复杂对抗场景下的对空目标混合智能抗干扰研究

目标识别与抗干扰技术已经成为决定精确制导武器性能优劣的关键技术.本文针对复杂对抗场景下红外空空导弹作战特点,分析了其目标识别与抗干扰发展需求,提出了融合传统算法与深度学习的混合智能抗干扰算法.该算法充分利用传统算法在确定场景下的高可靠性优势与深度学习算法在复杂场景下的高维特征提取能力,最大化挖掘了导弹探测的场景信息,对于提高系统抗干扰能力具有重要意义.在此基础上,构造了算法测试训练的空战数据集,覆盖了典型的空战作战场景.实验结果表明,相同特征融合条件下,典型场景混合智能抗干扰算法的全程抗干扰概率达到了71.56％,比传统算法提高了15.77％,验证了算法的有效性.     

基于多传感器数据融合的飞机目标自动敌我识别方法

为提高复杂环境下目标敌我属性识别能力,提出了一种基于多传感器数据融合的自动目标敌我属性识别方法。采用将IFF、ESM、雷达,红外获取的信息进行特征级融合的方法对目标进行识别,并采用模糊神经网络模拟真实战场环境,提高了目标的识别率和准确度。     

用于弹载线阵红外与激光扫描成像引信的轻量化卷积神经网络目标识别方法

为了进一步提高末敏弹在复杂战场环境下对地面装甲目标的识别概率,提出了一种基于轻量化卷积神经网络的红外图像与距离像复合探测识别方法。网络设计考虑了弹载环境对实时性的要求,将网络划分为特征提取、特征融合2个阶段。在特征提取阶段,对不同源的图像进行了分布式卷积,提高了网络的并行性,降低了网络参数量与计算量; 为了弥补分布式卷积带来的特征损失,将距离像与红外图像的融合图像也一并作为网络输入; 在特征融合阶段利用深度可分离卷积实现了进一步的轻量化设计。通过仿真缩比实验环境获得的数据集进行实验验证,实验结果表明,网络具有较小计算复杂度的同时能够对复杂背景环境下的装甲目标进行有效识别。     

基于GAN的半监督低分辨雷达目标识别算法

针对雷达侦察过程中数据库标签样本不足导致目标识别率难以提高的问题,提出了基于生成对抗网络(GAN)的半监督低分辨雷达目标识别算法。该算法将现有的少量标签样本和接收到的大量无标签样本作为样本集,使用卷积神经网络(CNN)替代GAN的判别器部分,利用GAN强大的对抗生成能力,提高小标签样本条件下对低分辨雷达目标的分类识别能力。仿真实验结果表明,该算法较传统半监督雷达目标识别方法具有更短的识别时间和更好的识别效果,证明了算法的优越性。     

改进的YOLOv3算法及其在军事目标检测中的应用

复杂环境下军事目标检测技术是提高战场态势生成、分析能力的基础和关键.针对军事目标检测任务在复杂环境下传统检测算法的检测性能较低问题,提出一种基于改进YOLOv3的军事目标检测算法,通过深度学习实现复杂环境下军事目标的自动检测.构建军事目标图像数据集,为各类目标检测算法提供测试环境;在网络结构上通过引入可形变卷积改进的R...     

改进全卷积孪生网络红外空中小目标跟踪算法

针对红外成像制导导弹对空中小目标跟踪过程中面临的背景杂波干扰、遮挡等实际问题,提出了一种改进全卷积孪生网络(SiamFC)红外空中小目标跟踪算法。该算法在全卷积孪生网络的基础上,通过深度特征响应图的平均峰值相关能量和最大峰值判断目标跟踪状态。当发生背景杂波干扰时,使用深度特征响应值联合局部对比度的判别方法来选取目标。当发生遮挡时,通过卡尔曼滤波预测目标位置。相较于基准算法SiamFC,改进算法在红外空中弱小目标数据集上测试,跟踪成功率和精确度分别提高33.4%与21.9%。实验结果表明,所提算法能够适应复杂多样的红外空中场景,实现对红外空中小目标有效且稳定的实时跟踪。     

基于空中目标识别的特征提取与选择

为从冗杂的海量信息中提取出有效的特征数据和信息,对空中目标识别的目标特征进行研究。介绍目标跟踪识别系统,从搜索雷达的目标回波信号特征、目标光谱成像特征、目标姿态与运动特征、目标特征选择与融合等方面进行目标识别特征提取,生成图像与特征数据库,并对选取的目标特征进行多特征融合的识别精度验证。结果表明:提取与选择的目标特征在识别中取得较满意效果,能证明选取的空中目标特征在目标识别算法中的可靠性。     

基于贝叶斯判别的机载传感器目标检测研究

为了提高复杂环境下机载传感器的目标识别能力,文中提出了基于贝叶斯判别法的数据融合模型。并将其应用在机载雷达／机载红外探测器双模数据融合中。结果表明。该方法大大提高了目标的检测性能和系统的抗干扰能力。     

基于多分类器组合的红外目标识别方法

针对以往的红外目标模式识别方法无法区分坦克与铁板假目标的缺点,提出了基于多分类器组合的红外目标模式识别方法.该方法对红外图像的每行像素使用线性分类器和BP神经网络分类器进行识别,用与规则对两分类器的识别结果进行决策融合,得到每行像素的识别结果,然后对多行像素的识别结果使用多数票规则及或规则进行决策融合,得到最终识别结果,完成对坦克、背景和铁板假目标的区分.仿真结果表明:组合使用BP神经网络分类器和线性分类器,可提高系统识别能力,能较好地完成目标识别.     

基于深度学习的红外图像遮挡干扰检测方法

红外成像体制进行目标探测和识别时,烟幕、云雾等遮挡类干扰会改变目标特征导致目标识别错误。通过对遮挡干扰区域进行定位和类型判断,在识别处理时进行针对性处理可大大降低识别虚警率,提高识别的抗干扰能力。为此,提出一种基于深度学习单通道检测器改进的红外图像厚云、烟幕遮挡干扰检测方法。该方法通过网络多层特征的复用和融合,实现了多尺度预测;利用动态锚框模块改进锚框机制,提高了检测精度;将网络中的卷积层与批归一化层合并,提高了检测速度;引入中心损失函数对分类函数进行优化,提高了网络对遮挡物的分类能力。在网络训练过程中,提出一种红外样本增广方法,对数据量进行有效扩充,解决了红外图像训练样本获取难的问题。实验结果表明,与未改进前的算法相比,在速度基本相同情况下改进的遮挡干扰检测方法检测精度提高3.7％,有效地解决了复杂环境下红外自动目标识别系统抗干扰能力较弱的问题。     

基于PCA的红外图像区域特征选择方法

特征提取在模式识别和分类中起着关键的作用,本文针对红外目标的准确分类识别问题,围绕红外图像特征提取和特征选择进行研究,提出了基于PCA的区域特征选择方法。该方法首先采用基于数学形态学的滤波技术对红外图像进行预处理,有效地增强了目标区域,便于目标特征的提取;其次,本文研究了区域形状特征提取及基于PCA的特征选择方法,通过对区域特征进行优化选择,构造准确描述目标特性且维数较低的特征。实验结果表明,本文提出的方法有效地提取红外目标的特征,可用于红外目标的分类且有利于提高算法的效率。     

基于深度学习的空中侦察取证目标分类

为提高空中侦察取证的自动化、智能化水平,提出基于深度学习与FPGA 软硬件协同设计开展空中侦察 取证自动目标分类。多渠道收集整理军机数据集,利用深层神经网络模型开展自动识别,验证自动目标分类可行性, 并部署至FPGA 开发评估板进行准确率、吞吐量等性能验证。实验结果证明：多种网络模型均可有效实现空中侦察 取证目标的自动分类,并具备较高的吞吐量与准确率,时效性可满足战场实际需要。     

地面战场侦察系统多目标识别的评价指标

在对地面战场侦察系统和目标识别介绍的基础上，分析了典型环境下单目标识别与战场环境下多目标识别的评价的差别，根据单目标评价体系，提出了多目标识别效果的评价指标，为战场侦察系统的多目标识别提供了评价方法。     

红外成像制导末端局部图像识别跟踪研究

针对红外成像制导末端目标图像充满导引头视场影响目标识别跟踪的问题,提出一种红外成像制导末端局部图像识别跟踪的方法。分析了红外成像制导原理;选取了高亮区比例、灰度标准偏差、长宽比、紧凑度和复杂度等5个特征量作为特征提取和目标识别的依据,提出适合导弹的目标快速识别算法;通过计算红外成像制导末端目标图像,在导引头焦平面上的投影面积的变化情况,分析了弹目距离与相对速度对目标图像变化情况的影响,研究了形心跟踪到局部图像跟踪的转换时机。综合考虑了可靠性和实时性要求,选取飞机机头作为局部图形跟踪的跟踪点;搭建红外成像制导仿真场景,对所提出的方法进行仿真分析。仿真结果表明：该方法能够有效地识别图像中的目标,减小红外成像导引头跟踪盲区,实现红外成像制导末端的平稳跟踪。     

基于神经网络的战场被动声／地震动目标识别方法

目的在于研究人工神经网络在战场声／地震动目标识别应中的有效算法。通过建立战场目标声／地震动特性探测与分析系统,在总结目标特性规律,分析传统BP算法固有缺陷的基础上,采用改进的算法对分类器进行训练,典型战场目标信号样本检验表明,该方法具有良好的识别分类效果,利用基于神经网络的分类来实现对战场声／地震目标的识别分类是可行的。     

回归谱特征提取与识别效果分析

在战场目标噪声自回归参数统计特征分析的基础上,以战场四种车辆噪声为背景,在自回归谱上提取了１２ 个单项特征,并借助于直方图和模糊识别论域分布图,对它们的识别效果进行了分析。     

反装甲导弹导引头抗干扰能力与关键技术发展

针对反装甲导弹面临的复杂战场环境、多样化作战目标和复杂干扰环境,分析其抗干扰能力和关键技术 需求。分析反装甲导弹导引头面临的干扰威胁、抗干扰特点和不足,以科学高效提升反装甲导弹导引头抗干扰能力 为目标,给出相关措施与建议。结果表明,该分析可为提升反装甲导引头抗干扰能力提供参考。