随着无人机等现代化电子设备在战场上的广泛应用,高功率微波(High Power Microwave,HPM)武器在未来海上防空作战中展现出巨大的潜力。HPM武器与常规舰载防空武器协同防空时的威胁评估成为亟待解决的核心问题,建立基于KAN(Kolmogorov-Arn...
详细信息
随着无人机等现代化电子设备在战场上的广泛应用,高功率微波(High Power Microwave,HPM)武器在未来海上防空作战中展现出巨大的潜力。HPM武器与常规舰载防空武器协同防空时的威胁评估成为亟待解决的核心问题,建立基于KAN(Kolmogorov-Arnold Network)的威胁评估模型,通过量化6项核心因素对来袭目标的威胁程度进行评估。仿真实验表明:KAN模型的威胁评估误差保持在0.036以下,平均误差为0.0142,优于传统的BP(Back Propagation)网络模型和FABP(Firefly Algorithm Optimized Back Propagation)网络模型。加入HPM武器后,对相应量化指标进行调整,运用KAN模型预测加入HPM武器后的目标威胁值,目标威胁值平均下降了0.0714。HPM武器的使用显著增强了舰艇的防空能力,为未来防空系统的设计提供了重要指导。
传统Voronoi图对大量点集进行Voronoi划分时会产生Voronoi单元格数过多的现象,导致难以适用于地理信息系统、生物医学等诸多领域。为了解决这个问题,提出一种自适应基于密度的聚类算法(Density-Based Spatial Clustering of Application...
详细信息
传统Voronoi图对大量点集进行Voronoi划分时会产生Voronoi单元格数过多的现象,导致难以适用于地理信息系统、生物医学等诸多领域。为了解决这个问题,提出一种自适应基于密度的聚类算法(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)的Voronoi图。阐述了Voronoi单元合并的现象,证明了其发生的充要条件,提出该Voronoi图的生成算法并进行仿真。通过显微镜下嗜中性粒细胞、我国地表火点数据对算法进行验证,结果表明,该算法能够有效解决点集规模较大时,Voronoi图划分过于细致的问题,突破了传统Voronoi图单点对单点的划分形式。此外,该算法拓宽了Voronoi图在图形图像处理、生物医学、地理信息系统等领域的应用。
暂无评论