CN109117538A - 一种基于加权犹豫度的干扰威胁评估方法 - Google Patents

Abstract

本发明涉及一种基于加权犹豫度的干扰威胁评估方法，解决的是准确度低的技术问题，通过采用包括步骤一，建立干扰威胁评估模型，建立云模型步骤二，确定可变权重的数学模型，可变权重的数学模型用于根据主观权重和客观权重确定综合权重w:w＝α*w₁+(1‑α)*w₂，α＝0.6，主观权重为w₁，客观权重为根据云模型的不确定度表示的客观权重w₂；步骤三，测量数据不确定性计算出测量数据的加权犹豫度，计算时间权重；步骤四，根据综合权重、加权犹豫度及时间权重计算各目标的威胁度最终值，确定其所属的威胁度等级T_i，根据最大模糊度确定不同威胁度等级的范围的技术方案，较好的解决了该问题，可用于威胁评估中。

Description

一种基于加权犹豫度的干扰威胁评估方法

技术领域

本发明涉及威胁评估领域，具体涉及一种基于加权犹豫度的干扰威胁评估方法。

背景技术

干扰威胁评估是一种基于干扰源对接收机干扰严重程度的一种威胁评估。在建立威胁评估模型时，确定目标的综合权重通常采用主观权重和客观权重相结合的方式，主观权重可以体现出决策者对评估形式的把握度，客观权重在一定程度上可以避免决策者因自身经验不足而带来的权重值的偏差。提出基于信息熵的客观权重，用数据所含信息量的多少来确定客观权重的大小，以包含信息的量确定信息的重要性，但在实际的工程中，由于测量设备精度和干扰源评估指标属性值变化的影响，测量数据往往带有模糊性和随机性。

现有的干扰威胁评估方法存在准确度低的技术问题，因此提供一种基于加权犹豫度的干扰威胁评估方法就很有必要。

发明内容

本发明所要解决的技术问题是现有技术中存在准确度低的技术问题。提供一种新的基于加权犹豫度的干扰威胁评估方法，该基于加权犹豫度的干扰威胁评估方法具有准确度高的特点。

为解决上述技术问题，采用的技术方案如下：

一种基于加权犹豫度的干扰威胁评估方法，所述干扰威胁评估方法包括：

步骤一，建立干扰威胁评估模型，建立云模型；

步骤二，确定可变权重的数学模型，可变权重的数学模型用于根据主观权重和客观权重确定综合权重w：

w＝α*w₁+(1-α)*w₂，α＝0.6，主观权重为w₁，客观权重为根据云模型的不确定度表示的客观权重w₂；

步骤三，测量数据不确定性计算出测量数据的加权犹豫度，计算时间权重；

步骤四，根据综合权重、加权犹豫度及时间权重计算各目标的威胁度最终值，确定其所属的威胁度等级T_i，根据最大模糊度确定不同威胁度等级的范围。

本发明的工作原理：用AHP法确定的主观权重具有很大的主观性，实际工程中会因专家自身经验、资历和偏好不同而有较大偏差，甚至是评估出差异较大的干扰威胁程度。为解决因主观因素带来评估系统评估结果偏差较大的问题，采用基于主观权重和客观权重相结合的综合权重。客观权重在一定程度上反映数据本身内在信息，目前多采用熵权确定客观权重。从信息熵角度出发，考虑某一指标变化程度越剧烈，提供的信息越多，应赋予的权重应越大。这种方法在信息论层面赋予客观权重，可以一定程度上避免主观因素的影响。但在实际环境中，受设备监测精度和干扰源评估指标属性值变化的影响，监测到的数据往往具有不确定性，即兼具模糊性和随机性，考虑到此种情况。

云模型可以用数字特征期望Ex、熵En和超熵He表示定性概念和定量数值之间的双向转换，定量值x∈U，且x是定性概念C的一次随机实现，x对C的确定度μ∈[0，1]是具有稳定倾向的随机数：

则x在论域U上的分布称为云，每一个x称为一个云滴。其中确定度μ是模糊集合下隶属度的概念，同时它具有概率意义下的随机分布，确定度μ同时体现了模糊性和随机性，即表达了数据自身的不确定性。

本发明提出一种基于数据不确定性的客观权重，用云模型中的确定度μ确定客观权重，确定度μ兼具模糊性和随机性。实际监测到的评估指标属性值是一个确定值，不能表达出实际监测中由于外界影响而带来数据本身的不确定性，利用云模型中确定度μ表示客观权重，可以弥补实际数据中本身不确定性的缺失。

目标客观权重定义为：

其中m为评估目标数，n为目标的评估指标个数，w_2ij为目标i的评估指标j的客观权重，μ_ij为目标i的评估指标j的确定度。其中μ_ij是其中a_ij是目标i的评估指标j的属性值，Ex代表了云模型的期望值，Enn是服从以En为期望，He²为方差的高斯分布Enn～N(En，He²)的一次随机实现。

