CN104008451B - 一种虚拟海洋战场三维可视化效果评估方法 - Google Patents

Abstract

本发明提出了一种虚拟海洋战场三维可视化效果评估方法，属于虚拟现实技术领域。首先，层次分析法根据虚拟海洋三维可视化效果评估指标的递阶层次关系，通过定性定量分析获取反映专家知识库的主观权重；差异驱动原理根据各指标在指标集合中变异程度与对其他指标影响程度来确定客观权重。这两种方法结合既避免客观赋权遇到的数据量不足，又克服主观赋权的随意性，使评价结果更加客观合理。其次，博弈论权重集合在主观和客观权重之间寻找一致和妥协，使混合权重与各权重之间的偏差之和最小，从而实现权重优化。最后，利用双基点多属性决策实现指标与权重的聚合，并以靠近理想解和远离负理想解作为评价各可行方案的判据，实现优化选优，最终实现于指导虚拟海洋战场仿真系统构建。

Description

一种虚拟海洋战场三维可视化效果评估方法

技术领域

本发明属于虚拟现实技术领域，具体为一种混合赋权的海洋战场三维可视化效果评估方法。

背景技术

为了加快我国海军信息化和现代化的发展，高质量的海军作战训练成为提高海军整体作战能力的重点。但是由于武器装备科技含量不断增加、对抗体系结构日趋复杂和海洋环境复杂异变等原因，在实战的环境下进行作战训练需要耗费大量资金和时间，大大制约了我国海军信息化和现代化的发展。在此背景下，虚拟海洋战场可视化仿真技术成为突破这一瓶颈的重要手段。虚拟海洋战场仿真技术是在作战时空信息条件下，利用计算机虚拟现实技术逼真、实时和动态地呈现和推演武器装备、作战战术和海洋环境等众多耦合条件相互影响的复杂战场场景。

虚拟海洋战场可视化不但涉及动态的天气、光照和海面效果等自然因素，而且包括多粒度和多分辨率的仿真实体以及由于人在回路仿真交互事件而产生的动态效应等人为因素。自然因素和人为因素相互影响，最终体现于海洋战场三维可视化过程。逼真和流畅的虚拟海洋可视化过程将为海军掌握武器装备、熟悉海洋环境、提高作战决策能力和适应未来战争形式提供了重要的指导作用。因此，如何评估虚拟海洋战场可视化效果对于指导虚拟海洋战场三维可视化系统构建具有重要的作用，是我国海军提高作战能力亟需研究的重要领域。

对于虚拟海洋战场三维可视化效果评估，目前还处于初级阶段，主要评估方法是层次分析法和模糊综合法等主观赋权评估方法。

层次分析法主要利用虚拟海洋战场建模领域的知识库，经过对指标定性定量分析和逻辑推理，在考虑一致性检验的基础上，通过计算得到可视化效果评估结果的主观赋权方法。但由于知识库构建过程和结构不尽相同，所以他们所提供的评价信息真实性、可靠性不尽相同，最终影响可视化效果评价的公正性。

模糊综合法主要从反映可视化效果的众多因素出发，确定评价对象评语集，对指标分别作出相应的模糊评价，通过隶属度函数和模糊判断矩阵，得到定量的综合评价结果。该方法的可靠性和准确性依赖于合理选取评语集和综合评价的合成算子等，可见受到主观因素较重，特别是评语集和隶属度函数的设计，直接影响评价结果。

综上所述，这些方法是带有主观性及模糊性的方法来确定权重，权重系数往往会受到人为因素影响，不利于最终评价结果公正性，使得最终评定结果的可信度降低，影响虚拟海洋战场环境可视化仿真的方案选优和关键指标优化。因此，希望开发出具有评估方法效果显著的一套评估方法，用于指导虚拟海洋战场可视化仿真系统的构建。

发明内容

本发明的目的是：为克服海洋战场可视化效果评估现有方法中存在的主观赋权方法可信度较低的不足，本发明提出了一种混合赋权的虚拟海洋战场三维可视化效果评估方法。

本发明的技术方案是：一种虚拟海洋战场三维可视化效果评估方法，为基于原始数据驱动的混合赋权的虚拟海洋三维可视化效果评估方法，其技术路线如图1所示，设有n个虚拟海洋战场可视化设计方案A_i(1≤i≤n)，m个可视效果评估指标V_j(1≤j≤m)，n个方案m指标构成原始决策矩阵具体实现步骤如下：

