CN102298728B - 一种目标威胁程度评估方法 - Google Patents

Abstract

本发明属于数据融合技术领域，公开了一种目标威胁程度评估方法。本发明的方法首先建立威胁评估量化模型，确定各威胁因素的威胁指数；然后利用威胁指数初始化BP神经网络结构；再根据PSO算法确定BP神经网络的初始权值和阈值；进而获得威胁评估程度。本方法通过把BP神经网络和PSO算法结合起来对目标威胁程度进行评估，即是先通过PSO算法确定BP神经网络的初始权值和阈值，进而加快了BP神经网络的收敛速度和收敛精度，可有效避免BP神经陷入局部极小值，在提高智能性的基础上降低了复杂度。

Description

一种目标威胁程度评估方法

技术领域

本发明属于数据融合技术领域，特别涉及一种目标威胁程度评估方法。

背景技术

数据融合是一门信息综合处理技术，它利用多源数据的互补性、冗余性，对各传感器提供的各种信息加以融合，从而提高数据的可靠性。威胁评估作为信息融合的一个应用方向，不论在交通，网络安全还是在防空安全和防空作战中，威胁程度评估越来越受重视。在国际上，民用航空成为恐怖分子实施恐怖活动的首选目标，空防的范围扩大到全世界，危及空防安全的对象将会变成高科技武装甚至是武装力量的直接攻击。如何应对空防安全的新形势，是对中国的民航企业提出的严峻考验。随着电子信息技术的应用，需要处理的信息日益增多，越来越复杂，对目标进行正确的威胁程度评估，有助于我方采取更好的措施保护生命和财产安全，减少不必要的损失，同时更有力的回击对方，保证防空安全，因此对目标进行正确的威胁程度评估成了一个亟待解决的问题。

应用于威胁程度评估具有代表性的方法主要有基于专家系统的方法、基于模板匹配的方法、基于品质因数的方法、基于多代理规划识别方法等。专家系统构成很困难，需要专家与技术人员的紧密结合，并且无法模拟人的创造性思维，智能性不高；模板匹配的方法，知识结构常采用静态结构，数据库维护复杂；品质因数法开发和证实比较繁琐；多代理规划识别方法仅适用于可预测或可验证的假设。

发明内容

本发明的目的是为了解决现有的目标威胁程度评估方法存在的问题，提出了一种目标威胁程度评估方法。

本发明的技术方案是：一种目标威胁程度评估方法，包括如下步骤：

S1.建立威胁评估量化模型，确定各威胁因素的威胁指数；

S2.根据步骤S1所述的威胁指数初始化BP神经网络结构；

S3.根据PSO算法确定BP神经网络的初始权值和阈值；

S4.根据步骤S3得到的初始权值和阈值，利用步骤S1所述的威胁指数组成的训练样本对BP神经网络进行训练，得到训练好的BP神经网络；

S5.利用步骤S4得到的BP神经网络对步骤S1所述的威胁指数组成的测试样本进行测试，得到威胁评估程度。

本发明的有益效果：本方法通过把BP神经网络和PSO算法结合起来对目标威胁程度进行评估，即是先通过PSO算法确定BP神经网络的初始权值和阈值，进而加快了BP神经网络的收敛速度和收敛精度，可有效避免BP神经陷入局部极小值，在提高智能性的基础上降低了复杂度。本发明的方法不仅可以避免繁琐的数学计算过程，而且可以减小专家知识带来的偏差，提高目标威胁程度预测的准确性。

附图说明

图1本发明实施例的空中两架飞机飞行状态示意图。

图2本发明威胁程度评估方法神经网络模型示意图。

图3本发明威胁程度评估方法的流程示意图。

具体实施方式

下面结合附图和具体的实施实例对本发明作进一步的阐述。

本发明以我机在空中飞行过程中发现目标为实例，二者状态示意图如图1所示，用本发明的方法判断目标对我机的威胁程度。

S1.建立威胁评估量化模型，确定威胁评估因素的威胁指数；

在本实例中，威胁指数包括：高度威胁指数，距离威胁指数、角度威胁指数、速度威胁指数，目标类型威胁指数，具体计算过程如下：

(1)高度威胁指数

$T_{h_{\mathrm{ij}}}=\left\{\begin{array}{cc}1.0,& h_{\mathrm{ij}}<-5\\ 0.5-0.1h_{\mathrm{ij}},& -5\&le;h_{\mathrm{ij}}<5\\ 0.1,& h_{\mathrm{ij}}\&GreaterEqual;5\end{array}\right.$

