基于全连接神经网络的空战目标威胁评估方法研究
发布时间：2021-03-10 20:47
随着现代空战武器装备的不断发展,空战态势环境日益复杂,影响指挥员决策的属性因素越来越多,对指挥员态势理解的要求越来越高。作为一种减轻指挥员压力的重要辅助决策手段,威胁评估技术在空战态势对抗过程中受到了广泛的重视。空战目标威胁评估是空战态势对抗中必不可少的一环,正确评估敌空战目标对我方的威胁在一定程度上能够主导空战态势、实现快速制胜,是在多变化、高动态、强对抗的空战态势环境下取得制空权的关键。随着信息化装备的不断发展,空战态势信息爆炸式增长,其中蕴含着大量的空战非线性规律,传统的空战目标威胁评估方法不具备自学习能力,不能利用大量的空战态势信息对空战目标的威胁程度进行推理,智能化水平无法匹配复杂环境下的态势演变速度,导致出现威胁评估结果不准确的问题,直接影响指挥员对于当前空战态势的理解与研判。为了解决上述问题,本文分析了空战目标的不同威胁属性,研究了基于全连接神经网络的空战目标威胁评估方法,提升了空战目标威胁评估方法的智能化水平,该方法从大量空战态势数据中拟合空战目标威胁程度的数据分布,在此基础上完成对空战目标的威胁评估。本文主要研究内容如下:（1）空战目标威胁属性表征分析与常用威胁评估方...
【文章来源】：中北大学山西省
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
研究方案技术路线
中北大学学位论文8第二章空战目标威胁评估理论基础2.1空战态势评估空战态势评估是对战场态势信息收集和融合的过程，需要全面掌握战场目标及环境的实时信息，对战场态势进行感知，利用各种技术分析战场数据，对战场态势信息进行整合，从而更直观的反应战场态势，准确反映战场态势信息，达到辅助指挥员完成态势理解与决策的目的[27]。空战态势评估模型如图2.1所示，模型主要分为三部分：空战态势要素提娶空战态势理解和空战态势预测[28]。空战态势要素提取阶段选取对战场环境有影响的因素和影响评估结果的因素，并对这些属性因素进行分析处理；空战态势理解阶段是对战场态势信息的数据融合，对态势信息的深入挖掘，理解数据背后的敌方目标的深层次信息，空战目标威胁评估部分属于空战态势理解阶段；空战态势预测阶段对可能发生的情况进行预测，预测敌方目标的运动状态或者态势演变，空战态势评估过程如图2.1所示。图2.1空战态势评估模型在进行空战态势评估时，需首先选取会对评估结果产生影响的属性因素或是影响空战战场态势环境的属性因素。在之后的评估过程中，会对这些属性因素的数据进行分析处理，其余的因素将作为态势评估的辅助因素参与评估。态势要素信息处理就是要从复杂的态势数据中提取出这些属性因素并对其数据进行相应的预处理，这一过程主要包括：空战态势信息输入、表示与更新和平台数据整理、关联和变换。空战态势信息输入需要实现将态势数据信息源获得的信息输入到威胁评估的模型
式，进而方便了后续的态势数据的分析与理解。空战态势环境瞬息万变，各目标的态势数据不断变化，态势信息源探测到的数据也在不断变化，因此空战信息更新需保证空战态势信息源的数据同步到空战态势评估模型中，保证评估使用的数据是当前空战态势环境的实时数据。除将态势数据传输给评估模型外，也需将数据传输到数据库中，需要将收到的态势数据进行整理，将各个平台的数据进行关联，若在后续的评估过程中需要使用之前的数据，则可能需要对平台数据库中存储的态势数据进行数据类型转换，也包括态势数据的加密与解密过程。图2.2空战态势评估过程空战态势评估中，态势理解是十分重要的阶段，空战态势理解是空战态势要素提取阶段的进一步升华，也是空战态势预测的前提。