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。     

基于改进GRA-TOPSIS的空战威胁评估

针对在确定空战威胁评估指标权重时，未考虑指标间的耦合性以及客观赋权法不能从逻辑视角体现指标相对评价对象真正的重要程度的问题，提出了一种基于灰色关联度、灰色关联深度的极大熵模型初步确定权值，再根据指标间灰色关联度以及确定的解耦阈值修正权值的方法。为了克服灰色关联分析法（GRA）和理想点接近法（TOPSIS）的缺点，提出了一种基于GRA-TOPSIS的目标威胁评估方法。首先，通过实例对比分析了指标采用数学模型与模糊处理后，对目标威胁评估结果的影响；其次，对比分析了采用GRA、TOPSIS以及GRA-TOPSIS、数学模型得出的目标威胁评估结果；最后，考虑不同决策者的主观偏好，得出不同的目标威胁评估结果。通过仿真验证了所提方法的有效性以及科学性。      

基于PCA-MPSO-ELM的空战目标威胁评估

目标威胁评估是空战对抗过程中的关键环节。由于影响空战目标威胁评估的因素复杂多样，且指标之间存在相关性，导致传统的评估算法无法得到准确客观的评估结果。由此，提出了一种基于主成分分析法和改进粒子群算法优化的极限学习机（PCA-MPSO-ELM）的目标威胁评估算法。首先，综合分析了影响目标威胁程度的指标，利用主成分分析法对原始评估指标进行线性变化处理得到综合变量，消除了评估指标之间的相关性，实现了对评估数据的降维；在此基础上，构建ELM神经网络并利用改进的粒子群算法优化极限学习机的输入权值和阈值，提高了目标威胁评估模型的精度。最后，在空战训练测量仪中选取空战对抗数据，利用威胁指数法构造了目标威胁评估样本数据，通过仿真实验分析了PCA-MPSO-ELM算法的精度和实时性，结果表明所提算法可以快速准确地进行空战目标威胁评估。