基于时空轨迹信息的目标行为模式在线分类方法

在预警监视领域，及时地预测目标行为模式对于态势认知至关重要。首先，针对当前大多数目标行为分类器实时性不强、对离群轨迹不敏感等问题，提出了带有离群检测的归纳式一致性多类预测器（ICMP）。其次，针对目标行为分类算法仅考虑目标的空间位置信息，而忽略航向和速度信息的问题，基于轨迹的时间和空间2个维度的信息提出了时空Hausdorff距离（STHD），从而可以有效区分空间位置相似但运动速度和方向不同的行为。然后，基于定向时空Hausdorff距离和K最近邻思想构造了定向时空Hausdorff最近邻不一致性度量函数（DSHNN-NCM）；在此基础上，提出了带有离群检测的序贯时空Hausdorff最近邻归纳式一致性多类预测器（SSHNN-ICMP），能够在预警监视场景下对目标频繁出现的行为进行在线学习和分类。最后，分别在仿真军事场景和真实民用场景中进行实验分析，结果表明本文算法具备较好的准确性和实时性，在预警监视任务中有良好的应用前景。     

基于多维航迹特征的异常行为检测方法

在信息融合领域,利用数据挖掘中的异常检测技术,可以基于目标的多维航迹特征来挖掘目标的异常行为。现有轨迹异常检测方法主要检测目标的位置异常,没有充分利用目标的属性、类型、位置、速度和航向等多维特征,在挖掘目标的异常行为时具有局限性。通过定义多因素定向Hausdorff距离和构造多维度局部异常因子,提出了一种基于多维航迹特征的异常行为检测方法,通过对多维航迹数据的异常检测,实现对目标异常行为的挖掘。在仿真军事场景和真实的民用场景上进行了实验分析,所提方法都能有效的检测出目标的异常行为。     

基于多维特征的战场实体目标分群方法

目标分群问题也称为群形成过程,是态势估计中的一个重点和难点问题,属于信息融合中的高层融合范畴。现有的目标分群方法大多是将空间位置相近的目标聚为一类,极少有分群方法考虑到进行战场态势分析所需的位置、速度、航向、属性和类型等多维特征。为此,首先根据海战场态势分析需求,基于目标的特征属性定义了多维度欧式距离;然后综合利用分类与密度聚类两种分析方法,提出了一种战场实体目标分群方法,以综合实现战场实体目标的实时分群处理;最后,将该算法应用于一个军用场景的数据集上进行仿真实验。仿真结果表明了该方法在海战场环境中实现目标分群处理的可行性和有效性。     

基于划分检测模型的终端区异常轨迹检测方法

针对异常轨迹对轨迹聚类效果的影响以及给进离场程序管制适用性的量化分析提供分析数据的考虑,在结合数据挖掘中异常检测理论的基础上,利用划分检测框架及将距离和密度结合起来,设计了一种有效检测算法,运用到终端区飞行轨迹的异常检测当中,检测出飞行轨迹中的异常轨迹,从而改善轨迹的聚类效果。实例仿真结果表明：方法可以准确地检测出异常轨迹。     

基于轨迹聚类的民用飞机线束综合设计方法

针对目前民用飞机EWIS线束综合设计时存在因信号数量大、路径复杂所导致的工作难度高、设计效率低等问题，设计了一种基于轨迹聚类的线束综合设计方法。根据布线网络上敷设的信号路径，以网络节点所构成的轨迹段形式构建信号路径轨迹，并通过改进的LCSS算法衡量信号轨迹间的相似性，使用基于密度的DBSCAN聚类算法将信号划分到不同的线束组件。结合某机型机上数据与现有线束信息比较，并使用建模软件分析对比实验结果，验证了该方法的可行性。     

对流天气下基于聚类算法的终端区交通流分析

准确分析对流天气对终端区进场交通流的影响,提出了一种面向对流天气场景的基于轨迹聚类的进场交通流分析方法。利用卷积神经网络与K-means++算法对对流天气进行特征提取和聚类;采用均匀化参数方法对进场飞行轨迹进行重采样;进而采用具有噪声的基于密度的聚类算法对进场轨迹进行聚类,采用K-means算法识别交通流的中心轨迹。对...     

