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。

空中目标动态电磁散射数据仿真系统设计与实现

电磁散射数据是目标识别研究的基础,但由于试验测量成本高、可重复性差等问题,空中目标电磁散射实测数据十分有限。基于去遮挡的N点模型和电磁计算数据插值研究了空中目标动态电磁散射数据仿真方法,设计了空中目标动态电磁数据仿真系统,该系统将电磁散射仿真与实际飞行场景相结合,支持场景自定义和空中目标三维模型库扩展。分析了飞机和巡航导弹2类目标仿真数据及成像结果,结果验证了仿真方法正确性和系统有效性,可为研究实际场景下的空中目标识别提供支撑。

基于改进D-S理论的多时刻空中目标威胁评估

针对单时刻空中目标威胁评估存在的抗干扰能力弱、可靠性不足等问题,建立一种基于改进D-S证据理论的多时刻空中目标威胁评估模型。首先,根据空战时间线,定义多时刻空中目标威胁评估时段范围;然后,在单时刻空中目标威胁等级概率分配基础上,利用D-S证据理论融合各时刻证据信息;同时,针对D-S证据理论不能处理高冲突证据的弊端及其现有改进方法计算量较大的不足,引入偏移度的概念,确定各时刻证据源权重,对加权证据进行D-S融合。数值算例表明,该模型算法复杂度低;能有效处理波动数据、稳定性强,并且可减弱高冲突证据融合对威胁评估带来的不利影响,为最终决策提供了更准确的判别依据。

基于RL-LSTM的空中目标意图识别方法

空中目标意图识别是战场态势认知的重要部分。为了进一步提高空中目标意图识别准确率及实时性,提出了基于改进长短时记忆(long short-term memory,LSTM)网络模型RL-LSTM的空中目标意图识别方法。首先获取目标实时的状态数据,以最后时刻目标状态作为模型输入,利用RL-LSTM模型来学习7种常见意图的运动及时间相关特征信息,最后,通过Softmax分类器实现目标意图识别。仿真实验表明,该模型提升了现有神经网络模型的识别准确率及识别效率。

对抗条件下空中目标威胁评估方法

威胁常随着双方对抗的开展存在着动态演化的特点,传统威胁评估方法更多基于静态威胁进行研究,缺乏动态威胁的预测估计。针对此问题,提出一种对抗条件下的空中目标威胁评估方法。设定红方为进攻方,蓝方为防御方,以红方目标为智能体建立强化学习模型,设计其状态空间、动作空间、转换函数及奖励函数。建立威胁评估模型,确立威胁元素指标,设计威胁评估模型。对模型进行训练,训练完成的模型可根据对抗情况预测红方空中目标威胁。经试验分析,该方法在对抗条件下对红方空中目标威胁评估更具合理性。

一种空中目标关联关系挖掘分析方法

快速准确挖掘分析雷达历史数据中蕴含的目标关联关系,可以为空中目标活动规律研究、目标识别判性等提供辅助,充分发挥历史数据作用。根据目标时空特性,设计了一种新的空中目标关联关系挖掘分析方法。设计了一种时间匹配方法,生成时间关联数据集。设计了一种空间关联度量,生成空域关联数据集。运用DTW及生成树算法,匹配并搜索具有关联关系的空中目标,生成关联关系集合。经数字仿真验证,该方法可有效挖掘雷达数据历史信息,寻找目标之间的关联规律。

基于DATE-FCOS的空中目标检测研究

航空图像中目标的检测是当前研究的热点之一,高效、准确的探测在军事和民用领域具有很高的价值;但由于高空环境复杂和空中目标尺度形状多变,不同用途的飞行器进行改装和涂装使得空中目标在检测中难度较大;所以提出了一种改进的一阶端到端的空中目标检测算法;算法采用DATE-FCOS为基本框架,用CIoU替代GIoU加入到边界框回归损失函数中,并在此基础上,利用可形变卷积模块对其骨干网络进行了改进并且在FPN结构之后加入CBAM模块;通过实际实验测试,所提方法在FGVC aircraft数据集上提高了检测的平均检测精度,达到77.8%,对比原模型提升11%,满足空中目标检测的应用。

基于RMDLPP的雷达空中目标分类

针对鉴别局部保持投影(discriminant locality preserving projections, DLPP)在窄带雷达目标数据降维时出现的类内离散度矩阵奇异和对孤立点敏感进而导致类别之间可分性弱的问题,提出了基于鲁棒性边界DLPP(robust margin DLPP, RMDLPP)的窄带雷达空中目标分类方法。首先,在计算样本之间距离时将两样本点的欧氏距离与同类样本均值相关联。然后,挑选一定数量的边界样本点进行处理并对优化DLPP目标函数进行降维。最后,使用高性能分类器对降维后的数据进行区分,实现对空中目标的分类。通过对X波段对空警戒雷达实测数据的对比实验表明,所提方法具有更好的分类准确率和对孤立点的鲁棒性。

基于PACA的复杂空中目标战术意图识别方法

针对战场中空中目标航迹动态性、时序变化性及意图多样的特性,提出一种基于端到端类属属性学习的识别方法,作为智能多意图识别模型的基本框架。融合目标航迹中的时序特征及属性特点,通过压缩及修正预处理统一输入编码信息,封装专家的知识经验为标签,学习指挥员战时情况判断的思维方式,消除其隐蔽性、欺骗性和对抗性所带来的干扰因素,得出特定目标的复杂战术意图。通过仿真实验,采用常用多分类评价体系分析端到端训练方式对结果的影响,以及与相关方法的对比分析表明,所提算法针对多意图识别更具有效性和参考价值,可用于支撑作战筹划系统建立非合作目标与保卫要地的关联关系。

