基于EMD能量占比的海面漂浮小目标特征检测

针对传统的时频分析方法对海杂波分析有限的问题,提出一种基于经验模态分解(empirical mode decomposition,EMD)能量占比的海面漂浮小目标特征检测方法.首先,采用EMD将接收回波分为独立不同尺度的若干个固有模态(intrinsic mode function,IMF)分量,实现对接收回波的频率从...     

基于反馈判决的鲁棒自适应机动目标跟踪算法

针对平方根容积卡尔曼滤波(SRCKF)在机动目标跟踪中面临测量异常和模型失准时估计精度下降的问题,提出了一种基于反馈判决的鲁棒自适应算法.利用Huber函数对观测残差序列处理获得权重向量以修正测量协方差,增强算法的抗差能力以克服测量异常问题;同时,引入多重渐消因子调整预测误差协方差,从而改变滤波增益,增强算法的自适应性...     

主成份分析在地区综合消费水平评析中的应用

利用主成份分析法,对我国28个省,自治区,直辖市的6种消费指标进行综合评价,通过使用统计软件SAS进行计算和分析,提出用第一主成份作为地区消费水平的度量,得到了这些地区综合消费水平的排列次序,从另一侧面反映了各个地区的经济发展,综合实力状况.     

利用蜜罐技术架构网络战训练虚拟靶场环境

从蜜罐技术的分类与功能出发,结合网络战虚拟靶场环境建设的目标,探讨了蜜罐技术在虚拟靶场中运用的具体设计与构建.讨论了用蜜罐技术架构网络战虚拟靶场环境的设计要素,给出了相应的模块结构图.在目前流行的蜜罐技术基础上,利用相关工具软件设计了用一个蜜网构成的网络战虚拟靶场环境.     

连续混沌系统任意目标点的控制

通过构造适当的Lyapunov函数,实现对连续混沌及超混沌系统任意目标点的控制.     

基于作战环的不同节点攻击策略下的作战网络效能评估

基于作战环思想, 以作战网络抽象模型为基础, 围绕作战环的分类、定义、形式化描述、数学模型等基本问题开展了理论研究, 进一步丰富了作战环理论体系。同时, 以能否快速有效打击对方目标实体为根本依据, 建立了基于目标节点打击率和基于目标节点打击效率的作战网络效能评估指标。通过仿真实验, 将作战环相关理论运用于不同节点攻击策略下的作战网络效能评估, 为实际作战体系对抗中双方的攻击与防护提供应用指导, 也为进一步开展基于作战环的作战网络应用研究提供参考借鉴。     

小样本条件下SCGAN+CNN低分辨雷达目标一步识别算法

现有低分辨雷达目标识别方法,通常采用先特征提取、再进行目标分类的两步识别算法,这种算法存在识别率难以提高和方法泛化性不足的问题,对此,提出一种增强条件生成对抗网络（strengthening condition generative adversarial network,SCGAN）+卷积神经网络（convolutional neural network,CNN）的低分辨雷达目标一步识别算法。该算法利用CNN自动获取采样数据深层本质特征,无需特征提取,实现对目标的一步识别。为进一步提高小样本条件下的识别效果,基于CGAN理论来提高样本在特征空间的覆盖程度,并对CGAN的判别器进行改进,在损失函数中增加混叠惩戒项,通过SCGAN生成不混叠的生成样本来更好地训练CNN,提高其在小样本条件下的识别能力。仿真对比实验校验了一步识别算法较传统两步识别算法的优越性,以及SCGAN+CNN的低分辨雷达目标一步识别算法在小样本条件下的有效性。     

基于UKF-IMM的双红外机动目标跟踪算法

为了有效解决红外机动目标跟踪精度问题,提出基于UKF的交互式多模型IMM红外机动目标跟踪算法.该方法采用Markov过程描述多个目标模型间的切换,同时导出滤波器输入输出均加权的交互式算法.滤波器采用UKF,避免计算扩展卡尔曼滤波EKF所需的Jacobi矩阵,适用于非线性、非高斯的目标系统模型和观测模型,同时UKF可供多个模型共用,便于软、硬件实现.最后,用双红外探测器对S型机动目标进行仿真实验,给出应用该方法的具体步骤,验证了IMM-UKF的稳定性、有效性和精确性.     

计算机生成兵力的目标选择研究

根据CGF目标选择的模糊性特点,介绍了一个基于模糊集理论的目标威胁分析算法和基于效用理论的目标选择算法。基于模糊集理论的威胁分析能准确反映和描述实际战场环境下信息的模糊特性,算法通过隶属度函数计算得出不同威胁因素的隶属度值,然后通过层次分析法综合各威胁因素隶属度值获得每个目标的威胁程度。基于效用理论的目标选择算法通过效用函数综合考虑了目标的威胁程度和与之交战的期望效益两方面因素,能很好地模拟实际作战兵力的目标选择过程。     

Data association based on target signal classification information

In most of the passive tracking systems, only the target kinematical information is used in the measurement-to-track association, which results in error tracking in a multitarget environment, where the targets are too close to each other. To enhance the tracking accuracy, the target signal classification information （TSCI） should be used to improve the data association. The TSCI is integrated in the data association process using the JPDA （joint probabilistic data association）. The use of the TSCI in the data association can improve discrimination by yielding a purer track and preserving continuity. To verify the validity of the application of TSCI, two simulation experiments are done on an air target-tracing problem, that is, one using the TSCI and the other not using the TSCI. The final comparison shows that the use of the TSCI can effectively improve tracking accuracy.