智能空戰(zhàn)對抗訓練目標識別

目 錄／Contents

第一部分 復(fù)雜場景下的小目標檢測與識別方法研究
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 科學問題\t11
1．2 研究內(nèi)容和創(chuàng)新點\t11
1．2．1 研究內(nèi)容\t12
1．2．2 特色創(chuàng)新\t13
第2章 復(fù)雜場景下小目標檢測與識別的相關(guān)技術(shù)\t16
2．1 傳統(tǒng)場景下常規(guī)目標檢測與識別\t17
2．1．1 檢測與識別的基本模塊\t17
2．1．2 檢測和識別的框架\t21
2．2 復(fù)雜場景下小目標檢測和識別\t26
2．2．1 信息增強\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)雜場景下小目標檢測\t30
3．1 小目標特征淹沒\t31
3．2 小目標檢測算法的原理分析\t34
3．2．1 復(fù)雜場景下的小目標檢測\t34
3．2．2 上下文信息\t35
3．2．3 判別式學習\t36
3．3 上下文信息指導(dǎo)的復(fù)雜場景下小目標檢測方法\t37
3．3．1 基于SVM的目標候選區(qū)域相似度計算\t37
3．3．2 基于譜聚類的圖模型分割\t38
3．4 實驗結(jié)果與分析\t40
3．4．1 子模塊有效性驗證實驗\t40
3．4．2 WiderFace數(shù)據(jù)集小臉檢測的實驗結(jié)果\t43
3．4．3 AFW和PascalFace數(shù)據(jù)集人臉檢測的實驗結(jié)果\t43
3．4．4 DOTA數(shù)據(jù)集遙感圖像小目標檢測的實驗結(jié)果\t45
第4章 信息補償機制的復(fù)雜場景下小目標識別\t48
4．1 問題引出\t49
4．2 信息補償機制下的小目標識別算法原理分析\t53
4．2．1 低分辨率行為識別與人臉識別\t53
4．2．2 基于超分辨率重建的低分辨率物體識別方法\t53
4．2．3 基于特征變換的低分辨率物體識別方法\t54
4．3 基于表示學習生成對抗網(wǎng)絡(luò)的小目標識別算法\t55
4．3．1 問題定義和方法概述\t55
4．3．2 全局特征注意力機制\t60
4．3．3 全局特征注意力機制RL-GAN的LR圖像分類\t62
4．4 實驗結(jié)果與分析\t63
4．4．1 數(shù)據(jù)集和評價指標\t64
4．4．2 WIDER-SHIP遙感圖像艦船識別的實驗結(jié)果\t67
4．4．3 HRSC遙感圖像艦船識別的實驗結(jié)果\t68
4．4．4 CIFAR-10的實驗結(jié)果\t69
4．4．5 模型消融實驗\t69
第5章 樣本方向指導(dǎo)的數(shù)據(jù)增強\t73
5．1 問題概述\t74
5．2 基于屬性指導(dǎo)的數(shù)據(jù)增強方法分析\t76
5．3 樣本方向指導(dǎo)的數(shù)據(jù)增強方法\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 基于擾動矩陣的圖像旋轉(zhuǎn)算法\t82
5．4 實驗結(jié)果與分析\t82
5．4．1 測試集圖像旋轉(zhuǎn)對學習模型檢測性能的影響\t83
5．4．2 物體方向的估計\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的飛機快速檢測算法\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的遙感圖像中飛機快速檢測算法\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 實驗結(jié)果與分析\t96
本部分總結(jié)\t100
參考文獻\t103
第二部分 基于機器學習的智能空戰(zhàn)深層態(tài)勢感知
第7章 緒論\t126
7．1 空戰(zhàn)態(tài)勢感知概述\t128
7．1．1 空戰(zhàn)OODA過程描述\t128
7．1．2 空戰(zhàn)態(tài)勢感知的層次結(jié)構(gòu)\t130
7．2 國內(nèi)外研究現(xiàn)狀\t131
7．2．1 軌跡預(yù)測研究\t131
7．2．2 機動識別研究\t132
7．2．3 意圖識別研究\t133
7．3 研究意義\t134
第8章 相關(guān)理論和數(shù)據(jù)來源\t136
8．1 數(shù)據(jù)挖掘理論\t137
8．2 機器學習相關(guān)理論\t138
8．2．1 神經(jīng)網(wǎng)絡(luò)\t138
8．2．2 支持向量機\t140
8．2．3 深度學習\t143
第9章 基于粒子群優(yōu)化LSTM的空戰(zhàn)軌跡預(yù)測研究\t144
9．1 目標軌跡預(yù)測問題描述\t145
9．2 基于PSO-LSTM神經(jīng)網(wǎng)絡(luò)的飛行軌跡預(yù)測\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)學習策略的PSO算法\t150
9．2．4 PSO-LSTM模型\t152
9．2．5 算法流程\t153
9．3 仿真實驗與分析\t155
9．3．1 軌跡數(shù)據(jù)選取與處理\t156
9．3．2 軌跡預(yù)測性能對比分析\t157
第10章 基于CHCQPSO-LSSVM的空戰(zhàn)目標機動識別研究\t163
10．1 機動識別問題描述\t164
10．1．1 多元時間序列識別\t164
10．1．2 分級識別\t166
10．2 機動動作分類與數(shù)據(jù)處理\t166
10．2．1 參考坐標系\t167
10．2．2 機動動作分類\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)目標機動識別\t177
10．3．1 QPSO算法\t177
10．3．2 改進雜交機制的QPSO算法\t179
10．3．3 參數(shù)尋優(yōu)流程\t181
10．3．4 機動識別模型\t182
10．4 仿真實驗與分析\t183
10．4．1 機動識別樣本數(shù)據(jù)的構(gòu)造\t183
10．4．2 實驗設(shè)置\t183
10．4．3 模型訓練\t184
10．4．4 機動識別準確性分析\t187
10．4．5 機動識別實時性分析\t192
第11章 基于Multi-BiLSTM-Attention網(wǎng)絡(luò)的空戰(zhàn)目標
意圖識別研究\t194
11．1 目標意圖識別問題描述\t195
11．2 基于Multi-BiLSTM-Attention網(wǎng)絡(luò)的1對1空戰(zhàn)目標
意圖識別研究\t197
11．2．1 意圖空間描述\t197
11．2．2 BiLSTM\t200
11．2．3 Attention機制\t201
11．2．4 Multi-BiLSTM-Attention模型\t203
11．3 意圖識別樣本數(shù)據(jù)的構(gòu)造\t205
11．4 仿真實驗與分析\t208
11．4．1 實驗設(shè)置\t208
11．4．2 意圖識別準確性分析\t212
11．4．3 意圖識別實時性分析\t218
本部分總結(jié)\t220
參考文獻\t224