多域作战下的群目标意图识别与预测

多域作战具有实体多类、队形多变、意图多样等诸多挑战,难以综合利用多元知识,因而主要依靠人工判决,以至于自动化水平不高。为了实现计算机自动推演态势,需要解决知识的图形化建模和意图推理综合两大难题。对此,在空海域管控知识图谱的基础上,搭建了多域作战战术规则库、编队队形与场景态势的映射关系,提出了基于多实体分层贝叶斯网络的群目标意图识别与预测方法。首先,运用群内目标实体的状态和事件信息,构建目标作战实体行为推理层。其次,利用综合作战实体的时序规则、双方相对距离及航向等信息,构建同类目标元意图推理层。最后,利用实体序列协作关系及编队队形信息,构建多域作战下的群目标总意图推理层。以航母群活动仿真数据为例,验证了所提算法能够获得较为可靠的意图推理结果。

分布式网络环境下系统跳变执行器故障诊断

针对存在输入干扰的分布式网络环境下系统跳变执行器故障问题,建立了连续时间马尔可夫跳变执行器故障系统模型,并设计了残差生成器.对于多系统网络传输下存在系统跳变的情况,首先在空间几何方法中的不可观测子空间以及空间分割投影运算基础上,运用H∞优化技术和线性矩阵不等式(LMI)方法完成残差生成器参数求解,实现残差对输入的解耦以及与故障的对应关系,并通过残差输出值与预设阈值对比来确定系统中的故障情形,最终完成分布式网络下系统跳变的执行器故障检测与隔离.通过仿真实验验证了算法的有效性.

数据和知识驱动的空战目标集群类型综合识别

目标集群类型识别是体系作战样式下态势认知的关键,然而现有集群识别算法主要依据专家知识人工进行判读,难以满足作战态势快速、准确理解的需求。提出数据和知识驱动下的推理机制,构建分层精细化推理的集群场景识别框架,预识别层检测目标运动过程中的集群的分群/合群,根据设计基于边界检测的密度峰值聚类确定群的划分情况,得到集群的初步识别结果;再识别层中综合分析集群执行任务、运动特性、电磁特性,对集群目标的多源特性进行多元知识约束下的推理网络构建,在此基础上利用现有数据进行推理网络参数学习,进而使推理获得更为准确的集群类型识别结果。该框架综合知识和数据的优势具有从粗到精的集群目标识别能力,利用多特征综合推理机制对目标集群精细化分析,实现集群类型的准确识别。在典型的集群作战活动场景下推理置信度和正确率两项指标均优于现有算法,验证了所提方法的有效性,提高空战目标集群类型识别的置信度和准确率。

具有自动回溯的机动目标航迹精细化分段识别

机动目标航迹分段识别是判断目标行为意图的基础,然而现有航迹分段算法对模式变化检测能力弱,难以满足机动目标航迹快速精细化分段的需求。提出双层精细化航迹分段框架,预分段层检测目标运动过程中的模式切换,确定模式变化明显的预分段区,得到目标模式变化明显区域的预分段点;再分段层对模型差异小的非预分段区航迹进行回溯迭代优化再分段,得到更为精细的分段点。该框架具有从粗到精的航迹分段处理能力,实现了对于机动目标航迹的精细化分段识别。选取两个典型的目标机动仿真场景验证了所提算法的有效性,不仅减少了迭代优化时间,而且提高了分段识别精度。