基于迭代决策树和BP神经网络的目标威胁估计研究

发布时间：2020-07-31 08:00

【摘要】：对于敌方目标进行快速有效的评估是舰艇作战指挥系统的核心功能之一,直接关系到指挥者做出的决策。为解决这一问题,本文以舰艇空中目标威胁为背景,建立目标威胁估计模型,结合迭代决策树算法和BP神经网络算法,进行目标威胁估计方法的研究。本文主要研究内容如下:首先,本文探索了威胁评估在信息融合中的地位,总结了国内外威胁估计研究的现状,分析了国内外学者进行目标威胁估计研究所采用方法,详细介绍了威胁评估的步骤,并依照步骤建立了目标威胁评估模型,针对目标威胁评估特点提出了目标威胁估计评价指标。其次,将迭代决策树算法引入目标威胁估计,并对迭代决策树算法进行了有针对性的改进,提出了基于改进迭代树算法的目标威胁估计方法。通过实验验证了算法的有效性,该方法误差明显小于随机森林算法和MPSO-BP算法。最后,针对BP神经网络收敛速度慢、容易陷入局部最优解等缺点对BP神经网络算法进行了改进,并加入差分进化算法提高BP神经网络的效率与性能。算法极大程度的保留了数据的多样性,避免了人为因素的干扰。实验结果表明,差分进化算法优化BP神经网络算法能够用于威胁评估。
【学位授予单位】：中国舰船研究院
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP183;E141.1
【图文】：

功能模型图,信息融合,功能模型

图 1.1 信息融合功能模型表 1.1 JDL 模型信息处理过程等级名称具体过程零级融合信息预处理主要是对由多传感器得到的原始信息进行初步的处理。一级融合对象精炼是指根据多源数据产生融合的目标位置和属性/身份的过程。二级融合态势评估根据对象精炼得到的目标信息等有关的信息进行战场态势评估。三级融合威胁估计根据过程精炼和二级融合结果及其他有关信息，对敌方实力、作战目的和我方威胁程度估计的过程。四级融合过程优化评估信息融合系统的整体性能和效能，以达到对多源信息融合处理过程进行优化控制的目的。国在上世纪 80 年代初期开始开展多目标信息融合技术的研究，随着研究的深

示意图,数据级,示意图,数据抽象

数据级融合示意图

示意图,示意图,数据级,身份识别

图 1.2 数据级融合示意图数据级融合是最初级的融合，如图 1.2 所示，数据级融合直接对传感器搜集到的数行关联之后进行融合处理，然后基于处理后的结果进行特征提取，最后基于特征提取进行身份识别等步骤。2) 特征级融合传感器1传感器2传感器N关联数据级融合特征提取身份识别融合的身份识别结果

【相似文献】