后进行了仿真,结果表明了算法的有效性。     

基于概率神经网络的空袭目标识别

针对BP网络的不足,提出基于概率神经网络(PNN)进行空袭目标识别的方法。首先提取空袭目标的速度、高度、机动加速度和雷达反射面积等特征并进行归一化处理,作为输入层数据,然后建立了概率神经网络目标识别模型。M atlab仿真实验表明,该方法识别空袭目标简单快速且准确率高,具有良好应用前景。     

基于EMA算法的变结构交互多模型算法

标准交互多模型(IMM)算法使用固定数目和时不变的模型集,往往不能兼顾算法的实时性与跟踪精度。基于增加期望模型(EMA)算法的思想,提出综合利用前一时刻的模型匹配概率与当前时刻的混合概率作为加权系数调整系统噪声模型集,调整后的模型集被认为非常接近系统实际噪声模型。将该模型集自适应技术与IMM算法结合得到一种变结构交互多模型(EMA-VIMM)算法。使用机动目标跟踪仿真实例,与标准IMM算法进行了仿真对比,分析了跟踪性能与RMSE误差。仿真结果表明,EMA-VIMM算法不仅极大地提高了跟踪精度,而且与标准IMM算法相比,具有稳定的跟踪性能和较低的计算量。