CN113657182A - 一种基于变权理论的动态贝叶斯网络的目标意图识别方法 - Google Patents
一种基于变权理论的动态贝叶斯网络的目标意图识别方法 Download PDFInfo
- Publication number
- CN113657182A CN113657182A CN202110841369.5A CN202110841369A CN113657182A CN 113657182 A CN113657182 A CN 113657182A CN 202110841369 A CN202110841369 A CN 202110841369A CN 113657182 A CN113657182 A CN 113657182A
- Authority
- CN
- China
- Prior art keywords
- intention
- index
- target
- weight
- bayesian network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012886 linear function Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 abstract description 25
- 230000008901 benefit Effects 0.000 abstract description 11
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000001364 causal effect Effects 0.000 description 3
- 230000007123 defense Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000270295 Serpentes Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于变权理论的动态贝叶斯网络的目标意图识别方法,该方法包括以下步骤:步骤一、获取意图指标权重;步骤二、基于意图指标权重获取变权权重;步骤三、构建动态贝叶斯网络推理识别目标意图。本发明利用变权理论根据指标数值的变化实时调整指标的权重,可以将指标数值变化情况考虑到意图识别,当中综合考虑了时间历史信息和指标数值变化的优点,实时调整意图识别指标的变权重,具有自适应性强的优势,提升了目标意图识别的准确率。
Description
技术领域
本发明属于目标识别技术领域,具体涉及一种基于变权理论的动态贝叶斯网络的目标意图识别方法。
背景技术
意图是指希望达到某种目的的基本设想和打算,目标意图就是敌方指挥员以及指挥机关为完成一定的作战任务的基本设想和打算,而目标意图识别是依据观察到的目标行为识别其攻击意图的过程。目标意图识别方法可应用在诸多领域,也是现代作战的重要研究内容。
目标意图识别可以获得隐藏在大量目标事件背后的意图,作为主动防御的基础增强系统的防御能力。对敌方船舰或战机进行目标意图识别是战争指挥决策的重要基础和前提,也是战场态势评估的核心内容。
现有的目标意图识别主要研究方法有贝叶斯网络、证据推理、模糊集理论等方法。动态贝叶斯网络(Dynamic Bayesian Networks,DBN)是近年来国内外发展起来的一种对动态系统进行建模和推理的工具,是静态贝叶斯网络在时间序列上的展开,具有数学逻辑表达能力和因果概率推理能力而,又考虑了时间因素对模型的影响,将不同时间片之间的时序因果关系和时间片内的因果关系融为一体,并通过量化推理进行动态分析、预测与控制,可以解决意图识别问题。
此外,由于目标指标对于意图识别的重要性是不同的,因此需要给意图识别体系的指标赋予重要性权重,但是每个时刻赋予固定的重要性权重是不合理的,可能出现动态失衡的问题。因此需要一种可以解决动态失衡问题的基于贝叶斯网络的目标意图识别模型。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于变权理论的动态贝叶斯网络的目标意图识别方法,其利用变权理论根据指标数值的变化实时调整指标的权重,可以将指标数值变化情况考虑到意图识别,当中综合考虑了时间历史信息和指标数值变化的优点,实时调整意图识别指标的变权重,具有自适应性强的优势,提升了目标意图识别的准确率。
为解决上述技术问题,本发明采用的技术方案是:一种基于变权理论的动态贝叶斯网络的目标意图识别方法,其特征在于,该方法包括以下步骤:
步骤一、获取意图指标权重:确定意图识别指标xi,建立意图指标权重数据集W,W=(w1,w2,...,wi,...,wm),其中wi表示第i个意图识别指标xi的权重,m表示意图识别指标的个数;
步骤二、基于意图指标权重获取变权权重:
步骤201、构造均衡函数:
步骤2011:若意图指标xi对目标意图的影响程度不大,则该意图指标xi采用线性函数表示,其均衡函数表示为F(xi)=axi+b,其中a、b为常数,否则进入步骤2012;
步骤2012:该意图指标xi采用对数函数或,线性函数加对数函数的形式表示,其均衡函数表示为F(xi)=axi+clnxi+b,其中c表示调整因子;
步骤2013:计算机计算总均衡函数F,F=F(x1)+F(x2)...+F(xi)+...+F(xm);
步骤三、构建动态贝叶斯网络推理识别目标意图:
步骤301、获取目标意图概率:将步骤二的变权向量W'引入动态贝叶斯网络,获取目标意图概率P(vni,Vn1,Vn2,...,Vnm),其中vni表示第n个时间片第i个根节点的取值状态,P(vni)表示第n个时间片第i个根节点的先验概率分布,n∈[1,T],T表示时间段,P(Vnr|vni)表示子节点的条件概率分布;