式中：h_ij为我机高度与目标高度的差，单位为km。

(2)距离威胁指数

根据双方最大攻击距离和雷达探测最远距离来建立距离威胁指数。设我机i的最大攻击距离为dm_i，雷达最远探测距离是dr_i，目标j的最大攻击距离是ddm_j，雷达最大探测距离是ddr_j，距离威胁指数以

表示。则：

$T_{r_{\mathrm{ji}}}=\left\{\begin{array}{c}0.5\\ 0.5+0.3\&times;\frac{d_{\mathrm{ij}}-\min ({\mathrm{dm}}_i,{\mathrm{ddm}}_j)}{{\mathrm{ddm}}_j-{\mathrm{dm}}_i}\\ 0.5+0.2\&times;\frac{d_{\mathrm{ij}}-\min ({\mathrm{dr}}_i,{\mathrm{ddr}}_j)}{{\mathrm{ddr}}_j-{\mathrm{dr}}_i}\end{array}\right.$

说明：其中dm_i≥0，ddm_j≥0，当我机或目标不具有攻击能力或为民用飞机时取0值。

若min(dm_i，ddm_j)＜d_ij＜max(dm_i，ddm_j)则以公式

计算，

若min(dr_i，ddr_j)＜d_ij＜max(dr_i，ddr_j)则以公式

计算，否则取 $T_{r_{\mathrm{ji}}}=0.5.$

(3)速度威胁指数

$T_{v_{\mathrm{ji}}}=\left\{\begin{array}{cc}0.1,& v_j<0.6v_i\\ -0.5+v_j/v_i,& 0.6v_i\&le;v_j\&le;1.5v_i\\ 1.0,& v_j>1.5v_i\end{array}\right.$

式中，v_i为我机速度，v_j为目标速度。

(4)角度威胁指数

式中，α_ij和β_ij分别为目标进入角和我机位置角。

(5)目标类型威胁指数T_obj

若目标为大型机威胁指数为0.3，若目标为中型机威胁指数取0.6，若目标为小型机威胁指数为0.9。

S2.根据步骤S1所述的威胁指数初始化BP神经网络结构，BP神经网络模型示意图如图2所示。

S3.根据PSO算法确定BP神经网络的初始权值和阈值；

传统的BP(Back Propagation)神经网络的初始权值和阈值是随机给定的，因此会使网络结构不确定，在训练过程中易陷入局部极小值，收敛速度慢。粒子群优化算法(PSO(Particle Swarm Optimization)算法)具有算法简单，易于实现，无需梯度信息，参数少，收敛速度快，具有很强的通用性等优点，具体可参考文献：智能优化方法，汪定伟，高等教育出版社，2007。但现有的粒子群优化算法存在着容易早熟收敛、后期迭代效率不高等缺点，因此，在这里，对现有的粒子群优化算法进行了改进。

具体包括如下分步骤：

(31)粒子群初始化：在初始化范围内，对粒子群进行随机初始化，包括随机位置和速度，根据初始化的BP神经网络的结构，把BP网络的权值和阈值个数作为每个粒子的维数，对其进行实数编码；

(32)计算粒子适应度：以BP网络的训练误差绝对值之和作为每个粒子的适应度；

(33)更新个体最佳适应度值：对于每个粒子，将其适应度值与所经历的最好位置的适应值进行比较，如果更好，则将其作为粒子的个体历史最优值，用当前位置更新个体历史最好位置；

(34)更新全局最佳适应度值：对于每个粒子，将其历史最有适应度值与群体内或邻域内所经历的最好位置的适应度值进行比较，若更好，则将其作为当前的全局最好位置；

(35)更新粒子的速度和位置：速度和位置更新方程为：

$v_{\mathrm{id}}^{k+1}=w*v_{\mathrm{id}}^k+c_1*\mathrm{rand}*(p_{\mathrm{id}}^k-x_{\mathrm{id}}^k)+c_2*\mathrm{rand}*(p_{\mathrm{gd}}^k-x_{\mathrm{id}}^k)$

