现代战场的高复杂性和各种态势信息的不完备性使得传统的空中目标威胁评估方法难以适用于数据缺失的情况。针对该问题, 首先采用引入等距对数比变换(ILT)和球坐标变换的改进的量化双聚类算法(IQBA)补全目标属性缺失数据; 然后采用改进的基于灰靶理论和指标相关性的熵权法分析各属性的影响程度, 客观计算目标属性权重; 最后使用改进的灰色关联TOPSIS法来实现对作战任务目标的威胁评估, 划分威胁等级。仿真实验结果表明, 所提方法可以有效实现信息缺失条件下的空中目标威胁评估, 评估结果更加客观可靠。

为进一步提升空中作战条件下目标检测的性能, 本文通过优化 YOLO v3, 提出了一种基于空中红外目标的检测算法 EN-YOLO v3。该算法使用轻量的 EfficientNet骨干网络作为 YOLO v3的主干特征提取网络, 使模型参数大幅减少, 降低模型的训练时间; 同时选用 CIoU作为模型的损失函数, 优化模型损失计算方法, 提升模型的检测精度。结果表明, 优化后的 EN-YOLO v3目标检测算法与原 YOLO v3相比模型尺寸减少了 50.03%, 精准度提升了 1.17%, 能够有效提升红外场景下空中目标的检测效果。

为满足联合作战背景下空中目标敌我识别(IFF)的需要, 提出一种融合物理与战术信息的空中目标综合识别方法。首先通过借鉴美军经验, 对该方法的基本理念进行介绍, 接着对其信息融合策略进行描述; 然后围绕该策略, 以证据理论和直觉模糊集为工具, 对该方法的同类信息融合、异类信息融合与多周期信息融合问题进行建模; 最后通过实例计算和对比分析验证该方法的可靠性。

来袭目标意图识别是战场态势认知的重要部分。为充分利用探测到的空中来袭目标运动状态信息的时间相关性来提高意图识别精确度, 本文提出一种基于长短时记忆神经网络 (LSTM)的敌方空中目标作战意图识别方法。该方法首先利用仿真推演平台根据 4种常见意图想定推演来袭目标数据, 对生成数据进行清洗以及滑窗处理从而得到有效样本集, 利用长短时记忆神经网络对生成样本集进行学习形成敌方空中目标作战意图识别模型。实验结果表明, 利用长短时记忆神经网络来学习 4种常见意图数据的运动及时间相关特征信息, 预测准确率最终可达 92%, 取得了比传统分类器更好的效果。

针对传统的空中目标威胁评估方法存在着过分依赖专家经验、需要大量的先验知识、目标属性权重不合理等不足, 提出了基于综合集成赋权法和TOPSIS法的空中目标威胁评估方法。针对空中来袭目标, 为了综合考虑目标属性的主客观权重, 提出了基于博弈论思想的综合集成赋权法, 确定目标属性的集成权重, 然后利用TOPSIS法对空中目标进行威胁评估, 最后通过案例仿真, 验证了所提方法的可行性和有效性。

针对空中目标敌我识别研究较少同空中战场管理结合的问题, 提出了一种基于模糊推理和证据理论的空中目标敌我识别方法。首先, 分析了空中目标敌我识别与战场空域控制的联系, 介绍了该框架下的敌我识别流程和判别逻辑。然后, 通过设计直觉模糊推理系统, 建立相应的推理规则和解模糊算法对该方法进行建模。接着, 使用证据理论对模糊推理结果进行修正和融合, 以实现连续识别。最后, 通过实例验证了该方法的有效性和合理性, 可为相关研究提供参考。

雷达对空中目标的分类识别技术是雷达信号处理领域中的关键技术。目前大部分雷达目标识别方法通用性较差且对雷达具有较高的要求。针对该问题, 提出一种将目标回波的周期性调制谱信息图像化后, 基于卷积神经网络调制谱图处理的空中目标识别方法。目标调制谱图像通过卷积神经网络逐层变换自动学习到目标特征信息, 最终通过分类器进行分类识别。该方法避免了传统人工拟定调制谱特征的方式, 实现了端对端的空中目标识别方法。实验结果表明, 基于调制谱图的卷积神经网络模型具有较高的空中目标识别准确率, 且模型的鲁棒性和泛化能力较好。

针对空中目标在复杂背景下的探测需求, 根据实际目标的运动特性, 分析目标在飞行高度、飞行姿态角改变时的辐射特点, 基于MODTRAN计算得到大气辐射和衰减数据, 建立目标的三维模型 、热辐射和反射模型, 搭建空中目标的红外成像仿真系统.分析和仿真结果表明: 在中波波段, 目标尾焰的红外辐射比蒙皮强很多, 在长波波段, 蒙皮的红外辐射比较强, 仿真图像的细节比较多, 尾焰的红外辐射虽然有所减弱, 红外成像效果依旧很好; 相同探测条件下, 由于位置越高大气越稀薄, 探测器的可探测距离会变得比较远.目标红外辐射特性的分析和红外仿真系统的搭建对缩短红 外探测器的研制周期和进一步确定探测器波段和系统分辨率等指标提供了参考依据.