D-S证据理论在空中目标识别中的应用现状与展望

D-S证据理论作为一种多源信息融合工具,在空中目标识别领域中得到了广泛应用。对D-S证据理论进行了概述;简要梳理了D-S证据理论在空中目标识别领域中的发展脉络,并提出应用中需要解决的三类关键问题;围绕上述问题,重点对该领域中的BPA获取、证据冲突度量、证据融合的应用现状进行综述;最后,基于空域控制视角,对D-S证据理论在该领域中的应用进行了展望。研究可为空中目标识别领域的理论发展和工程应用提供参考。

基于特征融合的窄带雷达短时观测回波序列空中目标识别

窄带雷达因其成本低、作用距离远的优点在防空制导领域有着广泛应用,随着高速机动平台的发展,传统的基于长时间观测回波序列特征建模的目标识别方法已不再适用。针对窄带雷达对短时间观测回波(OEST)序列特征识别能力较差,并且易受诱饵目标干扰,导致识别结果可靠性不高的问题,该文提出一种采用多特征自适应融合的窄带雷达OEST序列空中目标识别方法。首先,对编码层和分类层进行训练,通过构建通道-空间注意力模块,自适应地突出高可分性特征,然后,构建最大边缘正交损失函数,增大不同类别特征间距,缩小同类特征间距,并使类间特征正交,以此提升分类性能;最后,固定编码层与分类层参数,利用重构误差对解码层进行训练,确保模型具备对诱饵等库外目标的准确鉴别能力。实验部分在观测序列长度为100的条件下,分类准确率和鉴别率分别达到94.37%和96.78%,由此可得,所提方法能够有效提升窄带雷达的分类性能和对诱饵目标的鉴别能力,进而提高识别结果的可靠性。

基于深度残差收缩网络的雷达空中目标识别

雷达空中目标高分辨距离像(high resolution range profile,HRRP)中往往包含一定的杂波噪声,利用HRRP开展空中目标识别需要重点考虑噪声的影响。针对上述问题,提出一种基于深度残差收缩网络(deep residual shrinkage network,DRSN)的雷达空中目标HRRP识别方法。该网络将深度残差网络、软阈值函数和注意力机制结合起来,采用跨层恒等连接方式,不仅可以避免网络层数过深造成梯度消失或梯度爆炸,从而导致网络学习能力下降的问题,还可以有效过滤掉识别过程中噪声特征的影响,使模型专注于目标区域的深度特征识别,提升强噪声背景下模型的识别能力。实验结果表明,相对于其他常用的深度学习模型,所提方法在各个信噪比条件下,识别效果均有一定的优势,该模型对噪声具有较强的鲁棒性。

空中目标识别技术要点分析与设备研究

随着航空技术的不断发展和普及,无人机等航空器的应用也越来越广泛。作为一种新兴技术,空中目标识别技术可以快速实现对地面目标的准确识别和分类,具有非常广阔的应用前景。本文就空中目标识别关键技术要点进行阐述分析,简要介绍了空中目标识别技术的特点和应用领域,同时对当前空中目标识别设备的组成部分和特点进行研究,并对空中目标识别技术的发展前景以及面临的挑战进行了展望。

基于多属性特征的空中目标识别方法

空中目标识别在现代防空作战领域中具有不可或缺的地位,文章对此提出了一种基于多属性的空中目标综合识别方法,首先建立空中目标知识库,收录已知空中目标的各参数信息,然后基于空中目标的巡航高度、最大飞行高度、巡航速度、最大飞行速度、战术战法、航迹特征等属性进行不明目标的识别,最后采用主成分分析法计算不同属性识别结果的重要性排序及综合概率向量。实验结果表明该方法在大型慢速空中目标的识别上准确率较高。

基于时频谱图和CNN的雷达空中目标识别方法

传统雷达空中目标识别方法容易受到杂波和有效特征难挖掘等因素影响,其识别准确率难以满足实际雷达系统的目标识别需求。为了改善雷达对空中目标的识别性能,提出一种基于时频谱图和卷积神经网络(convolutional neural network,CNN)的空中目标识别方法。该方法首先提取雷达目标检测点迹所在距离单元的多脉冲回波数据,然后通过杂波抑制和基于CLEAN算法的雷达目标机身分量消除,得到以目标微多普勒分量为主的时域回波数据,接着通过短时傅里叶变换得到目标微多普勒时频谱图,最后利用时频谱图对设计的卷积神经网络进行训练和测试,实现喷气式飞机、直升机、螺旋桨飞机三类典型空中目标的识别。实测雷达数据测试结果表明,所提方法对三类飞机目标的识别准确率高于传统方法。所提方法避免了传统人工提取微动统计特征,消除了杂波与机身分量的影响,提高了雷达对空中目标识别的性能。

