针对战场环境中较难判定多个来袭目标威胁程度的问题, 提出一种基于双层变权TOPSIS-灰关联的多目标威胁评估方法。对于目标指标, 先用层次分析法和改进熵权法分别求主客观权重, 组合得出第一层权重; 再构建综合均衡函数, 融合变权理论与第一层权重为最终权重; 最后依据决策者对TOPSIS法和灰关联法的主观偏好综合得出多目标威胁评估结果。仿真结果表明, 所提方法综合指标的主客观因素及状态值变化对权重变化的影响更符合实际情况; 排序结果综合考虑了指标间距离和形状变化, 与其他方法的对比结果也表明了所提方法的有效性。

为了更加完整地描述不确定信息, 将三角模糊数与毕达哥拉斯犹豫模糊集结合, 提出了毕达哥拉斯三角犹豫模糊集。针对信息集成过程中数据属性之间存在关联关系的问题, 将Heronian平均算子、Muirhead平均算子拓展到毕达哥拉斯三角犹豫模糊集中, 提出了毕达哥拉斯三角犹豫模糊Heronian平均算子和毕达哥拉斯三角犹豫模糊Muirhead平均算子。考虑不同属性的输入变量的重要程度不同, 提出了它们的加权形式。最后, 针对毕达哥拉斯三角犹豫模糊环境下的多属性决策问题, 提出了基于PHTFWMM算子的多属性决策方法, 并通过算例说明了该方法的有效性。

主要对不确定性环境下的空中目标威胁评估问题进行研究。首先通过模糊神经网络处理信息不确定问题, 在获取威胁目标信息较少的环境下, 使用小波神经网络增强网络自学习能力, 并分析威胁因素, 创建不确定性环境下的模糊小波神经网络(FWNN), 实现对目标威胁的评估;然后针对初始参数的不确定性问题, 采用粒子群优化算法和BP算法更新每个模糊规则后件部分的参数, 以达到提高评估效果的目的。仿真结果表明, 与模糊小波神经网络相比, 该算法提高系统的稳定性, 加快收敛速度, 增强预测精度。

针对信息融合中目标威胁估计的特点，分析了传统目标威胁估计方法和支持向量机(SVM)的不足。采用粒子群算法(PSO)对SVM中惩罚参数c和核函数g进行优化，建立了改进的SVM(PSO_SVM)目标威胁估计模型及算法。介绍了粒子群算法和支持向量机的原理，建立了一种新的PSO_SVM目标威胁估计模型；基于该模型，实现了PSO_SVM目标威胁估计算法。为适应该算法，对数据进行了预处理，包括数据量化和归一化。交叉验证寻找最佳参数时，采用PSO算法进行优化。采集75组原始数据用于仿真实验，其中60组作为训练集，15组作为测试集。仿真实验表明，该算法预测误差为0，达到了预期目标。实验结果真实、准确地反映了实际情况，证明了该方法的有效性。

针对红外鱼眼告警系统在对几公里以外的目标成像时表现为点目标，无距离、几何形状和纹理信息可以利用，很难对来袭目标的威胁程度做出较准确的评估问题，研究了红外鱼眼系统下的多目标威胁评估排序方法。提出了一种红外鱼眼系统下的多目标威胁评估模型。该模型利用激光测距机所获取的各目标的初始距离信息推导出了目标在各时刻的距离和径向速度，从而建立起了以目标的距离、径向速度、航向角和高低角为威胁指标的多目标威胁评估模型。然后根据多目标威胁评估的非线性特点，以及神经网络在解决非线性复杂问题所具有的良好的自适应能力和自学习能力，利用径向基函数(RBF)神经网络对多目标威胁程度进行评估并讨论了训练样本的生成方法。实验结果证明了该方法的可行性和有效性。

研究了预警机指挥多编队作战对空中突防目标进行威胁评估的问题。首先介绍了模糊数学中的模糊变换和模糊综合评判原理，然后以预警机指挥控制系统为例，基于多属性决策，分析了与目标威胁程度大小有关的6个重要因素，建立目标的威胁评估模型，最后提出基于变权模糊综合评判的目标威胁评估算法。由于是同时考虑各因素对于威胁准则和内部之间的相对重要性得到的权值，使得该算法的权值分配结果更加准确，有效弥补了专家主观赋值的不足。通过算例分析，验证了变权思想下该算法的有效性以及精度更高的优点。