步骤1:层次分析法确定主观权重

1)构造判断矩阵。根据美国T.L.Saaty教授提出的1-9标度方法，对同一层次的各因素相对于上一层因素的重要性进行两两比较，得到权重判断矩阵A；

其中，a_ij＞0，a_ii＝1且即A为正负反矩阵。

2)判断矩阵求解权重。对判断矩阵A每一列进行归一化处理：得到归一化矩阵

将归一化矩阵按行相加得到向量α＝(α₁，α₂,…,α_m)^T，即同时对向量α作归一化处理，即获取权重同时获取最大特征值

3)判断矩阵的一致性检验。计算一致性指标m为矩阵阶数，CI越大，表明判断矩阵偏离完全一致性越厉害；CI越小，表明判断矩阵越接近完全一致性。查找相应的平均随机一致性指标RI,计算相对一致性比率CR＝CI/RI,若CR≤0.1，则认为判断矩阵一致性可以接受，否则重新构造判断矩阵。

步骤2：差异驱动原理确定客观权重

1)构造标准样本变换标准化矩阵。在矩阵中，令则

样本均值，s_j样本均方差，矩阵X＝(x_ij)_n×m称为标准样本变换标准化矩阵。

2)数据差异驱动获取客观权重。令为客观指标权重的集合，设y＝(y₁，y₂,…,y_n)^T，则

抽取构成的样本方差S²，即

由于原始决策矩阵标准化后X中的数据满足因此存在

式中，H＝X^TX。若大值就使得各指标之间的信息差异最大，从而实现差异驱动，即满足：W_o＞0。根据矩阵性质可知，当H的元素大于0时，有唯一的最大特征值及其对应的特征向量。计算H的最大特征值对应的特征向量并归一化得到，即指标权重系数构成的向量。

步骤3：基于博弈论的权重混合

1)构造权重向量集。设权重向量集U＝(u₁,u₂,…,u_f)，通过f个向量任意线性组合成一个可能的权重集：

式中：δ_i权重系数，i＝1,2,…,f。

2)实现权重的离差最小化。根据博弈论的基本思想是在不同的权重之间寻找一致或妥协，即极小化可能的权重跟各个基本权重之间的各自偏差。寻找最满意的权向量，可转化为对一个可能的权重集中f个线性组合系数δ_i进行优化，即：

由(9)可知，其最优化的的一阶导数条件为；

由(10)构建线性方程组，确定线性组合系数δ_i

3)计算混合权重。对(δ₁,δ₂,…,δ_n)进行归一化处理。即，

混合权重W：

步骤4：基于双基点法的多属性决策

1)构造标准化决策矩阵。用向量归一化法对决策矩阵标准化处理，得到标准化矩阵Y＝(y_ij)_n×m。

2)计算加权标准化矩阵V。根据混合权重W和标准化矩阵Y，计算加权标准化矩阵

V＝(v_ij)_n×m＝(w_jy_ij)_n×m (15)

3)确定理想解V⁺和负理想解V^-。

其中：J⁺＝{效益型指标集},J^-＝{成本型指标集}

4)计算理想解与负理想解的距离和

5)计算各方案的相对贴近度C_i，实现指标的聚合。

依据相对贴近度的大小对各个评价方案进行排序，形成决策依据。相对贴近度越大，说明该方案的性能越好。

本发明的有益效果是：本发明提出的基于原始数据驱动的混合赋权的虚拟海洋三维可视化效果评估方法，首先，层次分析法根据虚拟海洋三维可视化效果评估指标的递阶层次关系，确定比较判断矩阵，通过定性定量处理获取反映专家知识库的主观权重；差异驱动原理根据各指标在指标集合中变异程度与对其他指标影响程度来确定客观权重。这两种方法结合既可以避免客观赋权遇到的数据量不足，又可以克服主观赋权的随意性，从而使评价结果更加客观合理。其次，博弈论权重集合是在主观和客观权重之间寻找一致和妥协，使混合权重与各个权重之间的偏差之和达到最小，从而实现权重优化。最后，利用双基点法的多属性决策实现指标与权重的聚合，并以靠近理想解和远离负理想解作为评价各可行方案的判据，实现优化选优，最终实现于指导虚拟海洋战场仿真系统构建。

附图说明：

图1是本发明提出的基于原始数据驱动的混合赋权的海洋战场可视化效果评估方法原理示意图

图2是实施例中VP方案绘制虚拟水面舰和预警机联合作战虚拟海洋战场场景；

图3是实施例中OSG方案绘制虚拟水面舰和预警机联合作战虚拟海洋战场场景；

图4是实施例中VP方案绘制虚拟水面舰作战海洋战场场景；

图5为是实施例中OSG方案绘制虚拟水面舰作战海洋战场场景；

图6是实施例中虚拟海洋战场可视化化效果的指标体系；

图7是实施例中评估指标量化值。

实施实例

以OpenSceneGraph(简称OSG)和Vega Prime(简称VP)两种不同方法绘制的海洋战场场景作为该方法的应用实例，进行虚拟海洋战场三维可视化效果的评估。

