CN114417713A - 一种来袭多目标的编群方法 - Google Patents
一种来袭多目标的编群方法 Download PDFInfo
- Publication number
- CN114417713A CN114417713A CN202210000269.4A CN202210000269A CN114417713A CN 114417713 A CN114417713 A CN 114417713A CN 202210000269 A CN202210000269 A CN 202210000269A CN 114417713 A CN114417713 A CN 114417713A
- Authority
- CN
- China
- Prior art keywords
- target
- group
- targets
- function
- party
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种来袭多目标的编群方法,首先提取动态兵力态势要素,根据来袭目标的敌我属性与目标类型,对所有目标初步分类;对可能的同一类目标,根据目标的位置和速度的相似度确定权重;进行分割和子类的合并,形成空间群;计算空间群的几何要素,确定对方对我方的相对优势函数并构造进攻要素矩阵;对于各进攻要素对应的优势函数通过加权得到进攻优势值,对各进攻要素进行线性组合,计算出对方目标群对我方目标群进攻的综合向量,根据综合向量确定来袭目标的相互作用群。本发明既能反映目标间的空间关联关系,又能抽取空间群间实物相互作用关系,能够实现对多目标的同类聚合与深层次抽取,形成具有多层次抽象作战群。
Description
技术领域
本发明涉及对来袭多目标的编群问题,尤其涉及对方飞机多目标来袭时,我舰艇编队空海协同对来袭目标进行空间聚类以及相互作用关系聚类,实现作战空间群和相互作用群的一种方法。
背景技术
现代战场环境下,随着作战双方向作战空间立体化和作战编成复杂化的发展,敌我双方作战平台的种类和数量急剧增加。交战双方为了达到作战目的,都是以不同作战平台组合,形成多个作战单元,并通过作战单元间的协作共同完成作战任务。为了实现对来袭目标的有效拦截决策,需要对来袭的多目标进行分类编群,以识别不同来袭作战群的相互作用关系,才能识别对方的作战意图,规划我方兵力需求和拦截策略,因此对来袭多目标进行编群是实现大规模作战决策的必要内容。
针对现代战场环境越来越多的信息量,通过对战场环境信息的提取、分类和推理,构建适应作战目的战场综合态势,对实现编队作战下的指挥决策有着重要的指导意义。现代战场综合态势中,将目标实体聚类成不同的空间结构和组织结构的过程称为目标编群。目标编群是通过对战场环境下具有内在关联的目标信息进行同类聚合与深层次抽取,形成具有多层次抽象作战群,为更深层次的认知对方作战意图提供有效依据。目标编群以目标的空间位置要素为输入,首先完成空间群的聚类,再以空间群的几何位置为输入,实现相互关系群的聚类,后通过目标的敌我属性,实现对整个作战环境下对方目标的编群。
当前对目标编群方法研究比较少,大都是以对单个目标的作战意图识别方法,因而无法从整体上判断来袭方的作战意图。仅有的目标编群方法中,多属性方法在选取各个属性的权重时一般依靠主观经验,缺少客观性;基于知识的最近邻法受限于对编群目标空间状态的过高要求,难以获得满意的误差。而且现有的编群数方法大都着重于对空间群的类研究,而对于相互作用群未深入研究。本申请第一发明人曾在《计算机科学》上发表了一种多作战编群的目标编群算法,该方法实现相互作用群聚类在计算进攻要素优势函数时,目标群的5个要素都是取个目标要素的平均值,然而空间群各目标的速度、航向要素差异较大,平均值难以代表整个空间群速度、航向的要素特点。
发明内容
