基于模糊遗传算法的先进战机协同攻防决策

根据先进战机的特点以及协同空战的发展方向,采用了一种基于先敌发现、先敌发射、先敌摧毁能力的空战态势分析模型,为了更符合作战情形对其进行了部分改进。将模糊遗传算法应用于上述模型,给出了求解多机协同攻防决策问题的算法,模糊推理器主要用于交叉概率Pc和变异概率Pm的整定。最后用具体算例进行仿真验证,结果表明采用的空战态势分析模型能够较为准确地描述多机协同空战,同时采用的算法具有较好的可行性和实时性,为协同空战的攻防决策提供了新的解决方案。     

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。     

一种改进型PSO-BP算法在红外目标中的应用

为了降低伪目标引起的误检,提高系统在复杂环境中的目标识别能力,设计了一种改进型粒子群优化BP神经网络算法。改进型PSO-BP算法利用红外目标光谱特性设置粒子变异规则,从而调整粒子位置与速度,提高目标特征提取性能。同时,算法将权值变为权值可调函数,降低局部极值收敛的风险。实验采用Model-102F型成像光谱仪采集的目标区域图像作为样本与检测数据,与传统BP算法作对比,分别选取对不同特征波长位置及个数的形式对目标和伪目标进行识别分析。结果显示,改进型PSO-BP算法可以有效消除伪目标干扰,同时,其收敛速度明显优于传统算法。由此可见,该设计在复杂背景红外目标识别方面具有一定的应用价值。