基于动态变结构BP神经网络的目标威胁评估

针对传统目标威胁估计方法和BP神经网络的不足,在BP神经网络的基础上,建立了基于动态变结构BP神经网络的目标威胁估计模型.该模型通过在权值向量更新公式中引入冲量函数,加快了网络的搜索速度和精度,保证了网络获得全局最优值;通过实时调整隐含层节点数目,可以将网络结构优化,极大地提升了网络的灵活性.仿真结果表明,与传统目标威胁估计方法和BP神经网络相比,动态变结构BP神经网络具有更好的预测能力和收敛速度,可以快速、准确地完成目标威胁估计.     

基于ALO-SOM神经网络的航迹稳定分析

为了快速准确地分析稳定敌方航向并判断其攻击目标,提出了基于蚁狮优化算法(ALO)的自组织竞争(SOM)神经网络的航迹稳定分析方法。首先探究了航迹稳定分析的具体流程;然后提出并采用ALO-SOM神经网络提取航迹特征;最后,为了提高复杂线段拟合的准确性,采用分段线性拟合对特征进行处理,进而获取稳定的航向。仿真结果表明,ALO-SOM神经网络可以快速准确地提取航迹特征,SOM神经网络训练正常,分段线性拟合方法准确地获得了目标的稳定航向。     

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。     

基于改进BP神经网络的导弹攻击区计算

针对传统导弹攻击区计算方法和BP神经网络算法的不足,在BP神经网络的基础上,建立了基于动态变结构BP神经网络的导弹攻击区模型。该模型通过在权值向量更新公式中引入冲量函数,加快了网络的搜索速度和精度,保证了网络获得全局最优值;通过实时调整隐含层节点数目,可以将网络结构优化,极大地提升了网络的灵活性。仿真结果表明,与传统导弹攻击区计算方法和BP神经网络相比,动态变结构BP神经网络具有更好的计算能力和收敛速度,可以快速、准确地完成导弹攻击区计算。