为了克服现有技术的不足,本发明提供一种来袭多目标的编群方法,首先以带约束条件的Chameleon算法实现空间群的聚类,再对空间群进行综合特性要素计算求得空间群的几何要素,以空间群的几何要素求得基于进攻要素的优势函数,进而获得进攻矩阵来实现对敌目标的相互作用群聚类。本发明分析来袭多目标之间的内在关联关系,既能反映目标间的空间关联关系,又能抽取空间群间实物相互作用关系,能够实现对多目标的同类聚合与深层次抽取,形成具有多层次抽象作战群。
本发明解决其技术问题所采用的技术方案包括以下步骤:
步骤1,提取态势要素,所述的态势要素指动态兵力要素,包括作战区域内所有来袭目标的批号、目标敌我属性、目标位置信息、目标速度信息和目标类型;
步骤2,根据来袭目标的敌我属性与目标类型,对所有目标初步分类;对可能的同一类目标,根据目标的位置和速度的相似度确定权重;进行分割和子类的合并,形成空间群;
步骤3,计算空间群的几何要素;确定对方对我方的相对优势函数,包括角度优势函数、速度优势函数、距离优势函数、高度优势函数和目标群类型的优势函数;根据计算出的相对优势函数构造进攻要素矩阵;
步骤4,对于各进攻要素对应的优势函数通过加权得到进攻优势值,其中进攻要素的权重采用熵信息法选取;
步骤5,对各进攻要素进行线性组合,计算出对方目标群对我方目标群进攻的综合向量,根据综合向量确定来袭目标的相互作用群。
所述的步骤2采用带约束条件的chameleon算法实现空间群聚类。
所述的步骤2进行空间群聚类的过程包括以下步骤:
(1)设置参数ΔT、WT和PT,其中ΔT为连续两个时刻的时间差,WT为权重的阈值,PT为子类间相似度函数RT与互连性函数RC之积的阈值;
(2)以所有的目标作为节点构造k-最邻近图;遍历每两个目标节点,若两节点目标的敌我属性与目标类型相同,计算两点间的相似度来确定点间权重;如若节点目标的敌我属性与目标类型中有一项不一致,设置点间权重为0;
(3)将每两点间的权重与WT比较,大于阈值的两节点合并成一点,形成子类;
(4)遍历每两子类,计算RI*RC值,选择值最大的两子类合并成新子类;
(5)重复步骤(4)对新子类RI*RC值的计算,并与PT比较,若有大于PT状况则跳至第(4)步;否则运算结束,并输出空间分群的结果。
所述的步骤2判断两个目标节点的敌我属性与目标类型,有任一不相同则直接设置节点间权重为0,若两节点间权重不为0,则计算两节点间的相似度定义为连续两个时刻两目标节点距离均值的倒数作为权重。
所述的步骤3假设空间群有r个目标,各目标的空间位置为(xi,yi,zi),航速为航向为则空间群的位置(x,y,z)定义为各目标空间位置求和的结果,空间群的航速、航向分别定义为各目标航速、航向加权求和的结果,越靠近航速、航向中间值的权重越大。
所述的步骤3假设敌我双方目标群分别为T和M,敌我双方速度以及距离分别为VT、VM以及D,为我目标群航向与敌我目标群连线的夹角,θ为敌目标群航向与敌我目标群连线的夹角;对于敌我空中群,敌目标群相对于我目标群的角度优势函数相对速度优势函数对于敌空中群而我为水面群情况,角度优势函数速度优势函数表示声速;对方对我方的相对距离优势函数k为系数,当敌我都是空目标群时5Km<Dmin<20Km,80Km<Dmax<300Km,对方为空目标群而我方为水面目标群时,2Km<Dmin<5Km,300Km<Dmax<550Km;高度优势函数当敌我都是空目标群时,0.15Km<Hmin<0.5Km,0.5Km<Hmax<5Km,当对方为空目标群而我方为水面目标群时,0.05Km<Hmin<0.5Km,0.5Km<Hmax<2Km,β=0.1;将目标群类型划分为歼击机、轰炸机、侦察机和舰艇平台,目标群类型的优势函数TT定义为相同类型目标的函数值为0.5,轰炸机相对歼击机的函数值为0.8,侦察机相对歼击机的函数值为0.9,舰艇平台相对歼击机的函数值为0.6,侦察机相对轰炸机的函数值为0.4,,舰艇平台相对轰炸机的函数值为0.9,舰艇平台相对侦察机的函数值为0.6。
所述的步骤4对矩阵AJ=(bnm)G×5,令其中G是敌空间群数,m为指标个数;根据信息论,指标Sm的信息熵当pnm=0时,规定pnmlnpnm=0,则指标Sm的权重各指标权重向量为u=(u1,u2,...,u5)。
