变分自编码器结合聚类算法在空战态势评估问题上的应用

针对传统态势评估方法确定权值的主观性强、处理大数据能力弱、特征提取能力不足等问题,提出基于改进变分自编码器和聚类算法的无监督空战态势评估方法。根据态势变化连续性特点,提出基于时间段的空战态势分类方法,将敌我双方态势划分为四类。在变分自编码器的基础上,提出了VAE-WRBM-MDN特征提取模型,即使用混合密度网络优化变分自编码器的特征提取能力和生成数据的相似度,使用权值不确定限制玻尔兹曼机优化网络的初始权值。将提取的特征分别输入到两种典型的聚类算法中进行聚类,并结合态势函数和实际战场情况修正聚类结果,形成正确的态势分类标准。在实验部分,分别进行了最优参数调整、关键特征提取、聚类以及修正实验。实验结果表明,模型态势分类正确率和运行时间均满足应用需求,实例评估结果与客观态势一致性强,所提方法具有实际应用价值。     

基于深度学习的MPSK信号调制识别

为了有效实现信号调制方式的智能识别,提出基于深度学习的多进制相移键控(Multiple Phase Shift Keying, MPSK)信号调制识别方法。分析接收MPSK信号的循环谱,并通过提取MPSK信号循环谱的等高图获得二维特征信息,利用深度学习中的卷积神经网络对二维特征进行训练,使用测试样本对所设计的调制识别方法的有效性进行验证。仿真结果表明,所提方法具有良好的识别性能。     

基于特征提取的三维流线分布算法

特征提取与清晰表达是三维流场可视化研究中的两个主要问题.提出了一种基于特征提取的三维流线分布算法,既保障了流场临界点附近的特征结构得以正确描述,同时又使输出结果具有良好的清晰性.该算法分为三个步骤:首先,在临界点的快速检测基础上,根据临界点处Jacobian矩阵特征值对临界点进行分类,并对临界点与种子点模板进行匹配;其次,种子点依照优先规则排序,并从这些种子点出发在物理空间计算出流线;最后,在图像空间由预先设置的阈值对流线进行间距控制,并根据深度检测来保留离视点最近的流线,使得屏幕上的输出结果清晰.     

基于贝叶斯网络的态势估计时间推理方法

基于贝叶斯网络的态势估计方法是目前态势估计领域中的主要方法之一,然而,传统的贝叶斯网络不具备时间语义,因此无法解决态势估计中的时间推理问题.基于此,对贝叶斯网络进行改造,研究了时间贝叶斯网络的构建方法.通过一个战场想定,说明了时间贝叶斯网络构建、推理的过程与方法,证明了提出方法的有效性.     

空间数据挖掘及其在军事领域的应用

空间数据挖掘是在数据挖掘的基础之上结合空间信息处理等相关领域而形成的一个新兴学科分支。本文简要介绍了空间数据挖掘的基本情况,分析了它在军事领域的应用前景,并针对战场环境表示、情报处理、战场态势评估等重点难点问题具体分析了其应用模式和方法。     

基于逆强化学习的空战态势评估函数优化方法

为提高无人作战飞机(UCAV)自主决策效能,提出基于逆强化学习的空战态势评估函数优化方法。以现有的正例与反例两类空战数据为样本训练一个RBF网络,采用逆强化学习得到不同态势下的态势值,实现了对现有空战数据的知识提取;利用Sigmoid函数的压缩作用,降低了整体态势值,加快了UCAV学习的收敛速度;采用自适应粒子群算法求解优化了态势评估函数中的权重参数,提升了对复杂空战态势的适应能力;仿真结果表明该方法能够优化态势评估函数,提高机动决策的收敛速度,在UCAV自主决策中具有一定现实意义。     

基于指数试探的稀疏度自适应匹配追踪算法

针对贪婪算法需要以信号稀疏度作为先验信息的问题,基于指数试探思想提出了一种稀疏度自适应重构算法。利用指数函数特性分段试探信号稀疏度,使其快速逼近真实值,通过筛选回退锁定信号的有效支撑集,再采取弱匹配剪枝精确重构出原始信号。能够摆脱对稀疏度的依赖,以高概率自适应重构信号。实验表明,该算法的试探结果更加准确和稳定,重构成功率提高,特别是当稀疏比小于0.25时,算法最少只需3次试探,便可快速估计出信号稀疏度,且成功重构成功率不低于97%。