上述方案中，为优化，进一步地，步骤三的计算加权犹豫度包括：

将不确定性数据犹豫度定义为在数据取值概率大于等于99％情况下取值的范围；

加权犹豫度为数据属性值与不确定性数据犹豫度的乘积：χ_ij＝a_ij*(μ_ijmax-μ_ijmin)；

其中，a_ij为数据属性值。

进一步地，所述计算时间权重为使用泊松分布逆形式确定时间权重y₁，y₂，，y_P。

进一步地，所述干扰威胁评估模型为归一化决策矩阵：

进一步地，步骤四包括：

步骤4.1，建立t₀时刻基于综合权重的归一化决策矩阵

其中，*表示哈达马积；

步骤4.2，建立t₁，t₂，，t_P时刻的归一化决策矩阵

步骤4.3，建立基于时间权重值的最终决策矩阵ψ，ψ＝YΛ^T

Y＝[y₁，y₂，，y_P]

步骤4.4，根据最大模糊度确定不同威胁度等级的范围，其中加权犹豫度之间差值最大为h_max＝max[a_ij*(μ_ijmax-μ_ijmin)]；

目标属性值累计的加权犹豫度为：H＝n*h_max，威胁等级从排序为高到低。

Enn是服从以En为期望，He²为方差的高斯分布Enn～N(En，He²)的一次随机实现，Enn具有随机性，同时带来客观权重μ_ij的不确定度，为了表征μ_ij不确定度的大小，借鉴模糊集中犹豫度的概念，本发明定义不确定度大小为犹豫度，它表征客观权重可取值的范围的大小，犹豫度越大，客观权重变化范围也越大，即客观权重值的不确定性越强。根据正态分布的特性可知，Enn∈(En-3*He，En+3*He)的概率大约为99％，即

P(|Enn-En|≤(3*He))≈0.99

因此不同的目标属性值a_ij的客观权重值μ_ij在Enn对应的范围内具有相同的概率值，即：P(μ_ijmin≤μ_ij≤μ_ijmax)≈0.99。定义犹豫度，将不确定性数据犹豫度定义为在数据取值概率大于等于99％情况下取值的范围。不同属性值对应的犹豫度不同，属性值的改变会带来数据不确定性的变化，为了统一表示属性值和客观权重犹豫度对判决结果的影响，定义加权犹豫度。数据属性值与其犹豫度的乘积即为加权犹豫度。加权犹豫度统一表征了数据属性值和客观权重犹豫度对判决结果的影响。

本发明的有益效果：本发明建立干扰威胁评估模型，确定目标评估指标的数学模型，确定加权犹豫度评估出干扰目标威胁度，提出描述实际数据中的不确定度，即兼具模糊性和随机性。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1，干扰威胁评估指标示意图

图2，云模型示意图。

图3，客观权重的半正态上升云模型示意图。

图4，客观权重犹豫度范围曲线图。

图5，加权犹豫度范围变化曲线示意图。

图6，加权犹豫度随目标属性值变化曲线。

图7，目标威胁度属性变化图。

图8，目标威胁度表示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

实施例1

本实施例提供一种基于加权犹豫度的干扰威胁评估方法，是基于某机场的干扰威胁评估，机场电磁环境复杂，导航信号极易受到有意或无意的电磁干扰，影响机场导航信号的无意干扰有多径干扰，阴影衰落，导航系统间干扰及其他电台射频源干扰；有意干扰从技术手段上有压制式干扰和欺骗式干扰，实施方式上看又有分布式组网干扰，大功率干扰和多体制组合干扰。干扰源及受干扰设备的地理环境和设备受干扰后带来的损失严重程度也影响着干扰的威胁程度。

机场的干扰威胁评估模型如图1，包括电磁环境，目标价值和威胁意图。电磁环境报告干扰机功率参数，频谱重合度，干扰类型。目标价值为目标自身价值。威胁意图包括相对角和相对位置。

本实施例定义定义电磁环境参数，干扰机功率威胁隶属函数为

其中，α为载噪比下降调节因子，(C/N₀)_eq为加入干扰信号后的等效载噪比，C/N₀为接收机未受干扰时的载噪比，Q为扩频处理调节因数。视干扰类型而定，窄带干扰取1，宽带扩频干扰取1.5，宽带噪声干扰取2，其中欺骗式干扰为宽带扩频干扰；R_c为C/A码速率1.023MChip/s。载噪比下降情况越严重，干扰机功率对接收机干扰威胁程度越大。