OSG使用OpenGL技术开发，提供一套基于C++平台的应用程序接口API，它让程序员能够更加快速、便捷地创建高性能、跨平台的交互式图形程序；VP底层使用OpenGL技术，利用Lynx Prime GUI工具，使用基于VSG的跨平台场景图形API，让用户既可以用图形化的工具进行快速配置，准确地开发实时三维场景。

根据图2-5可以看出两种方案建立的虚拟海洋战场场景三维可视化效果不尽相同，反映于虚拟海洋战场可视化效果的核心指标体系如图6所示，9个指标均为效益型指标，涵盖三维模型、海洋自然环境、计算机显示等关键指标。

根据指标定量分析，形成VP和OSG方案指标体系量化值，如表1所示。

表1两种虚拟海洋战场的评估指标量化值

本实施例的具体计算过程是：

步骤1：计算主观权重。确定判定矩阵A

由公式(21)可知，λ_max＝9.580,CI＝0.073,RI＝1.45,CR＝0.05，通过一致性检验。确定虚拟海洋战场可视化效果评估指标主观权重为

W_s＝(0.112,0.071,0.107,0.053,0.198,0.253,0.087,0.062,0.057)

步骤2：计算客观权重。利用公式(4)-(8)确定虚拟海洋战场可视化效果评估指标客观权重为W_o＝(0.120,0.107,0.114,0.125,0.127,0.109,0.104,0.068,0.126)。

步骤3：计算混合集合。利用公式(9)-(14)确定虚拟海洋战场可视化效果评估指标为W＝(0.118,0.097,0.112,0.104,0.147,0.150,0.099,0.066,0.106)，其中f＝2，u₁＝W_s，u₂＝W_o，δ₁＝0.2395，δ₂＝0.6017。

根据步骤1-3可以确定主观权重、客观权重和混合权重如图7所示。可以看出混合权重能够在主观权重和客观权重之间得到优化和平衡。

步骤4：多属性决策聚合。利用公式(15)-(20)确定虚拟海洋战场可视化效果方案的相对贴近度C_i＝(0.035,0.965)。

根据以上分析可知，C₁＜C₂，VP和OSG方案区分度高，基于OSG方案的虚拟海洋战场可视化方案最优；另一方面，图7显示海洋特性和帧频特性混合权重分别为0.147和0.150，体现于虚拟海洋战场场景逼真性和流畅性，特别是在虚拟海洋战场场景复杂时。因此，从指导虚拟海洋战场可视化仿真系统构建的角度考虑，本发明提出的三维可视化效果评估效果良好，为大型复杂的虚拟海洋战场三维可视化效果评估提供新的视角。

Claims (1)

1.一种虚拟海洋战场三维可视化效果评估方法，设有n个虚拟海洋战场可视化设计方案A_i(1≤i≤n)，m个可视效果评估指标V_j(1≤j≤m)，n个方案m指标构成原始决策矩阵具体实现步骤如下：

步骤1:层次分析法确定主观权重

1)构造判断矩阵；根据美国T.L.Saaty教授提出的1-9标度方法，对同一层次的各因素相对于上一层因素的重要性进行两两比较，得到权重判断矩阵A；

其中，a_ij＞0，a_ii＝1且i＝1,2,…,m，j＝1,2,…,m，即A为正负反矩阵；

2)判断矩阵求解权重；对判断矩阵A每一列进行归一化处理：得到归一化矩阵

将归一化矩阵按行相加得到向量α＝(α₁,α₂,…,α_m)^T，即同时对向量α作归一化处理，即获取权重同时获取最大特征值

3)判断矩阵的一致性检验；计算一致性指标m为矩阵阶数，CI越大，表明判断矩阵偏离完全一致性越厉害；CI越小，表明判断矩阵越接近完全一致性；查找相应的平均随机一致性指标RI,计算相对一致性比率CR＝CI/RI,若CR≤0.1，则认为判断矩阵一致性可以接受，否则重新构造判断矩阵；

步骤2：差异驱动原理确定客观权重

1)构造标准样本变换标准化矩阵；在矩阵中，令则

${\stackrel{\‾}{Y}}_j=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{Y}_{ij}---\left(4\right)$

