發(fā)布時間：2021-08-17 04:47

　　態(tài)勢估計是戰(zhàn)場數(shù)據(jù)融合中的重要層次。戰(zhàn)場態(tài)勢估計在現(xiàn)代作戰(zhàn)中發(fā)揮著越來越重要的作用,總結(jié)應(yīng)用領(lǐng)域內(nèi)國內(nèi)外專家提出的方法對于提高態(tài)勢估計的效果具有深刻意義。本文主要利用模板匹配的方法進(jìn)行了態(tài)勢估計的研究,可用于識別敵方的作戰(zhàn)意圖,為戰(zhàn)場指揮員提供有益的參考。論文重點研究了基于聚類分群與模板匹配的態(tài)勢估計方法,主要創(chuàng)新體現(xiàn)在以下幾個方面:首先提出了基于聚類算法的戰(zhàn)場目標(biāo)分群方法,介紹了K-means算法的優(yōu)勢及其缺陷,針對其缺陷做出改進(jìn)。對初始聚類中心的選取問題提出利用先驗知識驅(qū)動的解決方案,即根據(jù)具體應(yīng)用場景選取相應(yīng)初始聚類中心。并在實驗環(huán)節(jié)將提出的目標(biāo)分群算法與傳統(tǒng)的K-means算法的分群效果進(jìn)行了對比,驗證了方法的有效性。其次提出了戰(zhàn)場事件的表示方法以及態(tài)勢模板的構(gòu)建方法,指出了各種戰(zhàn)場事件的類型,并對其進(jìn)行了合理表示。指出了態(tài)勢模板與戰(zhàn)場事件的區(qū)別,對其進(jìn)行了合理分層,為態(tài)勢匹配提供了便利,更符合戰(zhàn)場實際情況。最后提出了戰(zhàn)場事件與態(tài)勢模板的匹配方法,由于態(tài)勢匹配的不確定性,將之前提出的匹配方法又進(jìn)行了改進(jìn),通過引入支持度的概念,對匹配方法進(jìn)行了改進(jìn),提高了態(tài)勢參考的實用性,預(yù)期匹... 

【文章來源】：國防科技大學(xué)湖南省 211工程院校 985工程院校

【文章頁數(shù)】：80 頁

【學(xué)位級別】：碩士

【部分圖文】：

目標(biāo)速度矢量變化圖

圖 3.1 K-means 聚類算法分群結(jié)果圖 3.1 場景中左上方的 6 個五角星代表的是 6 架戰(zhàn)斗機，它們形成一個戰(zhàn)斗機編隊，中間偏上方是兩個戰(zhàn)斗機編隊，右上方是一架預(yù)警機，海面縱坐標(biāo)為 0，海面上的五角星代表的是敵軍的作戰(zhàn)艦艇，海面下是敵軍的攻擊潛艇，敵軍水面和水下的艦艇共同構(gòu)成一個作戰(zhàn)編隊。傳統(tǒng) K-means 算法的分群結(jié)果已使用紅圈在圖 3.1 中標(biāo)記，一共分成五個群，結(jié)果顯示左上方的 6 架 F16 戰(zhàn)機被分為一個戰(zhàn)斗機編隊，中間偏上的 15 架戰(zhàn)斗機和右側(cè)的 1 架預(yù)警機被分為一個飛機編隊。水面及水下的 12 艘艦艇被混亂的分成了三個群，并且其中的兩個群的劃分界限模糊，很難界定。使用傳統(tǒng) K-means 算法得出的戰(zhàn)場作戰(zhàn)單元分群結(jié)果聚類中心偏離群體的中心

圖 3.1 K-means 聚類算法分群結(jié)果圖 3.1 場景中左上方的 6 個五角星代表的是 6 架戰(zhàn)斗機，它們形成一個戰(zhàn)斗機編隊，中間偏上方是兩個戰(zhàn)斗機編隊，右上方是一架預(yù)警機，海面縱坐標(biāo)為 0，海面上的五角星代表的是敵軍的作戰(zhàn)艦艇，海面下是敵軍的攻擊潛艇，敵軍水面和水下的艦艇共同構(gòu)成一個作戰(zhàn)編隊。傳統(tǒng) K-means 算法的分群結(jié)果已使用紅圈在圖 3.1 中標(biāo)記，一共分成五個群，結(jié)果顯示左上方的 6 架 F16 戰(zhàn)機被分為一個戰(zhàn)斗機編隊，中間偏上的 15 架戰(zhàn)斗機和右側(cè)的 1 架預(yù)警機被分為一個飛機編隊。水面及水下的 12 艘艦艇被混亂的分成了三個群，并且其中的兩個群的劃分界限模糊，很難界定。使用傳統(tǒng) K-means 算法得出的戰(zhàn)場作戰(zhàn)單元分群結(jié)果聚類中心偏離群體的中心，并且沒有將右上角的預(yù)警機單獨劃分為一類，分類效果不好�？梢妭鹘y(tǒng) K-means 聚類算法并不適用于此場景的分群。


本文編號：3347086