针对现有空中目标机动识别方法识别率较低且耗时较长的问题,提出一种基于动态时间规整(Dynamic Time Warping,DTW)的空中目标机动识别方法。对目标跟踪产生的空中目标飞行轨迹进行机动序列提取,并将其作为测试模板,用动态时间规整算法...针对现有空中目标机动识别方法识别率较低且耗时较长的问题,提出一种基于动态时间规整(Dynamic Time Warping,DTW)的空中目标机动识别方法。对目标跟踪产生的空中目标飞行轨迹进行机动序列提取,并将其作为测试模板,用动态时间规整算法匹配测试模板和参考模板,以识别空中目标的机动类型。最后基于相同的训练样本和测试库,在相同拒识率下,将DTW算法与隐马尔科夫(Hidden Markov Model,HMM)算法进行识别效果对比。实验结果表明,相较于HMM算法,所提算法在低训练样本条件下的识别率较高,且识别时间更短。展开更多
传统基于空中目标特征状态推理作战意图的方法,需要大量的领域专家知识对特征状态的权重、先验概率等进行量化,明确特征状态与意图之间的对应关系,而神经网络可以在领域专家知识不足条件下,通过自身训练得到特征状态与意图之间的规则。...传统基于空中目标特征状态推理作战意图的方法,需要大量的领域专家知识对特征状态的权重、先验概率等进行量化,明确特征状态与意图之间的对应关系,而神经网络可以在领域专家知识不足条件下,通过自身训练得到特征状态与意图之间的规则。针对反向传播(BP)算法在更新网络节点权值时收敛速度慢、容易陷入局部最优的问题,通过引入ReLU(Rectified Linear Unit)激活函数和自适应矩估计(Adam)优化算法,设计了基于深度神经网络的作战意图识别模型,提高了模型收敛速度,有效地防止陷入局部最优。仿真结果表明,所提方法能够有效识别空中目标作战意图,获得更高的识别率。展开更多
文摘针对现有空中目标机动识别方法识别率较低且耗时较长的问题,提出一种基于动态时间规整(Dynamic Time Warping,DTW)的空中目标机动识别方法。对目标跟踪产生的空中目标飞行轨迹进行机动序列提取,并将其作为测试模板,用动态时间规整算法匹配测试模板和参考模板,以识别空中目标的机动类型。最后基于相同的训练样本和测试库,在相同拒识率下,将DTW算法与隐马尔科夫(Hidden Markov Model,HMM)算法进行识别效果对比。实验结果表明,相较于HMM算法,所提算法在低训练样本条件下的识别率较高,且识别时间更短。
文摘传统基于空中目标特征状态推理作战意图的方法,需要大量的领域专家知识对特征状态的权重、先验概率等进行量化,明确特征状态与意图之间的对应关系,而神经网络可以在领域专家知识不足条件下,通过自身训练得到特征状态与意图之间的规则。针对反向传播(BP)算法在更新网络节点权值时收敛速度慢、容易陷入局部最优的问题,通过引入ReLU(Rectified Linear Unit)激活函数和自适应矩估计(Adam)优化算法,设计了基于深度神经网络的作战意图识别模型,提高了模型收敛速度,有效地防止陷入局部最优。仿真结果表明,所提方法能够有效识别空中目标作战意图,获得更高的识别率。