步骤302、识别目标意图:计算机计算MAX{P(vni,Vn1,Vn2,...,Vnm)},MAX{P(vni,Vn1,Vn2,...,Vnm)}即为目标意图。
上述的一种基于变权理论的动态贝叶斯网络的目标意图识别方法,其特征在于:意图识别指标xi包括航向角、高度、速度、机动特征和距离,其中航向角、高度和速度的均衡函数采用线性函数表示;机动特征采用对数函数表示,距离的均衡函数采用线性函数和对数函数的形式表示。
本发明与现有技术相比具有以下优点:
1、本发明的结构简单、设计合理,实现及使用操作方便。
2、本发明依据意图识别指标的变化实时调整意图识别指标的权重,将变权重加入到动态贝叶斯网络中,构建加变权动态贝叶斯网络,弱化动态贝叶斯网络推理中的条件独立性假设,可以较好的推理融合不确定信息并考虑了时间信息,具有动态性。
3、综合考虑了时间历史信息和指标数值变化的优点,实时调整意图识别指标的变权重,具有自适应性强的优势,提升了目标意图识别的准确率。
综上所述,本发明结构简单、设计合理,利用变权理论根据指标数值的变化实时调整指标的权重,可以将指标数值变化情况考虑到意图识别,当中综合考虑了时间历史信息和指标数值变化的优点,实时调整意图识别指标的变权重,具有自适应性强的优势,提升了目标意图识别的准确率。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的方法流程图。
图2本发明的加变权动态贝叶斯网络得到的目标意图概率变化趋势图。
图3本发明的变权动态贝叶斯网络模型与现有技术的加权动态贝叶斯网络模型得到的目标意图识别结果比较图。
具体实施方式
下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施方式例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了便于描述,在这里可以使用空间相对术语,如“在……之上”、“在……上方”、“在……上表面”、“上面的”等,用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是,空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如,如果附图中的器件被倒置,则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而,示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位),并且对这里所使用的空间相对描述作出相应解释。
如图1所示,本发明包括以下步骤:
步骤一、获取意图指标权重:确定意图识别指标xi,建立意图指标权重数据集W,W=(w1,w2,...,wi,...,wm),其中wi表示第i个意图识别指标xi的权重,m表示意图识别指标的个数。
实际使用时,假定空中有1个目标向我方袭来,使用雷达监测目标的机动特征、速度、距离、高度和航向角这五个意图识别指标,在T1、T2、T3三个时刻获取监测值,如表1所示。
表1目标意图识别指标监测表
步骤二、基于意图指标权重获取变权权重:
步骤201、构造均衡函数:
步骤2011:若意图指标xi对目标意图的影响程度不大,则该意图指标xi采用线性函数表示,其均衡函数表示为F(xi)=axi+b,其中a、b为常数,否则进入步骤2012。实际使用时,其中a、b为常数,b可取值为0,a≠0。
步骤2012:该意图指标xi采用对数函数或,线性函数加对数函数的形式表示,其均衡函数表示为F(xi)=axi+clnxi+b,其中c表示调整因子,c≠0。
步骤2013:计算机计算总均衡函数F,F=F(x1)+F(x2)...+F(xi)+...+F(xm);
需要说明的是,获取意图指标xi对目标意图的影响程度包括两种方法,一种是分析法,如下:
意图指标xi包括航向角、高度、速度、机动特征和距离五个指标,对五个指标逐一分析:
航向角:航向角取值为0到360度,当目标相对于平台正向时,意图可能为侦察,可能为巡航,也可能为攻击,反向时,可能为撤退,也可能为巡航,因此,航向角的取值变化对目标意图的影响不大,应当采用线性函数表示。
高度:飞机执行任务时,可在不同的空域内执行多个不同的任务,当飞机距我方平台高度较小时,可能会具备攻击、撤退、侦察等意图,因此高度的取值变化对目标意图的影响不是很大,应当采用线性函数表示。
速度:目标速度与目标的运动状态有关,其取值变化不会引起意图识别的剧烈变化,故也采用线性函数表示。
机动特征:目标机动特征对目标意图识别具有重要作用,当机动特征发生变化时,往往是目标意图变化的前兆,例如飞机开始做蛇形机动时,目标有很大的攻击倾向,因此机动特征的取值变化对目标意图识别有较大的影响,故采用对数函数表示。
距离:当距离逐渐变小时,目标意图为攻击的概率增大,并且呈非线性变化,故采用线性函数加对数函数的形式表示。这种方法准确性高,适用于意图指标较少的系统。
另一种是计算法:
本实施例中,意图指标xi包括航向角、高度、速度、机动特征和距离五个指标。选取时间段T,在时间段T内对五个指标的取值进行采集,对采集指标值进行两两相关性计算;对相关性计算结果取绝对值,并基于取绝对值结果,将每个意图指标xi与其他所有意图指标xi的相关性值进行求和,获得各意图指标xi的综合相关性值;对获取的所有综合相关性值进行从大到小排序,并选取前k个最大的综合相关性值;前k个最大的综合相关性值对应的意图指标xi即为影响力大的指标。这种方法便于自动的从所有指标中,筛选出最具影响的意图指标,无需人工干预,适合意图指标较多的系统。
