空中威胁评估新方法：结合神经网络与贝叶斯网络的仿真研究

"空中对来袭目标威胁评估仿真研究" 在现代空战中，空中对来袭目标的威胁评估是一项至关重要的任务，它涉及到作战指挥与控制的决策过程。这项研究由韩城、杨海燕和涂从良共同完成，发表在《计算机仿真》第34卷第8期上，得到了国家自然科学基金的支持。研究主要关注如何有效处理来袭目标的定量和定性信息，并对情报的不确定性进行分析处理，以提高威胁评估的准确性和可信度。 传统的威胁评估方法通常局限于单一的信息处理方式，而该研究提出了一种创新的并行化处理方法。这种方法结合了人工神经网络（Artificial Neural Networks, ANN）和贝叶斯网络（Bayesian Network）的优势。人工神经网络以其强大的泛化能力处理目标的定量信息，如速度、高度、轨迹等，计算出目标的动态威胁值。而贝叶斯网络则被用来处理不确定性的定性指标，如敌方意图、武器类型等，以获取静态威胁值。最后，通过线性加权的方式将这两种威胁值结合起来，得出目标的综合威胁值。 在实际应用中，研究人员使用Matlab和Genie软件对10批次的目标进行了威胁评估的仿真。通过对仿真结果的分析，发现所提出的评估方法在可信度和准确性上优于传统方法，这为实战中的目标选择和火力分配提供了更科学的依据。 关键词涵盖的领域包括威胁评估、反向神经网络（可能指的是Backpropagation Neural Network，用于训练ANN的一种算法）和贝叶斯网络，这些工具和技术都是现代智能系统和决策支持系统中的核心组件。中图分类号将这篇论文归类为TP319.9，代表的是计算机应用技术，具体是仿真技术领域。文献标识码B表示这是一篇学术研究论文。 该研究对于提升空中作战指挥效率，优化目标应对策略，以及在面对复杂战场环境时做出快速而准确的决策具有重要的理论和实践价值。通过不断的研究和技术创新，未来威胁评估的精确度和实时性有望进一步提高，从而更好地服务于现代战争的需求。