$s_j=\sqrt{\frac{1}{n-1}\underset{i=1}{\overset{n}{\Σ}}{(Y_{ij}-{\stackrel{\‾}{Y}}_j)}^2}---\left(5\right)$

样本均值，s_j样本均方差，矩阵X＝(x_ij)_n×m称为标准样本变换标准化矩阵；

2)数据差异驱动获取客观权重；令为客观指标权重的集合，设y＝(y₁,y₂,…,y_n)^T，则

抽取构成的样本方差S²，即

$S^2=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{(y_i-\stackrel{\‾}{y})}^2=\frac{1}{n}{y}^{T}y-{\stackrel{\‾}{y}}^2---\left(7\right)$

由于原始决策矩阵标准化后X中的数据满足因此存在

${\mathrm{nS}}^2=y^{T}y-{\stackrel{\‾}{y}}^2=y^{T}y=W_o^T{X}^T{\mathrm{XW}}_o=W_o^T{\mathrm{HW}}_o---\left(8\right)$

式中，H＝X^TX；若大值就使得各指标之间的信息差异最大，从而实现差异驱动，即满足：W_o＞0；根据矩阵性质可知，当H的元素大于0时，有唯一的最大特征值及其对应的特征向量；计算H的最大特征值对应的特征向量并归一化得到，即为指标权重系数构成的向量；

步骤3：基于博弈论的权重混合

1)构造权重向量集；设权重向量集U＝(u₁,u₂,…,u_f)，通过f个向量任意线性组合成一个可能的权重集：

$U=\underset{i=1}{\overset{f}{\Σ}}{\mathrm{\δ}}_i{u}_i^T,({\mathrm{\δ}}_i>0)---\left(9\right)$

式中：δ_i权重系数，i＝1,2,…,f；

2)实现权重的离差最小化；根据博弈论的基本思想是在不同的权重之间寻找一致或妥协，即极小化可能的权重跟各个基本权重之间的各自偏差；寻找最满意的权向量，可转化为对一个可能的权重集中f个线性组合系数δ_i进行优化，即：

$min\left|\right|\underset{j=1}{\overset{f}{\Σ}}{\mathrm{\δ}}_j\×u_j^T-u_i^T|{|}_2---\left(10\right)$

由(9)可知，其最优化的的一阶导数条件为；

$\underset{j=1}{\overset{f}{\Σ}}{\mathrm{\δ}}_j\×u_i\×u_j^T=u_i\×u_j^T---\left(11\right)$

由(10)构建线性方程组，确定线性组合系数δ_i

3)计算混合权重；对(δ₁,δ₂,…,δ_f)进行归一化处理；即，

混合权重集W：

步骤4：基于双基点法的多属性决策

1)构造标准化决策矩阵；用向量归一化法对决策矩阵标准化处理，得到标准化矩阵Y＝(y_ij)_n×m；

2)计算加权标准化矩阵V；根据混合权重W和标准化矩阵Y，计算加权标准化矩阵

V＝(v_ij)_n×m＝(w_jy_ij)_n×m (15)

3)确定理想解V⁺和负理想解V^-；

$V^{+}=\{\left(\underset{1\≤i\≤n}{max}{v}_{ij}\right|j\∈J^{+}),\left(\underset{1\≤i\≤n}{min}{v}_{ij}\right|j\∈J^{-})\}=\{v_1^{+},v_2^{+},...,v_m^{+}\}---\left(16\right)$

$V^{-}=\{\left(\underset{1\≤i\≤n}{min}{v}_{ij}\right|j\∈J^{+}),\left(\underset{1\≤i\≤n}{max}{v}_{ij}\right|j\∈J^{-})\}=\{v_1^{-},v_2^{-},...,v_m^{-}\}---\left(17\right)$

其中：J⁺＝{效益型指标集},J^-＝{成本型指标集}

4)计算理想解与负理想解的距离和

$S_i^{+}=\sqrt{\underset{j=1}{\overset{n}{\Σ}}{(v_{ij}-v_j^{+})}^2},(i=1,2,...,n)---\left(18\right)$

$S_i^{-}=\sqrt{\underset{j=1}{\overset{n}{\Σ}}{(v_{ij}-v_j^{-})}^2},(i=1,2,...,n)---\left(19\right)$

5)计算各方案的相对贴近度C_i，实现指标的聚合；

$C_i=\frac{S_i^{-}}{S_i^{+}+S_i^{-}},(i=1,2,...,n)---\left(20\right)$

依据相对贴近度的大小对各个评价方案进行排序，形成决策依据。