利用变权理论根据指标数值的变化实时调整指标的权重,可以将指标数值变化情况考虑到意图识别当中。
实际使用时,在T1、T2、T3三个时刻,分别依据意图识别指标的变化实时调整意图识别指标的权重,综合考虑了时间历史信息和指标数值变化的优点,实时调整意图识别指标的变权重,具有自适应性强的优势。T1、T2、T3三个时刻的变权重,如表2所示:
表2意图识别指标的变权重
步骤三、构建动态贝叶斯网络推理识别目标意图:
步骤301、获取目标意图概率:将步骤二的变权向量W'引入动态贝叶斯网络,获取目标意图概率P(vni,Vn1,Vn2,...,Vnm),其中vni表示第n个时间片第i个根节点的取值状态,P(vni)表示第n个时间片第i个根节点的先验概率分布,n∈[1,T],T表示时间段,P(Vnr|vni)表示子节点的条件概率分布。
将变权重加入到动态贝叶斯网络中,构建加变权动态贝叶斯网络,弱化动态贝叶斯网络推理中的条件独立性假设,一方面可以较好的推理融合不确定信息并考虑了时间信息,具有动态性,另一方面考虑了指标数值的变化,具有较强的自适应性,提升了目标意图识别的准确率。
获得变权重后,构建加变权动态贝叶斯网络,推理得到该敌机的意图,目标意图后验概率变化趋势如图2所示。
其中Pa1表示目标在T1时刻的攻击概率,Pb1表示目标在T1时刻的侦查概率,Pc1表示目标在T1时刻的巡航概率,Pd1表示目标在T1时刻的撤离概率。
步骤302、识别目标意图:计算机计算MAX{P(vni,Vn1,Vn2,...,Vnm)},MAX{P(vni,Vn1,Vn2,...,Vnm)}即为目标意图。
对Pa1、Pb1、Pc1和Pd进行比较,如图2所示,Pa1最大,因此目标在T1时刻的意图即为Pa1所表示的意图,即攻击意图。
结合图2和表1分析T1、T2、T3三个时刻的目标意图可知,目标意图为攻击的概率在T2时刻大幅上升,T2时刻目标机动特征刚由变速转为大角度转弯,离我方平台也越来越近,拥有较为明显的攻击意图,因此攻击概率变化趋势合理,与实际情况相符。
目标意图为攻击的概率在T3时刻小幅上升,T3时刻目标机动特征由大角度转弯转为蛇形机动,拥有明显的攻击意图,因此攻击概率再次上升,符合实际情况。
本申请提出的变权动态贝叶斯网络模型与现有技术的加权动态贝叶斯网络模型得到的目标意图识别结果相比较,如图3所示,其中改进前表示加权动态贝叶斯网络模型,改进后表示变权动态贝叶斯网络模型,T1、T2、T3表示三个不同时刻。
如图3所示,变权动态贝叶斯网络模型在T1、T2、T3三个不同时刻得到的目标意图为攻击的概率,分别大于加权动态贝叶斯网络模型在T1、T2、T3三个不同时刻得到的目标意图为攻击的概率,由此可说明本申请的方法提高了目标意图识别的准确率,本申请的方法优于现有技术。
以上所述,仅是本发明的实施例,并非对本发明作任何限制,凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化,均仍属于本发明技术方案的保护范围内。
Claims (3)
1.一种基于变权理论的动态贝叶斯网络的目标意图识别方法,其特征在于,该方法包括以下步骤:
步骤一、获取意图指标权重:确定意图识别指标xi,建立意图指标权重数据集W,W=(w1,w2,...,wi,...,wm),其中wi表示第i个意图识别指标xi的权重,m表示意图识别指标的个数;
步骤二、基于意图指标权重获取变权权重:
步骤201、构造均衡函数:
步骤2011:若意图指标xi对目标意图的影响程度不大,则该意图指标xi采用线性函数表示,其均衡函数表示为F(xi)=axi+b,其中a、b为常数,否则进入步骤2012;
步骤2012:该意图指标xi采用对数函数或,线性函数加对数函数的形式表示,其均衡函数表示为F(xi)=axi+c lnxi+b,其中c表示调整因子;
步骤2013:计算机计算总均衡函数F,F=F(x1)+F(x2)...+F(xi)+...+F(xm);
步骤三、构建动态贝叶斯网络推理识别目标意图:
步骤301、获取目标意图概率:将步骤二的变权向量W'引入动态贝叶斯网络,获取目标意图概率P(vni,Vn1,Vn2,...,Vnm),其中vni表示第n个时间片第i个根节点的取值状态,P(vni)表示第n个时间片第i个根节点的先验概率分布,n∈[1,T],T表示时间段,P(Vnr|vni)表示子节点的条件概率分布;
步骤302、识别目标意图:计算机计算MAX{P(vni,Vn1,Vn2,...,Vnm)},MAX{P(vni,Vn1,Vn2,...,Vnm)}即为目标意图。
2.按照权利要求1所述的一种基于变权理论的动态贝叶斯网络的目标意图识别方法,其特征在于:意图识别指标xi包括航向角、高度、速度、机动特征和距离,其中航向角、高度和速度的均衡函数采用线性函数表示;机动特征采用对数函数表示,距离的均衡函数采用线性函数和对数函数的形式表示。
3.按照权利要求1所述的一种基于变权理论的动态贝叶斯网络的目标意图识别方法,其特征在于:步骤一中意图指标权重wi通过层次分析法获得。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110841369.5A CN113657182A (zh) | 2021-07-26 | 2021-07-26 | 一种基于变权理论的动态贝叶斯网络的目标意图识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110841369.5A CN113657182A (zh) | 2021-07-26 | 2021-07-26 | 一种基于变权理论的动态贝叶斯网络的目标意图识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113657182A true CN113657182A (zh) | 2021-11-16 |
