基于多尺度特征的高分辨率SAR图像机动目标识别

针对客观世界本身的多尺度特性及多尺度分析方法的有效性,提出了能够体现目标宏观和微观固有多尺度信息的SAR图像目标识别方法。该方法通过引入目标先验信息分割出反映目标形状的区域;并根据SAR图像目标对Gabor滤波器组的不同响应,利用多尺度信息及尺度间的相依性提取新的多尺度特征;最后按照方位信息建立多尺度特征库用以指导目标识别。通过MSTAR的实测SAR目标数据集进行了多尺度特征建立和目标识别测试,试验结果表明了该方法的有效性。     

基于神经网络的符号化飞行动作识别

飞行动作识别是飞行训练评估和空战智能决策等多项关键技术的基础, 实现飞行动作的快速高效识别具有重大意义。对此, 提出一种基于神经网络符号化模型的方法, 实现对基本飞行动作和复杂飞行动作高效识别。首先, 利用微分分割的思想对飞行参数进行切片处理, 然后通过卷积神经网络(convolutional neural networks, CNN)和长短期记忆(long-short term memory, LSTM)神经网络实现飞行动作的模块化处理, 有效代替了传统方法中对原始数据的逻辑推理。并且该方法可以利用基本飞行动作对飞行过程实现飞行数据分割, 具有良好的扩展性, 能够快速处理批量飞参数据。最后对13种基本飞行动作、两种复杂飞行动作和整段飞行数据进行仿真实验。仿真结果表明, 该方法具有良好的识别性能。     

基于神经网络的反步自适应大机动飞行控制

针对飞机大机动飞行时模型非线性和参数不确定性的特点,提出了一种基于全调节神经网络的反步自适应控制方法。飞机模型不确定部分由全调节径向基函数(radical basis function, RBF)神经网络在线补偿,控制律及神经网络参数自适应律由反步法回馈递推得到,并利用一种自适应参数策略的混沌粒子群算法优化控制器固定参数,改善动态性能,最后通过加权伪逆控制分配方法得到最终控制信号。仿真结果表明：在较大的模型气动参数不确定及控制增益矩阵未知时,所设计的控制律仍能理想地跟踪飞机大机动指令飞行,神经网络参数估计误差指数收敛到有界紧集,系统具有快速的收敛性和良好的鲁棒性。     

动态面过失速机动飞行控制律的设计

提出了一种基于B-spline网络和动态面控制方法的过失速机动飞行控制律设计方法。针对飞机气动力和力矩的非线性和不确定性,引入具有学习和记忆功能的B-spline网络,自适应逼近飞机的气动力和力矩,加快参数收敛速度,改善系统的过渡过程性能。动态面飞行控制律消除了Backstepping设计方法中由于对虚拟控制反复求导而导致的复杂性问题。基于Lyapunov稳定性定理证明了闭环系统的所有信号半全局一致毕竟有界,并且通过适当选择设计参数,跟踪误差可收敛到原点的一个小邻域内。大迎角过失速机动飞行的数值仿真验证了方法的有效性。     

基于LSTM和残差网络的雷达有源干扰识别

针对目前雷达干扰识别方法存在人工特征提取难、强噪声环境下识别率不高的问题，提出了一种基于长短时记忆(long short-term memory, LSTM)网络和残差网络相结合的雷达有源干扰识别方法。输入有源压制干扰原始时域序列数据，搭建深度学习网络模型对不同干噪比下的干扰信号进行分类识别。仿真结果表明：在干噪比为0 dB的情况下，该方法对4类雷达有源干扰信号的识别准确率均高于98.3%,与单纯的残差网络和卷积神经网络(convolutional neural networks, CNN)等其他深度学习算法相比，具有更佳的网络性能，验证了该算法的有效性。     

飞行训练计划的智能生成方法

飞行训练计划的制定属于非结构化问题 ,本文提出智能生成方法 ,采用开放式的规则库 ,灵活的自学习 ,动态的规则库组合 ,以及与实际过程一致的推理机制 ,使计划生成的过程与用户有良好的协调 ,对于环境有良好的适应性 .这克服了过去所使用方法的固执与单调 ,具有很好的实用价值 .     

一种基于正向云的自动目标识别效果评估方法

近年来随着自动目标识别(ATR)技术的快速发展,对于目标识别系统性能科学评估方法的研究越来越迫切.在总结已有方法的基础之上,针对基于模糊综合评判的评估方法中指标权重的难以合理量化,从而导致评估结果对权重数值敏感而不稳健这一瓶颈问题,引入了云理论中的正向云模型,实现了权重由定性到定量的不确定性转换.通过采用外场实测数据的仿真,验证了改进后的方法比传统的模糊综合评判方法具有更好的稳健性.     

