本文是一篇计算机论文，本文在基于雷达数据的威胁度评估系统中，选取了比较全面的威胁因子，但由于目前雷达无法识别当前飞行目标的飞行动作，飞行动作识别主要靠人工手动标注，因此，可以设计飞行动作识别算法，通过三维图或者点云图的形式将飞行目标的飞行轨迹标注出来，同时利用深度学习的算法进行识别，从而进一步提升威胁度评估的评估速度。
第一章 绪论
1.1 课题背景及意义
目标威胁度评估是当今社会人类关注的核心。传统的目标威胁度评估需要经验丰富的研究人员通过雷达进行数据分析，这样就会导致速度慢、容错率低等一系列问题。随着现代战争中无人化智能化装备的日益增多，传统的威胁度评估逐渐淘汰。因此，必须要构建一整套完善的威胁评估系统，通过这种方式进行各项武器资源的优化设置，在此发展的条件之下规避各种作战目标，有效保证整体的作战性能和作战能力。在现代信息化技术发展的当今社会，各个国家面临着日益复杂的空战环境，包括目标种类也十分复杂，这些因素的存在无疑加大了防空拦截的难度。尤其是防空作战中空袭目标的威胁评估，该问题逐步成为了指挥控制系统所面临的关键性问题。
现有雷达中情报分析主要包含稳定性、连续性等指标的定量分析,缺乏对作战信息辅助决策的支撑。通过研究场景大数据,抽取雷达中所获取的目标数据信息，利用前沿的机器学习以及深度学习技术,实现目标威胁等级建模、实现目标动作识别,提升辅助决策能力。
空中目标雷达数据的威胁评估是根据其不同的特征（包括高度、速度、飞行角度、飞行动作、经纬度等）选择一些特征值来表示其对我方的威胁，然后根据一些符合实际应用的原则和标准，确定他们的威胁等级和威胁程度的顺序。在实际使用的过程当中一般都会运用多属性决策理论、模糊理论方法[1]、贝叶斯网络方法[2]和灰色关联方法。其中，贝叶斯网络算法和模糊理论使用频率更高。贝叶斯网络能够根据已知条件估计不确定知识，具有广泛的应用。贝叶斯网络基于贝叶斯公式构造有向无环图。通过贝叶斯网络构造的图，我们可以根据已有的信息清晰地预测未来的信息。贝叶斯网络能够进行不确定事件和概率性事件的准确描述。在不同的发展环境之下可以针对控制因素进行有效评估，并且可以按照各种不准确的信息开展下一步的精确评估工作。将贝叶斯算法应用于空中目标威胁评估。由于贝叶斯网络适用于推理不确定信息，可以在进行目标能力以及目标类型推理的基础之上获取最终的目标威胁值。模糊理论方法是指采用连续隶属函数的理论方法。它是一种非常有效的多因素决策方法，用模糊集来表示受多个因素影响的事物，从而进行综合评价。
1.2 本文章节安排
本文的章节安排如下：
第一章，介绍了本文的研究背景以及其他的前提性条件。
第二章，首先介绍了循环神经网络算法、贝叶斯网络算法以及熵权-AHP算法，以便对相关的技术有全面的认识。专门针对雷达数据的飞行目标识别算问题进行了深入分析，并且了解了国内外现有的发展现状。最后介绍了基于空中飞行目标雷达数据的威胁度评估系统。
第三章，首先对基于雷达数据的空中飞行目标识别与威胁度评估系统进行了系统需求分析，在进行需求分析的提之上进行整体流程的优化设计和构造，也详细介绍了不同系统所具备的各项功能，紧接着进行数据库结构与关系的精确设计和分析。
第四章，主要介绍了基于循环神经网络的飞行目标识别算法，通过将LSTM和GRU两种计算单元与双向、多层、双向多层三种目标识别网络结构相结合，通过多次检验分析可以得知，MD-BLSTM 和 MD-BGRU两种模型整体目标识别的准确度对较高，提高目标识别系统的性能。
第五章，主要介绍了一种基于雷达数据的空中飞行目标威胁度评估算法，目的提升威胁度评估结果的可信度以及降低整个算法的时间复杂度。提出的威胁评估方法率先运用多种方式相结合的分析方法，比如定性分析与定量分析、主观赋权与客观赋权方法，结合隶属度函数和贝叶斯网络推理求解威胁度值来使得威胁因子选取的更全面而又不让贝叶斯网络中节点过多，既提高了威胁度评估模型的可信度又降低了贝叶斯网络的复杂度。贝叶斯网络对推理过程也进行了适当优化，首先将贝叶斯网络转换为结构图，确定了较优的变量消元顺序，通过变量消元过程产生的因子以及涉及变量关系确定了聚类图，通过聚类图的消息传递求解后验概率，减少了消息传递次数。
第六章，对基于雷达数据的空中飞行目标识别与威胁度评估系统进行了详细的设计与实现。主要包括登录板块和注册板块、数据采集模块、数据预处理模块、目标识别模块和威胁度评估模块。本章完成了对以上系统功能模块的详细介绍以及界面展示。同时本章详细阐述了系统的测试与运行的环境，对系统的各个模块的功能进行了测试。
第七章，进行本文的归纳和总结，并且提出了后期研究的重点。
第二章 相关技术研究
2.1 基础知识
2.1.1 循环神经网络
循环神经网络（Recurrent Neural Network, RNN）以序列数据作为输入数据，在序列的演化方向上递归，所有节点（循环单元）连接成链的递归神经网络。20世纪末期学者们开始专门针对循环神经网络进行研究，并且在后期逐步发展成为了基本的算法模式之一[4]。循环神经网络能够实时共享，而且具备完备性的发展特征，所以在针对非线性特征进行分析的同时具有一定的长处[5]。神经网络包括输入层、隐层和输出层。输出由激活函数控制，层间由权重连接。RNN最大的不同在于它还建立了神经元层间的权重连接。如图2.1所示。
2.2 空中飞行目标识别算法研究现状
