具有自动回溯的机动目标航迹精细化分段识别

机动目标航迹分段识别是判断目标行为意图的基础,然而现有航迹分段算法对模式变化检测能力弱,难以满足机动目标航迹快速精细化分段的需求。提出双层精细化航迹分段框架,预分段层检测目标运动过程中的模式切换,确定模式变化明显的预分段区,得到目标模式变化明显区域的预分段点;再分段层对模型差异小的非预分段区航迹进行回溯迭代优化再分段,得到更为精细的分段点。该框架具有从粗到精的航迹分段处理能力,实现了对于机动目标航迹的精细化分段识别。选取两个典型的目标机动仿真场景验证了所提算法的有效性,不仅减少了迭代优化时间,而且提高了分段识别精度。     

基于证据网络因果分析的空中目标意图识别

目标意图及时准确的估计对战场指挥决策具有重要的影响。考虑到战场环境复杂多变,其检测数据、信息、知识具有较高的随机性和认知不确定性,本文面向目标意图知识推理,基于结构因果模型,利用证据网络在不确定性处理方面的推理优势,提出了一种基于证据网络因果效应分析的空中目标意图识别方法。该方法通过d-分离检验构建兼容信息特性与意图多样性的因果证据网络模型,使模型同时考虑领域知识和数据间的条件独立关系,并将认知不确定性内嵌于推理引擎中,推理实现不确定战场环境下空中目标意图估计。此外,基于提出的因果证据网络模型和干预算子计算目标意图与属性之间的因果效应,挖掘目标意图估计蕴含的因果逻辑关系。仿真分析表明：本文提出的方法能够同时处理随机不确定性与认知不确定性,克服了传统意图识别方法缺乏因果分析的缺陷,是对目标意图和战场态势要素的深层次认知,实现了意图识别的“由果溯因”和“由因识果”。     

基于本体建模的态势推理

为了克服传统推理方法在态势表示和态势推理方面的不足,本文针对态势推理问题,以本体建模储存态势推理所需要的规则知识,使得战场逻辑规则清晰化,易于扩展.结合态势本体逻辑,对基于关系数据库存储的战场数据进行识别、分类,完成态势信息从关系数据库到本体的转化,从而将态势推理问题转化为基于本体建模的战场态势推理.该方法充分考虑到了...     

基于DDPG算法的无人机集群追击任务

无人机的集群化应用技术是近年来的研究热点，随着无人机自主智能的不断提高，无人机集群技术必将成为未来无人机发展的主要趋势之一。针对无人机集群协同执行对敌方来袭目标的追击任务，构建了典型的任务场景，基于深度确定性策略梯度网络（DDPG）算法，设计了一种引导型回报函数有效解决了深度强化学习在长周期任务下的稀疏回报问题，通过引入基于滑动平均值的软更新策略减少了DDPG算法中Eval网络和Target网络在训练过程中的参数震荡，提高了算法的训练效率。仿真结果表明，训练完成后的无人机集群能够较好地执行对敌方来袭目标的追击任务，任务成功率达到95%。可以说无人机集群技术作为一种全新概念的作战模式在军事领域具有潜在的应用价值，人工智能算法在无人机集群的自主决策智能化发展方向上具有一定的应用前景。     

基于改进证据网络的空战动态态势估计方法

针对无人机空战态势估计既需要综合考虑多类型因素影响,又需要具有不确定性推理能力的特点,建立了一种基于改进证据网络的动态态势估计模型并设计了威胁等级评估推理方法。首先,考虑空战决策时间较短的特点,提出变量框架等级缩减方法以提高网络运行效率;然后,针对空战态势信息具有大不确定性的特点增加冲突数据自适应融合算法以及网络证据的时间序列预测,提高证据的合理性;最后,引入时空融合思想和变权机制将前一时刻的威胁信息作为评判后一时刻威胁的重要标准,应用威胁在时间维度上的递归合成增加信息在时间方向的传递,改善了由于证据失真引起的评估结果的不合理性问题,并通过仿真验证了该方法的有效性。     

