论文部分内容阅读
空战是现代战争主要打击模式,空中目标具有机动性强、活动范围广的特点,伴随光电技术的发展,各种来袭目标的干扰和抗干扰性能不断提升,单纯依赖指挥员的态势理解无法应对复杂的空中态势。对空中目标进行威胁评估,将目标威胁程度定量呈现,建立符合现代空战特性的光电威胁评估模型,对后续指挥作战具有重要意义。空中目标的机动特征和各种光电对抗手段,使目标具有较强的动态性和不确定性。动态贝叶斯网络能够对动态环境进行建模,且其本身为概率图模型,具有一定的不确定性处理能力,适用于解决空中目标威胁评估问题。针对空中多目标威胁评估所具有的动态性和不确定性,建立基于动态贝叶斯网络的融合威胁评估模型。选取飞机、导弹作为来袭目标,高度、速度等指标体现目标运动特性;目标类型、电子干扰能力等指标体现目标自身属性。以攻击意图作为中间节点,威胁程度作为根节点,建立双层动态贝叶斯网络。提出基于模糊理论、动态贝叶斯网络和逼近理想解法的融合威胁评估方法。采用模糊函数对高度等连续型指标进行离散化处理,提升动态贝叶斯不确定性处理能力。采用改进前向算法进行动态贝叶斯网络定性推理,并与逼近理想解方法结合对多目标进行威胁度定量计算,得到准确威胁度排序结果。基于目标轨迹确定威胁范围,对目标威胁度进行可视化。实验表明,融合威胁评估方法具有较好的合理性和稳定性。针对目标光电对抗威胁评估中,各种干扰与抗干扰手段所带来的不确定性更强、样本数据难获取的特性,建立基于小样本的动态贝叶斯网络融合威胁评估模型。选取导弹、制导炸弹作为来袭目标,高度、距离等指标体现目标运动特性;红外诱饵弹、激光欺骗等指标体现目标光电特性。以干扰能力、抗干扰能力作为中间节点,威胁程度作为根节点,建立双层动态贝叶斯网络。针对定性最大后验中传统参数先验无法描述样本数据中的真实参数先验,提出基于单调性约束的改进定性最大后验(MC-CQMAP)贝叶斯网络条件参数学习方法。实验表明,改进定性最大后验估计方法具有较高的精准性,基于改进贝叶斯条件参数学习方法的融合威胁评估模型对多目标的威胁排序符合实际。