不完备信息下基于切换推理证据网络的空中目标识别方法

现有证据推理方法模型结构固定、信息处理方式和推理机制单一,难以适用于集结了不确定、错误甚至缺失等多种不完备信息环境下的目标识别。针对该问题,提出了一种切换推理证据网络(SR-EN)方法。首先,考虑证据节点删除等情况构建多模板网络模型;然后,分析各证据变量与目标类型的条件关联性以建立针对不完备信息的推理规则库;最后,提出基于三种证据输入及修正方式的智能化时空融合推理方法。与传统的证据网络(EN)以及EN与优劣解距离法(TOPSIS)等两种信息修正方法的结合方法相比,SR-EN能够在确保推理时效性的同时实现在多类随机性不完备信息下对空中目标的连续准确识别。实验结果表明,通过对各类不完备信息的有效识别,SR-EN能够实现连续推理过程中证据处理方式、网络结构和节点间融合规则的自适应切换。

基于证据理论的空中目标识别

针对证据理论在处理冲突证据时可能得到与直觉相悖的结论,提出一种新的基于权值的证据调整方法,当证据互相冲突时,不必修改合成规则,直接对各组证据赋予不同的权值调整概率分配函数.仿真数据表明,通过证据调整方法进行空中目标类型识别可行,并且实现了可靠的目标判定.

基于TOPSIS-BORDA连续时间片的空中目标识别算法

提出了一种TOPSIS-BORDA连续时间片的空中目标识别算法。在目标特征相似度矩阵构建环节,提出基于三点估计的已知目标标称特征生成方法,定义基于目标特征概率密度的目标特征相似度,提出已知目标特征先验概率赋权方法。设计了基于TOPSIS及改进的BORDA函数的TOPSIS-BORDA算法流程,在连续时间片上进行空中目标识别。经验证,该算法在空中目标识别的准确性及有效性良好。

基于改进证据支持度的多传感器空中目标识别

为了解决D-S证据理论中存在的冲突证据合成问题以提高空中目标识别能力,提出了一种基于改进证据支持度的方法。首先,根据证据间的冲突得出更能真实反映证据间平均程度的加权均值,以此来精确衡量各个证据的可靠度,进而转化成各个证据的支持度系数,再用Dempster组合规则进行数据融合,并做出正确的目标识别。目标识别的仿真结果表明,上述方法能够融合冲突信息,具有较快的收敛速度,同时提高了多传感器目标识别的准确性和有效性,减小了识别的不确定性。

BP网络与改进证据合成规则空中目标识别

针对现代空战目标识别高准确性、实时性的要求,以及目标识别融合中可能出现的高度证据冲突问题,提出了一种基于BP网络与改进证据合成规则的空中目标识别方法。该方法通过BP神经网络获取各传感器对目标类别判断的基本概率赋值,并以此为证据,使用引入加权平均证据的合成规则对各组证据进行空间域融合和时间域融合,得到目标身份结论。仿真结果表明,该方法可以很好地解决证据冲突问题,能够准确、可靠地完成空中目标识别任务。

基于CNN的窄带雷达空中目标识别方法

空中目标识别是雷达的重要用途之一,窄带雷达因体制限制,无法获取目标高分辨识别信息供分类识别。为解决窄带防空预警雷达对空中目标识别判性难的问题,提出了基于卷积神经网络的空中目标识别方法,就空中目标识别判性模型的构建、训练数据集的生成进行了研究,采用模拟数据集及实测数据对模型进行了检验,结果表明该方法具有较好效果。

