智能空戰(zhàn)對(duì)抗訓(xùn)練目標(biāo)識(shí)別

目 錄／Contents

第一部分 復(fù)雜場(chǎng)景下的小目標(biāo)檢測(cè)與識(shí)別方法研究
第1章 緒論\t2
1．1 研究背景及意義\t3
1．1．1 研究意義\t3
1．1．2 研究現(xiàn)狀\t6
1．1．3 困難挑戰(zhàn)\t8
1．1．4 科學(xué)問題\t11
1．2 研究?jī)?nèi)容和創(chuàng)新點(diǎn)\t11
1．2．1 研究?jī)?nèi)容\t12
1．2．2 特色創(chuàng)新\t13
第2章 復(fù)雜場(chǎng)景下小目標(biāo)檢測(cè)與識(shí)別的相關(guān)技術(shù)\t16
2．1 傳統(tǒng)場(chǎng)景下常規(guī)目標(biāo)檢測(cè)與識(shí)別\t17
2．1．1 檢測(cè)與識(shí)別的基本模塊\t17
2．1．2 檢測(cè)和識(shí)別的框架\t21
2．2 復(fù)雜場(chǎng)景下小目標(biāo)檢測(cè)和識(shí)別\t26
2．2．1 信息增強(qiáng)\t26
2．2．2 上下文信息發(fā)展現(xiàn)狀\t28
第3章 上下文信息指導(dǎo)的復(fù)雜場(chǎng)景下小目標(biāo)檢測(cè)\t30
3．1 小目標(biāo)特征淹沒\t31
3．2 小目標(biāo)檢測(cè)算法的原理分析\t34
3．2．1 復(fù)雜場(chǎng)景下的小目標(biāo)檢測(cè)\t34
3．2．2 上下文信息\t35
3．2．3 判別式學(xué)習(xí)\t36
3．3 上下文信息指導(dǎo)的復(fù)雜場(chǎng)景下小目標(biāo)檢測(cè)方法\t37
3．3．1 基于SVM的目標(biāo)候選區(qū)域相似度計(jì)算\t37
3．3．2 基于譜聚類的圖模型分割\t38
3．4 實(shí)驗(yàn)結(jié)果與分析\t40
3．4．1 子模塊有效性驗(yàn)證實(shí)驗(yàn)\t40
3．4．2 WiderFace數(shù)據(jù)集小臉檢測(cè)的實(shí)驗(yàn)結(jié)果\t43
3．4．3 AFW和PascalFace數(shù)據(jù)集人臉檢測(cè)的實(shí)驗(yàn)結(jié)果\t43
3．4．4 DOTA數(shù)據(jù)集遙感圖像小目標(biāo)檢測(cè)的實(shí)驗(yàn)結(jié)果\t45
第4章 信息補(bǔ)償機(jī)制的復(fù)雜場(chǎng)景下小目標(biāo)識(shí)別\t48
4．1 問題引出\t49
4．2 信息補(bǔ)償機(jī)制下的小目標(biāo)識(shí)別算法原理分析\t53
4．2．1 低分辨率行為識(shí)別與人臉識(shí)別\t53
4．2．2 基于超分辨率重建的低分辨率物體識(shí)別方法\t53
4．2．3 基于特征變換的低分辨率物體識(shí)別方法\t54
4．3 基于表示學(xué)習(xí)生成對(duì)抗網(wǎng)絡(luò)的小目標(biāo)識(shí)別算法\t55
4．3．1 問題定義和方法概述\t55
4．3．2 全局特征注意力機(jī)制\t60
4．3．3 全局特征注意力機(jī)制RL-GAN的LR圖像分類\t62
4．4 實(shí)驗(yàn)結(jié)果與分析\t63
4．4．1 數(shù)據(jù)集和評(píng)價(jià)指標(biāo)\t64
4．4．2 WIDER-SHIP遙感圖像艦船識(shí)別的實(shí)驗(yàn)結(jié)果\t67
4．4．3 HRSC遙感圖像艦船識(shí)別的實(shí)驗(yàn)結(jié)果\t68
4．4．4 CIFAR-10的實(shí)驗(yàn)結(jié)果\t69
4．4．5 模型消融實(shí)驗(yàn)\t69
第5章 樣本方向指導(dǎo)的數(shù)據(jù)增強(qiáng)\t73
5．1 問題概述\t74
5．2 基于屬性指導(dǎo)的數(shù)據(jù)增強(qiáng)方法分析\t76
5．3 樣本方向指導(dǎo)的數(shù)據(jù)增強(qiáng)方法\t77
5．3．1 基于物體主軸POD的方向描述子\t78
5．3．2 基于中值的數(shù)據(jù)集相似度量方法\t80
5．3．3 基于擾動(dòng)矩陣的圖像旋轉(zhuǎn)算法\t82
5．4 實(shí)驗(yàn)結(jié)果與分析\t82
5．4．1 測(cè)試集圖像旋轉(zhuǎn)對(duì)學(xué)習(xí)模型檢測(cè)性能的影響\t83
5．4．2 物體方向的估計(jì)\t86
5．4．3 主軸方向分布的相似度衡量\t87
第6章 基于區(qū)域推薦和PHOG的飛機(jī)快速檢測(cè)算法\t90
6．1 問題概述\t91
6．2 區(qū)域推薦和特征提取原理分析\t92
