在进行多雷达多目标航迹匹配时,由于测元系统误差随跟踪距离传播,雷达测量精度下降,易出现航迹匹配错误的情况。针对该情况,应用多测元非线性融合模型,采用样条约束的误差模型最佳弹道估计(Error Model Best Estimation of Trajectory,E...在进行多雷达多目标航迹匹配时,由于测元系统误差随跟踪距离传播,雷达测量精度下降,易出现航迹匹配错误的情况。针对该情况,应用多测元非线性融合模型,采用样条约束的误差模型最佳弹道估计(Error Model Best Estimation of Trajectory,EMBET)方法对雷达测元系统误差进行自校准,将利用欧几里得距离进行航迹匹配的传统方法改为利用精度较高的雷达测距作差比较,有效解决了多雷达航迹匹配时的门限阈值合理设置的难题。仿真结果证明算法有效适用,可极大地提高多雷达多目标航迹匹配时的准确度,对完成多目标空域分布、目标识别等突防效果分析评估具有重要价值。展开更多
针对互联网开放数据中文本表述模糊、实体边界不清等问题,构建航天语料库Space-Corpus,提出一种基于BERT+Bi-LSTM+CRF的航天领域命名实体识别模型。基于微调的多层双向Transformer编码器(bidirectional encoder representations from tr...针对互联网开放数据中文本表述模糊、实体边界不清等问题,构建航天语料库Space-Corpus,提出一种基于BERT+Bi-LSTM+CRF的航天领域命名实体识别模型。基于微调的多层双向Transformer编码器(bidirectional encoder representations from transformer,BERT)模型生成输入语料的向量化表示,结合双向长短期记忆网络(bi-directional long short-term memory,Bi-LSTM)获取上下文特征,通过条件随机场(conditional random field,CRF)层进行序列解码标注,输出得分最高的预测标签。实验结果表明,该模型在Space-Corpus语料库上较基于BERT模型、基于BERT+Bi-LSTM以及基于CNN+Bi-LSTM+CRF识别模型的准确率、召回率及F1值均有提升。展开更多
文摘在进行多雷达多目标航迹匹配时,由于测元系统误差随跟踪距离传播,雷达测量精度下降,易出现航迹匹配错误的情况。针对该情况,应用多测元非线性融合模型,采用样条约束的误差模型最佳弹道估计(Error Model Best Estimation of Trajectory,EMBET)方法对雷达测元系统误差进行自校准,将利用欧几里得距离进行航迹匹配的传统方法改为利用精度较高的雷达测距作差比较,有效解决了多雷达航迹匹配时的门限阈值合理设置的难题。仿真结果证明算法有效适用,可极大地提高多雷达多目标航迹匹配时的准确度,对完成多目标空域分布、目标识别等突防效果分析评估具有重要价值。
文摘针对互联网开放数据中文本表述模糊、实体边界不清等问题,构建航天语料库Space-Corpus,提出一种基于BERT+Bi-LSTM+CRF的航天领域命名实体识别模型。基于微调的多层双向Transformer编码器(bidirectional encoder representations from transformer,BERT)模型生成输入语料的向量化表示,结合双向长短期记忆网络(bi-directional long short-term memory,Bi-LSTM)获取上下文特征,通过条件随机场(conditional random field,CRF)层进行序列解码标注,输出得分最高的预测标签。实验结果表明,该模型在Space-Corpus语料库上较基于BERT模型、基于BERT+Bi-LSTM以及基于CNN+Bi-LSTM+CRF识别模型的准确率、召回率及F1值均有提升。