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。     

基于路径和算法的飞行器集群分布式相对定位

根据飞行器集群中各节点的惯性测量以及节点间数据链给出的相对距离测量,利用集中式卡尔曼滤波可以实现集群节点间的相对定位,包括相对位置和相对姿态的估计。集中式算法将集群内全部数据汇聚到中心节点集中处理,系统的可扩展性和可靠性受到制约。以信念传播为代表的分布式相对定位算法,通过集群各节点对局部信息的处理以及相邻结点间的信息交互,可实现节点间相对位置和相对姿态的全局估计。然而,在集群相对定位问题中,数据链拓扑包含大量环状结构,此时信念传播算法存在收敛性问题。本文提出一种集群相对定位分布式精确推理方法,可适用于任意集群拓扑结构。分别在高斯标准型和规范型描述下,设计集群各节点误差状态的分布式时间更新和量测更新算法,基于路径和原理给出标准型和规范型参数的分布式转换算法。在线性高斯模型假设下,本文方法等价于集中式卡尔曼滤波,可实现相对定位的最优估计。设计基于集群分解的分布式近似推理算法,进一步提升算法运行速度。在六自由度长航时仿真数据上的计算结果表明,基于路径和的分布式近似推理的相对定位精度与集中式卡尔曼滤波接近,明显优于现有的分布式高斯信念传播算法。     

支持差异化服务的航空信息网络切片策略

针对航空集群各作战任务对网络性能需求的差异，研究了灵活耦合任务需求的航空信息网络切片问题。按照任务特性定义网络切片类型及性能特征，以任务资源需求为约束构建切片性能最优化整数规划模型，将网络切片构建问题分解为平台资源聚类和链路资源聚类2个步骤，提出了基于粒子群的平台资源聚类算法和基于感知节点的链路资源聚类算法。平台资源聚类阶段通过基于聚类因子排序的粒子群聚类算法进行迭代求解；链路资源聚类阶段，以各网络切片性能和链路负载率为优化目标，在平台资源聚类的基础上完成链路资源聚类。研究结果表明：所提算法构建的航空信息网络切片可满足不同任务对平台资源以及网络传输能力的需求，平台资源利用率和链路负载率显著改善。     

基于时空显著性建模的空中飞行器跟踪方法

以复杂背景下空中飞行器的鲁棒视觉跟踪问题为研究背景，为解决现有跟踪方法目标表征模型不够精确，算法鲁棒性严重受到目标形变、宽高比变化、复杂背景等因素干扰的问题，提出了建模跟踪场景中独立物体的显著性特性，用于构建精确的目标模型。提出的显著性估计方法有别于传统的单帧检测方法，利用跟踪算法提供的背景先验知识以及多帧图像观测数据，使用时空联合的方式进行建模估计，其结果用来指导目标跟踪算法选取有效视觉特征，建立精确目标表征模型，减小背景区域对算法模型的干扰。实验表明，提出的方法为上述难点问题提供了有效的解决方案，对空中飞行器的跟踪精度与鲁棒性优于大多数最先进的主流方法，在其他类型的目标跟踪任务中也有十分优越的性能表现。     

基于近端策略优化的空战决策算法研究

面对未来有/无人机协同作战场景,实时准确的空战决策是制胜的关键。复杂的空中环境、瞬变的态势数据以及多重繁琐的作战任务,使有/无人机协同作战将替代单机作战成为未来空战的发展趋势,但多智能体建模和训练过程却面临奖励分配困难、网络难收敛的问题。针对5v5 有/无人机协同的空战场景,抽象出有人机和无人机智能体的特征模型,提出基于近端策略优化算法的空战智能决策算法,通过设置态势评估奖励引导空战过程中有/无人机智能体的决策行为向有利态势发展,实现在与环境的实时交互中,输出空战决策序列。通过仿真实验对所提空战决策算法进行验证,结果表明：本文提出的算法在经过训练学习后,能够适应复杂的战场态势,在连续动作空间中得到稳定合理的决策策略。     

考虑扰动的无人机集群协同态势感知一致性评估

无人机（UAV）集群协同态势感知（SA）一致性是无人机集群协同作战的关键，对一致性进行评估至关重要。针对态势感知过程中面临的强不确定性等问题，在一致性评估指标体系的基础上，提出了基于证据推理规则的态势感知一致性评估方法，将各类指标信息统一至置信结构，并充分考虑指标的权重与可靠度。采用扰动分析法对复杂战场环境进行模拟，提出考虑扰动的态势感知一致性评估方法，并对算法进行了总结。最后，通过仿真算例和对比研究验证了所提方法在不确定性表达、一致性评估和无人机集群的环境适应性研究等方面的有效性。     

基于自适应遗传BP算法神经网络数据融合的空中目标识别

空中目标识别是现代防空作战的重要研究内容。本文利用不同类型目标产生的多类型传感器的数据信息对目标进行识别。为了训练神经网络目标识别分类器,将遗传算法和BP算法相结合,提出了一种新的自适应遗传BP算法,利用这种神经网络来确定指标的权值。仿真试验结果表明,基于自适应遗传BP算法神经网络的识别是一种简单、可靠的目标识别方法,具有很好的目标识别效果。     

BL分析下的管制员差错本体建模研究

为分析识别空中交通管制任务中管制差错问题,结合BL(body loop,BL)压力产生模型研究管制员压力来源.提出领域本体的建模流程,确立推理模型的内部逻辑关系,构建管制差错领域本体模型.采用FaCT++推理机针对实际案例进行语义推理,从而识别管制差错类型,提出了基于本体的管制差错专家系统的系统框架.结果验证了构建推理模型的有效性和合理性.     