定义频谱重合度威胁隶属函数为： 干扰信号功率谱密度G_s(f)＝T_csinc²(πfT_c)；

其中，G_j(f)为干扰机发射信号功率谱密度，G_s(f)为受干扰设备信号的功率谱密度，f_C为载波频率。

定义干扰类型威胁隶属函数为：

其中，M₁为窄带干扰，M₂为宽带噪声干扰，M₃为欺骗式干扰。

目标价值：定义目标价值的干扰威胁隶属函数为

O₁表示其它设备，O₂表示个人设备，O₃表示大型公共设施。

威胁意图：干扰威胁隶属函数为

其中，r₁为被干扰的接收机完全不能正常工作时的干扰机距离，r₂为干扰机的最远有效干扰距离，λ_j为载波波长，EIRP_j为干扰机辐射功率。

各类干扰信号功率谱密度：窄带干扰：G_j(f)＝δ(f-f_j)；宽带干扰：欺骗干扰：G_j(f)＝G_s(f)＝T_csinc²(πfT_c)。其中B_s为导航信号接收机前端滤波器带宽，G_j(f)为干扰机发射信号功率谱密度，G_s(f)为受干扰设备信号的功率谱密度，f_C为载波频率。本实施例采用BPSK调制方式的功率谱密度。

本实施例的云模型如图2，为二维云图。根据经验，令Ex＝1，En＝0.45，He＝0.007图3为客观权重的半正态上升云模型示意图。图4为Ex＝1，En＝0.45，He＝0.007的情况下客观权重犹豫度的情况，图中深色面积即为犹豫度，深色面积越大，对应的犹豫度越大，不确定性越大，即为数据模糊性和随机性越强。从图4中可以看出，不同属性值对应的犹豫度不同，属性值的改变会带来数据不确定性的变化，为了统一表示属性值和客观权重犹豫度对判决结果的影响，定义加权犹豫度。

加权犹豫度统一表征了数据属性值和客观权重犹豫度对判决结果的影响。从图5和图6中可以看出，数据属性值越接近0和1时，加权犹豫度越小，即数据的不确定性对判决结果的影响越小，在属性值0和1的极端情况下加权犹豫度为0，即此时数据不存在犹豫度，此时对应实际情况中判决属性值有无的情况，这种情况一般不具有不确定性，因此加权犹豫度为0符合实际情况。在目标属性值越接近中间值0.5时，数据的加权犹豫度对判决结果的影响越大，即实际情况中，目标越处于两种状态的过渡阶段，数据的不确定性越大，因此带来的犹豫度越大，符合实际情况。

本实施例算法的具体步骤为：

step1：确定干扰威胁评估指标体系，建立数学评估模型并建立归一化决策矩阵。

step2：确定综合权重w_i，根据AHP法和云模型不确定度确定综合权重。

step3：根据测量数据不确定性计算出其加权犹豫度χ。

χ_ij＝a_ij*(μ_ijmax-μ_ijmin)

step4：建立t₀时刻基于综合权重的归一化决策矩阵

式中*表示哈达马积。

step5：重复step2到step4，分别建立t₁,t₂,…,t_P时刻的归一化决策矩阵

step6：确定时间权重。基于泊松分布逆形式确定时间权重y₁，y₂，，y_P，求出基于时间权重的最终决策矩阵ψ，ψ＝YΛ^T

Y＝[y₁，y₂，，y_P]

step7：计算各目标的威胁度最终值，确定其所属的威胁度等级T_i。

根据最大模糊度确定不同威胁度等级的范围。加权犹豫度之间差值最大为

h_max＝max[a_ij*(μ_ijmax-μ_ijmin)]，目标属性值累计的加权犹豫度为：H＝n*h_max，威胁等级从高到低，威胁等级1为[0，H)，威胁等级2为[H，2*H)，以此类推下去。

step8：根据不同的威胁度等级进行目标排序，输出最终威胁度从大到小排序。

仿真结果为，基于重庆江北机场电磁干扰威胁为背景进行干扰威胁评估建模。电磁干扰指标见图1所示体系，干扰威胁指标数学模型采用前述干扰威胁评估模型。

系统中假定到达地面接收机的GNSS信号强度为-130dbm，C/N₀＝45dB/hz，R_c＝1.023MHz，并假定地面接收机跟踪门限为28db/hz，即接收机能正常工作时的最低载噪比。表1为地面接收机接收信号的部分参数表。表2-表4为时刻1、时刻2和时刻3的参数表。表2-表4中，a：干扰机功率，单位为dbm；b：频谱范围，单位为MHz；c：干扰类型，窄带干扰1，宽带干扰2，欺骗干扰3；d：目标价值，其他设备1，个人设备2，大型公共设备3；e：相对距离，单位为m；f：相对角，单位为度°。

表1

表2

表3

表4

主观权重用AHP法确定，可得其主观权重值为：[0.38，0.25，0.07，0.16，0.10，0.04]。同时使用基于数据不确定性得到时刻1、时刻2和时刻3的客观权重属性值如表5。计算出的时刻1综合权重属性值，如表6。最终计算出目标威胁如表7。

