反舰导弹类型识别的贝叶斯网络方法

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (9): 215-217.

反舰导弹类型识别的贝叶斯网络方法

于俊伟1，刘楠2，张德贤1，王峰1

1.河南工业大学信息科学与工程学院，郑州 450001
2.解放军信息工程大学电子技术学院，郑州 450004

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2012-03-21 发布日期:2012-04-11

Type recognition of anti-ship missiles based on Bayesian network

YU Junwei1, LIU Nan2, ZHANG Dexian1, WANG Feng1

1.College of Information Science and Engineering, Henan University of Technology, Zhengzhou 450001, China
2.Institute of Electronic Technology, PLA Information Engineering University, Zhengzhou 450004, China

Received:1900-01-01 Revised:1900-01-01 Online:2012-03-21 Published:2012-04-11

摘要/Abstract

摘要： 通过对反舰导弹运动模式及运动特征参数的分析，提出了一种有效的反舰导弹类型识别的贝叶斯网络方法。在机动目标交互式多模型跟踪的基础上，利用曲线拐点检测方法对典型运动模式段进行划分，识别其运动特征参数，根据运动特征参数建立目标类型识别的贝叶斯网络模型。仿真实验证明，方法结构简单，易于实现，具有较高的实用性。

关键词: 运动学分析, 目标识别, 贝叶斯网络, 反舰导弹

Abstract: An effective method of Bayesian network is put forward for anti-ship missiles’ type recognition according to their motion patterns and characteristics. The flight path of the missile is tracked by using an interacting multiple models filter, and the typical motion patterns are segmented by a curve corner detection method. The type recognition Bayesian network is constructed according to the motion characteristics. The simulation results show that the proposed method has a simple structure, which is practical for engineering implementation.

Key words: kinematics analysis, target identification, Bayesian network, anti-ship missiles

于俊伟1，刘楠2，张德贤1，王峰1. 反舰导弹类型识别的贝叶斯网络方法[J]. 计算机工程与应用, 2012, 48(9): 215-217.

YU Junwei1, LIU Nan2, ZHANG Dexian1, WANG Feng1. Type recognition of anti-ship missiles based on Bayesian network[J]. Computer Engineering and Applications, 2012, 48(9): 215-217.

[1]	郭雪昆，秦远辉，杜亮，罗永亮，王宏安. 基于MEBN的大型舰船舰面保障作业检测[J]. 计算机工程与应用, 2021, 57(1): 242-253.
[2]	陈海洋，刘喜庆，环晓敏. 一步预测的SVDDBN缺失数据插补算法[J]. 计算机工程与应用, 2020, 56(7): 81-87.
[3]	续晓丽，刘从峰，范广宇. 多尺度特征融合的二维编码图像识别[J]. 计算机工程与应用, 2020, 56(20): 165-172.
[4]	付佐毅，周世杰，李顶根. 轻量级目标识别深度神经网络及其应用[J]. 计算机工程与应用, 2020, 56(18): 131-136.
[5]	刘有用，张江梅，王坤朋，冯兴华，杨秀洪. 不平衡数据集下的水下目标快速识别方法[J]. 计算机工程与应用, 2020, 56(17): 236-242.
[6]	郑伟，侯宏旭，班志杰. 贝叶斯网络查询语义扩展的专家发现方法[J]. 计算机工程与应用, 2020, 56(13): 194-198.
[7]	吕学志1，2，胡晓峰1，吴琳1，贺筱媛1. 基于贝叶斯网络的任务共同体识别[J]. 计算机工程与应用, 2019, 55(5): 251-257.
[8]	高昂，段莉，张国辉，董志明，曹洁，郭齐胜. 计算机生成兵力行为建模发展现状[J]. 计算机工程与应用, 2019, 55(19): 43-51.
[9]	严智，张鹏，谢川. 基于Jaya的贝叶斯网络结构学习算法研究[J]. 计算机工程与应用, 2019, 55(19): 173-177.
[10]	赵琛，王昱潭，朱超伟. 基于几何特征的灵武长枣图像分割算法[J]. 计算机工程与应用, 2019, 55(15): 204-212.
[11]	蔡青松，陈希厚. 基于评分函数的贝叶斯网络结构融合算法[J]. 计算机工程与应用, 2019, 55(11): 147-152.
[12]	李展1，2，3，4，郝颖明1，3，4，付双飞1，3，4. 基于结构光的星箭对接环相对位姿测量方法[J]. 计算机工程与应用, 2019, 55(10): 205-212.
[13]	于丽1，刘坤2，于晟焘3. 基于密集卷积神经网络的遥感飞机识别[J]. 计算机工程与应用, 2018, 54(19): 179-185.
[14]	郭文强，高文强，侯勇严，李然. 基于稀缺数据集下BN参数学习的目标识别[J]. 计算机工程与应用, 2018, 54(17): 122-125.
[15]	朱雪彤1，钱秀娟2，孙薇薇1，侯宪春1，陈广生3，王永利4. 面向普适健康监测的心脏病分析方法[J]. 计算机工程与应用, 2018, 54(1): 159-165.