.png){kind=icon}
返回
Aircraft Individual GRU Recognition Algorithm Based on Interpretable Track Features
.png){kind=icon}
OA
AI
DOI：10.1155/ijae/6632363.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
针对战场态势感知中飞机个体识别存在的瓶颈问题，包括多源特征环境约束导致的单维数据可用性突出及测量航迹数据深度特征挖掘不足等问题，本研究提出了一种基于可解释航迹特征的飞机个体门控循环单元（GRU）识别算法。首先，从飞行动力学和空间地理维度论证了经度、纬度、高度、速度、爬升率和航向角六维航迹参数作为个体识别特征的科学性。然后，构建了基于曲线下面积（AUC）指数的航迹特征筛选与评价系统。在此基础上，设计了集成注意力机制的GRU深度学习框架，以实现个体飞机特征的时空相关性建模。实验采用包含八架个体飞机的测量航迹数据集，通过特征可视化分析和AUC定量评价验证了特征选择方案的有效性。最终测试结果表明，所提出的GRU-注意力模型对未知测量航迹的个体识别准确率达到68.31%，优于其他分类算法。从技术层面验证了该技术在复杂战场环境下实现飞机个体识别的可行性。本研究为飞机精确识别提供了一条新的技术路径，尤其在以单源特征为主导的作战场景中具有显著应用价值。
Keyword:
attention mechanism
feature selection model evaluation
gate recurrent unit
individual recognition
interpretable track features
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
1.2
论文数:
31
被引数:
1.9K
机构
引用论文
Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation使用RNN编码器-解码器学习统计机器翻译的短语表示
OAAI
OAAI分享收藏Expressway traffic trajectory recognition on DAS vibration spatiotemporal images基于DAS振动时空图像的高速公路交通轨迹识别.png)
IF0
PREAI
分享收藏Multi-scale Attention Convolutional Neural Network for time series classification用于时间序列分类的多尺度注意力卷积神经网络NEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏
查看更多内容