导读:本文包含了目标威胁估计论文开题报告文献综述及选题提纲参考文献，主要关键词:BP神经网络,集成学习,威胁估计,辅助决策
目标威胁估计论文文献综述
张峰,胥文,吴东岩,陈振朋[1]（2019）在《作战仿真中基于BP-Adaboost目标威胁估计研究》一文中研究指出对空中来袭目标进行威胁估计是作战中指挥决策的重要部分,是在目标态势的基础上,通过对目标数据量化处理而进行的综合估计,为指挥员进行兵力部署和火力分配提供重要依据。针对单一神经网络预测估计时网络结构选择困难、泛化能力差的缺点,提出了采用BP神经网络作为弱预测器,通过Adaboost进行集成学习,从而建立BP-Adaboost强预测器目标威胁估计模型。通过对不同态势情况下的样本数据进行学习,更新神经网络权值,生成BP-Adaboost强预测器。结果表明,该方法的预测误差明显优于BP、PSO-SVM和Elman-Adaboost算法。(本文来源于《系统仿真技术》期刊2019年03期）
傅蔚阳,刘以安,薛松[2]（2018）在《基于改进KH算法优化ELM的目标威胁估计》一文中研究指出为了提高目标威胁度估计的精确度,建立了反向学习磷虾群算法(OKH)优化极限学习机的目标威胁估计模型(OKH-ELM),提出基于此模型的算法。该模型使用反向学习策略优化磷虾群算法,并通过改进后的磷虾群算法优化极限学习机初始输入权重和偏置,使优化后的极限学习机能够对威胁度测试样本集做更好的预测。实验结果显示,OKH算法能够更好地优化极限学习机的权值与阈值,使建立的极限学习机目标威胁估计模型具有更高的预测精度和更强的泛化能力,能够精准、有效地实现目标威胁估计。(本文来源于《智能系统学报》期刊2018年05期）
李寒雨[3]（2018）在《基于迭代决策树和BP神经网络的目标威胁估计研究》一文中研究指出对于敌方目标进行快速有效的评估是舰艇作战指挥系统的核心功能之一,直接关系到指挥者做出的决策。为解决这一问题,本文以舰艇空中目标威胁为背景,建立目标威胁估计模型,结合迭代决策树算法和BP神经网络算法,进行目标威胁估计方法的研究。本文主要研究内容如下:首先,本文探索了威胁评估在信息融合中的地位,总结了国内外威胁估计研究的现状,分析了国内外学者进行目标威胁估计研究所采用方法,详细介绍了威胁评估的步骤,并依照步骤建立了目标威胁评估模型,针对目标威胁评估特点提出了目标威胁估计评价指标。其次,将迭代决策树算法引入目标威胁估计,并对迭代决策树算法进行了有针对性的改进,提出了基于改进迭代树算法的目标威胁估计方法。通过实验验证了算法的有效性,该方法误差明显小于随机森林算法和MPSO-BP算法。最后,针对BP神经网络收敛速度慢、容易陷入局部最优解等缺点对BP神经网络算法进行了改进,并加入差分进化算法提高BP神经网络的效率与性能。算法极大程度的保留了数据的多样性,避免了人为因素的干扰。实验结果表明,差分进化算法优化BP神经网络算法能够用于威胁评估。(本文来源于《中国舰船研究院》期刊2018-03-01）
井胜勇[4]（2018）在《一种基于改进支持向量机的目标威胁估计方法》一文中研究指出针对现代战争对信息获取和处理的需求,在综合考虑信息融合中目标威胁估计的特点和目标威胁值的主要影响因素的基础上,论文提出了一种基于改进支持向量机(PSO-SVM)目标威胁估计方法。论文建立了PSO-SVM目标威胁估计模型,实现了PSO-SVM目标威胁估计算法,并对该方法进行了仿真实验。仿真实验结果显示,论文算法的平均误差绝对值为零,远远优于普通的SVM算法,具有很好的预测能力,可以快速、准确地实现作战目标威胁估计。(本文来源于《舰船电子工程》期刊2018年01期）
