基于粒子群K均值聚类的空中目标识别

舰艇编队面临的空中威胁日益复杂多样,正确、快速地识别目标是赢得对空防御作战的前提。在分析各传感器测量得到的空中目标威胁特征指标的基础上,将舰艇编队防空作战目标识别问题转化为最优聚类问题,建立基于粒子群聚类的目标类型识别模型。通过主成分分析将样本各特征值标准化、降维投影到新的特征空间,引入粒子群优化算法构建最优聚类识别模型,实例分析表明该方法有效,计算速度快,降低了实用的复杂度,提高了目标识别的可靠性。     

直觉模糊多特征融合目标类型识别模型

应用直觉模糊集完整描述目标识别特征与类型关系之间的模糊性和犹豫性,建立基于最大隶属原则的直觉模糊多特征模式识别的一般识别模型;针对战场目标类型识别问题中特征值不完全和识别特征之间独立的特点,定义了识别特征值识别价值测度和直觉模糊动态熵权,进而建立了基于最大隶属原则和动态熵权的多特征直觉模糊目标类型识别模型;通过应用实例计算与对比,说明提出的模型是有效的;所建立的模型对空中目标类型智能识别具有一定参考价值。     

防空兵虚拟战场中目标运动轨迹拟合算法研究

空中目标运动轨迹的数学建模是防空兵虚拟战场中作战仿真的关键,为有效和逼真模拟空中目标运动轨迹的变化情况,在分析了目前空中目标三种典型运动轨迹特点的基础上,提出了采用B样条函数的方法来描述目标三维运动轨迹,并根据目标飞行过程中过载、最大飞行速度等条件的限制,结合地形坡度的变化,对拟合结果进行了重新规划。通过仿真实验,证明该方法能够较好地拟合空中目标的飞行轨迹,实时解算的目标参数符合其飞行规律,为推演防空作战过程提供了必要的条件支撑。     

基于Elman网络模型的空中目标识别方法

为了准确、迅速识别空中目标类型,建立基于Elman神经网络的空中目标识别模型。该模型降低了以往空中目标识别方法中的人为因素,提高目标识别结果的可信度和快速性。通过实例验证,证明该模型的有效性和正确性。     

加入国际公约或多边条约采用的程序术语浅释

在未来的海上战场上,不管是大规模常规战争,还是小规模局部战争或低强度战争,其格局都必将使海战成为“四维”空间立体战,即在水下、水面、空中和外层空间的“四维”战场同时展开,而且战争胜负的关键将取决于以下三个主要方面:     

基于群效用理论的目标价值评估

在构建目标价值指标体系的基础上,利用综合意见集结方法,建立了影响目标属性的各因素的群效用函数,进而集结为各属性的效用函数,然后结合各属性的权重,对某作战时刻战场目标的价值进行评估,为指挥员的战场目标分配提供辅助决策.     

基于GPS信号多普勒补偿的空中目标探测方法

针对现代雷达面临的恶劣战场环境,提出了基于GPS反射信号处理的空中目标探测方法。介绍了一种基于分组信号FFT处理的多普勒补偿算法,抑制了目标多普勒频移对GPS信号自相关性能的破坏。对FFT处理后信号进行不同的多普勒模糊度修正,然后对修正结果脉压后取大,消除了多普勒测量模糊,实现了对目标速度的准确测量。仿真表明：在多普勒完全补偿的情况下,该方法可获得40Hz的多普勒测量精度和良好的信号处理增益,扩展了多普勒测量范围和精度,能够实现空中目标探测。     

高阶神经网络与D-S方法在数据融合中的应用

讨论了数据融合与高阶神经网络的串行结合.根据Dempster-Shafer证据理论的基本原理,利用多传感器多周期测量条件下命题不确定性度量的融合算法公式,进行命题的空间和时间融合,以达到空中目标的敌我识别.将融合后的最终结果输入到高阶BP神经网络中,通过目标向量样本的训练,输出相应的目标类型.仿真结果证明,这种方法是行之有效的.     

高阶神经网络与D—S方法在数据融合中的应用

讨论了数据融合与高阶神经网络的串行结合。根据Dempster-Shafer证据理论的基本原理,利用多传感器多周期测量条件下命题不确定性度量的融合算法公式,进行命题的空间和时间融合,以达到空中目标的敌我识别。将融合后的最终结果输入到高阶BP神经网络中,通过目标向量样本的训练,输出相应的目标类型。仿真结果证明,这种方法是行之有效的。     

海军战斗机的技术要求

现代化战争已经不再是平面战场上进行的线式作战，而是由陆地、海洋和空中（外层空间）战场共同组成的立体战场环境。军用飞机在战场上作用的提高和越来越广泛的应用范围，使空中作战力量已经成为了可以决定现代战争进程和结果的关键因素。从二次世界大战开始在海上战场广泛应用的作战飞机迅速改变了海战的形势。无数战例都已清楚证明，就像陆军在没有制空权时只能被动挨打一样，海军没有制空权也无法有效执行作战任务，甚至保证最基本的生存都会存在有很大的困难。     

一种使用二进制图像特征的被动声呐自动分类方法（英文）

This paper proposes a new method for ship recognition and classification using sound produced and radiated underwater. To do so, a three-step procedure is proposed. First, the preprocessing operations are utilized to reduce noise effects and provide signal for feature extraction. Second, a binary image, made from frequency spectrum of signal segmentation, is formed to extract effective features. Third, a neural classifier is designed to classify the signals. Two approaches, the proposed method and the fractal-based method are compared and tested on real data. The comparative results indicated better recognition ability and more robust performance of the proposed method than the fractal-based method. Therefore, the proposed method could improve the recognition accuracy of underwater acoustic targets.     

