智能集群对防空作战影响及反制策略分析

针对未来防空作战中有效反制智能集群样式威胁的问题,从探测识别、火力拦截、指挥控制等方面重点阐述了智能集群对防空作战的影响,从探测识别、软硬毁伤等方面对国外反集群装备技术发展趋势进行了分析,并对反制智能集群的相关策略展开了思考.分析结果可为反智能集群作战体系能力架构设计与装备技术发展提供重要参考.     

基于黑板模型的空袭目标识别专家系统

在对空袭目标信息进行综合利用的基础上,建立了基于黑板模型的多传感器空袭目标识别融合专家系统模型,模拟专家识别思维.给出了知识库的构造方法和知识的表示方法;推理机的设计结合了问题求解的黑板模型和D-S证据推理方法.该模型对目标的综合应用识别具有很好的借鉴作用,测试表明该系统具有很强的推理能力,融合模型有较高的识别准确性和可靠性.     

基于HLA空袭目标流联邦成员通用框架的构建

基于高层体系结构(HLA)仿真框架和面向对象的程序设计思想,对空袭目标流联邦成员(简称邦元)的通用框架进行了详细设计.先把空袭目标流邦元分解为7大类集,即对象类集、交互类集、模糊类集、联邦成员代理类、仿真类集、界面类集、框架类集,并给出其类层次结构图,然后对各个类集的具体实现方法进行了详细设计.     

一种基于加权DSmT的序列图像目标识别方法

通过对自动目标识别系统研究与分析,将DSmT引入到飞机序列图像识别中,构建基本置信指派及分类规则,提出了一种基于加权DSmT的序列图像目标识别方法,在分析权值选择特点的基础上,根据特征信息的置信指派组合有效权值,并且给出了基于加权DSmT融合规则的序列图像目标识别的流程,仿真结果表明,该方法提高了序列图像目标识别的准确性.     

基于双层随机森林的空袭目标识别

空袭目标识别是防空作战指挥决策的关键环节,针对空袭目标特征繁杂容易造成模型拟合和识别精度不高这一问题,为提高空袭目标的识别能力,提出了一种基于双层随机森林的空袭目标识别算法。该算法在第一层随机森林通过计算基尼指数变化量对特征进行重要性评估和优选,然后在第二层随机森林进行数据降维和目标识别,相较传统随机森林能够提高目标识别的准确率和稳定性。将该算法与传统随机森林、支持向量机和PNN神经网络进行对比分析,仿真结果表明该算法能够在保证识别准确率的基础上同时具有较高的识别速度和识别稳定性。     

基于深度迁移学习的低分辨雷达目标识别方法

针对低分辨雷达人工目标识别效率较低的问题,提出了基于深度迁移学习的雷达自动目标识别方法。该方法利用雷达回波序列轮廓像构建空中目标数据集,使用深度卷积神经网络自动提取回波数据中的深层特征,并对雷达目标进行分类识别。为了解决深度学习对样本量的巨大需求,在分类模型训练时,引入迁移学习思想,将经ImageNet数据集预训练过的初始网络模型迁移到雷达目标识别任务中,再通过空中目标数据集对模型参数进行微调,实现小样本条件下对空中目标的粗分类。实测数据的结果表明：所提方法能够在小样本条件下较为准确地对空中目标的大小和架次进行分类识别,具有良好的识别性能。     

一种无人机相机结合靶标的定位方法

为了测试武器对目标打击的精确程度,对落点目标的空间坐标进行定位测量至关重要。针对落入海/地平面目标的空间坐标定位测量的需求,研究了一种无人机相机结合靶标的定位方法,利用单应变换原理解算出目标的空间坐标。通过蒙特卡洛方法,模拟了像素误差分别对该定位方法所产生的影响,通过仿真,确定了符合测量需求的拍摄姿态范围。定位测量实验结果表明,无人机相机结合靶标的定位方法具备较高的精度,满足落点目标定位测量的需求。     

潜艇训练虚拟水声目标仿真研究

针对潜艇实装训练虚拟水声目标逼真度较低的问题,采用嵌入式训练系统向潜艇声呐系统提供目标的水声特征仿真信息。建立了虚拟水声目标声学特性计算模型,研究了水声传播损失计算方法,建立了海洋环境噪声级和平台自噪声计算模型,建立了虚拟水声目标运动计算模型,在嵌入式训练系统中构建了虚拟水声目标智能机动决策模块。仿真实验验证表明,综合采用上述方法能够有效提高虚拟水声目标的训练逼真度,满足潜艇实装训练要求。     

一种无人机载高分辨率SAR图像目标快速检测方法

针对无人机平台空间和资源有限、高分辨率SAR图像检测容易出现目标标注不准以及计算量过大等问题,提出一种无人机载高分辨率SAR图像目标快速检测方法。该方法首先利用双边滤波器抑制高分辨率SAR图像中存在的相干斑噪声和目标内部的非均匀起伏;然后进行一次大尺度的SLIC分割,通过对超像素单元粗糙度进行分析,对存在欠分割问题的超像素单元再进行一次小尺度的SLIC分割;最后对过分割的超像素单元进行合并处理,最终得到目标检测结果。实验结果表明,该方法不仅可以提升对高分辨率SAR图像目标的检测效率,改善SAR图像目标提取能力,还有利于发现部分人工方法容易遗漏的小目标,具有很好的工程应用价值。     

基于多标签学习的探索性仿真实验因素筛选方法

探索性仿真实验是一种认识、研究战争的重要手段,但往往面临想定样本空间复杂程度高,空间维度爆炸等问题。针对上述问题,提出一种定性定量相结合的基于多标签学习的实验因素筛选方法。首先,基于定性分析设计并实施仿真预实验,采集处理实验数据,解决机器学习样本数据缺失问题;随后,引入输入控制层搭建深度神经网络,引入稀疏正则化,在多标签模型训练过程中实现特征选择;然后,回归定性分析,补充完善实验因素;最后,以某作战样式下立体投送行动仿真推演为背景进行实验验证。实验结果表明,筛选的实验因素与作战行动现实情况吻合。