基于调制谱图卷积神经网络的空中目标识别技术

雷达对空中目标的分类识别技术是雷达信号处理领域中的关键技术。目前大部分雷达目标识别方法通用性较差且对雷达具有较高的要求。针对该问题,提出一种将目标回波的周期性调制谱信息图像化后,基于卷积神经网络调制谱图处理的空中目标识别方法。目标调制谱图像通过卷积神经网络逐层变换自动学习到目标特征信息,最终通过分类器进行分类识别。该方法避免了传统人工拟定调制谱特征的方式,实现了端对端的空中目标识别方法。实验结果表明,基于调制谱图的卷积神经网络模型具有较高的空中目标识别准确率,且模型的鲁棒性和泛化能力较好。

基于模糊贝叶斯网络的空中目标多传感器融合识别研究

为了对充满不确定性与模糊性的空中目标识别数据进行处理,提高空中目标多传感器融合的准确性和可靠性,提出以模糊贝叶斯网络为基本结构的多传感器数据融合模型。该模型能够对清晰连续变量通过模糊化和去模糊化操作变换成离散变量,而且基于模糊贝叶斯网络的建模方法能够组合多种证据进行不确定性表达和推理。通过详细分析空中目标识别的推理规则,建立了空中目标识别的贝叶斯网络拓扑结构,提出了贝叶斯推理算法对多种证据进行融合计算的模型。识别实例表明该模型能够融合不同信息源的数据,有效地提高空中目标识别的效率。

不变性理论用于空中目标的识别

以计算机视觉的不变性理论为基础，用飞机红外图像边缘中的角点反映飞机的几何结构．然后对飞机的角点应用变化，以构造出两种不变特征，实验表明这两种特征具有一定不变性．推导了Ｍａｈａｌａｎｏｂｉｓ距离的平移、旋转和仿射不变性，并应用到空中目标的识别，实验表明这种方法效果良好。

基于三支决策的空中目标敌我识别方法

针对空中目标敌我识别过程中由于获取信息的不确定性及不完全性而导致决策识别出现的错分、误判及选择性判断问题,提出了基于三支决策的空中目标敌我识别方法。该方法采用多传感器信息融合技术,在决策层级引入三支决策理论,遵循贝叶斯最小风险准则,构造了基于三支理论的敌我识别模型。应用实例表明,该识别方法能够减小和规避错误决策带来的风险与损失,提高最终决策的准确性和实时性,切合现代战场复杂情况对时间复杂度的要求,更能适合战场的需要。

基于MEBN的战术级空中目标意图识别

战术级空中目标意图识别是现代化防空作战中理解战场态势、预测目标行动的关键。构建空中目标意图识别模型的核心问题是如何表示不确定的意图因素以及它们之间的关系。分析了具有典型防空作战意义的想定,并结合军事经验总结了影响意图识别的因素。提出了应用多实体贝叶斯网络(M u lti-En tities B ayes ian N etw ork)描述空中目标意图,在贝叶斯推理中融入逻辑理论,采用具体的基于知识的SSBN构建算法动态地进行空中目标意图识别。通过仿真实验,验证了此方法的有效性和可行性。

基于SSA-SVM的空中目标意图识别方法

针对传统的网格搜索算法(GSA)和粒子群算法(PSO)分别优化的支持向量机(SVM)无法同时满足舰船对空中目标意图识别中准确性和快速性的需要而导致识别效果较差的问题,提出了一种基于麻雀搜索算法(SSA)优化支持向量机的空中目标意图识别方法,建立了基于SSA-SVM的空中目标意图识别模型,并通过仿真实验与上述两种算法优化的支持向量机模型进行效果对比。结果表明,相比GSA-SVM和PSO-SVM,SSA-SVM同时具有较高的识别准确率和较短的识别运算时间。因此SSA-SVM能够既准确又快速地识别空中目标意图,具有更好的识别效果,验证了该方法的有效性。

基于粗糙集与神经网络方法的空袭目标类型识别模型研究

为了准确、迅速识别空袭目标类型,针对当前空中来袭目标的主要特点,运用粗糙集理论和概率神经网络的方法探索空袭目标类型识别问题。该方法先利用粗糙集理论对目标特征属性进行优化筛检,再利用概率神经网络对目标进行分类识别,得到空袭目标的类型识别结果。借助于Matlab7.1的神经网络工具箱仿真验证,该方法不但降低了以往空袭目标识别方法中的人为因素,而且提高了目标识别结果的可信度和快速性,较好地满足了舰艇指挥员在海上对空防御作战中目标识别的需求。