论文部分内容阅读
随着电子信息技术的快速发展,越来越多的通信技术被应用到战场中,这就导致战场监控系统获取的信息愈发复杂而庞大,且变化迅速。基于一级数据融合的处理系统主要提供战场各实体目标的作战信息,而决策者需要了解的是各层次的群体作战信息,为了帮助决策者快速掌握当前的战场形势,如何高效而及时的对海量信息进行分析整理成为了研究重点,也成为了态势评估技术的研究难点。本文以态势评估系统中的目标意图识别技术和目标分群技术为主要研究对象,重点优化了现有目标分群技术中存在的聚类数目未知、初始聚类中心敏感度高和距离度量标准单一的问题,同时将深度学习引入到目标意图识别算法中以提高评估准确性和实时性。论文研究内容主要分为五个部分。1.分析了态势评估系统中的态势觉察、态势理解和态势预测这三个功能模块,根据战场需求给出了态势评估系统框架图,并对框架图中的两大主要技术模块进行了说明,对各个模块经典的算法进行了分析比较。2.对迭代自组织数据分析(Iterative Self-Organizing Data Analysis,ISODATA)算法进行了分析,发现该算法虽能动态调整聚类数目,但是存在对初始值敏感,距离度量标准单一的问题,因此在该算法的基础上进行了改进,提出基于流形距离的最大最小值迭代自组织数据分析(Maximum and Minimum Iterative Self-Organizing Data Analysis Based on Manifold Distance,MFMM-ISODATA)算法。采用流行距离代替常用的欧氏距离,通过预聚类来选取初始聚类中心。最后通过两组数据集将改进后的算法与迭代自组织数据分析算法进行了仿真对比分析,通过实验证实,改进后的算法在对小编队目标进行聚类时具有更好的性能。3.对模糊C-均值(Fuzzy C-Means,FCM)算法进行了分析,针对算法存在的无法动态调整聚类中心数目和易陷入局部最优的问题,在该算法的基础上进行了改进,提出基于间隔统计的粒子群快速搜索模糊C-均值(Particle Swarm Optimization Fuzzy C-Means Algorithm Based on Gap Statistic,PSO-GSFCM)算法。最后通过两组实验证实,在融合了粒子群(Particle Swarm Optimization,PSO)算法和Gap Statistic算法之后,改进后的算法能更好的识别出编队的队形,在性能上更优于模糊C-均值算法。4.不再使用传统的目标意图识别方法,将深度学习算法应用到战场环境中对目标意图进行识别。采用了基于注意力机制的双向长短期记忆网络(Bi-directional Long Short-Term Memory based on Attention Mechanism,AM-BiLSTM)算法,缓解了双向长短期记忆网络(Bi-directional Long Short-Term Memory Network,BiLSTM)算法隐藏层不能太深带来的问题。双向长短期记忆网络算法主要用于解决回归问题,最后加入Softmax模块将回归问题转换成分类问题。最后将基于注意力机制的双向长短期记忆网络算法与双向长短期记忆网络算法进行了仿真对比,通过实验证实,基于注意力机制的双向长短期记忆网络算法在性能上更优。5.根据特定战场场景,在开发平台上设计并完成了态势评估系统的搭建。目标分群模块采用PSO-GSFCM算法,目标意图识别模块采用AM-BiLSTM算法,态势展示模块使用基于前端开发的人机交互界面,最后通过仿真数据集测试证实该系统实现了态势评估系统需要完成的的基本功能,满足战场需求。