Angesichts der Herausforderung der Reduzierung der Genauigkeit der Erkennung von Zielkomponenten aufgrund der Selbstverdeckung des Ziels, der geringen Klarheit der visuellen Merkmale und der großen Variabilität der Merkmale schlagen wir eine Methode zur Identifizierung von Infrarot-Zielkomponenten auf der Basis eines Wissensgraphen vor. Durch die Anwendung einer zweistufigen Erkennungsstrategie erkennen wir zunächst das Ziel als Ganzes und dann die Komponenten des Ziels. Zuerst erkennen wir das Ziel, dann erweitern wir den Zielbereich um detaillierte Informationen zu verbesserten hochauflösenden Signalen, um die Erkennungsfähigkeit des Ziels zu verbessern. Anschließend wird das Komponentenerkennungsmodell in den Wissensgraphen des Ziels integriert, verwendet die strukturelle Beziehung der Zielkomponenten, um die Co-Occurrence-Beziehungen der Komponenten zu deduzieren, und fusioniert verwandte aufmerksame Komponenten, um die Leistung der Komponentenerkennung zu verbessern, wodurch die Herausforderung der Komponentenerkennung aufgrund mangelnder Klarheit der visuellen Merkmale gelöst wird; für die Selbstverdeckung der Komponenten wird eine Lernratensteuerungsstrategie auf der Basis der Selbstverdeckung vorgeschlagen, um die Leistung und Konvergenz des Modells zur Selbstverdeckung zu verbessern. Schließlich wurde ein Modell für das interne äquivalente Schrumpfen-Verifikationssystem des Ziels aufgebaut, um Flugzeuge in verschiedenen Positionen und Entfernungen zu testen, wobei die durchschnittliche Erkennungsgenauigkeit 92,2% erreichte. Die Experimentelergebnisse zeigen, dass die vorgeschlagene Methode zur Erkennung von Zielkomponenten besser funktioniert und die Genauigkeit und das Recall signifikant verbessert.

Infrarot-Zielidentifizierung; Wissensgraph; ganzheitliche Identifizierung; Globales Vektormodell; Aufmerksamkeitsmodul; Lernratensteuerung