基于深度学习的空中目标威胁评估方法

针对空中目标威胁评估因素多、现有评估方法缺乏自学习能力的问题,采用深度学习理论建立了空中目标威胁评估的深层神经网络模型。为了提升模型训练的拟合效果,提出采用对称式的预训练方法,逐层地对模型中的隐含层进行预训练,最后对模型进行整体训练。分别通过样本测试集和空空仿真场景进行验证测试,结果表明：采用对称预训练方法,模型的威胁评估准确率高于其他三种预初始化方法;模型具有较好的鲁棒性,在无噪声下准确率大于90%,10%的正态噪声下,准确率大于70%。     

基于残差生成对抗网络的调制识别算法

针对小样本条件下通信信号识别准确率不高、网络训练困难的问题, 本文提出一种基于残差生成对抗网络的调制识别算法。首先, 设计一种以Leakyrelu作为隐藏层激活函数的新残差单元, 使得网络对输入为负值的数据也可以进行梯度计算; 然后, 将新残差单元组成的残差网络和卷积神经网络作为本文算法的基本网络结构, 使用卷积步幅为1的非对称小卷积核, 更好地提取信号的边缘特征信息; 最后, 用Dropout代替池化操作, 并选择Adam梯度优化算法以交替迭代方式完成网络训练。仿真实验结果表明, 小样本条件下, 残差生成对抗网络算法复杂度明显降低, 信噪比(signal to noise ratio, SNR)在0 dB以上时, 对10种调制信号的识别准确率可以达到91%, 验证了所提方法的有效性。     

基于残差原型网络的辐射源个体识别

利用深度学习进行通信辐射源识别分类时，现有算法在较低信噪比下的识别能力还不足，且均着重关注各类辐射源个体的类间距离，忽视了类内紧密性。针对此问题，结合残差网络和原型学习基本思想，提出残差原型网络，对输入信号的差分星座轨迹图进行识别。此外，在基于距离的交叉熵损失函数基础上加入原型损失，通过提高类内紧密度的方式进一步扩增了类间距离。通过对5种ZigBee设备的实验，结果表明所提算法在相同信噪比条件下相较于其他算法具有更好的识别性能，在信噪比高于8 dB时，可达到99%以上的准确率。     

基于多特征融合的运动目标识别

本文基于多特征融合,提出了一种运动目标识别方法。首先通过对运动目标的分割,分析得到各个目标的面积大小、形状复杂度;然后运用模板匹配方法,求得目标的运动速度。对上述特征进行模糊建模,提出相应的模糊规则,并采用模糊神经网络对推理系统的各个参数进行优化,进而识别目标。把这种识别系统用于对道路的监控,从而有效地识别道路中的机动车辆、行人以及摩托车/自行车。仿真试验表明,这种系统具有较强的学习能力以及识别精度。     

基于IMM-CSRF的多平台机动目标被动跟踪方法

针对仅有角度测量信息条件下,单平台的机动目标被动跟踪存在固有的强非线性和弱可观测性问题,研究多平台融合机动目标被动跟踪技术,提出了集中式漂移瑞利滤波器(centralized shifted Rayleigh filter,CSRF)来解决多平台目标被动跟踪问题,进一步提出并推导了基于交互式多模型的集中式漂移瑞利滤波器(interacting multiple model centralized shifted Rayleigh filter,IMM CSRF),实现对机动目标的被动跟踪。仿真实验表明,该算法跟踪精度高,稳定性好,具有良好的实际应用价值。     

基于协同战术识别的双机编队威胁评估方法

双机组成编队采用协同战术攻击目标是多机协同空战的一种主要形式。针对蓝方为双机编队的超视距空战威胁评估问题,提出了一种基于协同战术识别的威胁评估方法。首先,根据双机编队协同战术的分析、双机的空间占位与机动特性信息,采用动态贝叶斯网络建立目标双机编队协同战术识别模型。然后,根据目标飞行状态信息和目标机动动作识别结果,进行目标轨迹预测。最后,综合空间占位、探测、攻击、协同战术等威胁因子,考虑目标轨迹变化对战场态势演变的影响,建立威胁评估模型。仿真结果表明,所提方法能够准确识别双机编队的协同战术,实现合理化威胁评估。     

基于循环谱截面智能分析的混合信号调制识别方法

针对已有混合信号识别方法存在智能化程度低、适应性差等问题，提出了一种基于循环谱截面和深度学习相结合的智能识别方法。理论推导分析了常见混合通信信号的循环谱零谱频率截面特征；利用提出的非线性分段映射和指向性伪聚类新方法对上述截面图进行预处理特征增强，提高了截面特征的适应性和一致性；并将预处理后的特征图与经典残差网络相结合，利用深度学习网络对特征图中调制信息的深层次细节挖掘分析能力，实现了混合信号的有效识别。仿真结果表明，该方法对噪声不敏感，当信噪比不低于-2 dB时，平均识别率大于90%；且该方法对信号参数及信号间能量比变化有较好的适应能力。     