现阶段空战态势环境变化愈加复杂、态势信息越来越繁杂且庞大、各作战平台速度加快、空战目标机动性强，打击能力强，指挥员需要理解的信息量大，态势理解难度有所提升，同时对空战指挥员的态势理解能力要求变高，仅依靠指挥员的态势理解能力已无法满足复杂空战的需求。因此，发展态势理解辅助装备是目前态势辅助决策装备发展的重点。空战态势理解阶段主要包括：目标分群、协同关系分析、态势推理和威胁评估[28]。空战目标分群[29]：旨在将空战中运动状态相似、目标类型相仿、作战目的一致和威胁等级相同的目标统一识别划分为一个敌空中作战小组，减小目标识别认知的压力，将空战态势更加直观清晰的显示出来。空战目标协同关系分析[30]：真实空战态势中，目标运动速度快、空战态势环境变化
【参考文献】：
期刊论文
[1]基于层次分析法的低空慢速小目标威胁评估方法[J]. 汪伟,顾竹鑫,李海波. 信息化研究. 2019(04)
[2]基于层次分析法和熵值法的目标多属性威胁评估[J]. 张延风,刘建书,张士峰. 弹箭与制导学报. 2019(02)
[3]基于全连接神经网络的红外漫反射光学自动雨量计设计[J]. 郎亚军,行鸿彦. 传感技术学报. 2019(03)
[4]基于多智能体粒子群的协同空战目标决策研究[J]. 付跃文,王元诚,陈珍,范文澜. 系统仿真学报. 2018(11)
[5]基于迁移学习的全连接神经网络舌象分类方法[J]. 杨晶东,张朋. 第二军医大学学报. 2018(08)
[6]基于小波神经网络的无人机目标威胁评估[J]. 陈侠,乔艳芝. 火力与指挥控制. 2018(08)
[7]基于深度学习的战场态势高级理解模拟方法[J]. 朱丰,胡晓峰,吴琳,贺筱媛,杨璐. 火力与指挥控制. 2018(08)
[8]基于全连接和LSTM神经网络的空气污染物预测[J]. 韩伟,吴艳兰,任福. 地理信息世界. 2018(03)
[9]基于组合赋权的空战威胁评估方法研究[J]. 张列航. 火炮发射与控制学报. 2018(02)
[10]空战飞行对敌目标逼近航迹预测仿真[J]. 张振兴,杨任农,张彬超,房育寰,樊蓉. 空军工程大学学报(自然科学版). 2018(02)
硕士论文
[1]面向空中战场的态势评估关键技术研究[D]. 陈斌.西安电子科技大学 2019
[2]战场态势推理关键技术研究及应用[D]. 王琦文.西安电子科技大学 2018
[3]基于深度学习的图像态势感知应用研究[D]. 杨文慧.哈尔滨工业大学 2016
[4]空战中的威胁估计与态势评估研究[D]. 朱建益.西安电子科技大学 2013
本文编号：3075259
【文章来源】：中北大学山西省
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
研究方案技术路线
中北大学学位论文8第二章空战目标威胁评估理论基础2.1空战态势评估空战态势评估是对战场态势信息收集和融合的过程，需要全面掌握战场目标及环境的实时信息，对战场态势进行感知，利用各种技术分析战场数据，对战场态势信息进行整合，从而更直观的反应战场态势，准确反映战场态势信息，达到辅助指挥员完成态势理解与决策的目的[27]。空战态势评估模型如图2.1所示，模型主要分为三部分：空战态势要素提娶空战态势理解和空战态势预测[28]。空战态势要素提取阶段选取对战场环境有影响的因素和影响评估结果的因素，并对这些属性因素进行分析处理；空战态势理解阶段是对战场态势信息的数据融合，对态势信息的深入挖掘，理解数据背后的敌方目标的深层次信息，空战目标威胁评估部分属于空战态势理解阶段；空战态势预测阶段对可能发生的情况进行预测，预测敌方目标的运动状态或者态势演变，空战态势评估过程如图2.1所示。图2.1空战态势评估模型在进行空战态势评估时，需首先选取会对评估结果产生影响的属性因素或是影响空战战场态势环境的属性因素。在之后的评估过程中，会对这些属性因素的数据进行分析处理，其余的因素将作为态势评估的辅助因素参与评估。态势要素信息处理就是要从复杂的态势数据中提取出这些属性因素并对其数据进行相应的预处理，这一过程主要包括：空战态势信息输入、表示与更新和平台数据整理、关联和变换。空战态势信息输入需要实现将态势数据信息源获得的信息输入到威胁评估的模型