所述的步骤5对于各进攻要素进行线性组合,计算出对方目标群对我方目标群j进攻的综合向量aj=AjuT,进攻矩阵AT=(aij)nm中,aij表示第i个对方空间群与第j个我方群的相互关系;找出每行中的最大值aij,表明第i个敌空间群进攻我第j个空间群可能性最大。
本发明的有益效果是:
本发明空间聚类采用的Chameleon算法,是一种聚合型的层次聚类方法,能够依据类的内在特性,对类的互连性和近似度进行综合考量,从而实现对任意大小类的构造能力,因而能够适用于空、海、陆等不同空间域的聚类,具有一定的通用性。
本发明的相互作用群聚类,以目标空间群的几何要素为输入,通过获得进攻要素的优势函数及进攻矩阵来实现,所采用的几何要素都是目标的实时态势信息,具有强的实时性,因而能够客观地反映来袭方的作战态势,以及体现来袭方的作战意图。因此相互作用群的确定方法具有实时性和实用性。
当前对对方来袭的多目标作战意图的识别时,大都采用对每个单一目标进行按照目标的类型、位置、速度、航向航速等信息进行威胁评估和威胁排序,而现代战争是由不同作战群通过相互协同,达到作战意图的。这种将作战群割裂成对单个目标的作战意图识别方法,无法从整体上判断来袭方的作战意图,因而无法规划出正确的我方兵力需求和拦截策略。本发明能够确定来袭方的作战群,以及作战群间的协作关系,能够从整体上识别来袭方的作战意图。
与论文《一种多作战编群的目标编群算法》比较,因为改进了空间群速度、航向的计算方法,使得空间群速度、航向更能体现整个群的几何特点,因而在相同的输入条件下,本发明更能明确地确定空间群之间的相互作用。
附图说明
图1是本发明的方法流程图;
图2是敌我双方几何关系示意图;
图3是对方目标分群示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明,本发明包括但不仅限于下述实施例。
本发明提出了一种基于带约束条件的Chameleon空间群的分类方法和基于进攻矩阵的相互作用群的目标编群方法,实现对多目标的同类聚合与深层次抽取,为我方作战决策提供了必要依据。本发明方法其特征在于包括以下步骤:
步骤1,提取动态兵力态势要素。
现代战场态势的组成复杂,涉及到环境、兵力及社会要素等。其中战术级态势要素提取主要以实时、动态兵力要素为主,依据不同的战术目的选取不同的态势要素。
本文以战术级态势估计为例,态势要素的选取为独立目标属性集合:
A={批号(id),敌我属性(attr),位置(x,y,z),速度(vx,vy,vz),类型(type)}
其中批号是目标唯一标识号,敌我属性是通过敌我识别器来确定,类型指对目标种类进行的识别,其他位置、速度等信息是目标级融合后获得的目标属性。
步骤2,空间群聚类。
两个目标节点的敌我属性与目标类型都相同时,则此两节点的目标可能为同一空间群,可以计算节点间的权重,否则直接设置节点间权重为0;如若两节点间权重不为0,计算两目标节点间基于位置和速度的相似度作为权重。设T时两目标节点间距离为D1,T+ΔT时刻后距离为D2,则两节点间的相似度定义为连续两个时刻平均距离的倒数说明两点相似度(权重)越大,为同一空间群的可能性越大。
采用改进后的chameleon算法进行空间聚类,流程包括:
(1)设置各参数:包括ΔT、WT、PT等。其中WT为权重的阈值,大于阈值的节点合并为一个节点。PT为子类间相似度函数(RT)与互连性函数(RC)之积的阈值。
(2)构造k-最近邻图并确定节点间权重:以所有的目标作为节点构造k-最邻近图,节点间的权重计算时,首先遍历每两个目标节点,若两节点目标的敌我属性与目标类型相同,计算两点间的相似度来确定点间权重;如若节点目标的敌我属性与目标类型中有一项不一致,设置点间权重为0。
(3)k-最近邻图的分割:对于每两点间的权重与WT比较,大于阈值的两节点合并成一点,形成子类。
(4)遍历每两子类,计算各RI*RC值,选择值最大的两子类合并成新子类。
(5)重复第四步中对新子类RI*RC值的计算,并与PT比较。若有大于PT状况,跳至第(4)步;否则运算结束,并输出空间分群的结果。
