基于注意力机制改进的LSTM空战目标意图识别方法

空战对抗过程中的目标状态数据呈现时序性、多维性等特征,为进一步提升目标意图识别的准确率,提出了一种基于改进注意力机制的长短期记忆网络(LSTM)目标识别方法,将空战可能出现的目标意图识别当成一个多分类问题处理。该方法首先通过目标实时的状态数据,生成特征序列;接着采用注意力机制提升目标的特征学习能力,增强空战过程中的主要目标状态特征表示,得到具有权值分配的特征向量;最后利用LSTM网络对目标特征向量进行训练,通过softmax层实现目标意图的识别。仿真实验表明,该方法利用注意力机制有效增强目标的特征学习,进一步提升了LSTM网络的识别精度,具有一定的科学性和有效性。

基于SABA优化的Volterra级数空战目标机动轨迹预测

目标机动轨迹预测是空战态势感知和目标威胁评估的重要前提。针对传统目标机动轨迹预测模型复杂度大、预测精度低等问题,通过分析并结合目标机动轨迹时序数据所具备的混沌特性,引入Volterra泛函级数模型进行目标机动轨迹预测。为解决Volterra泛函级数模型中存在高阶核函数难以求解的问题,利用变异机制和自适应步长控制机制改进蝙蝠算法的寻优能力,进而构建了一种基于自适应蝙蝠算法(SABA)优化的Volterra泛函级数目标机动轨迹预测模型,并利用优化后不同阶数的Volterra泛函级数模型对目标未来机动轨迹进行预测。仿真实验中,通过与其他优化算法改进的Volterra泛函级数模型的预测精度对比,验证了所提预测模型的可行性,同时也说明了二阶Volterra泛函级数模型更加适用于目标机动轨迹预测。

基于ICA-TOPSIS法的空战威胁评估

针对传统多属性决策方法进行空战威胁评估时难以解决指标耦合而导致评估偏差的问题,提出基于独立成分分析(ICA)和逼近理想解法(TOPSIS)的空战威胁评估方法。该方法通过借鉴盲源分离思想,引入独立成分分析法改进了传统的逼近理想解法,并通过采用独立成分分析中FastICA分离算法进行不同干扰状态下空战耦合的目标状态解耦,得到空战目标的独立状态估计,最终利用TOPSIS法得到空战中目标威胁度及其排序。仿真实验结果表明,经过ICA方法进行空战干扰下的耦合状态解耦处理,所得到的空战威胁度排序与理想的威胁度排序有较高的一致性,且与去指标相关性后的威胁度排序保持较高的相关性,验证了ICA方法在空战干扰环境下威胁评估的有效性和适用性。

基于AHP-CRITIC组合赋权的VIKOR空战威胁评估

针对在设置空战威胁评估指标权重时,无法完全体现威胁评估数据的客观性以及主观赋权方法对确定权值所带来的主观影响等问题,提出了一种运用AHP方法与CRITIC方法相结合的赋权方法。通过利用AHP方法综合专家对指标权重的判断,再根据CRITIC方法确定客观数据间的联系,实现对威胁评估指标的组合赋权;然后利用VIKOR方法,通过实例仿真进行空战威胁评估;最后,考虑不同决策者主观偏好,设置不同VIKOR方法属性值,得到不同目标威胁评估结果,进行对比分析。通过仿真验证证明该方法具有一定实用性。