熊利君[5]（2017）在《多源信息融合的目标航迹估计及威胁评估分析》一文中研究指出近年来战争军备不断升级,各种伪装隐形技术以及干扰技术被大量应用于战场,单一传感器不能满足现代化战争的需要,开发快速、有效融合系统成为了当前迫切的需求。本文面向实际作战应用,结合机动目标跟踪与评估的特点和难点,提出了基于多源信息融合的目标航迹估计与威胁评估方法,在实现对机动目标高精度自适应跟踪的同时,有效将目标航迹数据转化为决策层信息,为后续打击方案的制定提供依据。通过对实际应用需求和设计约束的分析,给出了适用于复杂战场环境的信息融合系统模型形式,明确了模块间的输入输出关系。在此基础上,对信息融合系统常用的五种信息源进行了分析,归纳总结了各类信息源的其优势和局限性,并根据本文应用场景选取了合适的信息源。交互式多模型基础上,应用自适应跟踪和无迹卡尔曼滤波的方法进行非线性系统的滤波,同时,改进这种算法,建立运动滤波模型。能够得到很好的跟踪精度。传统的分布式航迹融合自身有缺点,如何选择精度高,计算量小的分层航迹融合就很重要为解决分层融合算法无法用于交互式多模型估计结果的问题,利用已有数据对系统整体先验统计量进行了构造,得出将分层航迹融合和交互式多模型结合。仿真试验对算法性能进行了验证,并对比了双雷达以及双雷达+红外两种模式下的融合结果,表明能够有效提高精度,同时发挥传感器各自优势,使估计精度进一步提升。在得到目标航迹之后,进行威胁评估。系统的评估方法要有各种主要因素,以及各自的权重系数。在此基础上构建了总偏差最小原则下的组合赋权模型,并将其应用于多属性决策方法中,获得了对各目标威胁程度的综合评判。通过算例表明,该方法兼顾了专家经验与战场数据的客观特征,赋权更为合理,评估结果更加真实可信。(本文来源于《国防科学技术大学》期刊2017-05-01）
孔尚萍[6]（2017）在《基于多源信息融合的目标航迹估计与威胁评估》一文中研究指出多源信息融合是一种多层次、多方面的数据处理过程,在作战过程中可实现对多源数据的检测、相关和组合,有效提高对目标状态和身份的估计精度,并有助于形成对战场态势及时而完整的评价。近年来高技术条件下的局部战争中,作战装备不断升级,各种伪装隐形技术及干扰技术被大量应用于战场,传统依靠单一传感器进行目标跟踪识别的方法已远远不能满足现代战争的需要,开发快速、有效的信息融合系统成为了当前的迫切需求。本文面向实际作战应用,结合机动目标跟踪与评估的特点和难点,提出了基于多源信息融合的目标航迹估计与威胁评估方法,在实现对机动目标高精度自适应跟踪的同时,有效将目标航迹数据转化为决策层信息,为后续打击方案的制定提供依据。通过对实际应用需求和设计约束进行分析,给出了适用于复杂战场环境的信息融合系统模型形式,明确了模块间的输入输出关系。在此基础上,对信息融合系统常用的五种信息源进行了分析,归纳总结了各类信息源的优势和局限性,并根据应用场景选取了合适的信息源。对常用的滤波方法进行了对比分析,结合交互式多模型算法的自适应跟踪优点以及无迹卡尔曼滤波对非线性系统的良好滤波性能,给出了一种改进的交互式多模型算法,并建立了符合空中目标运动特性的滤波模型集。仿真结果表明,改进的交互式多模型算法可以有效提高机动目标的跟踪精度,模型集能够较好地符合空中目标的运动特性。对经典分布式航迹融合算法的性能优劣及适用条件进行了对比分析,其中分层航迹融合算法具有融合精度高、计算量较小等优点。为解决分层融合算法无法用于交互式多模型算法估计结果的问题,通过构造系统整体先验统计量,提出了一种基于交互式多模型的分层航迹融合算法。利用仿真试验对算法性能进行了验证,并对比分析了双雷达以及双雷达+红外探测器两种模式下的融合效果,结果表明本文给出的融合算法可以有效提高估计精度,而异类传感器的使用可以融合不同种类传感器的优势,使估计精度进一步提升。研究给出了基于航迹的目标威胁评估流程,实现了由航迹信息到辅助决策信息的有效转化。针对传统目标威胁评估方法主观性强、赋权方法单一的问题,提出了基于层次分析法与熵权法的威胁评估方法,建立了组合赋权模型。算例表明,本文给出的评估方法可以兼顾专家经验与战场数据的客观特征,赋权更为合理,评估结果更加真实可信。最后,通过全流程仿真分析,进一步验证了信息融合系统模型和算法的合理性与可行性。(本文来源于《中国航天科技集团公司第一研究院》期刊2017-03-01）
邓玉梅[7]（2016）在《基于蚁群优化的BP神经网络目标威胁估计方法》一文中研究指出根据空中目标威胁估计的特点,分析了基于BP神经网络的空中目标威胁估计方法的不足。运用蚁群优化算法(ACO)的全局寻优能力,对BP神经网络的初始权值进行优化,建立了改进的BP(ACOBP)空中目标威胁估计方法,解决了BP神经网络初始权值的随机性和网络易陷入局部极小值的问题,提高了算法的收敛速度。并采用30组训练样本数据及8组测试数据,对算法的性能进行了仿真分析。仿真结果表明,该算法估计结果准确合理,收敛速度和收敛精度均优于BP算法,证明了该方法的有效性。(本文来源于《电子科技》期刊2016年07期）
