智能空战对抗训练目标识别

本书研究内容分为两个部分，第一部分为“复杂场景下的小目标检测与识别方法研究”，第二部分为“基于机器学习的智能空战深层态势感知”。
第一部分为总体研究，在复杂场景下小目标检测与识别中，提出了上下文信息指导的小目标的检测方法、信息补偿机制的小目标识别方法、样本方向属性指导的数据增强方法；在遥感图像飞机检测的实际应用中，提出了结合数据增强、区域推荐和PHOG的飞机快速检测方法。
第二部分以1对1超视距空战为背景，立足于大量空战训练数据，利用机器学习的方法开展了智能空战深层态势感知的研究，旨在从数据化、智能化的角度解决空战态势感知问题。主要内容有基于粒子群优化LSTM的空战轨迹预测研究，基于CHCQPSO-LSSVM的空战目标机动识别研究，基于Multi-BiLSTM-Attention网络的空战目标意图识别研究。

王栋，1978年出生，副教授，硕士。多次承担重大科研项目，多次获奖、三等功。负责讲授硕士研究生和本科生课程有：网络技术与应用、计算机硬件基础、训练评估等课程。公开出版专著教材5部，发表论文43篇。

第一部分 复杂场景下的小目标检测与识别方法研究
第1章 绪论 2
1.1 研究背景及意义 3
1.1.1 研究意义 3
1.1.2 研究现状 6
1.1.3 困难挑战 8
1.1.4 科学问题 11
1.2 研究内容和创新点 11
1.2.1 研究内容 12
1.2.2 特色创新 13
第2章 复杂场景下小目标检测与识别的相关技术 16
2.1 传统场景下常规目标检测与识别 17
2.1.1 检测与识别的基本模块 17
2.1.2 检测和识别的框架 21
2.2 复杂场景下小目标检测和识别 26
2.2.1 信息增强 26
2.2.2 上下文信息发展现状 28
第3章 上下文信息指导的复杂场景下小目标检测 30
3.1 小目标特征淹没 31
3.2 小目标检测算法的原理分析 34
3.2.1 复杂场景下的小目标检测 34
3.2.2 上下文信息 35
3.2.3 判别式学习 36
3.3 上下文信息指导的复杂场景下小目标检测方法 37
3.3.1 基于SVM的目标候选区域相似度计算 37
3.3.2 基于谱聚类的图模型分割 38
3.4 实验结果与分析 40
3.4.1 子模块有效性验证实验 40
3.4.2 WiderFace数据集小脸检测的实验结果 43
3.4.3 AFW和PascalFace数据集人脸检测的实验结果 43
3.4.4 DOTA数据集遥感图像小目标检测的实验结果 45
第4章 信息补偿机制的复杂场景下小目标识别 48
4.1 问题引出 49
4.2 信息补偿机制下的小目标识别算法原理分析 53
4.2.1 低分辨率行为识别与人脸识别 53
4.2.2 基于超分辨率重建的低分辨率物体识别方法 53
4.2.3 基于特征变换的低分辨率物体识别方法 54
4.3 基于表示学习生成对抗网络的小目标识别算法 55
4.3.1 问题定义和方法概述 55
4.3.2 全局特征注意力机制 60
4.3.3 全局特征注意力机制RL-GAN的LR图像分类 62
4.4 实验结果与分析 63
4.4.1 数据集和评价指标 64
4.4.2 WIDER-SHIP遥感图像舰船识别的实验结果 67
4.4.3 HRSC遥感图像舰船识别的实验结果 68
4.4.4 CIFAR-10的实验结果 69
4.4.5 模型消融实验 69
第5章 样本方向指导的数据增强 73
5.1 问题概述 74
5.2 基于属性指导的数据增强方法分析 76
5.3 样本方向指导的数据增强方法 77
5.3.1 基于物体主轴POD的方向描述子 78
5.3.2 基于中值的数据集相似度量方法 80
5.3.3 基于扰动矩阵的图像旋转算法 82
5.4 实验结果与分析 82
5.4.1 测试集图像旋转对学习模型检测性能的影响 83
5.4.2 物体方向的估计 86
5.4.3 主轴方向分布的相似度衡量 87
第6章 基于区域推荐和PHOG的飞机快速检测算法 90
6.1 问题概述 91
6.2 区域推荐和特征提取原理分析 92
6.3 基于区域推荐和PHOG的遥感图像中飞机快速检测算法 93
6.3.1 基于梯度特征的快速区域推荐算法 93
6.3.2 基于PHOG的特征快速提取方法 94
6.4 实验结果与分析 96
本部分总结 100
参考文献 103
第二部分 基于机器学习的智能空战深层态势感知
第7章 绪论 126
7.1 空战态势感知概述 128
7.1.1 空战OODA过程描述 128
7.1.2 空战态势感知的层次结构 130
7.2 国内外研究现状 131
7.2.1 轨迹预测研究 131
7.2.2 机动识别研究 132
7.2.3 意图识别研究 133
7.3 研究意义 134
第8章 相关理论和数据来源 136
8.1 数据挖掘理论 137
8.2 机器学习相关理论 138
8.2.1 神经网络 138
8.2.2 支持向量机 140
8.2.3 深度学习 143
第9章 基于粒子群优化LSTM的空战轨迹预测研究 144
9.1 目标轨迹预测问题描述 145
9.2 基于PSO-LSTM神经网络的飞行轨迹预测 147
9.2.1 LSTM神经网络模型 147
9.2.2 传统粒子群算法 149
9.2.3 自适应学习策略的PSO算法 150
9.2.4 PSO-LSTM模型 152
9.2.5 算法流程 153
9.3 仿真实验与分析 155
9.3.1 轨迹数据选取与处理 156
9.3.2 轨迹预测性能对比分析 157
第10章 基于CHCQPSO-LSSVM的空战目标机动识别研究 163
10.1 机动识别问题描述 164
10.1.1 多元时间序列识别 164
10.1.2 分级识别 166
10.2 机动动作分类与数据处理 166
10.2.1 参考坐标系 167
10.2.2 机动动作分类 169
10.2.3 飞行数据选择与处理 173
10.3 基于CHCQPSO-LSSVM的空战目标机动识别 177
10.3.1 QPSO算法 177
10.3.2 改进杂交机制的QPSO算法 179
10.3.3 参数寻优流程 181
10.3.4 机动识别模型 182
10.4 仿真实验与分析 183
10.4.1 机动识别样本数据的构造 183
10.4.2 实验设置 183
10.4.3 模型训练 184
10.4.4 机动识别准确性分析 187
10.4.5 机动识别实时性分析 192
第11章 基于Multi-BiLSTM-Attention网络的空战目标
意图识别研究 194
11.1 目标意图识别问题描述 195
11.2 基于Multi-BiLSTM-Attention网络的1对1空战目标
意图识别研究 197
11.2.1 意图空间描述 197
11.2.2 BiLSTM 200
11.2.3 Attention机制 201
11.2.4 Multi-BiLSTM-Attention模型 203
11.3 意图识别样本数据的构造 205
11.4 仿真实验与分析 208
11.4.1 实验设置 208
11.4.2 意图识别准确性分析 212
11.4.3 意图识别实时性分析 218
本部分总结 220
参考文献 224