步骤3,构建对方对我方的相对优势函数和进攻要素矩阵。
首先计算空间群的几何要素,再构建对方对我方的相对优势函数,以及进攻要素矩阵。
(1)计算空间群的几何要素
假设某空间群有r个目标,各目标的空间位置为(xi,yi,zi),空间群的位置(x,y,z)计算公式如下。
某空间群r个目标各目标的航速为航向为则可以采用群内目标航速、航向加权计算。处于航速、航向中间值的权重大,其它的权重小,这样更能体现群要素的变化趋势,而且群的要素值相对稳定,保持空间群的稳定性,易于形成稳定的空间群态势。空间群的航速(vx,vy,vz)和空间群的航向(σx,σy,σz),的计算,以航速为例计算如下。
(2)对方对我方的相对优势函数
在图2所示的作战双方几何态势中,敌我双方目标群分别为M和T,敌我双方速度、距离分别为VT、VM、D,为我目标群航向与敌我目标群连线的夹角,θ为敌目标群航向与敌我目标群连线的夹角,其中角度规定为右偏为正,左偏为负。
1)角度优势函数:
对于敌我空中群,敌目标群相对于我目标群的角度优势函数TA为:
对于敌空中群而我为水面群情况,由于我先进的舰载导弹系统为垂直发射,所以对方空目标群对我方水面目标群的相对角度优势函与方位角无关,所示只与敌舷角有关:
2)速度优势函数
当敌群的速度越大,对我群进攻的优势也越大。对于空目标群,对方对我方的相对速度优势函数TV为:
敌空目标群相对我水面目标群的速度优势函数构造为:
ΔV的单位为马赫。
3)距离优势函数
对于空目标群,对方对我方的相对距离优势函数TD如下式所示:
距离优势函数为分段函数,当距离小于门限Dmin时距离进攻优势为1,大于门限Dmax时距离进攻优势为0,处于两个门限间时呈指数函数关系。k作为系数一般取值0<k<20,当敌我都是空目标群时5Km<Dmin<20Km,80Km<Dmax<300Km,对方为空目标群而我方为水面目标群时,2Km<Dmin<5Km,300Km<Dmax<550Km。
4)高度优势函数
对方相对我方的高度越小,对我方的优势越大。高度优势函数TH为:
当敌我都是空目标群时,0.15Km<Hmin<0.5Km,0.5Km<Hmax<5Km,当对方为空目标群而我方为水面目标群时,0.05Km<Hmin<0.5Km,0.5Km<Hmax<2Km。β=0.1。
5)目标群类型的优势函数
对方对我方在目标类型的优势函数TT如表1所示。
表1目标类型的相对优势函数值
(3)构造进攻要素矩阵
由于Aj中各要素指标没有不同量纲量,所以不需要规范化处理,只对各行、列进行归一化处理。
步骤4,计算进攻要素的权重
对于各进攻要素对应的优势函数,通过线性加权后得到进攻优势值。进攻要素的权重采用熵信息法选取,具体计算权重方法是:
对矩阵AJ=(bnm)G×5,令
其中G是敌空间群数,m为指标个数。
根据信息论,指标Sm的信息熵为:
其中当pnm=0时,规定pnmlnpnm=0。
其中um是指标Sm的权重,故各指标权重向量为u=(u1,u2,...,u5)。
步骤5,进攻矩阵和相互作用群的确定
对于各进攻要素进行线性组合,计算出对方目标群对我方目标群j进攻的综合向量aj:
aj=AjuT
设进攻矩阵为AT,那么AT=(aij)nm;
进攻矩阵AT中,aij表示第i个对方空间群与第j个我方群的相互关系。
依据AT判定对方相互作用群以及该作用群对应于我方的目标群。具体判定方法如下:找出每行中的最大值aij,表明第i个敌空间群进攻我第j个空间群可能性最大。对于选出的各最大值,其位置具有相同列的表示为同一相互作用群,其个数为相互作用群中包含空间群的个数,且该作用群的列数j,表示对我第j空间群威胁最大。
下面将对本发明的实施方式进行详细说明,其主要实施步骤如下:
步骤1,提取动态兵力态势要素
设定T时刻提取的对方兵力态势要素如表2所示,我方编队(GR1-GR3)的兵力配置及其空间群几何要素如表3所示。
表2 T时对方目标几何要素
表3 T时我方空战兵力及其空间群几何要素
步骤2,空间群聚类