基于协同战术识别的双机编队威胁评估方法

双机组成编队采用协同战术攻击目标是多机协同空战的一种主要形式。针对蓝方为双机编队的超视距空战威胁评估问题,提出了一种基于协同战术识别的威胁评估方法。首先,根据双机编队协同战术的分析、双机的空间占位与机动特性信息,采用动态贝叶斯网络建立目标双机编队协同战术识别模型。然后,根据目标飞行状态信息和目标机动动作识别结果,进行目标轨迹预测。最后,综合空间占位、探测、攻击、协同战术等威胁因子,考虑目标轨迹变化对战场态势演变的影响,建立威胁评估模型。仿真结果表明,所提方法能够准确识别双机编队的协同战术,实现合理化威胁评估。     

基于多级跳线残差网络的雷达辐射源识别

针对复杂体制雷达辐射源的识别问题, 提出了一种基于时频特征提取与多级跳线残差网络(multi-level jumper residual network, MLJ-RN)结合的识别方法。首先,计算辐射源信号的平滑伪Wigner-Ville时频分布生成时频图像以表达信号本质特征, 将图像进行预处理以保留信号细微特征差异。然后,设计多级跳线连接的残差单元, 在此基础上构造MLJ-RN, 对时频图像相邻卷积层的细微特征进行学习和识别, 并使用随机梯度下降法训练网络。最后,通过对网络进行参数优化, 强化对信号的深层特征提取能力。仿真结果表明, 信噪比为－5 dB时, 该方法对12类雷达辐射源信号的整体识别概率达到95.1%, 从而验证了该方法在低信噪比下识别雷达信号的有效性。     

基于Hilbert-Huang变换与对抗训练的特定辐射源识别

为有效解决特定辐射源的个体识别问题, 提出一种基于Hilbert-Huang变换与对抗训练相结合的方法。首先根据辐射源硬件差异, 建立辐射源信号的数学模型; 其次, 对信号进行Hilbert-Huang变换得到Hilbert谱; 然后, 在预处理过程中, 从信号所有的Hilbert谱时频点对应的能量值中, 确定最具区分度的一组能量值, 并记录其对应的时频点; 最后, 对每一类辐射源信号的Hilbert谱提取上述记录的时频点对应的能量值, 将其送入卷积神经网络进行训练与测试, 并通过对抗训练的方式提升网络的抗噪性能。识别准确率实验表明, 对比不进行对抗训练的方法以及不进行预处理与对抗训练的方法, 所提算法的识别率分别平均提升3.1%与5.45%。识别鲁棒性实验表明, 所提算法训练样本为100时即可达到较好识别效果, 同时随着辐射源个数增多优势更加明显。复杂度分析表明, 所提算法能有效降低神经网络在大量训练与识别过程产生的运算量。     

基于EAS+MADRL的多无人车体系效能评估方法研究

无人作战开始步入现代战争舞台, 多无人车(multi unmanned ground vehicle, MUGV) 协同作战将成为未来陆上作战的主要样式。体系效能评估是装备论证和战法研究的核心问题, 针对MUGV体系效能评估问题, 建立了一套以自主学习算法为基础的探索性仿真分析方法。将MUGV对抗过程建模为零和随机博弈(zero sum stochastic game, ZSG)模型, 通过使用多智能体深度强化学习类方法(multi agent deep reinforcement learning, MADRL)探索在不同对方无人车规模条件下, ZSG模型的纳什均衡解, 分析纳什均衡条件下参战双方胜率, 作战时长等约束, 完成MUGV体系作战效能评估, 并在最后给出了MUGV体系效能评估应用示例, 从而建立了更可信、可用的体系效能评估方法。     

基于CWD和残差收缩网络的调制方式识别方法

针对低信噪比时莱斯信道下特征提取准确性难以保证、识别准确率偏低等问题, 提出一种基于Choi-Williams分布(Choi-Williams distribution, CWD)和深度残差收缩网络(deep residual shrinkage network, DRSN)的通信辐射源信号调制方式识别方法。利用CWD将时域复信号转换为二维时频矩阵, 对深度残差网络添加软阈值化得到DRSN, 将时频矩阵样本用于对DRSN的训练, 最终构建不同信噪比下的调制方式识别网络。仿真实验表明, 基于RadioML2016.10a数据集, 利用部分先验信息的情况下, 该分类识别方法具有较高的识别准确率和噪声鲁棒性。在0 dB时, 对11类信号的总体识别准确率达到了89.95%;在2 dB以上时, 总体识别准确率均超过91%, 优于其他深度学习识别方法。     

基于多维极值参数的飞行风险量化评估方法

数具有和试验数据相同的分布形式,并构建了飞行风险发生的判定条件。在对一维极值参数符合广义极值分布的假设进行证明的基础上,提出了三维极值参数的四参数变权重(four adaptive weight parameters, FAWP),Copula模型利用自适应粒子群算法对一维和三维目标函数中的未知参数进行了辨识,对多种Copula辨识出的三维极值分布进行了拟合优度检验,结果表明FAWP Copula对三维极值参数分布形式的描述最为精确。利用FAWP Copula模型对尾流遭遇情形下的飞行风险概率进行了量化计算,所得指标可用来研究尾流场内的风险规避策略及算法。