表5

表6

表7

类似的，按照时刻1的过程，可计算出时刻2，3的威胁度，本实施例予以省略过程。经计算时刻1，2，3威胁度如下：

t₁：T₁＞T₂＞T₈＞T₅＞T₆＞T₄＞T₃＞T₇

t₂：T₂＞T₁＞T₄＞T₅＞T₈＞T₆＞T₇＞T₃

t₃：T₂＞T₁＝T₃＞T₇＞T₅＞T₆＞T₄＞T₈

计算并输出当前时刻综合威胁度：T＝γ₁t₁+γ₂t₂+γ₃t₃。

T₁＝1.07，T₂＝1.10，T₃＝0.85，T₄＝0.98，

计算得出最终威胁度为：T₅＝0.83，T₆＝0.75，T₇＝0.82，T₈＝0.76。

即最终威胁度按从大到小排序为：T₂＞T₁＞T₄＞T₃＞T₅＞T₇＞T₈＞T₆。

图7为目标威胁度属性变化图。给出了威胁值在三个时刻和最终时刻的变化值，从上面的分析可以看出，目标2，3，4，7随着时间的变化威胁度逐渐增大，目标8随着时间的变化威胁度逐渐减小，目标1，5，6威胁度值基本无明显变化。其中h_max＝0.03，n＝6，H＝n*h_max＝0.18，威胁度等级1为[0，0，18)，威胁度等级2为[0，18，0.36)，威胁度等级3为[0.36，0.54)，威胁度等级4为[0.54，0.72)，威胁度等级5为[0.72，0.90)，威胁度等级6为[0.90，1.08)，威胁度等级7为[1.08，1.26)。根据上述威胁度值进行威胁度等级排序，最终结果如图8。

图8中，目标2的威胁度等级为7最高，目标1和目标4威胁度等级为6，威胁度中等，目标3，5，6，7，8的威胁度为5较低。同时综合权重采用主观权重和基于云模型的不确定度的犹豫度加权，能在一定程度上模拟现实中由于测量带来的误差而对系统结果造成的一定的影响，得出的威胁度结果更贴合实际情况，为决策人员决策提供一定的依据。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员能够理解本发明，但是本发明不仅限于具体实施方式的范围，对本技术领域的普通技术人员而言，只要各种变化只要在所附的权利要求限定和确定的本发明精神和范围内，一切利用本发明构思的发明创造均在保护之列。

Claims (5)

1.一种基于加权犹豫度的干扰威胁评估方法，其特征在于：所述干扰威胁评估方法包括：

步骤一，建立干扰威胁评估模型，建立云模型；

步骤二，确定可变权重的数学模型，可变权重的数学模型用于根据主观权重和客观权重确定综合权重w:

w＝α*w₁+(1-α)*w₂，α＝0.6，主观权重为w₁，客观权重为根据云模型的不确定度表示的客观权重w₂；

步骤三，测量数据不确定性计算出测量数据的加权犹豫度，计算时间权重；

步骤四，根据综合权重、加权犹豫度及时间权重计算各目标的威胁度最终值，确定其所属的威胁度等级T_i，根据最大模糊度确定不同威胁度等级的范围。

2.根据权利要求1所述的基于加权犹豫度的干扰威胁评估方法，其特征在于：步骤三的计算加权犹豫度包括：

将不确定性数据犹豫度定义为在数据取值概率大于等于99％情况下取值的范围；

加权犹豫度为数据属性值与不确定性数据犹豫度的乘积：χ_ij＝a_ij*(μ_ijmax-μ_ijmin)；

其中，a_ij为数据属性值。

3.根据权利要求2所述的基于加权犹豫度的干扰威胁评估方法，其特征在于：所述计算时间权重为使用泊松分布逆形式确定时间权重y₁,y₂,…,y_P。

4.根据权利要求3所述的基于加权犹豫度的干扰威胁评估方法，其特征在于：所述干扰威胁评估模型为归一化决策矩阵：

5.根据权利要求4所述的基于加权犹豫度的干扰威胁评估方法，其特征在于：步骤四包括：

步骤4.1，建立t₀时刻基于综合权重的归一化决策矩阵

其中，*表示哈达马积；

步骤4.2，建立t₁,t₂,…,t_P时刻的归一化决策矩阵

步骤4.3，建立基于时间权重值的最终决策矩阵ψ，ψ＝YΛ^T；

Y＝[y₁,y₂,…,y_P]；

步骤4.4，根据最大模糊度确定不同威胁度等级的范围，其中加权犹豫度之间差值最大为h_max＝max[a_ij*(μ_ijmax-μ_ijmin)]；

目标属性值累计的加权犹豫度为:H＝n*h_max，威胁等级从排序为高到低。