按照改进后的chameleon算法进行空间聚类,对方聚类结果如表4所示。
表4 T时敌空间群聚类结果
步骤3,构建对方对我方的相对优势函数和进攻要素矩阵
(1)计算空间群的几何要素
按照位置的几何中心和航向航速值的线性加权,计算敌空间群的几何要素如表5所示。其中GB1的速度加权系数分别选B1、B3和B4三维方向上最大的取0.5,其余两个分别取0.25;GB2的速度加权系数选取同GB1;GB3的速度加权系数为B7、B8分别为0.5;GB4的速度加权系数为B8、B10分别为0.5。
表5 T时敌空间群几何要素
(2)计算对方对我方的相对优势函数并构造进攻要素矩阵
其中距离优势函数中,设定k=10,当敌我都是空目标群时Dmin=15Km,Dmax=200Km对方为空目标群而我方为水面目标群时,Dmin=3Km,Dmax=500Km。高度优势函数中,同为空目标群时,Hmin=0.2Km,对方为空目标群而我方为水面目标群时,Hmin=0.15Km,β=0.1。
针对我编队GR1、GR2和GR3,计算出敌目标群几何态势要素的优势函数矩阵分别为AGR1、AGR2和AGR3。矩阵的行表示敌目标群,列分别表示角度、速度、距离、高度和目标群类别的优势函数值。
步骤4,计算进攻要素的权重
采用熵信息法选取进攻要素的权重,计算权重结果为:
步骤5,进攻矩阵和相互作用群的确定
进攻要素进行线性组合形成对方对我方编队的进攻优势矩阵V:
进攻矩阵V中,Vij表示第i个对方空间群与第j个我方群的相互关系。分析矩阵V,每行最大值分别是V13、V23、V31和V41。V13、V23说明在T时刻,对方的第一、二空间群组成对方相互作用群1,作用对象是我第三空间群;V31、V41说明在T时刻,对方第三、四空间群组成对方相互作用群2,作用对象是我第一空间群。具体目标编群如图3所示,星形为敌目标,星形带框为敌空间群,框形被椭圆框在一起为相互作用群。小圆圈为我方空间群。
同时,从对方对我编队的进攻优势矩阵V还可以看出,每一行除过最大数之外,大于0.5的还有V11、V12、V21和V22,这些虽然不是最大的,但是达到了预警值。可以看出,对方第一、第二空间群对我第一空间群、第二空间群有进攻可能比较大。除本次确定的相互作用群外,这些预警聚类结果也可以作为下一时刻为对相互作用群的预测。
从具体实例可以看出,本发明可以确定来袭方的作战群,以及作战群间的协作关系,从而为整体上识别来袭方的作战意图提供依据。同样因为改进了空间群速度、航向的计算方法,使得空间群速度、航向的更能体现整个群的几何特点,因而在相同的输入条件下,本发明得出的结果更能明确地确定相互作用群。
Claims (9)
1.一种来袭多目标的编群方法,其特征在于,包括以下步骤:
步骤1,提取态势要素,所述的态势要素指动态兵力要素,包括作战区域内所有来袭目标的批号、目标敌我属性、目标位置信息、目标速度信息和目标类型;
步骤2,根据来袭目标的敌我属性与目标类型,对所有目标初步分类;对可能的同一类目标,根据目标的位置和速度的相似度确定权重;进行分割和子类的合并,形成空间群;
步骤3,计算空间群的几何要素;确定对方对我方的相对优势函数,包括角度优势函数、速度优势函数、距离优势函数、高度优势函数和目标群类型的优势函数;根据计算出的相对优势函数构造进攻要素矩阵;
步骤4,对于各进攻要素对应的优势函数通过加权得到进攻优势值,其中进攻要素的权重采用熵信息法选取;
步骤5,对各进攻要素进行线性组合,计算出对方目标群对我方目标群进攻的综合向量,根据综合向量确定来袭目标的相互作用群。
2.根据权利要求1所述的来袭多目标的编群方法,其特征在于,所述的步骤2采用带约束条件的chameleon算法实现空间群聚类。
3.根据权利要求1所述的来袭多目标的编群方法,其特征在于,所述的步骤2进行空间群聚类的过程包括以下步骤:
(1)设置参数ΔT、WT和PT,其中ΔT为连续两个时刻的时间差,WT为权重的阈值,PT为子类间相似度函数RT与互连性函数RC之积的阈值;
