CN114580884A - 多特性分层结构与自适应逼近的空天目标威胁评估方法 - Google Patents
多特性分层结构与自适应逼近的空天目标威胁评估方法 Download PDFInfo
- Publication number
- CN114580884A CN114580884A CN202210188513.4A CN202210188513A CN114580884A CN 114580884 A CN114580884 A CN 114580884A CN 202210188513 A CN202210188513 A CN 202210188513A CN 114580884 A CN114580884 A CN 114580884A
- Authority
- CN
- China
- Prior art keywords
- index
- threat
- matrix
- target
- relative importance
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Optimization (AREA)
- Economics (AREA)
- Mathematical Analysis (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种多特性分层结构与自适应逼近的空天目标威胁评估方法,包括:构建空天目标威胁特征评估分层指标集合,所述指标集合包括:第一层指标集、第二层指标集和第三层指标集,所述指标集内包括多个指标参数;根据所述规范化参数计算相对重要权值,进而构建相对重要性矩阵;根据所述相对重要权值计算威胁综合程度值,进而构建判断矩阵;根据所述相对重要性矩阵和所述判断矩阵,对规范化分层指标集合进行优化,得到相对重要性布尔矩阵;对相对重要性布尔矩阵进行多特性分析,得到重要性决策矩阵;根据重要性决策矩阵和每一层指标集的权重,计算得到目标威胁值矩阵,采取特征层级权值处理,能够准确呈现每个目标在各评价维度上的属性特征。
Description
技术领域
本发明涉及信息融合与分析评估领域,尤其涉及一种多特性分层结构与自适应逼近的空天目标威胁评估方法。
背景技术
随着科技的发展,各种新型空天目标逐渐增多,目标特性也日益复杂。面对如此众多的目标类型与目标特性,导致空天防御系统对此类目标的真实意图往往无法判断,其威胁性也较难得到准确及时的自动评估和排序。这主要是因为:一方面,众多目标的类型不同,其威胁评判的指标统一框架不宜确定;另一方面,众多目标特征的多样性与变化性,需要考虑其时效性和度量性。
传统方法通常是简单地将目标特征独立分开或放置于一个框架内,没有考虑它们之间的联系、区别、层次,而且具体的目标运动特性、干扰能力等参数,雷达并不能稳定、准确获取,导致其评估结果往往片面、不稳定,无法反映出所有目标在各个指标维度的特征,也无法满足决策者在不同情况下多样化的分析评估需求。因此,为了提高空天目标防御系统的效率和稳健性,急需一个科学定量准则来实时评估排序各个特征对目标威胁的有效程度,即其在目标威胁评判中的特征权值大小,科学、合理地对比特征之间的差异,统一辩证、逻辑精准的构建评判数学模型,达到降低评估系统复杂度,增强威胁评估系统的适应性与智能性的目的。
发明内容
本发明提供了一种多特性分层结构与自适应逼近的空天目标威胁评估方法,建立三层指标集合,针对多层特征采取逐层聚合的方式,使各层各类信息得到逐步聚集,采取特征层级威胁权值处理,能够准确呈现每个目标在各评价维度上的属性特征。
本发明提供的技术方案为:
多特性分层结构与自适应逼近的空天目标威胁评估方法,其特征在于,包括:
构建空天目标威胁特征评估分层指标集合,所述指标集合包括:第一层指标集、第二层指标集和第三层指标集,所述指标集内包括多个指标参数;
分别将每一层指标集内的每个指标参数进行自适应横向对比规范化处理,得到对应的规范化参数,进而构建规范化分层指标集合;
根据所述规范化参数计算相对重要权值,进而构建相对重要性矩阵;
根据所述相对重要权值计算威胁综合程度值,进而构建判断矩阵;
根据所述相对重要性矩阵和所述判断矩阵,对所述规范化分层指标集合进行优化,得到相对重要性布尔矩阵;
对所述相对重要性布尔矩阵进行多特性分析,得到重要性决策矩阵;
根据所述重要性决策矩阵和每一层指标集的权重,计算得到目标威胁值矩阵。
优选的是,所述第一层指标集内包括反应目标飞行特性指标参数;所述第二层指标集包括目标意图特性指标参数;所述第三层指标集包括要地防御特性指标参数。
优选的是,所述规范化参数由如下公式处理获得:
