基于模糊支持向量机的飞机飞行动作识别

传统的支持向量机由两类扩展到多类问题时,出现不可分区域。针对飞行动作识别提出解决这一现象的模糊支持向量机。采用模糊支持向量机对某型飞机飞行动作进行识别。实际飞参数据(6种飞行动作模式)的识别结果表明,模糊支持向量机较传统的多类支持向量分类器在飞机飞行动作识别率上有显著提高。     

基于Rough/SVM的飞机目标识别模型

研究了基于粗糙集（Rough）和支持向量机（SVM）的模式分类技术,结合遥感图像中军用飞机目标识别进行理论分析和试验研究。基于粗糙集和支持向量机算法的优势,设计了基于粗糙集和决策有向无环图的支持向量机模式识别分类器,并对分类的性能进行了分析研究。利用粗糙集理论中属性约简方法去除冗余属性,降低飞机特征维数,提出了使用决策...     

基于PSO-SVM的空中目标智能融合识别模型

支持向量机(SVM)算法能较好地解决传感器数据不完整、缺失情况。针对SVM关键参数难以选择问题,提出了基于粒子群-SVM算法空中目标智能融合识别模型。结合工程需求,进行仿真。仿真结果表明,该算法能较精确地识别目标。     

基于IL-HMM的目标机动动作识别

针对隐马尔科夫模型(HMM)不能实时更新的问题,提出一种基于增量学习-隐马尔科夫模型(IL-HMM)的目标机动动作识别和预测方法,并构建了基于目标机动识别的意图威胁分析方法。HMM能够较好地处理时间序列问题,增量学习提供了一种解决数据更新的方法,将HMM与增量学习相结合,使得模型训练延伸至全过程,从而提高模型的识别率。空中目标三维运动是关于方向状态与动作状态的HMM过程,通过观测目标的方向状态,识别出当前动作状态,并进行轨迹预测,对目标的意图威胁进行分析。仿真试验表明了动作识别的准确性,同时通过对比传统HMM与IL-HMM识别的精度,验证了所提方法的可靠性。     

基于SVM算法的虚假航迹识别

针对云雨杂波和主被动干扰导致多雷达传感器产生虚假目标航迹的问题,利用支持向量机(SVM)算法的自主学习能力,通过构建基于数据驱动的判别模型进行虚假航迹识别。针对航迹起始得到的目标潜在航迹,利用人工智能数据驱动、自学习的特点,设计了SVM算法。通过对已标记真假的目标航迹样本进行离线学习,形成虚假航迹识别的SVM分类器,实现了基于数据驱动的判别模型代替先验知识规则约束的固定模型,并在工程应用中,利用SVM分类器在线识别虚假航迹,完成实时剔除。通过实测雷达数据实验验证,该算法的目标虚假航迹准确率高达95%以上,完全满足实际的工程应用需求。相比基于阈值或规则进行硬性判断的传统虚假航迹识别方法,所提出的算法不仅提高了准确率,还具有较高的实时性,能够适应复杂多变的杂波环境,在实际应用中具有更强的适应性和实用性。因此,提出的基于SVM算法的虚假航迹识别方法对于密集杂波场景下的虚假航迹剔除问题具有显著的实际应用价值。     

基于平衡核函数聚类的飞行航迹数据分析方法

目前,使用数据挖掘的方法对目标的飞行航迹进行分析来确定航迹类别具有许多应用价值。飞行航迹数据具有维数高、交连多、可分类性能差等特点,要做到尽可能精确的聚类和分类十分困难。文章立足提高飞行航迹数据聚类分析的准确性,在航迹特征数据的预处理阶段,提出了一种平衡核函数的K-均值聚类方法,可以解决高维特征数据带来的奇异性,还能提高交叠样本的聚类性能;设计了一种模糊支持向量机的算法框架实现航迹的分类。通过实际飞行航迹数据集测试了设计框架下航迹聚类和分类识别的有效性,在实际工程上具有广泛的应用前景。     

某型发动机起动模型的支持向量机辨识及应用

为了解决某型涡扇发动机慢车转速以下的数学模型难以建立,无法进行起动性能数值计算的问题,提出了用支持向量机辨识起动模型,依据辨识结果估算起动性能的方法。采用发动机起动试验数据作为学习样本,建立了基于支持向量机的非线性动态起动模型。根据该型发动机起动供油量调整试验得到的供油压力数据,利用所建立的模型对起动性能进行了估算,给出了估算结果与试验数据的对比情况。研究表明,将支持向量机用于起动模型的辨识是可行的,能够较好地解决某型发动机起动性能计算的难题。     

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。     

基于Multivariate BiLSTM-FCNs的机动实时识别方法

机动的实时、准确识别对飞行员意图识别、空战态势感知具有重要意义。提出了将完整机动划分为若干机动单元,采用基于Multivariate BiLSTM-FCNs的方法自动提取并分析机动单元数据内部的时序特征和依赖关系,实现对机动单元的精确识别。然后通过机动单元窗口过滤噪声机动单元,实时监测机动是否执行或发生变化,实现机动单元到完整机动的实时识别。通过仿真实验识别了筋斗、盘旋、俯冲、爬升和破S机动。实验结果表明,在平均识别延迟率仅为26.19%的情况下,机动识别准确率高达96.67%。     

基于优化最小二乘支持向量机的小样本预测研究

统计学中的预测问题主要是通过对已知数据的分析,找到数据内在的相互依赖关系,从而获得对未知数据的预测能力。该文提出了最小二乘支持向量机参数优化方法———多层动态自适应优化算法,构建了基于最小二乘支持向量机的预测模型,并对Ti 26合金的性能预测进行了研究。结果表明:优化的最小二乘支持向量机具有优秀的小样本数据学习能力和预测能力。