(2)以所有的目标作为节点构造k-最邻近图;遍历每两个目标节点,若两节点目标的敌我属性与目标类型相同,计算两点间的相似度来确定点间权重;如若节点目标的敌我属性与目标类型中有一项不一致,设置点间权重为0;
(3)将每两点间的权重与WT比较,大于阈值的两节点合并成一点,形成子类;
(4)遍历每两子类,计算RI*RC值,选择值最大的两子类合并成新子类;
(5)重复步骤(4)对新子类RI*RC值的计算,并与PT比较,若有大于PT状况则跳至第(4)步;否则运算结束,并输出空间分群的结果。
4.根据权利要求3所述的来袭多目标的编群方法,其特征在于,所述的步骤2判断两个目标节点的敌我属性与目标类型,有任一不相同则直接设置节点间权重为0,若两节点间权重不为0,则计算两节点间的相似度定义为连续两个时刻两目标节点距离均值的倒数作为权重。
6.根据权利要求1所述的来袭多目标的编群方法,其特征在于,所述的步骤3假设敌我双方目标群分别为T和M,敌我双方速度以及距离分别为VT、VM以及D,为我目标群航向与敌我目标群连线的夹角,θ为敌目标群航向与敌我目标群连线的夹角;对于敌我空中群,敌目标群相对于我目标群的角度优势函数相对速度优势函数对于敌空中群而我为水面群情况,角度优势函数速度优势函数VS表示声速;对方对我方的相对距离优势函数k为系数,当敌我都是空目标群时5Km<Dmin<20Km,80Km<Dmax<300Km,对方为空目标群而我方为水面目标群时,2Km<Dmin<5Km,300Km<Dmax<550Km;高度优势函数当敌我都是空目标群时,0.15Km<Hmin<0.5Km,0.5Km<Hmax<5Km,当对方为空目标群而我方为水面目标群时,0.05Km<Hmin<0.5Km,0.5Km<Hmax<2Km,β=0.1;将目标群类型划分为歼击机、轰炸机、侦察机和舰艇平台,目标群类型的优势函数TT定义为相同类型目标的函数值为0.5,轰炸机相对歼击机的函数值为0.8,侦察机相对歼击机的函数值为0.9,舰艇平台相对歼击机的函数值为0.6,侦察机相对轰炸机的函数值为0.4,,舰艇平台相对轰炸机的函数值为0.9,舰艇平台相对侦察机的函数值为0.6。
9.根据权利要求1所述的来袭多目标的编群方法,其特征在于,所述的步骤5对于各进攻要素进行线性组合,计算出对方目标群对我方目标群j进攻的综合向量aj=AjuT,进攻矩阵AT=(aij)nm中,aij表示第i个对方空间群与第j个我方群的相互关系;找出每行中的最大值aij,表明第i个敌空间群进攻我第j个空间群可能性最大。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210000269.4A CN114417713A (zh) | 2022-01-03 | 2022-01-03 | 一种来袭多目标的编群方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210000269.4A CN114417713A (zh) | 2022-01-03 | 2022-01-03 | 一种来袭多目标的编群方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114417713A true CN114417713A (zh) | 2022-04-29 |
Family
ID=81271433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210000269.4A Pending CN114417713A (zh) | 2022-01-03 | 2022-01-03 | 一种来袭多目标的编群方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114417713A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117633563A (zh) * | 2024-01-24 | 2024-03-01 | 中国电子科技集团公司第十四研究所 | 一种基于optics算法的多目标自顶向下式层次化分群方法 |