其中,lp表示指标集合中第p个指标的自适应逼近规范化威胁因子,pij=pi/pj;pij表示雷达测量不同目标的第p个指标的比值,pi表示雷达测量第i个目标得到的第p个指标参数值,pj表示雷达测量第j个目标得到的第p个指标参数值, 表示第j列的平均数据,i=1,2,…n;j=1,2,…n;p=1,2,…m,n表示目标个数,m表示特征个数,σj表示第j列的数据标准差。
优选的是,所述相对重要权值由如下公式计算获得:
apq=lp/lq,q=1,2,…,m;
优选的是,所述威胁综合程度值由如下公式计算获得:
其中,bpq表示特征p对于q的威胁综合程度值。
优选的是,所述相对重要性布尔矩阵由如下公式计算获得:
其中,cpq表示相对重要性布尔优化值,Cs=[cpq]m×m;Cs为特征集相对重要性布尔矩阵。
优选的是,所述多特征重要性决策矩阵由如下公式计算获得:
其中,CS为特征集s的威胁程度相对重要性布尔矩阵;λmax为相对重要性布尔矩阵最大特征值,HP表示各目标在特征p下的威胁向量特征值,BS表示特征集s的判断矩阵;Bs=[bpq]m×m;HP=[H1,H2,…,Hm];p=1,2,3…m。
优选的是,所述目标威胁值由如下公式计算获得:
M=WiDs=[Mi];
其中,Wi=[w1,w2,w3]T为特征层级威胁权值向量,Ds=[Hp]s×s。Ds表示多特征重要性决策矩阵。
优选的是,还包括对所述目标威胁值进行排序,以确定目标的威胁性大小。
有益效果
本发明针对多层特征采取逐层聚合的方式,使各层各类信息得到逐步聚集,相互之间不产生交际和干扰。
本发明无需训练样本,适用于各类目标特征,采取特征层级威胁权值处理,充分考虑了威胁评估中的主客观因素,并将每个目标在各评价维度上的属性特征呈现出来。
本发明通过特征威胁逼近与布尔矩阵优化,避免了传统多层次分析法AHP构建中通常出现的无法得到决策矩阵最大特征值和通过一致性检验问题。
附图说明
图1为本发明所述的多特性分层结构与自适应逼近的空天目标威胁评估方法流程图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在本发明的描述中,术语“中”、“上”、“下”、“横”、“内”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系,这仅仅是为了便于描述,而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
此外,还需要说明的是,在本发明的描述中,除非另有明确的规定和限定,术语“设置”、“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域技术人员而言,可根据具体情况理解上述术语在本发明中的具体含义。
如图1所示,基于背景技术提出的技术问题,本发明提供了一种多特性分层结构与自适应逼近的空天目标威胁评估方法,包括如下步骤:
步骤S110、构建空天目标威胁特征评估分层指标集,作为一种优选,指标集合包括:第一层指标集、第二层指标集和第三层指标集,每一个指标集内包括多个指标参数;
步骤S120、分别将每一层指标集内的每个指标参数进行自适应横向对比规范化处理,得到对应的规范化参数,进而构建规范化分层指标集合;
步骤S130、根据规范化参数计算相对重要权值,进而构建相对重要性矩阵;
步骤S140、根据相对重要权值计算威胁综合程度值,进而构建判断矩阵;
步骤S150、根据相对重要性矩阵和所述判断矩阵,对规范化分层指标集合进行优化,得到相对重要性布尔矩阵;
步骤S160、对相对重要性布尔矩阵进行多特性分析,得到重要性决策矩阵;
步骤S170、根据所述重要性决策矩阵和每一层指标集的权重,计算得到目标威胁值矩阵。
优选的是,第一层指标集内包括反应目标飞行特性指标参数;第二层指标集包括目标意图特性指标参数;第三层指标集包括要地防御特性指标参数。
该集集合选取指标主要从3个层级考虑,一是能够反映目标飞行特性;二是能够反映目标意图特性;三是能够反映要地防御特性。第一层指标集和第二层指标集是从目标的雷达测量考虑,第三层级是从地面综合防御考虑,这3个层集的威胁权重依次递增为w1=0.2、w2=0.3、w3=0.5,并且
权重可根据实际情况进行调整。具体如下:飞行特性集X={x1速度、x2加速度、x3高度、x4航向、x5轨迹},飞行特征集反映了空天目标的空中运动特性;战术特性集Y={y1机动特性、y2电子干扰},战术特征集反映了空天目标的作战意图;防御特性Z={z1拦截能力、z2要地等级、z3要地远近},防御特性反映了地面要地防御能力。通过这3个指标集10个威胁参量信息,从定性与定量的综合角度出发,能够综合反映目标的威胁性所包含的精选典型特征级要素,它们具有代表性与差异性。
