對飛行目標類型的準確識別是空中作戰(zhàn)意圖識別的前提和基礎(chǔ)。針對當(dāng)前各類識別模型在訓(xùn)練樣本較少時,較難同時獲得模型的穩(wěn)定性和較好的泛化能力且在線學(xué)習(xí)能力較差的問題,提出了一種基于異態(tài)集成學(xué)習(xí)的飛行目標輔助識別模型,將k近鄰學(xué)習(xí)模型與BP神經(jīng)網(wǎng)絡(luò)模型進行整合,使模型兼具訓(xùn)練穩(wěn)定性與較好的泛化能力;通過算法設(shè)計,模型具有了整體動態(tài)更新的能力�；谀匙鲬�(zhàn)仿真系統(tǒng)完成飛行目標識別實驗,對比了該模型與各類模型的性能表現(xiàn)。實驗結(jié)果顯示所提出的模型識別正確率穩(wěn)定在90%左右,且在個體學(xué)習(xí)器的基礎(chǔ)上至少提高2%。 

【文章來源】：火力與指揮控制. 2020,45(04)北大核心CSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

基于異態(tài)集成學(xué)習(xí)的飛行目標動態(tài)輔助識別模型訓(xùn)練流程圖

通過實驗的測試結(jié)果可以看到，個體學(xué)習(xí)器在錯分數(shù)超過設(shè)定的閾值后，會對模型進行更新，并保存較優(yōu)的模型參數(shù)，具體情況如圖6所示。測試過程中，琢值隨測試時間的變化如圖7所示。

本文充分利用k近鄰學(xué)習(xí)模型穩(wěn)定性強、訓(xùn)練速度快以及BP神經(jīng)網(wǎng)絡(luò)泛化能力好的特點，以異態(tài)集成學(xué)習(xí)方法中的元學(xué)習(xí)法對k近鄰模型和BP神經(jīng)網(wǎng)絡(luò)模型進行模型整合，在訓(xùn)練樣本數(shù)量較少的情況下，實現(xiàn)兩類模型的互補。同時通過設(shè)計集成權(quán)值動態(tài)更新模型，實現(xiàn)模型整體的結(jié)構(gòu)動態(tài)，使模型具備自適應(yīng)進化能力。模型利用飛行目標較不容易被干擾的特征（如：飛行速度、高度、在空時間等）作為輸入，輸出為飛行目標的機型（共計12類）。模型的整體框架如圖1所示。2 基于異態(tài)集成學(xué)習(xí)的飛行目標輔助識別模型

【參考文獻】：
期刊論文
[1]基于RBF神經(jīng)網(wǎng)絡(luò)的空中目標識別技術(shù)[J]. 劉硯菊,寇國豪,宋建輝.  火力與指揮控制. 2015(08)
[2]一種基于DSmT和HMM的序列飛機目標識別算法[J]. 李新德,潘錦東,DEZERT Jean.  自動化學(xué)報. 2014(12)
[3]基于BP神經(jīng)網(wǎng)絡(luò)的空中目標識別方法[J]. 李麗榮,沈春林,王從慶.  火力與指揮控制. 2012(12)
[4]基于粒子群K均值聚類的空中目標識別[J]. 王少蕾,陳維義.  艦船科學(xué)技術(shù). 2012(12)
[5]基于元學(xué)習(xí)和疊加法的雙層支持向量機算法[J]. 朱旻,李雪玲,李效來,葛運建.  模式識別與人工智能. 2012(06)
[6]基于一種改進的BP神經(jīng)網(wǎng)絡(luò)的飛機目標識別[J]. 劉丹.  中國高新技術(shù)企業(yè). 2011(16)

博士論文
[1]經(jīng)典集成學(xué)習(xí)算法的有效性解釋及算法改進研究[D]. 孫博.南京航空航天大學(xué) 2016

碩士論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)的飛行器圖像識別算法研究[D]. 程嘉暉.浙江大學(xué) 2017
[2]基于異態(tài)集成學(xué)習(xí)的刀具狀態(tài)監(jiān)測技術(shù)研究[D]. 楊印衛(wèi).天津大學(xué) 2014



本文編號：3299147