改进的基于隐马尔可夫模型的自适应IMM算法

针对机动目标跟踪中交互式多模型算法(IMM)的马尔可夫转移概率矩阵固定不变造成跟踪精度降低的问题,在已有的基于隐马尔科夫模型(HMM)的自适应IMM算法的基础上,对隐马尔可夫链的长度和Baum-Welch算法迭代次数的2个参数对该算法跟踪性能的影响,进行了深入研究分析,进一步明确了这2个参数选择的依据;并针对该算法在目标机动转换时峰值误差增大的问题,给出了2种修正方法,从而提出了改进的基于HMM的自适应IMM算法。最后,通过仿真分析了算法的参数和修正方法对跟踪性能的影响,并与传统IMM算法进行对比,证明了文章提出算法的有效性。     

面向终端区航空器飞行状态识别的HMM方法

为了准确掌握和预测终端区航空器飞行状态及其时序,为管制指挥提供参考,提出了一种基于隐马尔可夫模型的终端区飞行状态识别模型。通过对终端区雷达数据的一致化处理,形成符合隐马尔可夫模型的雷达航迹特征表示;采用雷达特征航迹训练隐马尔可夫模型,建立航空器飞行状态及其时序识别模型。实验表明:对于常规进场的航空器,方法快速有效,平均识别率高达91.53%;模型充分体现了管制意图信息与飞行意图信息;可以帮助管制员及时准确判断航空器的飞行状态。     

基于改进HMM和LS-SVM的机载设备故障预测研究

针对传统故障预测方法不能直接预测设备状态的不足,提出了将改进隐马尔科夫模型（HMM）和最小二乘支持向量机（LS—SVM）相结合的机载设备故障预测方法。首先,采用多智能体遗传算法对HMM参数进行训练优化,克服了B-W算法易陷入局部最优解的缺陷;其次,分别研究设计了设备是否具有使用阶段状态退化过程数据2种情况下的故障预测算法流程;最后,以飞机发动机温控放大器为应用对象进行仿真计算。结果表明,该算法不仅预测精度高,而且预测结果直接与设备状态相关,易于理解分析。     

基于深度神经网络的空中目标作战意图识别

传统基于空中目标特征状态推理作战意图的方法,需要大量的领域专家知识对特征状态的权重、先验概率等进行量化,明确特征状态与意图之间的对应关系,而神经网络可以在领域专家知识不足条件下,通过自身训练得到特征状态与意图之间的规则。针对反向传播（BP）算法在更新网络节点权值时收敛速度慢、容易陷入局部最优的问题,通过引入ReLU（Rectified Linear Unit）激活函数和自适应矩估计（Adam）优化算法,设计了基于深度神经网络的作战意图识别模型,提高了模型收敛速度,有效地防止陷入局部最优。仿真结果表明,所提方法能够有效识别空中目标作战意图,获得更高的识别率。     

基于GASVM-HMM算法的飞行员操控意图识别

针对传统意图识别方法的识别单一性和实时性差的问题,提出基于GASVM-HMM算法的飞行员操控意图识别方法。20名被试者在A320飞行模拟器上进行测试,采集飞行过程中飞行员与显示屏和控制装置的交互动作数据,并建立操控意图数据集。方法将GA与SVM算法结合进行优化,提高识别的精度,并将GASVM层的输出转化为概率作为HMM层的输入值,进一步提高整体意图识别模型的准确性。与传统的算法进行对比后发现,GASVM-HMM算法的准确率较高,达到92.92%。最后进行实时验证,证明了算法的有效性。     

基于动态时间规划和支持向量机的飞机机动动作识别方法

提出了一种对飞机试飞和试验数据中标准机动动作的识别方法,对飞行历史数据中的目标机动动作进行精确地检测提取。先应用动态规划的方法,在海量数据中使用动作模板初步匹配目标数据,再通过支持向量机精确识别目标,最后使用真实的飞行数据对所设计的机动动作识别方法进行了试验。结果表明,基于动态时间规划和支持向量机方法的动作识别结果准确率高、计算速度快,且数据解耦性强,具有很好的工程应用前景。     

