基于异态集成学习的飞行目标辅助识别模型*
2020-05-11刘戎翔贺筱媛陶九阳
火力与指挥控制 2020年4期
刘戎翔,贺筱媛,陶九阳
(1.国防大学联合作战学院,北京 100091;2.陆军防化学院,北京 102205;3.陆军工程大学,南京 210007)
0 引言
飞行目标自动识别作为解决自动监视与侦查、精确制导和敌我身份识别等问题的重要手段,在现代战争中占据非常重要的地位,是整个空情态势分析的基础。随着战场电磁空间复杂性日益增加,敌对双方电子对抗能力不断增强,飞行目标的各类图像特征信息易被遮蔽和干扰,使得空情传感器数据与作战决策之间还存在着较大的鸿沟。因此,如何在训练样本较少的情况下,提高识别模型的稳定性、泛化能力以及动态自适应能力成为解决这一问题的关键。
近年来,国内外学者在识别模型的构建方面进行了广泛的探索,最初的识别模型主要基于单一模型,采用支持向量机[1]、k 均值群聚类模型[2]、隐马尔科夫模型[3]等机器学习方法。这些模型虽然需要的训练样本较少,识别性能比较稳定,但在数据量较大、样本维度较高的情况下存在模型识别效率较低、泛化性较差的问题。为进一步提升识别模型的泛化能力,随着神经网络模型的不断进步发展,大量学者开始基于神经网络设计飞行目标识别模型[4-7]等。虽然神经网络模型能够通过逐层提取对样本特征进行有效的表达,具有较好的泛化能力,但这类模型对训练样本的要求较高,且存在网络学习收敛速度慢、容易陷入局部极小、训练网络不稳定、训练时间较长等问题。此外,已有的各类识别模型在线学习能力较差,无法根据识别情况进行动态学习调整。……
登录APP查看全文
