基于异态集成学习的飞行目标辅助识别模型

发布时间：2021-07-23 10:46

　　对飞行目标类型的准确识别是空中作战意图识别的前提和基础。针对当前各类识别模型在训练样本较少时,较难同时获得模型的稳定性和较好的泛化能力且在线学习能力较差的问题,提出了一种基于异态集成学习的飞行目标辅助识别模型,将k近邻学习模型与BP神经网络模型进行整合,使模型兼具训练稳定性与较好的泛化能力;通过算法设计,模型具有了整体动态更新的能力。基于某作战仿真系统完成飞行目标识别实验,对比了该模型与各类模型的性能表现。实验结果显示所提出的模型识别正确率稳定在90%左右,且在个体学习器的基础上至少提高2%。 

【文章来源】：火力与指挥控制. 2020,45(04)北大核心CSCD

【文章页数】：7 页

【部分图文】：

基于异态集成学习的飞行目标动态辅助识别模型训练流程图

通过实验的测试结果可以看到，个体学习器在错分数超过设定的阈值后，会对模型进行更新，并保存较优的模型参数，具体情况如图6所示。测试过程中，琢值随测试时间的变化如图7所示。

本文充分利用k近邻学习模型稳定性强、训练速度快以及BP神经网络泛化能力好的特点，以异态集成学习方法中的元学习法对k近邻模型和BP神经网络模型进行模型整合，在训练样本数量较少的情况下，实现两类模型的互补。同时通过设计集成权值动态更新模型，实现模型整体的结构动态，使模型具备自适应进化能力。模型利用飞行目标较不容易被干扰的特征（如：飞行速度、高度、在空时间等）作为输入，输出为飞行目标的机型（共计12类）。模型的整体框架如图1所示。2 基于异态集成学习的飞行目标辅助识别模型

【参考文献】：
期刊论文
[1]基于RBF神经网络的空中目标识别技术[J]. 刘砚菊,寇国豪,宋建辉.  火力与指挥控制. 2015(08)
[2]一种基于DSmT和HMM的序列飞机目标识别算法[J]. 李新德,潘锦东,DEZERT Jean.  自动化学报. 2014(12)
[3]基于BP神经网络的空中目标识别方法[J]. 李丽荣,沈春林,王从庆.  火力与指挥控制. 2012(12)
[4]基于粒子群K均值聚类的空中目标识别[J]. 王少蕾,陈维义.  舰船科学技术. 2012(12)
[5]基于元学习和叠加法的双层支持向量机算法[J]. 朱旻,李雪玲,李效来,葛运建.  模式识别与人工智能. 2012(06)
[6]基于一种改进的BP神经网络的飞机目标识别[J]. 刘丹.  中国高新技术企业. 2011(16)

博士论文
[1]经典集成学习算法的有效性解释及算法改进研究[D]. 孙博.南京航空航天大学 2016

硕士论文
[1]基于深度卷积神经网络的飞行器图像识别算法研究[D]. 程嘉晖.浙江大学 2017
[2]基于异态集成学习的刀具状态监测技术研究[D]. 杨印卫.天津大学 2014



本文编号：3299147