机动目标建模及机动检测算法

为解决机动目标跟踪问题,建立了非机动(匀速直线运动)和机动目标当前统计两种动态模型,并对机动目标当前统计模型的输入控制的估计进行了适当改进.同时对非机动模型的观测残差和机动模型的输入估计进行检验,以便准确检测目标机动.     

基于自注意力机制和CNN-LSTM的空战目标机动轨迹预测

空战目标机动轨迹是有丰富时空特征的多维时间序列,具有高度复杂性和不确定性。针对现阶段轨迹预测运动学模型建立困难、时序预测的方法难以提取时空特征且只能单一的从T到T+1时刻的顺序式训练的问题,文中提出了一种自注意力机制(self-attention, ATT)和卷积神经网络(convolutional neural network, CNN)-长短期记忆网络(long short-term memory, LSTM)结合的模型(CNN-LSTM-ATT)。离线状态下训练模型,获得的最优模型可以实现目标机动轨迹的高精度预测。文中模型与CNN-LSTM、LSTM模型进行单步预测对比分析,具有良好的单步预测和不同过载机动预测的能力。考虑到电磁干扰和复杂环境导致传输数据的误差和缺失,进行了目标轨迹的5步预测,预测结果和评价指标均优于CNN-LSTM、LSTM模型。     

一种自适应变结构交互式多模型算法

针对机动目标跟踪问题,提出了一种自适应变结构交互式多模型算法。对滤波问题进行了简单描述,并给出了交互式多模型算法的数学模型;建立了一种新的变结构交互式多模型算法的精确模型,模型子集之间并行独立运行,通过选取概率最高的模型子集的状态估计作为最终的估计结果;在变结构交互式多模型算法基础上进一步设计了自适应变结构交互式多模型算法,该方法提高了模型子集和目标实际机动模式的匹配程度,从而提高了目标跟踪精度。仿真结果表明,自适应变结构交互式多模型算法的跟踪效果优于其他方法。     

部队机动作战中无人机安全威胁与防控对策

近几场局部冲突表明无人机作战已由小规模使用转向常态化运用,无人机机型谱系众多、作战样式多样,给传统防控体系带来了全新挑战,特别是严重威胁装甲车、坦克、后勤车队等机动作战单元的安全。在分析无人机主要安全威胁的基础上,立足当前典型的无人机防控手段,针对性开展机动作战中无人机防控体系设计,提出驻车待机阶段和机动行进阶段两种防控模式,重点围绕防区规划、防控流程、战术要领研讨防控策略,以期为现代战争中机动作战单元无人机防控力量建设和实践运用提供参考。     

机动目标对搜索的最优规避

研究规避搜索时机动目标运动的最优控制问题。首先针对一组相同的搜索者用变分法求出了机动目标的最优逃避路线,然后求出了确保能发现目标的搜索者数量,最后在搜索者数量一定的情况下求出了目标不可逃避区域内的最优控制规律。     

机动部队“处突”生活保障特点及对策

近年来,由于各种原因引发的群体性闹事事件不断增多,严重影响了社会稳定。如何做好“处突”生活保障工作,是摆在各级军需部门面前的一项重要任务。