$x_{\mathrm{id}}^{k+1}=x_{\mathrm{id}}^k+v_{\mathrm{id}}^{k+1}$

其中，w为非线性惯性权重， $w=w_{\min }+\frac{1}{2}(w_{\max }-w_{\min })*(1+\cos \left(\frac{(k-1)*\mathrm{\&pi;}}{\mathrm{Iter}\_\mathrm{ter}-1}\right)),$ Iter_ter为最大迭代次数，c₁和c₂为学习因子，

为第k次迭代时第i个粒子所历经的个体极值，

为第k次迭代时所有粒子经历过全局极值，

为第k次迭代时第i个粒子的位置，

为第k次迭代时第i个粒子的速度，w_min和w_max为预设定的最小和最大的非线性惯性权重；rand为区间(01)中的随机值；

这里，c₁和c₂一般为正常数，它们使粒子具有自我总结和向群体中优秀个体学习的能力，从而向自己的历史最优点以及群体内或邻域内历史最优点靠近。惯性权重w体现的是粒子群当前的速度在多大程度上继承先前的速度，一个较大的惯性权值有利于全局收索，而一个小的惯性权值更有利于局部收索，加入非线性惯性权重，使粒子在优化的不同时期具有不同的探索和开发能力，在迭代初期w值较大，粒子以较快的飞行速度遍布整个搜索空间从而确定最优值的大致范围，随着迭代的进行w值非线性减少，大部分粒子搜索范围减少，并且集中在最优值的邻域范围内，在跌代末期达到设定的最小w_min，粒子在最有邻域内找到全局最优解，有利于提高收敛速度。

(36)若生成的随机数rand大于预设定的阈值α，则一定的概率重新初始化粒子群；

这里，α取0.95。在PSO算法中引入变异操作，通过引入变异算子来跳出局部极值点的吸引，使粒子能够在更大的空间中开展搜索，而且保持了种群多样性，从而提高全局搜索能力。

(37)当达到预先设定迭代次数时，迭代终止，以个体集合中适应度值最好的个体作为全局最优解，得到初始权值和阈值，若未达到预先设定的迭代次数，重复步骤(32)到(36)；

S4.根据步骤S3得到的初始权值和阈值，利用步骤S1所述的威胁指数组成的训练样本对BP神经网络进行训练，得到训练好的BP神经网络；

S5.利用步骤S4得到的BP神经网络对步骤S1所述的威胁指数组成的测试样本进行测试，得到威胁评估程度。

整个威胁程度评估过程如图3所示。

本发明的方法对现有的PSO算法作了改进，引入了非线性惯性权重和变异操作，并将其应用于神经网络的训练中，加快了网络的收敛速度和收敛精度，可有效避免网络陷入局部极小值。随着电子信息技术的应用，需要处理的数据量越来越多，越来越复杂，应用本发明的方法解决空中目标威胁程度评估问题，较其他方法计算简单，易于实现，提高威胁程度预测准确性，在样本量充足的情况下，甚至可以有效地代替专家系统。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (2)

1.一种目标威胁程度评估方法，其特征在于，包括如下步骤：

S1.建立威胁评估量化模型，确定各威胁因素的威胁指数；

S2.根据步骤S1所述的威胁指数初始化BP神经网络结构；

S3.根据PSO算法确定BP神经网络的初始权值和阈值；

S4.根据步骤S3得到的初始权值和阈值，利用步骤S1所述的威胁指数组成的训练样本对BP神经网络进行训练，得到训练好的BP神经网络；

S5.利用步骤S4得到的BP神经网络对步骤S1所述的威胁指数组成的测试样本进行测试，得到威胁评估程度；

步骤S1所述的威胁指数包括：高度威胁指数，距离威胁指数、角度威胁指数、速度威胁指数和目标类型威胁指数；其中，

高度威胁指数为

$T_{h_{\mathrm{ij}}}=\left\{\begin{array}{cc}1.0,& h_{\mathrm{ij}}<-5\\ 0.5-0.1h_{\mathrm{ij}},& -5\&le;h_{\mathrm{ij}}<5\\ 0.1,& h_{\mathrm{ij}}\&GreaterEqual;5\end{array}\right.$

h_ij为我机高度与目标高度的差，单位为km；

距离威胁指数为

根据双方最大攻击距离和雷达探测最远距离来建立距离威胁指数，设我机i的最大攻击距离为dm_i，雷达最远探测距离是dr_i，目标j的最大攻击距离是ddm_j，雷达最大探测距离是ddr_j，距离威胁指数以

