卷积神经网络在空中目标机动模式识别中的应用

本文提出了一种基于卷积神经网络(CNN)的空中目标战术机动模式分类器，旨在解决传统算法在机动模式识别上的鲁棒性和抗噪性不足的问题。该方法直接利用CNN对航迹数据进行非人工特征提取，提高了识别的准确性和适应性。 在空中目标机动模式识别领域，现有的算法通常依赖于人工提取的几何或运动特征，但这些特征在面对目标机动性能、飞行操作差异、探测器精度和环境变化等因素时表现不佳。为了克服这些问题，作者引入了CNN，其强大的非线性映射能力能够自动学习和提取数据的内在特征，提高了识别的鲁棒性和抗噪性能。 针对目标机动段难以精确分割的问题，文章提出采用滑动时间窗口的方法进行模式识别。这种方法通过在航迹数据上滑动一个固定长度的时间窗口，对每个窗口内的数据进行独立分析，从而识别出不同的机动模式。滑动时间窗口法为连续航迹的识别提供了有效的处理策略。 在实际应用中，首先对空中目标进行航迹仿真，然后对仿真数据进行预处理，生成适合CNN训练的样本。通过一系列的仿真实验，优化了CNN的结构和参数，最终得到的模型对机动模式的识别率达到了98.4%。结合机动触发点的信息，该模型在连续航迹识别上也表现出良好的性能。 关键词包括机动模式识别、卷积神经网络、滑动时间窗口、航迹仿真和数据预处理，这些关键词涵盖了本文的核心技术和研究内容。文章讨论了当前机动模式识别面临的挑战，并阐述了神经网络特别是CNN在解决这些问题上的潜力。通过滑动时间窗口的机动模式识别流程，以及CNN的训练和优化，实现了对空中目标如作战飞机和巡航导弹的高效识别。 0引言部分强调了空中战场态势估计的重要性，指出机动模式识别在辅助决策和应对复杂情报信息中的关键作用。现有的机动模式识别方法存在局限性，而CNN的引入有望改善这一现状。 1.1目标典型机动模式部分，文中列举了作战飞机（如直线、圆弧转弯、盘旋、爬高、俯冲和蛇形机动）和巡航导弹（直线运动和蛇形机动）的常见机动类型，为后续的识别任务提供了基础。 综上，该文通过将CNN应用于空中目标机动模式识别，提出了一种创新的解决方案，提高了识别准确性和鲁棒性，对于空中战场态势感知具有重要价值。