基于动态贝叶斯网络和模糊灰度理论的飞行训练评估

针对战斗机飞行训练中的评估问题,提出了一种基于动态贝叶斯网络和模糊灰度理论的评估方法。首先,分析了训练过程中典型飞行参数与机动动作的因果关系,根据专家经验与先验知识构建基于动态贝叶斯网络的机动动作识别模型,推理得到战斗机机动动作识别结果。然后,建立战斗机飞行训练评估指标体系,根据战斗机机动识别结果选择飞行训练评估指标,并采用综合赋权法确定了指标权重。最后,建立灰度模糊评估矩阵,结合飞行训练过程中各评估指标的飞行数据得到评估结果。实验结果表明该评估方法能够根据飞行过程中的参数信息进行机动动作识别及飞行训练评估,提高了飞行训练评估的效率。     

复合材料钻削刀具状态集成学习分类技术

刀具状态监测关系到工件加工质量,因此实时掌握刀具的磨损状态具有重要的意义。针对单一模式识别分类器的局限性,提出了基于异态集成学习模型的刀具状态监测系统。在该系统中,根据集成学习基分类器选择原则,选取了支持向量机(SVM)、隐马尔科夫模型(HMM)以及径向基神经网络(RBF)这3个单分类器作为基分类器。为了验证监测系统的有效性,进行了复合材料钻削实验,提取了加工过程中的钻削力信号、振动信号的时域特征并利用局部保持法(LPP)进行了特征选择。通过与单分类器和集成学习分类效果的对比,表明了集成学习模型相比于单一基分类器具有更高的分类精度和更好的稳定性。     

基于隐马尔科夫模型的故障诊断系统研究

在制造行业中,机械设备的状态检测技术能提供关于设备运行状态的实时信息,为避免生产损失和减少设备的致命故障提供保障。提出了一套基于小波变换和隐马尔科夫模型(Hidden Markov Models,HMMs)的故障检测系统。提出了小波模极大值分布(Wavelet Modulus Maxima Distribution),并将之定义为诊断系统的观察量加以验证。同时该系统采用在线模型参数估计和培训算法,通过选取能最大化对数似然度的HMM模型,确定设备所处状态。     

基于马尔科夫链模型的脉动装配线运行状态预测

分析了影响脉动生产线运行的因素和状态预测的必要性,提出了基于马尔科夫链模型的状态预测方法。基于马尔科夫链预测理论,对脉动生产线运行状态划分,确定状态转移矩阵,建立马尔科夫预测模型,并对模型准确性进行验证。     

基于STDP奖励调节的类脑面向目标导航

动物具有优秀的空间自主定位导航能力,能够实现在无先验环境信息下的导航定位和导航决策过程。针对智能体在连续空间中面向目标导航问题,研究了一种基于生物学放电时间依赖可塑性学习规则的智能体面向目标导航算法。首先分析了动物面向目标导航决策过程中的生理学机理,在此基础上,构建了基于脉冲神经网络的位置细胞和动作细胞模型。动作细胞间权值采用横向竞争模型更新,通过环境奖励信号的更新,采用放电时间依赖可塑性学习规则对位置细胞前馈动作细胞模型的突触权重进行权值调节,利用动作细胞群的脉冲放电现象表征智能体运动方向和速度。最后,对所提算法进行了仿真实验验证。仿真结果表明,所提出的类脑面向目标导航算法能够在单障碍环境中实现30 ms左右的规划速度,相比传统强化学习Q学习方法平均路径规划长度缩短了15.9%。     

基于HMM的网络安全态势评估与预测方法

网络安全态势估计和预测是态势感知的重要过程。在告警信息聚合基础上,以典型攻击模式作为关联依据,结合网络资产的脆弱性识别网络实体所处受攻击阶段并将其转化威胁等级。以威胁等级作为观测值,基于隐Markov模型通过状态估计实现态势评估,并利用神经网络和支持向量机的组合模型实现态势预测。DARPA2000测试数据集上的相关实验表明,本文方法能更加准确地评估和预测网络态势。     

基于动力学模型的积分滤波机动检测方法

给出了一种基于动力学模型的积分滤波机动检测方法，通过滤波时对机动时间、机动强度和滤波残差的实时统计，可以准确识别目标的机动状态，并自适应调整滤波参数，保证滤波的精度。对野值具有很强的抑制能力，能够在很大程度上减小虚警的概率。该方法适合靶场对高机动弹道的机动检测。     

支持向量机增量学习方法及应用

基于支持向量机的增量学习作为一种数据挖掘与知识发现技术,已在目标识别,网页分类等诸多领城得到应用.在概述其机理的基础上,从如何提高学习精度与学习速度着手,分析了现有算法及其优缺点和需要改进的问题;论述了增量学习的应用现状,并提出进一步的研究方向.     

