Metoder för situationsanpassad måligenkänning baserade på kinematiska data

Rapporten diskuterar måligenkänning baserat på kinematiska data. En modell för uppdragsigenkänning av flygande mål presenteras. Uppdragen som karakteriseras av olika beteenden, eller rörelsemönster, är jakt, attack, spaning, transport och allmänflyg. Modellen bygger på teorin för dolda Markovmodeller. Den har implementerats i den s.k. datafusionsnoden, DF. DF är ett samlingsnamn för en rad olika modeller och algoritmer som beskriver de olika stegen i datafusionsprocessen, d v s insamling och analys av data, situationsbestämning, hotanalys och anpassning/styrning. Ett syfte med DF är att studera olika sätt att förbättra plattformsoperatörens situationsuppfattning. Måligenkänning skapar möjlighet till bättre situationsuppfattning. Några exempel på simulering av måligenkänning presenteras. Dessutom beskrivs kortfattat en annan modell för måligenkänning baserat på kinematiska data. Den modellen baseras på Dempster-Shafers regel. Slutligen diskuteras några allmänna aspekter på måligenkänning baserat på kinematiska data. Sådana aspekter är bland annat hur måligenkänningen kan utnyttjas i ett nätverk av plattformar samt hur den kan ligga till grund inför sensorstyrning.