Family
ID=78478100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110841369.5A Withdrawn CN113657182A (zh) | 2021-07-26 | 2021-07-26 | 一种基于变权理论的动态贝叶斯网络的目标意图识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113657182A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114638298A (zh) * | 2022-03-15 | 2022-06-17 | 天津大学 | 飞行器攻击行为预测方法及电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090099990A1 (en) * | 2007-10-12 | 2009-04-16 | Microsoft Corporation | Object detection and recognition with bayesian boosting |
CN109902801A (zh) * | 2019-01-22 | 2019-06-18 | 华中科技大学 | 一种基于变分推理贝叶斯神经网络的洪水集合预报方法 |
CN111444075A (zh) * | 2020-06-18 | 2020-07-24 | 南京开特信息科技有限公司 | 一种自动发现关键影响力指标的方法 |
CN111859303A (zh) * | 2020-07-28 | 2020-10-30 | 南京大学 | 基于动态贝叶斯平均的土壤湿度融合算法及系统 |
CN112257663A (zh) * | 2020-11-12 | 2021-01-22 | 北京机电工程研究所 | 一种基于贝叶斯网络的设计意图识别方法及系统 |
CN112365178A (zh) * | 2020-11-20 | 2021-02-12 | 山东大学 | 一种轨交隧道运营期安全评价方法、系统及存储介质 |
CN112365055A (zh) * | 2020-11-12 | 2021-02-12 | 辽宁工程技术大学 | 一种整合煤矿残煤复采条件适宜性预测方法 |
-
2021
- 2021-07-26 CN CN202110841369.5A patent/CN113657182A/zh not_active Withdrawn
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090099990A1 (en) * | 2007-10-12 | 2009-04-16 | Microsoft Corporation | Object detection and recognition with bayesian boosting |
CN109902801A (zh) * | 2019-01-22 | 2019-06-18 | 华中科技大学 | 一种基于变分推理贝叶斯神经网络的洪水集合预报方法 |
CN111444075A (zh) * | 2020-06-18 | 2020-07-24 | 南京开特信息科技有限公司 | 一种自动发现关键影响力指标的方法 |
CN111859303A (zh) * | 2020-07-28 | 2020-10-30 | 南京大学 | 基于动态贝叶斯平均的土壤湿度融合算法及系统 |
CN112257663A (zh) * | 2020-11-12 | 2021-01-22 | 北京机电工程研究所 | 一种基于贝叶斯网络的设计意图识别方法及系统 |
CN112365055A (zh) * | 2020-11-12 | 2021-02-12 | 辽宁工程技术大学 | 一种整合煤矿残煤复采条件适宜性预测方法 |
CN112365178A (zh) * | 2020-11-20 | 2021-02-12 | 山东大学 | 一种轨交隧道运营期安全评价方法、系统及存储介质 |
Non-Patent Citations (4)
Title |
---|
WEN JIANG ET AL.: "A Novel Z-Network Model Based on BayesianNetwork and Z-Number", IEEE TRANSACTIONS ON FUZZY SYSTEMS, vol. 28, no. 8, XP011803474, DOI: 10.1109/TFUZZ.2019.2918999 * |
YUHENG XU ET AL.: "Air target combat intention identification based on IE-DSBN", 2020 INTERNATIONAL WORKSHOP ON ELECTRONIC COMMUNICATION AND ARTIFICIAL INTELLIGENCE (IWECAI) * |
樊振华等: "基于动态贝叶斯网络的意图分析算法", 无线电工程, vol. 47, no. 11, pages 0 - 4 * |