6．3 基于區(qū)域推薦和PHOG的遙感圖像中飛機(jī)快速檢測(cè)算法\t93
6．3．1 基于梯度特征的快速區(qū)域推薦算法\t93
6．3．2 基于PHOG的特征快速提取方法\t94
6．4 實(shí)驗(yàn)結(jié)果與分析\t96
本部分總結(jié)\t100
參考文獻(xiàn)\t103
第二部分 基于機(jī)器學(xué)習(xí)的智能空戰(zhàn)深層態(tài)勢(shì)感知
第7章 緒論\t126
7．1 空戰(zhàn)態(tài)勢(shì)感知概述\t128
7．1．1 空戰(zhàn)OODA過程描述\t128
7．1．2 空戰(zhàn)態(tài)勢(shì)感知的層次結(jié)構(gòu)\t130
7．2 國(guó)內(nèi)外研究現(xiàn)狀\t131
7．2．1 軌跡預(yù)測(cè)研究\t131
7．2．2 機(jī)動(dòng)識(shí)別研究\t132
7．2．3 意圖識(shí)別研究\t133
7．3 研究意義\t134
第8章 相關(guān)理論和數(shù)據(jù)來(lái)源\t136
8．1 數(shù)據(jù)挖掘理論\t137
8．2 機(jī)器學(xué)習(xí)相關(guān)理論\t138
8．2．1 神經(jīng)網(wǎng)絡(luò)\t138
8．2．2 支持向量機(jī)\t140
8．2．3 深度學(xué)習(xí)\t143
第9章 基于粒子群優(yōu)化LSTM的空戰(zhàn)軌跡預(yù)測(cè)研究\t144
9．1 目標(biāo)軌跡預(yù)測(cè)問題描述\t145
9．2 基于PSO-LSTM神經(jīng)網(wǎng)絡(luò)的飛行軌跡預(yù)測(cè)\t147
9．2．1 LSTM神經(jīng)網(wǎng)絡(luò)模型\t147
9．2．2 傳統(tǒng)粒子群算法\t149
9．2．3 自適應(yīng)學(xué)習(xí)策略的PSO算法\t150
9．2．4 PSO-LSTM模型\t152
9．2．5 算法流程\t153
9．3 仿真實(shí)驗(yàn)與分析\t155
9．3．1 軌跡數(shù)據(jù)選取與處理\t156
9．3．2 軌跡預(yù)測(cè)性能對(duì)比分析\t157
第10章 基于CHCQPSO-LSSVM的空戰(zhàn)目標(biāo)機(jī)動(dòng)識(shí)別研究\t163
10．1 機(jī)動(dòng)識(shí)別問題描述\t164
10．1．1 多元時(shí)間序列識(shí)別\t164
10．1．2 分級(jí)識(shí)別\t166
10．2 機(jī)動(dòng)動(dòng)作分類與數(shù)據(jù)處理\t166
10．2．1 參考坐標(biāo)系\t167
10．2．2 機(jī)動(dòng)動(dòng)作分類\t169
10．2．3 飛行數(shù)據(jù)選擇與處理\t173
10．3 基于CHCQPSO-LSSVM的空戰(zhàn)目標(biāo)機(jī)動(dòng)識(shí)別\t177
10．3．1 QPSO算法\t177
10．3．2 改進(jìn)雜交機(jī)制的QPSO算法\t179
10．3．3 參數(shù)尋優(yōu)流程\t181
10．3．4 機(jī)動(dòng)識(shí)別模型\t182
10．4 仿真實(shí)驗(yàn)與分析\t183
10．4．1 機(jī)動(dòng)識(shí)別樣本數(shù)據(jù)的構(gòu)造\t183
10．4．2 實(shí)驗(yàn)設(shè)置\t183
10．4．3 模型訓(xùn)練\t184
10．4．4 機(jī)動(dòng)識(shí)別準(zhǔn)確性分析\t187
10．4．5 機(jī)動(dòng)識(shí)別實(shí)時(shí)性分析\t192
第11章 基于Multi-BiLSTM-Attention網(wǎng)絡(luò)的空戰(zhàn)目標(biāo)
意圖識(shí)別研究\t194
11．1 目標(biāo)意圖識(shí)別問題描述\t195
11．2 基于Multi-BiLSTM-Attention網(wǎng)絡(luò)的1對(duì)1空戰(zhàn)目標(biāo)
意圖識(shí)別研究\t197
11．2．1 意圖空間描述\t197
11．2．2 BiLSTM\t200
11．2．3 Attention機(jī)制\t201
11．2．4 Multi-BiLSTM-Attention模型\t203
11．3 意圖識(shí)別樣本數(shù)據(jù)的構(gòu)造\t205
11．4 仿真實(shí)驗(yàn)與分析\t208
11．4．1 實(shí)驗(yàn)設(shè)置\t208
11．4．2 意圖識(shí)別準(zhǔn)確性分析\t212
11．4．3 意圖識(shí)別實(shí)時(shí)性分析\t218
本部分總結(jié)\t220
參考文獻(xiàn)\t224