基于卷积神经网络的单机空战威胁评估

针对传统的空战威胁评估方法处理单机空战数据时难以兼顾准确率和实时性等问题,文中提出了一种基于卷积神经网络（Convolutional Neural Networks,CNN）的空战威胁评估模型。基于作战任务背景对空战要素进行分析,提取主要威胁指标;构建威胁指数函数公式,以威胁要素为输入,输出威胁值,将威胁值量化后生成训练样本数据,利用卷积神经网络模型进行训练。仿真结果表明,该模型在具有实时性、满足实战要求的前提下,同时兼具较高的准确率,三种敌机威胁等级的识别准确率达98.50%。     

基于模糊综合评判法的空战多目标威胁评估

在综合分析目标空战能力和战场态势的基础上,提出一种多目标威胁评估方法。首先考虑了空战客观态势信息和决策者主观偏好信息,然后采用模糊综合评判法,建立目标与准则的模糊关系,并将其函数量化为评判矩阵。基于该模糊集合最大隶属度、最小隶属度和加权隶属度,选用3种评判函数进行二级综合威胁评估。实例计算表明,该方法可以有效地解决目标威胁评估和排序问题,而且可得出更加可靠的评估结果。     

基于离差最大化的空战目标威胁评估

威胁评估是协同多目标攻击空战决策的关键技术之一。在分析了现有的目标威胁评估方法中距离威胁模型存在不足的基础上,考虑敌我双方飞机的雷达最大探测距离和导弹最大射程的不同情况,提出了改进的距离威胁模型。针对传统威胁评估方法在确定权重系数方面的缺陷和不足,提出了运用离差最大化方法来解决目标威胁评估问题,给出了离差最大化方法确定威胁因素权重的具体步骤。建立了目标威胁评估的数学模型,并进行了仿真研究,仿真结果表明该方法是合理和有效的。     

基于混合型多属性决策方法的目标威胁评估

针对目标属性信息存在不确定性的特点,通过对目标属性选取及其权重确定方法的全面分析,采用混合精确实数型指标和模糊区间型指标的决策模型,评价目标多属性并对目标威胁进行评估。最后给出仿真实例,仿真结果表明该方法简单、可靠,为目标威胁评估提供了又一有效途径。     

超视距协同空战态势评估方法研究

针对目前超视距协同空战态势评估非参量法模型的缺点,提出了一种新的非参量法模型.该模型针对超视距协同空战的特点,以双机对飞、导弹互射为主,以载机空战能力、机载导弹武器性能、载机高度及机载雷达的探测距离等性能参数作为主要研究对象,分别建立了超视距攻击方式威胁函数、超视距时间威胁函数、超视距高度威胁函数和协同空战能力威胁函数,并采用线性加权法将各种威胁函数进行综合,求得协同空战中的整体威胁态势,作为战术选择、目标分配、火力分配的基础.模型较全面、合理地反映了超视距协同空战的特点.仿真算例验证了模型的有效性.     

基于信息熵和TOPSIS法的目标威胁评估及排序

针对现有空战目标威胁评估方法中存在的不足,提出了一种基于信息熵和TOPSIS法的空战目标威胁评估方法。首先建立了空战目标威胁评估指标,确定了角度、速度、隐身等威胁因子;为综合考虑评估中的主客观因素,采用了组合权衡因子确定最终权重;最后采用TOPSIS法作为威胁评估的解算方法,进行仿真验证,结果证明了该方法的有效性及合理性。     

基于改进非参量法的现代空战威胁评估研究

针对现有威胁评估非参量模型的不足,提出一种改进的非参量法模型。该模型结合对现代空战过程和影响参数的分析,充分考虑现代空战的特点,构造了参战双方战机的态势、效能、事件、目标战役价值等优势函数,优化了方位角、进入角、距离、能量、效能等优势函数然,并将事件、目标战役价值作为威胁评估的因素,采用熵权法求得权重系数后,线性加权法将各优势函数综合,求得总体优势函数。最后,对优化、改进的非参量法模型进行仿真,仿真结果表明,该模型更符合超视距空战的实际,并且对现代空战威胁评估合理、有效。     

基于直觉模糊集的空战动态多属性威胁评估

针对实际空战中目标多属性及动态变化的特点,提出了一种动态多属性威胁评估方法。在建立威胁评估指标体系的基础上,依据目标多个时刻的属性信息,结合直觉模糊集给出了一种构造虚拟最优目标的方法以确定目标属性权重,设计了一种基于正态分布累积分布函数确定时间序列权重的方法,最后借鉴TOPSIS的思想实现了空战动态威胁排序。仿真结果说明了该算法的合理性。     

基于LSRBF神经网络的空战目标威胁评估

提出了-种基于Log-Sigmoid型径向基(简称LSRBF)神经网络的空战目标威胁评估方法.采用威胁指数法量化各因素的威胁度,运用工程模糊集方法确定因素的权重系数,在此基础上合成目标总的威胁指数,作为网络的初始训练样本.根据专家经验对不合理样本进行调整校正,得到最终的训练样本,供LSRBF神经网络训练使用.采用标准梯度下降法与指数梯度下降法相结合的学习算法,保证网络具有较强的鲁棒特性.仿真实验结果表明,LSRBF神经网络具有很好的函数逼近性能,可以成功地完成空战目标的威胁评估.     

基于Elman神经网络的空战威胁排序研究

依据空战态势、空战效能以及目标战役价值,采用威胁指数法建立了空战目标威胁评估模型。在威胁评估的基础上,研究了空战中基于Elman神经网络的目标威胁排序方法。考虑到Elman神经网络的学习性能和收敛性,采用附加动量项、自适应改变各参数学习率以及重置算法改进网络权值的学习算法。算例结果表明,采用Elman神经网络对空战目标进行威胁排序的方法是有效的,且改进的学习算法提高了网络的学习效率,有效地抑制了局部极小值的出现。该方法有利于提高火控系统的智能化水平。     

遗传算法在直升机空战编队优化中的应用

研究了传统的现代直升机群协同空战时对目标的威胁判断算法,并且用遗传算法来优化大规模直升机空战编队战术,最终得到一个我方的最优编队,最后用多机编队作战的算例验证了该方法的有效性.     

Dempster-Shafer证据理论在空战态势评估方面的应用

为了准确分析空战态势,以达到辅助决策之目的,采用D-S证据理论对态势进行评估.首先提取出影响空战态势的战术条件,称之为态势因素,然后分析每个因素的影响效果.在此基础上建立态势评估的数学模型,利用D-S合成法则将所有因素的影响进行综合,并计算出态势发生的结果及可能性区间.最后,通过仿真实例验证了该方法在空战态势评估中的可行性和实用性.     

电子对抗环境下的多机协同空战态势评估方法

针对电子对抗复杂作战环境提出一种新的多机协同空战态势评估模型。首先分析了电子干扰环境对空战态势数据的影响,提出了综合敌我双方空战态势的参数转换和判断方法,并建立了空战能力指数威胁函数和空战威胁因子函数,然后在此基础上建立总的态势评估函数,最后通过实例进行仿真,仿真结果表明了该方法的实用性和有效性。     

协同空战中目标的威胁判定方法

作为信息化条件下的一种重要空战模式,协同空战中的目标威胁等级的判定为武器资源的有效配置提供了重要依据。采用灰色多层次评判方法,依据空战效能、空战态势及作战意图所建立的目标威胁评判模型,兼顾单机、编队的生存威胁和完成作战任务的风险因素,做到定量与定性相结合。算法满足独立性和兼容性要求,易于根据实战情况修改评判参量。