基于注意力YOLO-V3的合成孔径雷达舰船检测识别一体化方法

传统的合成孔径雷达舰船检测识别需要分两步实现，检测识别精度和效率难以满足实际应用需求。本文结合注意力机制和YOLO-V3网络提出了注意力YOLO-V3网络实现合成孔径雷达舰船检测识别一体化。同时，利用公开的AIR-SARShip-1.0数据集和OpenSARShip数据集构建了大场景舰船检测识别数据集，用于验证目标检测识别性能。实验结果表明，本文提出的注意力YOLO-V3网络可以获得较高的检测识别精度，证明了本文方法的有效性。     

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。     

仿鹰眼-中脑机制的无人机空中加油显著性检测

空中加油是提高无人机（UAV）空中持续作战能力的重要技术，其中对加油锥套的检测和识别是实现空中加油的首要任务。针对空中加油快速、准确的目标检测难题，结合鹰眼敏锐的视觉机制，设计了一种仿鹰眼-中脑机制的显著性检测算法，采用仿鹰眼颜色拮抗和明暗适应机制模型从加油锥套视频序列中提取多通道图像特征，为适应锥套在图像中的面积，模拟仿鹰中脑网络门控机制对多通道特征显著图进行空间门控处理，模拟仿鹰中脑网络增益机制对显著图进行增强处理。通过公开数据集和空中加油试飞数据集分别进行了测试，仿真对比实验结果验证了所提出的显著性检测算法可在设定显著目标面积占比的条件下有效抑制背景影响，并能检测到空中加油的锥套目标。     

导弹集群协同作战任务规划系统

以领弹/攻击弹等新概念作战方式为例,讨论基于C4ISR系统下的导弹集群协同作战的总体框架,对信息融合系统、态势评估系统、任务规划系统、战毁评估系统及数据链系统等进行了分析,并对任务规划的主要算法,如A*,D*,Voronoi图法等进行了分析比较,最后设计了任务规划系统的硬件体系框架和软件结构模块.     

机器学习辅助湍流建模在分离流预测中的应用

数据驱动湍流建模是近年来发展的提高雷诺平均N-S方程预测精度的有效手段,通过机器学习算法能够从高置信度数据中自动提取特征,建立准确的从平均流动特征到雷诺应力的预测模型.针对高雷诺数下积冰翼型绕流这一类典型的复杂流动分离问题,基于此前研究者提出的机器学习预测框架,从输入输出特征选择和翼型绕流中数据分布特性两个方面出发,对...     

机载斜视SAR改进ETF快速成像算法

 根据机载斜视SAR(Synthetic Aperture Radar)成像模式，详细推导了任意场景位置的准确传递函数，在此基础上，提出了一种改进的ETF（Exact Transfer Function）成像算法。并推导得到了算法使用中分块处理应该满足的边界条件。由于推导过程基于准确运动模型和参考距离模型，方位相位的计算不做近似截取而是做准确计算，使得该算法具有更高的相位精度。同时该算法可运行于现有的成像系统，兼容性好；对数据分块并行运算，解决了斜视情况下大距离徙动带来的问题并且提高了运算速度。最后，点目标仿真成像结果证明了算法的有效性。     

基于置信度加权的组合导航数据融合算法

 针对联邦滤波融合算法中由于模型量测噪声统计特性未能被准确描述导致其子滤波器误差变大，进而导致联邦滤波估计出现偏差的问题，为了改进联邦滤波融合方法，将模糊自适应卡尔曼滤波方法和置信度加权方法与联邦滤波融合方法相结合，应用于组合导航系统。该方法首先将模糊自适应卡尔曼滤波方法应用于各子滤波器，使其能够跟踪真实量测噪声统计特性。然后通过模糊方法计算得到各子滤波器的置信度，进而得到联邦滤波器的置信度，再由得到的置信度对各子滤波器及联邦滤波器输出进行加权，得到最终的全局输出。对车载组合导航系统的仿真结果表明，这种算法对量测噪声具有较强的自适应性，能够抑制置信度低的子滤波器在融合系统中所占的权重，提高联邦滤波融合算法的精度，是一种可行的车载组合导航数据融合算法。