基于加权网络的系统目标毁伤效果评估

针对当前评估模型准确性和普适性不佳的情况,将系统化、网络化的思想应用于目标毁伤效果评估领域,并从网络特征的角度出发,提出替代度的概念,构建一种基于替代度的加权网络评估毁伤模型;最后,以无线电技术侦察阵地为例进行了分析与验证。算例表明,该模型能充分考虑技术侦察阵地各子目标间的相互关系,可实现由子目标向系统目标毁伤评估的合理过渡,所得的评估结果也更为科学、可靠。

不确定信息环境下目标毁伤效果评估

通过分析实际战场中的目标毁伤信息的不确定性,提出了不确定信息环境下需要解决的目标毁伤评估问题。采用模糊与贝叶斯理论,建立了目标毁伤等级评估模型。利用随机概率的多属性方案排序(stochastic multi-criteria acceptability analysis,SMAA)方法,给出不确定信息环境下目标毁伤效果评估方法,为解决不确定环境下目标毁伤评估问题提供了新思路。并采用蒙特卡罗仿真进行了验证,说明了该方法的可行性与有效性。

云重心评判法在目标毁伤效果评估中的应用

在战争模式的研究中,对目标毁伤的数量和效果的优化评估问题,近来,各种目标毁伤的程度以及毁伤模式有了很大变化,这给目标毁伤效果评估带来了困难。根据目标毁伤效果评估的特点,结合云重心评判法原理,提出了基于云重心评判法的目标毁伤效果评估方法。在分析了目标毁伤评估指标体系的建立和毁伤等级划分方法的基础上,建立了空军基地毁伤效果评估功能指标体系,利用加权偏离度来衡量毁伤效果与理想状态的偏离程度,得到了目标毁伤等级。空军基地毁伤效果评估实例表明该方法是正确和有效的,为目标毁伤效果评估提供了一种有效的方法。

基于卷积神经网络和随机森林的毁伤效果评估方法

目标毁伤效果评估是现代化战争中的重要一环。针对传统的毁伤效果评估方法无法区分目标特征与背景特征而导致评估结果不准确的问题,提出了卷积神经网络(convolutional neural network,CNN)和随机森林(random forest,RF)相结合的方法,记为CNN-F算法。通过卷积神经网络处理图像,提取图像特征,再使用随机森林替换卷积神经网络中的部分全连接层和softmax分类器进行目标毁伤结果分类。实验结果表明,该算法在准确度、精确度、召回率和F1值4个指标上都达到了较高的水平,达到了83.050%、83.585%、83.050%和82.945%,其评估结果可以为指挥员下一步决策提供参考。