在一个优选实施例中,规范化参数由如下公式处理获得:
其中,lp表示指标集合中第p个指标的自适应逼近规范化威胁因子,pij=pi/pj;pij表示雷达测量不同目标的第p个指标的比值,pi表示雷达测量第i个目标得到的第p个指标参数值,pj表示雷达测量第j个目标得到的第p个指标参数值, 表示第j列的平均数据,i=1,2,…n;j=1,2,…n;p=1,2,…m,n表示目标个数,m表示特征个数,σj表示第j列的数据标准差。
相对重要权值由如下公式计算获得:
apq=lp/lq,q=1,2,…,m;
构建相对重要性矩阵As:
As=[apq]m×m,s=1,2,3,As为特征集s的相对重要性矩阵。
所述威胁综合程度值由如下公式计算获得:
其中,bpq表示特征p对于q的威胁综合程度值。Bs=[bpq]m×m为特征集s的判断矩阵。
述相对重要性布尔矩阵由如下公式计算获得:
其中,cpq表示相对重要性布尔优化值,Cs=[cpq]m×m;Cs为特征集相对重要性布尔矩阵。
多特征重要性决策矩阵由如下公式计算获得:
其中,CS为特征集s的威胁程度相对重要性布尔矩阵;λmax为相对重要性布尔矩阵最大特征值,HP表示各目标在特征p下的威胁向量特征值,BS表示特征集s的判断矩阵;Bs=[bpq]m×m;HP=[H1,H2,…,Hm];p=1,2,3…m。
优选的是,所述目标威胁值由如下公式计算获得:
M=WiDs=[Mi];
其中,Wi=[w1,w2,w3]T为特征层级威胁权值向量,Ds=[Hp]s×s。Ds表示多特征重要性决策矩阵。
优选的是,还包括对所述目标威胁值进行排序,以确定目标的威胁性大小。
本发明提供了一种多特性分层结构与自适应逼近的空天目标威胁评估方法,建立三层指标集合,针对多层特征采取逐层聚合的方式,使各层各类信息得到逐步聚集,采取特征层级威胁权值处理,能够准确呈现每个目标在各评价维度上的属性特征。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (9)
1.多特性分层结构与自适应逼近的空天目标威胁评估方法,其特征在于,包括:
构建空天目标威胁特征评估分层指标集合,所述指标集合包括:第一层指标集、第二层指标集和第三层指标集,所述指标集内包括多个指标参数;
分别将每一层指标集内的每个指标参数进行自适应横向对比规范化处理,得到对应的规范化参数,进而构建规范化分层指标集合;
根据所述规范化参数计算相对重要权值,进而构建相对重要性矩阵;
根据所述相对重要权值计算威胁综合程度值,进而构建判断矩阵;
根据所述相对重要性矩阵和所述判断矩阵,对所述规范化分层指标集合进行优化,得到相对重要性布尔矩阵;
对所述相对重要性布尔矩阵进行多特性分析,得到重要性决策矩阵;
根据所述重要性决策矩阵和每一层指标集的权重,计算得到目标威胁值矩阵。
2.根据权利要求1所述的多特性分层结构与自适应逼近的空天目标威胁评估方法,其特征在于,所述第一层指标集内包括反应目标飞行特性指标参数;所述第二层指标集包括目标意图特性指标参数;所述第三层指标集包括要地防御特性指标参数。
8.根据权利要求7所述的多特性分层结构与自适应逼近的空天目标威胁评估方法,其特征在于,所述目标威胁值由如下公式计算获得:
M=WiDs=[Mi];
其中,Wi=[w1,w2,w3]T为特征层级威胁权值向量,Ds=[Hp]s×s;Ds表示多特征重要性决策矩阵。
9.根据权利要求1-8任一项所述的多特性分层结构与自适应逼近的空天目标威胁评估方法,其特征在于,还包括对所述目标威胁值进行排序,以确定目标的威胁性大小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210188513.4A CN114580884B (zh) | 2022-02-28 | 2022-02-28 | 多特性分层结构与自适应逼近的空天目标威胁评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210188513.4A CN114580884B (zh) | 2022-02-28 | 2022-02-28 | 多特性分层结构与自适应逼近的空天目标威胁评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114580884A true CN114580884A (zh) | 2022-06-03 |
CN114580884B CN114580884B (zh) | 2023-08-08 |
Family