王君;白华珍;邵雷;: "基于变权理论的目标威胁评估方法", 探测与控制学报, vol. 40, no. 02, pages 0 - 4 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114638298A (zh) * | 2022-03-15 | 2022-06-17 | 天津大学 | 飞行器攻击行为预测方法及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liang et al. | Data-driven fault diagnosis of FW-UAVs with consideration of multiple operation conditions | |
CN109367543B (zh) | 驾驶设备决策的预测方法和装置 | |
CN107065897B (zh) | 三自由度直升机显式模型预测控制方法 | |
Ardil | Fighter Aircraft Evaluation and Selection Process Based on Triangular Fuzzy Numbers in Multiple Criteria Decision Making Analysis Using the Technique for Order of Preference by Similarity to Ideal Solution (TOPSIS) | |
CN111580389B (zh) | 基于深度学习的三自由度直升机显式模型预测控制方法 | |
CN108983800A (zh) | 一种基于深度学习的飞机姿态控制方法 | |
CN114912741A (zh) | 一种作战体系结构效能评估方法、装置以及存储介质 | |
CN113657182A (zh) | 一种基于变权理论的动态贝叶斯网络的目标意图识别方法 | |
Savitha et al. | A self-regulated learning in fully complex-valued radial basis function networks | |
CN114444389A (zh) | 基于组合赋权和改进vikor的空袭目标动态威胁评估方法 | |
Ximeng et al. | Threat assessment in air combat based on ELM neural network | |
CN110705132A (zh) | 一种基于多源异质数据的制导控制系统性能融合评估方法 | |
CN114565027B (zh) | 基于空中飞行目标雷达数据的威胁度评估方法 | |
CN114358558A (zh) | 一种基于指挥员经验学习的空袭目标威胁评估方法 | |
Yang et al. | Fault diagnosis method of multi-rotor UAV based on one-dimensional convolutional neural network with adaptive batch normalization algorithm | |
Shibo et al. | Approaching Intention Prediction of Orbital Maneuver Based on Dynamic Bayesian Network. | |
Xia et al. | Prediction of air target intention utilizing incomplete information | |
Gao et al. | Multi-target threat assessment method based on an effective reduction method | |
Teng et al. | Target Priority Estimation Based on Convolutional Neural Networks | |
Brain | Aerial Combat Manoeuvre Identification-A Feasibility Study of an Intelligent Decision Support System | |
Yin et al. | Multi-sensor fusion recognition method based on improved DS evidence theory | |
Klaproth et al. | Off-Design Mission Performance Prediction for Unmanned Aerial Vehicles Based on Machine Learning | |
Park et al. | Bayesian Nonparametric State-Space Model for System Identification with Distinguishable Multimodal Dynamics | |
Liu et al. | Threat Evaluation in Air Defense Based on Improved KPCA-TOPSIS | |
Zhang et al. | Performance Assessment for Leader-Following Multi-Agent Systems with Unpredictable Disturbances and Switching Topologies Via Belief Rule Base |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211116 |