基于G2DPCA的SAR目标特征提取与识别

给出了基于广义二维主分最分析(G2DPCA)的合成孔径需达(SAR)图像目标特征提取方法.与主分量分析(PCA)相比,在寻求最优投影方向时,它直接基于二维图像矩阵而不是一维向量,在特征提取前不必将2维图像矩阵转换成1维向量.与二维主分量分析(2DPCA)相比,它可以同时去除图像行和列像素问的相关性.基于美国运动和静止目标获取与识别(MSTAR)计划录取的数据的实验结果表明,结合预处理.G2DPCA在大大降低了特征维数的同时,又改善了识别性能,并且正确识别率在97%以上,且对目标方位变化具有较好的鲁棒性.     

无人集群试验评估研究现状分析及理论方法

无人集群试验评估是促进无人集群技术从理论走向实践的重要桥梁。与传统的作战系统相比，无人集群系统具有自主协同、能力涌现、智能对抗等特点，这已大大超出传统作战系统试验评估的范畴。针对上述现实需求，本文旨在综述美国和中国在推进集群试验评估方面所进行的开创性工作的基础上，主要对无人集群试验评估的概念内涵、发展现状进行了讨论分析；结合课题组在航空集群作战领域的研究基础，探讨无人集群试验评估的主要内容和可行的技术路线，为军事装备的信息化升级和智能化转型奠定基础。     

基于情景分析的航空集群决策规则库构建方法

针对传统的规则学习算法很难解决顶层决策，以及现阶段航空集群作为一种新兴的作战样式，没有太多现成的数据和案例可供参考，暂不具备"从战争中学习战争"条件等难题，从战争设计的角度出发，探讨性地提出了一种基于情景分析的规则库构建方法。首先，从系统演化的外部触发条件和内部驱动机制出发，提出了基于事件触发-规则驱动的自主决策机制；然后，将航空集群决策规则拆分为事件、条件、动作3部分，并采用事件-条件-动作（ECA）描述机制进行规范化表达；最后，借鉴情景分析理论的思想，通过详细分析作战过程的逻辑关系、状态变迁，实现对象、事件、行为的关联，并以无人机自主察打任务规则提取为例进行了验证分析。     

两向二维最大子类散度差鉴别分析及其在SAR目标识别中的应用

 针对Fisher线性判决分析（FLDA）在图像识别应用中遇到的小样本问题，提出了两向二维最大子类散度差（(2D)2MCSD）鉴别分析的图像特征提取方法。首先找到每类数据的子类划分，再根据这些子类构造基于二维图像矩阵的子类类间和子类类内散布矩阵，最后用子类类间与子类类内散布之差作为鉴别准则求取投影矢量。该方法可以处理多模分布问题，从根本上避免了矩阵求逆和小样本问题，加快了特征抽取的速度，且同时对图像行和列进行压缩，克服了二维最大子类散度差（2DMCSD）鉴别分析和另一种形式的2DMCSD（Alternate 2DMCSD）的特征维数较大的问题。基于美国运动和静止目标获取与识别（MSTAR）公共数据库提供的实测数据的实验结果表明：本文方法的性能优于现有的子空间方法；与2DMCSD和Alternate 2DMCSD相比，可大大降低特征维数、提高识别性能。