ID=81776674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210188513.4A Active CN114580884B (zh) | 2022-02-28 | 2022-02-28 | 多特性分层结构与自适应逼近的空天目标威胁评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114580884B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115471061A (zh) * | 2022-09-05 | 2022-12-13 | 中国电子科技集团公司第十五研究所 | 一种面向低慢小无人机集群的威胁评估方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8924325B1 (en) * | 2011-02-08 | 2014-12-30 | Lockheed Martin Corporation | Computerized target hostility determination and countermeasure |
CN106971265A (zh) * | 2017-03-21 | 2017-07-21 | 武汉理工大学 | 一种评价海上救援能力的方法 |
CN109711727A (zh) * | 2018-12-27 | 2019-05-03 | 四川大学 | 机电产品加工工艺组合评价系统及其评价方法 |
CN109783879A (zh) * | 2018-12-21 | 2019-05-21 | 西安电子科技大学 | 一种雷达辐射源信号识别效能评估方法及系统 |
CN110298058A (zh) * | 2019-04-17 | 2019-10-01 | 国家电网有限公司 | 一种电网监管指标关键要素提取方法及装置 |
CN111596277A (zh) * | 2020-04-30 | 2020-08-28 | 柳州达迪通信技术股份有限公司 | 基于模糊综合评价法的飞行目标威胁度识别方法及系统 |
CN112070357A (zh) * | 2020-08-11 | 2020-12-11 | 中国人民解放军海军工程大学 | 一种基于改进bp神经网络的雷达辐射源威胁评估方法 |
-
2022
- 2022-02-28 CN CN202210188513.4A patent/CN114580884B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8924325B1 (en) * | 2011-02-08 | 2014-12-30 | Lockheed Martin Corporation | Computerized target hostility determination and countermeasure |
CN106971265A (zh) * | 2017-03-21 | 2017-07-21 | 武汉理工大学 | 一种评价海上救援能力的方法 |
CN109783879A (zh) * | 2018-12-21 | 2019-05-21 | 西安电子科技大学 | 一种雷达辐射源信号识别效能评估方法及系统 |
CN109711727A (zh) * | 2018-12-27 | 2019-05-03 | 四川大学 | 机电产品加工工艺组合评价系统及其评价方法 |
CN110298058A (zh) * | 2019-04-17 | 2019-10-01 | 国家电网有限公司 | 一种电网监管指标关键要素提取方法及装置 |
CN111596277A (zh) * | 2020-04-30 | 2020-08-28 | 柳州达迪通信技术股份有限公司 | 基于模糊综合评价法的飞行目标威胁度识别方法及系统 |
CN112070357A (zh) * | 2020-08-11 | 2020-12-11 | 中国人民解放军海军工程大学 | 一种基于改进bp神经网络的雷达辐射源威胁评估方法 |
Non-Patent Citations (8)
Title |
---|
DEJIANG CHEN: "Threat assessment of air defense combat based on intuitionistic fuzzy sets", ICIAI \'18: PROCEEDINGS OF THE 2ND INTERNATIONAL CONFERENCE ON INNOVATION IN ARTIFICIAL INTELLIGENCE * |