李卉[8]（2016）在《基于BA优化BP神经网络的目标威胁估计》一文中研究指出结合光电防御系统的工作过程,对影响目标威胁估计的各种因素进行了分析,讨论了国内外常用威胁评估方法,并分析了缺点和不足,提出了基于Bat Algorithm(BA)优化BP神经网络的目标威胁估计算法,该方法采用蝙蝠算法优化BP神经网络的初始权值和阈值,优化后的BP神经网络能够更好地预测输出。结果表明,该方法的预测误差明显小于BP神经网络。(本文来源于《山西电子技术》期刊2016年03期）
杨露菁,彭业飞,周恭谦[9]（2016）在《基于混沌双扰动的CDDPSO-BP目标威胁估计方法》一文中研究指出信息化条件下的战场环境对目标威胁估计技术提出了越来越高的要求。提出一种基于混沌双扰动的CDDPSO-BP目标威胁估计方法,该方法针对粒子群算法在进化过程中易出现早熟和寻优结果不稳定的缺陷,基于Tent映射提出混沌双扰动的思想,并加入粒子群算法的进化过程,实现对粒子群算法的改进;之后,利用该新算法训练BP神经网络的初始权值和阈值,建立目标威胁估计模型和算法;最后,将该方法应用于实例中进行仿真,结果表明该目标威胁估计新算法具有较高的准确度。(本文来源于《指挥控制与仿真》期刊2016年02期）
刘海波,王和平,沈立顶[10]（2016）在《基于SAPSO优化灰色神经网络的空中目标威胁估计》一文中研究指出针对目标威胁估计有很多不确定性的特点,分析了传统目标威胁估计方法和灰色神经网络初始参数随机选择的不足。采用模拟退火改进的粒子群算法代替梯度修正法,对网络参数初始值进行寻优,并通过该方法搜寻到的最优粒子,建立了基于模拟退火粒子群算法优化的灰色神经网络模型,以提高预测模型的稳健性和精确度。与灰色神经网络和没有改进的粒子群灰色神经网络等方法进行比较,仿真实验结果表明,模拟退火粒子群优化的灰色神经网络具有很好的预测能力,可以准确地完成空中目标威胁估计。(本文来源于《西北工业大学学报》期刊2016年01期）
目标威胁估计论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为了提高目标威胁度估计的精确度,建立了反向学习磷虾群算法(OKH)优化极限学习机的目标威胁估计模型(OKH-ELM),提出基于此模型的算法。该模型使用反向学习策略优化磷虾群算法,并通过改进后的磷虾群算法优化极限学习机初始输入权重和偏置,使优化后的极限学习机能够对威胁度测试样本集做更好的预测。实验结果显示,OKH算法能够更好地优化极限学习机的权值与阈值,使建立的极限学习机目标威胁估计模型具有更高的预测精度和更强的泛化能力,能够精准、有效地实现目标威胁估计。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
目标威胁估计论文参考文献
[1].张峰,胥文,吴东岩,陈振朋.作战仿真中基于BP-Adaboost目标威胁估计研究[J].系统仿真技术.2019
[2].傅蔚阳,刘以安,薛松.基于改进KH算法优化ELM的目标威胁估计[J].智能系统学报.2018
[3].李寒雨.基于迭代决策树和BP神经网络的目标威胁估计研究[D].中国舰船研究院.2018
[4].井胜勇.一种基于改进支持向量机的目标威胁估计方法[J].舰船电子工程.2018
[5].熊利君.多源信息融合的目标航迹估计及威胁评估分析[D].国防科学技术大学.2017
[6].孔尚萍.基于多源信息融合的目标航迹估计与威胁评估[D].中国航天科技集团公司第一研究院.2017
[7].邓玉梅.基于蚁群优化的BP神经网络目标威胁估计方法[J].电子科技.2016
[8].李卉.基于BA优化BP神经网络的目标威胁估计[J].山西电子技术.2016
[9].杨露菁,彭业飞,周恭谦.基于混沌双扰动的CDDPSO-BP目标威胁估计方法[J].指挥控制与仿真.2016
[10].刘海波,王和平,沈立顶.基于SAPSO优化灰色神经网络的空中目标威胁估计[J].西北工业大学学报.2016