式，进而方便了后续的态势数据的分析与理解。空战态势环境瞬息万变，各目标的态势数据不断变化，态势信息源探测到的数据也在不断变化，因此空战信息更新需保证空战态势信息源的数据同步到空战态势评估模型中，保证评估使用的数据是当前空战态势环境的实时数据。除将态势数据传输给评估模型外，也需将数据传输到数据库中，需要将收到的态势数据进行整理，将各个平台的数据进行关联，若在后续的评估过程中需要使用之前的数据，则可能需要对平台数据库中存储的态势数据进行数据类型转换，也包括态势数据的加密与解密过程。图2.2空战态势评估过程空战态势评估中，态势理解是十分重要的阶段，空战态势理解是空战态势要素提取阶段的进一步升华，也是空战态势预测的前提。现阶段空战态势环境变化愈加复杂、态势信息越来越繁杂且庞大、各作战平台速度加快、空战目标机动性强，打击能力强，指挥员需要理解的信息量大，态势理解难度有所提升，同时对空战指挥员的态势理解能力要求变高，仅依靠指挥员的态势理解能力已无法满足复杂空战的需求。因此，发展态势理解辅助装备是目前态势辅助决策装备发展的重点。空战态势理解阶段主要包括：目标分群、协同关系分析、态势推理和威胁评估[28]。空战目标分群[29]：旨在将空战中运动状态相似、目标类型相仿、作战目的一致和威胁等级相同的目标统一识别划分为一个敌空中作战小组，减小目标识别认知的压力，将空战态势更加直观清晰的显示出来。空战目标协同关系分析[30]：真实空战态势中，目标运动速度快、空战态势环境变化
【参考文献】：
期刊论文
[1]基于层次分析法的低空慢速小目标威胁评估方法[J]. 汪伟,顾竹鑫,李海波. 信息化研究. 2019(04)
[2]基于层次分析法和熵值法的目标多属性威胁评估[J]. 张延风,刘建书,张士峰. 弹箭与制导学报. 2019(02)
[3]基于全连接神经网络的红外漫反射光学自动雨量计设计[J]. 郎亚军,行鸿彦. 传感技术学报. 2019(03)
[4]基于多智能体粒子群的协同空战目标决策研究[J]. 付跃文,王元诚,陈珍,范文澜. 系统仿真学报. 2018(11)
[5]基于迁移学习的全连接神经网络舌象分类方法[J]. 杨晶东,张朋. 第二军医大学学报. 2018(08)
[6]基于小波神经网络的无人机目标威胁评估[J]. 陈侠,乔艳芝. 火力与指挥控制. 2018(08)
[7]基于深度学习的战场态势高级理解模拟方法[J]. 朱丰,胡晓峰,吴琳,贺筱媛,杨璐. 火力与指挥控制. 2018(08)
[8]基于全连接和LSTM神经网络的空气污染物预测[J]. 韩伟,吴艳兰,任福. 地理信息世界. 2018(03)
[9]基于组合赋权的空战威胁评估方法研究[J]. 张列航. 火炮发射与控制学报. 2018(02)
[10]空战飞行对敌目标逼近航迹预测仿真[J]. 张振兴,杨任农,张彬超,房育寰,樊蓉. 空军工程大学学报(自然科学版). 2018(02)
硕士论文
[1]面向空中战场的态势评估关键技术研究[D]. 陈斌.西安电子科技大学 2019
[2]战场态势推理关键技术研究及应用[D]. 王琦文.西安电子科技大学 2018
[3]基于深度学习的图像态势感知应用研究[D]. 杨文慧.哈尔滨工业大学 2016
[4]空战中的威胁估计与态势评估研究[D]. 朱建益.西安电子科技大学 2013
本文编号：3075259
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3075259.html