线阵CCD在风洞轨迹测量试验技术中的应用研究

针对风洞试验中轨迹测量问题,设计了由3个一维线阵CCD成像单元组成的实时空间位移测量系统。提出了一种基于特征边缘提取的组合特征定位WBT算法,可以有效提高系统精确度和抗振动干扰能力。应用该系统在风洞中测量了覆冰导线的舞动轨迹,完成了导线舞动规律研究。     

无人机蜂群轨迹预测研究

传统防空火控算法中的轨迹预测模型无法对复杂的无人机蜂群进行有效地轨迹预测，而现有针对无人机机动轨迹的预测研究通常只考虑单个无人机，且模型量级过大。为了准确且快速地预测无人机蜂群轨迹，本文提出一种面向蜂群的轨迹预测方法。在获得蜂群轨迹后，首先基于DBSCAN 对其进行聚类，判断出蜂群中各个无人机的类别；然后基于分形算法，判断无人机轨迹是简单轨迹还是复杂轨迹；最后，采用卡尔曼滤波进行简单轨迹的预测，用基于LSTM 网络的方法进行复杂轨迹的预测。结果表明：本文提出的无人机蜂群轨迹预测方法的预测误差远远小于纯采用卡尔曼滤波方法预测的误差，且预测时间小于仅采用LSTM 网络方法预测的时间，可以较为准确地预测蜂群中不同集群无人机的轨迹，为反无人机蜂群火控解算提供基础。     

基于特征的流场数据挖掘

将数据挖掘技术应用于流场分析,有可能挖掘出常规数值方法难以发现的复杂流动规律。流场数据与传统数据库数据不同,通常组织为不规则的空间离散点和单元。为建立流场数据挖掘的统一范式,提出了基于特征的流场数据挖掘流程,并设计了两类相应的数据模型组织方式:邻域时空盒模型和连接图模型。使用该框架,对特定Rayleigh-Benard对流现象的数值计算结果进行了关联规则分析。其中涡特征提取使用λ2准则,关联规则提取使用Apriori算法。实验挖掘到了一些非平凡的流场规则,证明了该方法的有效性。     

GA—HCM混合聚类算法及其在液体火箭发动机故障检测中的应用

针对HCM聚类算法对初始值和学习参数具有较强依赖性的缺点，提出了GA－HCM混合聚类算法。应用改进的基因算法为HCM算法选取初始种子解，使滑动数据窗上的聚类算法以功能层次分明的“导师一学生”制智能结构出现，从而实现了“精”与“初”相结合的解空间搜索算法，使HCM聚类算法能较快收敛到问题的最优解。同时针对液体火箭发动机系统动力学的特殊性，利用我们提出的一种适用于离线或在线系统故障检测与诊断的算法框架，基于实际试车数据对GA－HCM混合聚类算法进行了准实时的数字仿真。仿真结果表明该算法基本上克服了HCM算法的缺点，能有效地用于液体火箭发动机的事后故障分析或在线故障诊断。该故障诊断框架能区分干扰噪声、永久性故障或间歇性故障所引起的异常数据现象，并能形成当前系统的故障特征模式。对缓变故障的早期检测能力使该算法框架极富应用前景。     

具有通信约束的分布式SOR多智能体轨迹估计算法

针对传统多智能体轨迹估计算法信息交换量大，计算量随群规模指数增长，可扩展性差等诸多不足，提出了一种基于超松弛迭代（SOR）的分布式多智能体轨迹估计算法，通过将最大似然（ML）准则下的轨迹估计转化为两级线性优化问题，并综合利用分布式超松弛迭代（Distributed SOR）和标记初始化方法，加快求解速度并简化信息交换流程，最终实现了多智能体位姿轨迹优化和协作定位。实验表明，所提的分布式方法能达到集中式算法的精度水平，在49个智能体规模条件下，位置估计误差小于0.15 m，姿态估计误差小于0.03°，且数据交换量仅到现有主流分布式方法DDF-SAM的0.06%，能很好用于大规模集群的场景。     

用最大值原理求某无人机的最优上升轨迹

为改进某无人机飞行性能，应用最大值原理求解无人机在垂直平面内的最优上升轨迹，推导了无人机最经济爬升所满足的极值方程；并用此方程和最快爬升极值方程这两类目标函数求解了某无人机的最优上升轨迹，计算结果表明，经优化后的爬升轨迹可以节省燃油，延长无人机的续航时间或快速爬升到预定的终点高度具有较好的性能收益。     

空间环境对超低轨道卫星轨迹规划的影响

针对超低轨道卫星受空间环境影响显著,对特定目标的轨迹规划难度大的问题,分析了经验大气模型中空间环境参数预报的预报误差以及空间环境参数预报对轨迹规划的影响.在目前空间环境参数预报的误差特性的基础上,建立了轨道控制量和空间环境参数双变量的轨迹评估规划的算法,通过轨迹规划评估后选取最优轨迹规划方案.该算法能够很好地适应空间环境参数的变化,降低空间环境参数预报误差带来的轨道控制风险.目前,该算法已在某超低轨道卫星的轨迹规划中得到成功应用,对需要考虑空间环境因素影响的较低轨道卫星的轨迹规划与控制具有一定的借鉴意义.     