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DBN-TOPSIS法的空中目标融合威胁评估

针对已有空中目标威胁评估方法主观性强、稳定性弱、评估过程不连续的问题,综合考虑目标运动特性与目标属性,提出了一种基于动态贝叶斯(dynamic bayesian network,DBN)和逼近理想解法(TOPSIS)的融合威胁评估方法DBN-TOPSIS。通过分析来袭目标特征指标间的依赖关系,建立空中目标威胁评估指标体系。采用模糊理论处理连续型特征指标,统一指标形态,利用DBN进行动态威胁度等级概率推理。构造模糊DBN推理结果与TOPSIS评估矩阵之间的映射关系,采用TOPSIS法将威胁评估概率一维向量转换为确定数值,进行空中多目标威胁度准确排序。实验结果表明,融合威胁评估方法具有较好的合理性和稳定性。

基于动态贝叶斯网络和模板匹配的空中目标意图识别

对空中目标的作战意图进行预测是目标意图识别中的难点,提出了一种基于动态贝叶斯网络和模板匹配的意图识别方法,实现空中目标作战意图的实时预测。首先,综合利用实时感知的目标特征信息、领域专家知识以及积累的历史作战态势数据,并采用动态贝叶斯网络推理来袭目标当前的作战行动;然后,根据目标当前的作战行动预测目标可能的行动序列;进一步基于目标可能的行动序列,采用态势模板匹配的方法,实现对目标作战意图的实时预测。仿真结果表明,所提方法能够有效解决意图识别中的意图预测问题,进一步提升了意图识别的准确率。

一种基于麻雀搜索算法的空中目标意图预测方法

针对BP神经网络(BPNN)的分类性能和遗传算法(GA)的参数寻优能力难以满足空中目标意图预测需求的问题,提出了一种基于麻雀搜索算法(SSA)优化支持向量机(SVM)的空中目标意图预测方法。利用SVM和SSA分别取代BPNN和GA,构建了SSA-SVM空中目标意图预测模型,并对模型的预测性能进行了仿真检验。结果表明,SSA-SVM比GA-SVM具有更快的收敛速度和更高的适应度值,比BPNN具有更高的预测准确性和更稳定的预测结果。因此,SSA-SVM可以准确、稳定地预测空中目标意图,能够满足意图预测在准确性和稳定性上的需求,提升了预测性能。

基于FCN-BiGRU的空中目标意图识别方法

随着科学技术的发展和作战方式的改变,对于敌方作战意图的推理开始进入战场,防空作战决策对于意图识别的准确率有更高的要求,现有的知识图谱、专家网络和深度神经网络等方法在识别的精度上还存在差距,难以满足防空作战的需求。因此,本文结合卷积神经网络和循环神经网络的优点设计了一种用于空中目标意图识别的深度学习模型FCN-BiGRU,全卷积网络(FCN)可以提取空战数据中的复杂局部特征,双向门控循环单元(BiGRU)用来捕捉空战意图数据的时序特征,通过消融实验和对比实验证明,FCN-BiGRU模型的意图识别准确率达到98.71%,超过现有空中目标意图识别模型1.14%,为防空作战决策提供了更有力的依据。

信息缺失条件下基于IQBA-TOPSIS的空中目标威胁评估

现代战场的高复杂性和各种态势信息的不完备性使得传统的空中目标威胁评估方法难以适用于数据缺失的情况。针对该问题,首先采用引入等距对数比变换(ILT)和球坐标变换的改进的量化双聚类算法(IQBA)补全目标属性缺失数据;然后采用改进的基于灰靶理论和指标相关性的熵权法分析各属性的影响程度,客观计算目标属性权重;最后使用改进的灰色关联TOPSIS法来实现对作战任务目标的威胁评估,划分威胁等级。仿真实验结果表明,所提方法可以有效实现信息缺失条件下的空中目标威胁评估,评估结果更加客观可靠。

空中目标航迹识别方法

为解决空中单目标复杂航迹难以识别与文本描述的问题,提出了基于航迹序列的智能识别方法以及基于模板的文本生成模型。首先,利用航迹数据处理分析、深度学习和自然语言处理等技术,构建了航迹识别模型和文本生成模型;然后,通过对航迹序列进行标注和分类,自动将航迹模式分为基本飞行动作和复杂飞行动作;最后,建立单目标识别模板,并构建基于预训练架构的文本转换模型,从而实现航迹和文本的互相转换。试验结果表明,利用标注的航迹数据集可对航迹进行识别分析,方法具有实用性和准确性。

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。

基于改进ACGAN的雷达空中目标细分类方法

为了解决窄带雷达空中3类飞机目标难以细分类的问题,提出了一种基于改进辅助生成对抗网络(auxiliary classifier generate adversarial networks,ACGAN)方法,将卷积神经网络(convolutional neural networks,CNN)结合堆叠的双向长短期记忆网络(bidirectional long short-termmemory,Bi-LSTM)嵌入到ACGAN中,使ACGAN具有处理目标频域内部时序特征的能力。通过对X波段对空警戒雷达实测数据对比实验表明,提出的方法能够有效地对空中目标进行细分类,并具有较高的识别正确率。