An automated approach to passive sonar classification using binary image features

This paper proposes a new method for ship recognition and classification using sound produced and radiated underwater. To do so, a three-step procedure is proposed. First, the preprocessing operations are utilized to reduce noise effects and provide signal for feature extraction. Second, a binary image, made from frequency spectrum of signal segmentation, is formed to extract effective features. Third, a neural classifier is designed to classify the signals. Two approaches, the proposed method and the fractal-based method are compared and tested on real data. The comparative results indicated better recognition ability and more robust performance of the proposed method than the fractal-based method. Therefore, the proposed method could improve the recognition accuracy of underwater acoustic targets.     

混合遗传算法在舰空导弹武器系统火力分配中的应用

论文通过保证最大数量的目标满足射击条件为优化目标,以指挥员决策、舰空导弹武器系统照射雷达有效作用范围等因素为约束条件,建立火力分配模型。然后采用基于自适应惩罚函数法的混合遗传算法,快速有效地解决武器系统照射雷达的火力分配问题。     

基于目标概率威胁值评估的多平台分布式目标分配

提出一种在多平台间进行分布式目标分配的方法,可以综合考虑目标攻击意图、编队各舰权重排序、以及常用威胁评价指标的目标概率威胁判断模型。在此基础上,利用合同网方法实现目标在多平台间的协调分配。通过算例对该方法的具体应用进行了说明。     

一种被动声纳目标识别数据融合方法的研究

文章首先对目标噪声信号采用五种不同的方法提取特征矢量,然后采用基于自适应遗传BP算法的神经网络分别对五种特征矢量并发地进行分类,再采用遗传算法对分类器组合过程中的多参数进行优化,最后由五种分类结果最优组合产生最终的分类结果。实验结果表明该系统具有很好的分类效果。     

一种基于高阶谱特征的舰船目标识别方法

基于高分辨距离像(HRRP)的舰船目标识别问题,提出了一种基于高阶谱特征的舰船目标识别方法。在对舰船目标HRRP特性分析的基础上,首先利用姿态角进行方位约束筛选,然后通过高阶谱特征结合欧氏距离测度最近邻分类器进行识别匹配。通过10类军民船目标的实测数据进行测试,验证结果表明该方法在舰船目标识别领域具有很好的应用前景。     

基于深度学习的海上目标快速检测方法

在智能海洋船艇自主导航和避障过程中，对周边环境的感知能力非常重要。本文针对智能船艇对环境感知的速度和精度需求，提出了基于深度学习的海上目标快速检测方法，并构建了以船舶、浮标和岛屿为检测目标的海上目标数据集。本方法通过提取目标图像不同尺度特征语义信息，应用多框检测器实现对目标的分类和定位，采用非极大值抑制算法筛选最优结果，实现了海上目标快速高精度检测。实验结果表明，本方法在自建数据集上取得了83.3%的识别正确率，单帧耗时9.8ms, 在相同实验条件下，正确率和单帧耗时均优于现有同类快速目标检测方法，证明了该方法可以满足智能船艇对环境感知的速度和精度需求。     

基于KPCA与KFDA的SAR图像舰船目标识别

针对SAR图像中舰船目标识别的问题,提出了基于核主成分分析(Kernel Principal Component Analysis,KPCA)和核Fisher判别分析(Kernel Fisher Discriminate Analysis,KFDA)相结合的舰船目标识别算法.用核主成分分析的方法对实测的SAR舰船目标数据进行特征降维,再结合核Fisher判别分析法对降维后的样本数据进行多类别分类.将该方法用于对实测的四类舰船目标进行识别,平均识别率可达91.25%.实验结果表明,核主成分分析与核Fisher判别分析相结合的方法可提取目标的有效特征,在较低特征维数情况下获得较高的目标正确识别率.     

浅海宽带声源深度判决方法

被动声呐系统具备区分水面和水下目标的能力是十分重要的。针对此问题,文章提出了一种在浅海环境下利用单水听器区分水面和水下目标进行分类的方法。声源深度判决问题可以看作二元分类问题,在理想浅海波导的相干多途信道模型下,推导了海底和海面反射声与直达声时延差比值的关系式,并基于该比值构建了与声源距离无关的深度判决统计量,利用该统计量与预设门限进行对比,可以对水面和水下声源进行区分。在宽带噪声源的假设下,接收信号的功率谱中含有与多途时延量有关的周期分量,对功率谱进行稀疏性约束,可利用正交匹配追踪算法对海底和海面反射声时延进行估计。计算机仿真给出了时延估计性能,分析了时延估计误差对算法的影响性能,同时利用蒙特卡罗试验方法验证了所提声源深度判决方法的有效性。     

一种估计水中目标辐射噪声线谱的方法

线谱是水中目标辐射噪声中重要的特征信息,在被动声呐系统中,线谱提取是水中目标识别的关键技术.文章简述了水中目标辐射噪声的物理成因和频谱特征,利用经典谱估计法与现代谱估计法在短时序列谱估计中的特点,结合仿真试验的结果,提出了一种对水中目标辐射噪声低频段线谱估计的联合分析法,并用该方法对2艘实船噪声进行了谱分析.实验结果表明,该方法对低频段的线谱特征提取有较好的实用效果.