基于Hough变换和聚类的舰艇编队队形识别算法

编队队形识别技术是反舰导弹武器系统目标识别领域中的一项重要研究内容,具有队形识别能力的反舰导弹可以有效增强对密集型舰艇编队当中重要目标的选择能力,进而直接提升导弹的命中概率和作战效能。基于Hough变换技术研究了一种舰艇编队队形识别算法,在无探测噪声影响时具有很好的识别率。当目标信息受污染较严重时,进一步采用了改进的K均值聚类算法对Hough变换后得到的积累矩阵局部峰值进行聚类处理,根据峰值聚类的结果准确提取出待识别队形的参数,从而有效抑制了探测噪声带来的不利影响。仿真结果表明,采用该算法可以正确识别出舰艇编队队形,在目标信息受污染较严重时也具有较好的识别效果,具有较好的鲁棒性。对该算法复杂度及目标指示误差对算法精度的影响进行了分析。

基于领域知识的海上编队线型队形识别

编队队形是达成海上编队战术意图的重要手段,因此识别海上目标的编队队形是判断其作战意图的有效方法之一。本文从系统研究海上编队线型队形的领域特征入手,分析了海上编队线型队形的队列要素及计算方法,进而提出了海上编队线型队形的模板表示方法。在上述基础上,建立了识别队形所需要的坐标变换、队列方位等关键参数计算的数学模型,提出了基于队列方位的队列线聚类算法。最后设计了便于计算机编程实现的详细识别算法步骤,从而构建了基于领域特征的编队队形识别算法。

队形识别智能化方法定量分析

潜艇战术软件对于队形识别功能有一定需求,队形识别本质上属于模式识别问题,用智能化方法实现队形识别已经得到了定性论证。对四种人工神经网络方法进行了定量试验,为了精确测试试验基于小样本进行,样本通过0和1标记的方式获取,试验了横队、纵队、人字队等多个不同测试集,增加反人字队形后的情况也进行了对比。GRNN网络在四次试验中表现出良好的泛化能力和队形识别能力,可用于小样本情况下的队形识别。

舰艇队形识别目标选择算法

根据反舰导弹自控终点散布、末制导雷达方位探测误差、舰艇队形和散布,推导建立了正态判据总体的均值向量和协方差矩阵,并描述了如何应用马氏距离判别法和判据总体从舰艇编队中识别选择出所装订目标的算法流程。对算例的仿真结果表明队形识别目标选择算法优于传统目标选择算法。

一种空中编队队形智能识别方法

针对传统空中编队队形识别方法人工干预多、模板设计复杂等问题,提出一种基于态势编码和机器学习的空中编队队形智能识别方法。提出了一种适用于机器学习算法的空中编队态势编码方法,对不同空中编队队形进行统一描述;以空中编队态势编码为基础,构建基于机器学习的编队队形识别模型;仿真编队数据并划分数据集,对模型进行训练。实验结果表明,该方法在小样本条件下识别准确率可达95.5%以上,在样本数据量较大时可达99%,可实现端到端的识别。

队形识别技术对反舰导弹作战使用的影响分析

编队队形识别能力是新型反舰导弹应具备的一项重要作战性能,具有队形识别能力的反舰导弹可有效增强对密集型舰艇编队当中重要目标的选择能力,进而直接提升导弹的命中概率和作战效能。本文分析了反舰导弹对编队目标选择能力的需求,研究了新型反舰导弹对编队目标的捕捉能力和常用的水面舰艇编队队形,并就利用编队队形识别方法提高反舰导弹对编队目标的选择能力进行了可行性分析,并给出了队形识别技术在反舰导弹武器系统中的应用思路。