目标识别是现代防空作战研究的热点内容。在军事领域，目标识别对于提高潜在威胁评估的准确性，尤其是准确识别敌方目标是必要的。从实战的角度进行分析，在进行综合评判的初始阶段，必须要高度关注整个系统最初的响应时间以及识别目标的威胁程度，并且可以采取相应的防御措施。在实际作战的同时，如果能够明确战斗机或者其他导弹等危险目标的具体位置，那么各项反击措施能够更好，也能够更好的利用作战资源[46]。
对空中目标类型的识别可以针对整个区域范围内的各项空袭情况进行综合评估，也可以通过空中目标类型的识别针对攻击目标和威胁程度进行综合分析。文献[37]提出了有关飞行目标识别判断的基本方法;将雷达数据进行一系列处理和操作之后，可以针对后期的相关运行速度以及高度等等多个不同的特征向量进行可视化分析，在进行分析的基础之上针对不同的训练集进行综合测试分别用基于统计学原理的决策树方法和深度学习的神经网络方法针对多个不同的目标进行识别区分，包括在整个评估过程当中整体的准确率以及判断率，要尽可能提高决策的准确率，准确率提高了约25%;利用雷达监测数据进行有效无人机和民航飞机的飞行目标识别、评估。识别分类效果最好,为飞行动态目标识别提供了新的思路和方法。
空中目标类型识别是地面防空系统判断空袭态势的基本内容，也是判断空中目标攻击企图和威胁程度的重要依据。文献[38]在原有研究的基础之上提出了一种全新的飞行目标识别方案；选取各项雷达数据进行后期处理之后，针对获取的各项运行速度以及高度等等多个不同的特征向量进行可视化分析，并且将这些数据集分别划分训练集、验证集和测试集。采用神经网络方法和决策飞行方法针对飞行目标进行精准评估；比较两种方法在训练过程中的时间和精度，决策树模型耗时短，但精度较低，而基于深度学习的模型精度最高，精度提高了约25%；利用雷达监测数据融合其他的学习方式针对整个飞行目标的动态发展方向进行综合评估，再次条件之下整体的识别效果更好，而且为飞行动态目标识别提供了一种全新的方案。
第三章 基于雷达数据的空中飞行目标识别和威胁度评估系统总体设计 ................................ 17
3.1 设计目标 ..................................... 17
3.1.1 系统功能需求 .................................... 17
3.1.2 系统性能需求 ................................ 21
第四章 基于雷达数据的空中飞行目标识别 ........................... 29
4.1 问题假设 ............................................ 29
4.2 基于循环神经网络的飞行目标识别模型构建 ....................... 30
第五章 基于雷达数据的空中飞行目标威胁度评估 ..................... 42
5.1 问题分析 .............................. 42
5.2 基于雷达数据的空中飞行目标威胁度评估算法设计 ................... 44
第六章 系统实现与测试
6.1 系统环境
威胁度评估系统使用GUI应用程序的工具包PyQt进行设计，使用子模块QtSql提供对SQL数据库的支持，主要基于框架Scikit-Learn和PyTorch进行数据预处理和后处理以及网络模型的搭建。可以通过pyinstaller将威胁度评估系统打包成为可执行文件，以方便用户在每个电脑上下载与使用。具体的如下图所示。
第七章 总结与展望
7.1 总结
随着现代军事的不断向智能化与信息化发展，对于雷达侦测目标的目标识别与威胁度评估越来越受到重视。在传统的飞行目标识别与威胁度评估系统中，飞行目标识别的准确率低，从而导致错误的判断，在威胁度评估系统中，传统的威胁度评估往往需要专业人员通过经验进行主观判断，这样往往导致评估速度慢，容易出现失误判断等一系列问题，随着威胁度评估的不断重视，不少学者对其展开研究，但目前威胁度评估算法主要存在主观性或者客观性太强，威胁因子选取不全面等问题。因此，本文对基于雷达数据的空中飞行目标识别与威胁度评估系统做研究，主要工作总结如下：
（1）介绍了空中飞行目标识别与威胁度评估系统开发所设计到的相关理论技术，同时研究了国内外学者在该方法方向的文献。
（2）对基于雷达数据的空中飞行目标识别与威胁度评估系统进行了总体设计，在了解工人需求的前提之上进行功能模块的优化设计，包括：数据采集模块、数据预处理模块、目标识别模块、目标威胁度评估模块、识别与评估结果展示模块和系统管理模块，并进行了相对应的数据库设计。
（3）介绍了基于循环神经网络的飞行目标识别算法，将循环神经网络中的多层双向神经网络与GRU门计算单元相结合，通过实验对比分析，相对比传统的SVM算法显著的提高了目标识别的准确率，证明了本方案的可行性。
（4）介绍了基于雷达数据的空中飞行目标威胁度评估算法，目的是提升威胁度评估结果的可信度以及降低整个算法的时间复杂度。提出的威胁评估方法主要采用了定性分析和定量分析相结合的分析方式，结合隶属度函数和贝叶斯网络推理求解威胁度值来使得威胁因子选取的更全面而又不让贝叶斯网络中节点过多，既提高了威胁度评估模型的可信度又降低了贝叶斯网络的复杂度。贝叶斯网络对推理过程也进行了适当优化，首先将贝叶斯网络转换为结构图，确定了较优的变量消元顺序，通过变量消元过程产生的因子以及涉及变量关系确定了聚类图，通过聚类图的消息传递求解后验概率，减少了消息传递次数。最终通过实验证明了威胁度评估结果的可信度。
参考文献（略）