增广误差模型算法在目标跟踪中的应用

针对目标机动运行过程中,滤波模型与机动状态模型失配的问题,提出了一种新的增广状态误差滤波模型。不同于现有增广方案,该模型从模型失配所致状态滤波误差的角度出发,将状态估计误差增广为一状态量,通过滤波估计后用其校正原状态量。算法分析表明,该增广滤波模型具有自适应调节多重渐消因子的等效特性,增强了对目标的跟踪能力。基于该增广状态误差滤波模型,给出了滤波算法设计并进行了仿真实验。实验结果表明,基于该模型的滤波算法在对机动目标进行跟踪时具有更强的鲁棒性。     

自主空战连续决策方法

未来空战正朝着无人化、自主化方向发展,自主空战决策方法是未来空战的重要支撑手段之一。传统空战决策方法由于维度限制,存在无法处理连续动作与远视决策的问题。基于Actor-Critic 方法提出空战连续决策的统一架构,依据空战训练经验对状态空间、动作空间、奖励及训练科目进行合理设计,测试多种连续动作空间强化学习算法在高不确定性空战场景下的学习效果并进行可视化验证。结果表明：基于本文提出的方法架构,可以实现连续动作下的远视价值寻优,智能体可以在复杂空战态势下做出最优决策,对随机机动飞行目标有较高的击杀率,且空战机动轨迹具有较高的合理性。     

机动目标“当前”统计模型与自适应跟踪算法

本文提出机动目标“当前”统计模型的概念并建议用修正的瑞利-马尔科夫过程描述目标随机加速机动的统计特性。文中指出了在机动目标运动模型中状态（机动加速度）估值与状态噪声之间的内在联系。在此基础上提出了具有机动加速度均值及方差自适应的卡尔曼滤波算法。对一维和三维的情形进行了计算机模拟。计算结果表明,在仅对目标位置进行观测的情况下,这类自适应估值算法无论对高度机动或无机动的目标均可绘出较好的位置、速度及加速度估值。     

基于遗传神经网络的飞行载荷参数识别

针对飞行载荷参数识别问题,结合典型机动动作,提出一种优化改进的BP神经网络模型。模型采用留出方法和遗传算法对BP神经网络的设置参数进行优化,利用最优设置参数训练得到飞行载荷与飞行参数的BP神经网络模型。在半滚机动下,通过利用飞行参数识别某一部位弯矩并与未优化BP神经网络对比,表明优化改进的BP神经网络模型对飞行载荷参数识别是一种可行且精度高的方法。     

基于深度强化学习的无人机栖落机动控制策略设计

无人机栖落机动飞行是一种无需跑道的降落方法，能够提升无人机在复杂环境下执行任务的适应能力。针对具有高非线性、多约束特性的无人机栖落机动过程，提出了一种基于模仿深度强化学习的控制策略设计方法。首先，建立了固定翼无人机栖落机动的纵向非线性动力学模型，并设计了无人机栖落机动的强化学习环境。其次，针对栖落机动状态动作空间大的特点，为了提高探索效率，通过模仿专家经验的方法对系统进行预训练。然后，以模仿学习得到的权重为基础，采用近端策略优化方法学习构建无人机栖落机动的神经网络控制器。最后，通过仿真验证了上述控制策略设计方法的有效性。     

基于改进粒子群算法辨识Volterra级数的目标机动轨迹预测

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，结合目标机动轨迹时间序列的混沌特性，提出一种基于相空间重构理论和Volterra泛函级数的目标机动轨迹预测模型。该模型首先采用0-1检测法验证了目标机动轨迹时间序列具有混沌特性；其次，利用C-C法确定嵌入维数和时间延迟，对目标机动轨迹时间序列进行了相空间重构；然后，引入Volterra泛函级数预测模型，为了克服高阶Volterra核函数求解复杂的难题，提出一种混沌变异自适应粒子群算法，构建一种基于改进粒子群算法辨识的Volterra级数预测模型，并将其应用于目标机动轨迹预测；最后，将所提算法与卡尔曼滤波算法以及机器学习算法进行单步和多步预测对比，同时将改进粒子群算法与其他智能算法进行性能比较。仿真结果表明：所提预测模型具有良好的单步和多步预测性能，改进的粒子群算法具有参数辨识精度高、收敛速度快的优点。