刘增灿;邓爱明;王森;张天才;: "对地目标侦察威胁权重分析研究", 计算机测量与控制, no. 02 * |
刘鹏,孙立涛,徐大杰: "三标度法在坦克分队最优火力分配中的应用", 火力与指挥控制, no. 03 * |
朱珊毅;朱怡安;: "基于双层混合法的计算机系统性能评价模型", 微处理机, no. 06 * |
武小年;王青芝;张楚芸;叶志博;: "区间数多属性决策的云服务信任评估方法", 小型微型计算机系统, no. 07 * |
赵永;李为民;刘彬;崔超;: "基于改进灰色关联法的高超声速目标威胁评估模型", 探测与控制学报, no. 05 * |
郭辉;徐浩军;周莉;: "基于区间数TOPSIS法的空袭目标威胁评估", 空军工程大学学报(自然科学版), no. 01 * |
陈曦;曾亚武;: "基于层次分析法和模糊理论水库大坝安全综合评价", 水利与建筑工程学报, no. 06 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115471061A (zh) * | 2022-09-05 | 2022-12-13 | 中国电子科技集团公司第十五研究所 | 一种面向低慢小无人机集群的威胁评估方法 |
CN115471061B (zh) * | 2022-09-05 | 2024-06-14 | 中国电子科技集团公司第十五研究所 | 一种面向低慢小无人机集群的威胁评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114580884B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108801387B (zh) | 一种基于学习模型的飞机油箱剩余油量测量系统和方法 | |
CN110245443B (zh) | 一种基于映射函数的导弹仿真模型可信度综合评估方法 | |
CN110490422B (zh) | 一种基于博弈云模型的目标作战效能态势评估方法 | |
CN113987789B (zh) | 无人机协同空战中的动态威胁评估方法 | |
CN109146334A (zh) | 一种适用于高动态环境的多目标威胁评估方法 | |
CN111079090A (zh) | 一种“低慢小目标”的威胁评估方法 | |
CN115471061B (zh) | 一种面向低慢小无人机集群的威胁评估方法 | |
CN115544714B (zh) | 一种基于飞行器编队的时序动态对抗威胁评估方法 | |
CN112016742A (zh) | 一种基于ahp的消防救援路径选择算法的优化方法 | |
CN114580884A (zh) | 多特性分层结构与自适应逼近的空天目标威胁评估方法 | |
WO2024021642A1 (zh) | 一种基于多传感器数据融合的无人船定位方法 | |
CN113537663A (zh) | 基于topsis算法的无人机航迹评价方法 | |
CN114444203A (zh) | 基于战场态势变权的空中集群威胁评估方法 | |
CN111105136A (zh) | 一种基于归一化样本的灰色层次评估方法 | |
CN108061572A (zh) | 一种海洋核动力平台综合态势显控系统及方法 | |
CN115759754A (zh) | 基于动态博弈变权的超视距空战模拟目标威胁评估方法 | |
CN114444389B (zh) | 基于组合赋权和改进vikor的空袭目标动态威胁评估方法 | |
CN110909974A (zh) | 一种基于排序向量的改进雷达图评估方法 | |
CN111612241A (zh) | 智能船舶路径规划功能实现性的综合评价方法 | |
CN112258062A (zh) | 一种体系贡献度确定方法及装置 | |
CN112418071B (zh) | 一种基于聚类分析的飞行物目标对受保护低空无人机的威胁度识别方法 | |
CN113947280A (zh) | 一种基于反馈调整权值的组合评价方法 | |
CN107729920A (zh) | 一种基于bp神经网络与d‑s证据理论结合的状态估计方法 | |
CN112070367A (zh) | 一种基于改进综合成新率的大型武器装备价值评估方法 | |
Yin et al. | A threat assessment algorithm based on AHP and principal components analysis |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |