基于Boosting学习算法的雷达弹道识别

弹道外推技术在炮位雷达的侦察和校射中起关键作用,弹道外推的精度直接决定着炮位侦察校射雷达的性能.在文献[1]中,作者提出了将弹道外推分为弹道识别和特定弹道外推两个阶段,并用支持向量机方法对弹道识别进行了系统研究.文中引进Boosting学习算法进行弹道识别.仿真结果表明,基于决策树的Boosting学习算法是一种有效的弹道识别方法,并且识别精度高于基于核技巧的支持向量机方法.     

一种弹道速度识别方法

指出涡轮电机的输出特性是与弹丸的速度有关,可以作为速度传感器,用以实现弹丸的速度测量。本文提出了一种弹丸速度实进测量的方法;论述了将速度作为控制参数,实现引信弹道闭锁的可行性;并给出了基于嵌入式控制系统的有关软、硬件设计。     

一种基于Rough 集与SVM的目标识别方法

主要研究了基于粗糙集和支持向量机的模式分类技术,结合遥感图像中军用飞机目标识别进行了理论分析和实验研究。基于粗糙集和支持向量机算法的优势,设计了基于粗糙集和决策有向无环图的支持向量机模式识别分类器,对分类的性能进行了分析研究,利用粗糙集理论中属性约简方法去除冗余属性,降低飞机特征维数,提出使用决策有向无环图支持向量机进行训练并对待识别目标预测。     

基于SVM算法的TATB基PBX单轴准静态应力应变关系

以1,3,5?三氨基?2,4,6?三硝基苯(TATB)基高聚物粘结炸药(PBX)材料为研究对象,在-40～75℃下开展了准静态的单轴拉伸、压缩试验,获得了预设17个温度点下的应力应变关系数据;以温度、应变为自变量,应力为因变量,基于支持向量机(SVM)算法对拉伸压缩条件下的应力应变关系进行了描述,并对构建的关系式进行了误差分析。结果表明,在-40～75℃内,材料的拉伸强度和压缩强度均随温度的升高而劣化,应力应变曲线的非线性和拉压非对称性特征变化明显;同时,采用一组参数基于SVM算法实现了不同温度下TATB基PBX拉伸压缩应力应变关系的描述,解决了模型参数常随温度变化的问题,构建的关系式平均绝对百分比误差不超过7.77%,相关系数均大于0.998,表现出了良好的适用性。     

隐马尔可夫模型和支持向量机混合模型声识别

为弥补单一模型在识别低空飞行目标时的不足,进一步提高低空飞行目标的识别率,提出一种基于HMM和SVM混合结构的低空飞行目标声识别算法.针对战场环境下声信号的特点,算法综合考虑HMM适合处理连续动态信号及SVM小样本情况下的强分类能力,利用HMM处理待辨识的连续动态信号,将HMM易混淆的信号作为与待辨识信号较为相似的模式类,形成候选模式集,再由SVM在候选模式中对待辨识信号作最后决策.实际数据的识别结果表明相对于单一的HMM和SVM,混合模型的识别率有一定的提高.     

基于支持向量机的弹道识别及其在雷达弹道外推中的应用

支持向量机( SVM)是一种基于结构风险最小化原理的分类技术,也是一种具有很好泛化性能的回归分析方法。本文用SVM分类方法对弹道类型进行识别,用SVM回归方法对不同类型的弹道数据分别建模,进而对弹道起点进行有效预测。仿真结果表明,该方法识别精度高,在SVM弹道识别的基础上,还可以有效提高弹道外推精度。     

基于在线修正弹道模板的主动段弹道跟踪方法

为了提高在线跟踪主动段弹道导弹的精度,提出了基于在线修正的弹道模板方法,详细构建了空气动力、推力、重力、科氏力、牵连惯性力等的动力学模型,结合不敏卡尔曼滤波和粒子滤波算法,对弹道模板参数进行在线校正及对导弹目标进行实时跟踪。在仿真过程中,基于加加速度模型和当前统计模型构建了交互多模型算法,并将该算法结合不敏卡尔曼滤波和粒子滤波算法与在线修正的弹道模板方法进行比较分析。仿真结果表明,该方法能够对弹道模板参数进行准确估计并能获得比交互多模型算法更高的跟踪精度。     

基于HLLE-SVM预测混合炸药爆轰性能

为了预测炸药爆轰参数并提高预测精度,提出一种将Hessian局部线性映射算法(HLLE)和支持向量机理论(SVM)相结合的预测方法。选取16种传统混合炸药作为研究对象,利用Hessian局部线性映射算法理论,对原始数据进行降维处理,再将降维后的数据作为输入,应用SVM对炸药爆速、爆热做回归预测,采用遗传算法(GA)选取最佳惩罚因子、核函数参数,将预测结果与文献值对比分析,预测相对误差在±3%之内。最后将该方法应用于新型熔铸混合炸药2,4-二氨基-3,5-二硝基-1-氧吡嗪(LLM-105)/1-甲基-3,5-二硝基-1,2,4-三唑(DNMT)和LLM-105/1-甲基-4,5-二硝基咪唑(4,5-MDNI)爆速预测,与试验值做比较,相对误差分别为2.91%、3.72%。结果表明,该方法对混合炸药爆轰参数预测误差较小,模型精度较高。     

基于卡尔曼滤波的GPS弹道测量误差消除方法

针对弹道修正引信工作环境恶劣、引信空间有限及要求成本低,难以应用GPS/惯导组合,而最小二乘滤波在系统表现为强非线性时,估计精度很差,甚至完全不可用,提出一种基于卡尔曼滤波的GPS测量误差消除方法。该方法结合质点弹道模型,采用扩展卡尔曼滤波对GPS测量值进行最优估计,为弹道预测提供初始弹道诸元。靶场试验结果表明:扩展卡尔曼滤波最优估计能有效降低GPS测量误差。     

基于插值HRRP和SVM的雷达目标识别方法

为了在高分辨一维距离像（HRRP）数据有限的情况下提高支持向量机（SVM）的识别性能,采用插值方法对原数据按方位角进行插值处理。给出了应用于距离像数据的线性插值和三次样条插值方法的推导和计算过程以及处理结果,与未插值数据的图像吻合较好,证明了插值方法的正确性。研究采用SVM方法对插值数据及未插值数据进行识别,结果表明采用插值处理可明显提高SVM的正确识别率,采用三次样条插值比线性插值提高识别率的效果更明显。且三次样条插值在两点间插入5个点后对识别率的提高可趋于稳定,从而证明该方法的正确性和有效性。     

基于多特征综合模糊识别方法的弹道中段目标识别

弹道导弹中段目标识别是中段反导作战的核心技术之一,也是反导指控系统指挥拦截作战的关键依据和成功拦截威胁弹头的保证。文中采用多特征综合模糊识别方法对中段多目标群进行识别研究,首先提取出具有明显物理意义的目标窄/宽带特征并对其进行模糊描述,在此基础上,对多目标进行综合模糊评判并给出评判准则,最后通过构建由三个目标组成的目标群开展仿真试验并给出仿真结果。结果表明,采用此方法能够快速准确的将真弹头从目标群中分离出来,具有较高的应用价值。     

基于Gabor原子变换和支持向量机的毫米波雷达目标识别方法

为提高毫米波雷达目标识别能力,提出一种基于Gabor原子变换和支持向量机(SVM)的雷达目标识别方法。该方法充分利用了Gabor原子变换在信号表示方面的有效性以及SVM在分类方面的优越性,首先将雷达回波信号进行Gabor原子变换,获得信号的特征量,然后利用SVM网络进行分类识别。实验结果表明：该方法可行且具有较高的识别率。     

一种基于小样本数据的装备故障预测方法

针对目前装备故障预测面临的数据小样本问题以及现有数据驱动方法的不足,提出了一种基于相关向量机的装备故障预测方法,并通过故障预测仿真实例验证了方法的有效性和合理性。理论分析及应用结果表明:与神经网络、支持向量机等方法相比,该方法在保持较高预测精度的同时,在输出形式、参数设置等方面具有优势,应用前景广阔。     

一种基于SVM 的航舵故障诊断方法

针对舵机故障样本数量不足、诊断知识不完备的实际情况,提出一种基于支持向量机(support vectormachine,SVM)的故障诊断方法。根据航舵故障输入输出映射非线性的特点,分析SVM的分类机理,对基于SVM的故障诊断步骤进行介绍,解决了小样本模式的分类问题,并通过仿真对该方法的有效性进行验证。仿真结果表明:该方法对舵机故障分类准确性可达92%。     

寻的防空导弹的一种弹道优化方法

为保证雷达寻的防空导弹遇到目标时脱靶量最小,分析了影响导弹视线角速度诸因素,以命中时导弹需用过载最小为条件,得到了纵向加速度和重力2项优化因子,以补偿它们带来的视线转率和弹道弯曲,实现了比例导引规律的弹道优化.仿真表明该方法对高空、高远弹道的改善效果明显,弹道变得较为平直.该方法在工程上易于实现.     

基于支持向量机的雷达弹道外推方法研究

支持向量机是一种求解回归预测问题的优秀决策方法，具有坚实的理论基础和优秀的预测性能．为解决目前雷达弹道外推中存在的外推准确率不高和不能有效地进行弹道识别等问题，用基于支持向量机的方法对雷达探测弹道进行了外推研究，并通过仿真弹道模拟雷达采样进行了仿真实验，仿真实验结果表明：基于支持向量机的雷达弹道外推方法实用可行，可以获得较高的外推精度，并且能够有效地进行弹道识别．     

支持向量机遥感图像几何校正中的不同核函数算法比较

支持向量机遥感图像近似几何校正算法可有效提高遥感图像校正的精度,是目前比较有效的遥感图像近似几何校正方法。对不同核函数支持向量机遥感图像近似几何校正算法的实验结果进行比较分析表明:基于RBF核函数的支持向量机遥感图像几何校正算法在支持向量机遥感图像几何校正算法中具有明显的优越性。     

基于粗集的SVM算法在空袭目标识别中的应用

在现代防空作战中,如何快速准确对敌我目标进行识别,至关重要。本文结合粗糙集和支持向量机算法建立了基于粗糙集的SVM增量学习模型,提出了基于快速求核和集合近似质量的粗糙集属性约简算法,改进了SVM增量学习算法。试验结果表明,算法正确有效,模型符合现代防空作战中对目标识别的要求。     

基于网格划分与BP网络的中制导弹道 在线生成方法

针对临近空间高超声速目标高速、高机动的特点,为改善拦截弹中制导性能,将基于网格划分的中制导离线弹道优化与神经网络相结合,提出了一种中制导弹道在线生成方法。以拦截区域网格化形成的网格点为约束,采用离线弹道优化方法,形成覆盖拦截区域的弹道数据库; 利用BP神经网络对非线性函数的逼近特性,通过训练实现对弹道数据库的逼近,构建BP神经网络模型,实现中制导弹道在线生成。仿真分析结果表明:中制导过程中,在终端约束调整和不调整的2种情况下,该文设计的中制导弹道生成方法均具有较好的性能。     

基于方案满意度的火炮内弹道优化设计

火炮内弹道设计的关键是弹道方案的选择,弹道方案选择属于一类多指标优化问题,最优解依赖于指标权重。文中针对指标权重信息不完整的情况,依据弹道方案综合指标理想值、负理想值建立弹道方案满意度的概念,并通过求解一系列关于弹道方案线性规划和一个方案满意度线性规划,分别获得综合指标理想值、负理想值和指标权重值,从而得到各可行弹道方案的优劣顺序。某型火炮的计算实例表明,该方法是有效的。