基于位置近邻的RFID路径聚类算法

随着物联网技术的广泛应用,每天有大量RFID数据产生,如何从海量的位置数据信息中提取知识亟待解决。为了解决这一问题,考虑采用路径聚类的方法。为了确定路径之间的近邻关系,提出一种RFID位置模型LM（Location Model）,利用该模型分析位置之间的相互联系,并提出一种RFID路径相似度计算算法,在此基础之上进行了路径聚类。经实验对比结果表明,基于位置近邻的RFID路径聚类算法可以更好的聚集相似路径,同时具有较低的时间复杂度和较高的准确率。     

轨迹自动跟踪指令生成方法

介绍一种轨迹跟踪控制算法，可将空间三维／四维参考轨迹要求转化为飞机操纵指令，该算法根据参考轨迹点的位置、速度、过载及飞机实际位置、速度、姿态、过载，计算纵向和横向的操纵指令，控制飞机自动跟踪参考轨迹，是轨迹管理及综合飞行／推进控制的一项关键技术。     

基于慢特征密度聚类的气路异常检测方法

在结合核技巧、慢特征分析算法与密度聚类方法的基础上,提出了基于混合核慢特征分析和密度聚类的慢特征密度聚类算法,实现了基于民航发动机气路参数原始值的异常检测。核技巧的引入克服了慢特征分析法处理复杂数据时可能存在的维度爆炸问题,充分利用不同核函数的特点和慢特征分析的优势从气路参数原始值中提取出随时间变化最缓慢的特征作为密度聚类算法的输入,最终筛选出异常值。经实验对比发现,该方法针对某些异常拥有最好的聚类效果和最低的虚警率,尤其是检测可调放气活门系统异常时虚警数量不到样本总数量的0.5%,是一种有效的方法。      

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。     

基于实时预测轨迹修正的共轴跟踪观测方法

针对光电设备跟踪观测轨迹可预测目标,提出并实现了基于实时预测轨迹修正的新型跟踪算法。从电视观测信息中实时解算出轨迹偏差的位置分量与速度分量并修正预测轨迹,引导仪器运动。应用该方法,在被观测目标电视探测不理想时有效提高了跟踪可靠性,降低了光电跟踪设备对电视探测能力的苛刻要求。即使电视探测短时出现困难,也能保证一定精度。本文给出了实时轨迹修正跟踪方法的构成原理与试验结果,并与一般电视跟踪方法进行了对比。     

改进的特征匹配雷达视频运动目标跟踪算法

针对密集杂波和复杂多目标情况下,特征匹配跟踪算法定位跟踪精度较低的问题,提出一种改进的特征匹配雷达视频运动目标跟踪算法。首先,从单帧雷达图像检测结果中提取目标的面积、位置、不变矩信息,在运动目标得到判定后,利用卡尔曼滤波的预测位置以及上一帧特征信息进行目标匹配;然后,根据匹配位置和预测位置给出目标估计位置,并进行特征信息更新;最后,输出目标的特征信息、位置信息和运动参数。利用某型导航雷达上采集的实测数据验证了算法的有效性。     

齿轮故障识别的密度峰值聚类欠定盲源分离算法

为提高盲源分离算法在振动源数目估计问题中的噪声鲁棒性，提出了一种基于密度峰值聚类的欠定盲源分离算法。对预处理后的信号提取单源点，通过密度峰值聚类对单源点进行聚类得到混合矩阵的估计值。通过基于压缩感知模型对源信号进行重构，得到分离信号。为验证所提算法分离准确性和噪声鲁棒性，用所提算法对不同信噪比下的仿真信号进行分离，结果显示：在信噪比不低于4 dB时，所提算法均可以准确分离出源信号，算法的准确性和鲁棒性得到验证。设计旋转部件故障诊断试验台对所提算法在实际应用中的有效性进行验证，对实测复合故障振动信号进行分离，试验结果表明该算法成功分离出观测信号中的锥齿轮和行星齿轮单一故障特征，有助于工程中旋转部件故障诊断。