表示，则：

$T_{r_{\mathrm{ji}}}=\left\{\begin{array}{c}0.5\\ 0.5+0.3\&times;\frac{d_{\mathrm{ij}}-\min (d{m}_i,\mathrm{dd}{m}_j)}{\mathrm{dd}{m}_j-d{m}_i}\\ 0.5+0.2\&times;\frac{d_{\mathrm{ij}}-\min (d{r}_i,\mathrm{dd}{r}_j)}{\mathrm{dd}{r}_j-d{r}_i}\end{array}\right.$

其中，dm_i≥0，ddm_j≥0，当我机或目标不具有攻击能力或为民用飞机时取0值；

若min(dm_i,ddm_j)<d_ij<max(dm_i,ddm_j)则

以公式

计算，

若min(dr_i,ddr_j)<d_ij<max(dr_i,ddr_j)则以公式计算，

否则取 $T_{r_{\mathrm{ji}}}=0.5;$

速度威胁指数

$T_{v_{\mathrm{ji}}}=\left\{\begin{array}{cc}0.1,& v_j<0.6v_i\\ -0.5+v_j/v_i,& 0.6v_i\&le;v_j<1.5v_i\\ 1.0,& v_j>1.5v_i\end{array}\right.$

其中，v_i为我机速度，v_j为目标速度；

角度威胁指数

其中，α_ij和β_ij分别为目标进入角和我机位置角。

2.根据权利要求1所述的目标威胁程度评估方法，其特征在于，步骤S3所述的确定BP神经网络的初始权值和阈值的具体过程如下：

(31)粒子群初始化：在初始化范围内，对粒子群进行随机初始化，包括随机位置和速度，根据初始化的BP神经网络的结构，把BP网络的权值和阈值个数作为每个粒子的维数，对其进行实数编码；

(32)计算粒子适应度：以BP网络的训练误差绝对值之和作为每个粒子的适应度；

(33)更新个体最佳适应度值：对于每个粒子，将其适应度值与所经历的最好位置的适应值进行比较，如果更好，则将其作为粒子的个体历史最优值，用当前位置更新个体历史最好位置；

(34)更新全局最佳适应度值：对于每个粒子，将其历史最有适应度值与群体内或邻域内所经历的最好位置的适应度值进行比较，若更好，则将其作为当前的全局最好位置；

(35)更新粒子的速度和位置：速度和位置更新方程为：

$v_{\mathrm{id}}^{k+1}=w*v_{\mathrm{id}}^k+c_1*\mathrm{rand}*(p_{\mathrm{id}}^k-x_{\mathrm{id}}^k)+c_2*\mathrm{rand}*(p_{\mathrm{gd}}^k-x_{\mathrm{id}}^k)$

$x_{\mathrm{id}}^{k+1}=x_{\mathrm{id}}^k+v_{\mathrm{id}}^{k+1}$

其中，w为非线性惯性权重, $w=w_{\min }+\frac{1}{2}(w_{\max }-w_{\min })*(1+\cos \left(\frac{(k-1)*\mathrm{\&pi;}}{\mathrm{Iter}\_\mathrm{ter}-1}\right)),$ Iter_ter为最大迭代次数，c₁和c₂为学习因子，为第k次迭代时第i个粒子所历经的个体极值，

为第k次迭代时所有粒子经历过全局极值，为第k次迭代时第i个粒子的位置，

为第k次迭代时第i个粒子的速度，w_min和w_max为预设定的最小和最大的非线性惯性权重；rand为区间(0 1)中的随机值；

(36)若生成的随机数rand大于预设定的阈值α，则以一定的概率重新初始化粒子群；

(37)当达到预先设定迭代次数时，迭代终止，以个体集合中适应度值最好的个体作为全局最优解，得到始权值和阈值,若未达到预先设定的迭代次数，重复步骤(32)到(36)。

Images