-
2022
- 2022-01-03 CN CN202210000269.4A patent/CN114417713A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117633563A (zh) * | 2024-01-24 | 2024-03-01 | 中国电子科技集团公司第十四研究所 | 一种基于optics算法的多目标自顶向下式层次化分群方法 |
CN117633563B (zh) * | 2024-01-24 | 2024-05-10 | 中国电子科技集团公司第十四研究所 | 一种基于optics算法的多目标自顶向下式层次化分群方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220197281A1 (en) | Intelligent decision-making method and system for unmanned surface vehicle | |
CN111240353B (zh) | 基于遗传模糊树的无人机协同空战决策方法 | |
CN111783020B (zh) | 一种多维特征的战场实体目标分群方法及系统 | |
CN110348708B (zh) | 一种基于极限学习机的地面目标动态威胁评估方法 | |
CN110298865B (zh) | 基于阈值分离聚类器的天基星空背景弱小点目标跟踪方法 | |
CN1389710A (zh) | 多传感器多目标信息融合方法 | |
CN114139023B (zh) | 一种基于Louvain算法的海上态势生成多目标层次化分群方法 | |
CN112598046B (zh) | 一种多机协同空战中的目标战术意图识别方法 | |
CN113987789B (zh) | 无人机协同空战中的动态威胁评估方法 | |
CN112749761A (zh) | 基于注意力机制和循环神经网络的敌方作战意图识别方法及系统 | |
CN114266355A (zh) | 一种基于BiLSTM-Attention的战术意图识别方法 | |
CN114417713A (zh) | 一种来袭多目标的编群方法 | |
CN115964640B (zh) | 一种改进的基于模板匹配的二次目标分群方法 | |
AU2021102799A4 (en) | Method for clustering battlefield entity targets based on multidimensional features and system thereof | |
CN111950635A (zh) | 一种基于分层特征对齐的鲁棒特征学习方法 | |
CN110852574A (zh) | 一种基于改进灰靶理论的目标威胁评估方法及介质 | |
CN115661576A (zh) | 一种样本不平衡下的飞机群组意图识别方法 | |
CN113902974B (zh) | 一种基于卷积神经网络的空战威胁目标识别方法 | |
CN114358127A (zh) | 一种空中任务群组识别方法 | |
CN115147385A (zh) | 一种航空孔探视频中重复损伤的智能检测和判定方法 | |
CN115049010A (zh) | 一种基于进化聚类的多目标分群技术 | |
CN115563861B (zh) | 一种雷达导引头智能跟踪算法的性能综合评估及优化方法 | |
CN113128698A (zh) | 多无人机协同对抗决策的强化学习方法 | |
CN117633563B (zh) | 一种基于optics算法的多目标自顶向下式层次化分群方法 | |
CN109753582A (zh) | 基于Web和数据库的海量光电舰船图像快速检索的方法 |
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 |