CN110059932A - 基于svm的对地攻击型无人机作战效能评估方法 - Google Patents
基于svm的对地攻击型无人机作战效能评估方法 Download PDFInfo
- Publication number
- CN110059932A CN110059932A CN201910226764.5A CN201910226764A CN110059932A CN 110059932 A CN110059932 A CN 110059932A CN 201910226764 A CN201910226764 A CN 201910226764A CN 110059932 A CN110059932 A CN 110059932A
- Authority
- CN
- China
- Prior art keywords
- unmanned plane
- air
- index
- type unmanned
- attack type
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 48
- 239000002245 particle Substances 0.000 claims abstract description 42
- 230000004083 survival effect Effects 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 7
- 230000008929 regeneration Effects 0.000 claims description 6
- 238000011069 regeneration method Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 238000012886 linear function Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 230000000739 chaotic effect Effects 0.000 claims description 2
- 230000010365 information processing Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000011002 quantification Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 claims 1
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 238000003786 synthesis reaction Methods 0.000 claims 1
- 238000012706 support-vector machine Methods 0.000 abstract description 5
- 201000004569 Blindness Diseases 0.000 abstract description 3
- 238000013210 evaluation model Methods 0.000 abstract description 2
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000005469 granulation Methods 0.000 description 1
- 230000003179 granulation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于SVM的对地攻击型无人机作战效能评估方法。为了能够更加可靠地反映在复杂多变战场环境中无人机的作战效能，针对对地攻击型无人机作战效能评估的问题，提出了基于改进的粒子群算法优化支持向量机的对地攻击型无人机作战效能评估模型。该评估模型在支持向量机的基础上，采用改进的粒子群算法寻找最优惩罚参数和核函数参数，避免了人为设定惩罚参数和核函数参数的盲目性，另外，本发明结合熵权法与专家打分法对效能评估的指标体系进行筛选，将对地攻击型无人机作战效能主要进行数据链能力、态势感知能力、生存能力、武器能力四个方面的评估。
Description
技术领域
本发明涉及一种无人机作战效能评估方法，具体的说是一种基于SVM的对地攻击型无人机作战效能评估方法，属于效能评估领域。
背景技术
无人机(Unmanned Aerial Vehicle)拥有成本低廉，机动性好，使用方便，操作简单等优点，在诸如侦查，航摄，监控，物品投送等方面具有很大的应用空间。随着无人机自主化和网络化通信技术的发展，无人机的作战运用模式也在不断发展，使得无人机已在战争中起着越来越重要的作用。
近年来，随着无人机技术、计算机仿真技术、虚拟仿真技术的不断提高和发展，相应的无人机效能评估技术也在迅速发展，并逐渐成为无人机设计论证和作战使用领域的一项重要研究内容。如何在现代的高科技战争中合理地使用无人机执行任务，充分发挥它的效能，是各国军方普遍关注的一个问题。要解决上述问题，合理、全面的对无人机综合效能进行衡量是关键。
无人机作战效能评估的意义在于以下几个方面：
促进相关无人机研制技术的发展。
为无人机的合理使用提供一定参考，从而能够在一定程度上促进相应战术水平的提高与进步。
为相关部门制定规则和方案提供依据，为规则制定者和方案决策者提供参考信息。
训练我军作战指挥员的作战指挥能力，从而提高作战指挥员的战术素养和指挥水平。
为我国航空武器装备的发展研究道路提供方向，为我军航空武器的建设和完备提供科学依据。
总而言之，无人机的作战效能评估，对我国航空工业和相关国防事业的发展、前进，有着不可替代的重要意义，是推进我军现代化建设的一种有效手段。
发明内容
本发明的目的是提供一种基于SVM的对地攻击型无人机作战效能评估方法，提出了基于改进的粒子群算法优化支持向量机的对地攻击型无人机作战效能评估模型，该评估模型在支持向量机的基础上，采用改进的粒子群算法寻找最优惩罚参数和核函数参数，避免了人为设定惩罚参数和核函数参数的盲目性。
本发明提供一种基于SVM的对地攻击型无人机作战效能评估方法，其特征在于，包括建立对地攻击型无人机作战效能评估指标体系、建立PSO-SVM预测模型和对作战效能进行仿真评估分析三个部分，其中：
建立对地攻击型无人机作战效能评估指标体系；结合对地攻击型无人机执行任务的实际情况，在评估对地攻击型无人机作战效能时，结合熵权法与专家打分法对评价指标进行筛选，将多层次、多因素的评估问题进行科学的量化处理；
建立PSO-SVM预测模型；通过利用改进的PSO算法优化后的SVM对作战效能进行综合评判，得出其可靠的效能值；
对作战效能进行仿真评估；首先对影响对地攻击型无人机作战效能的因素进行预处理，然后在MATLAB工具上编写相应的代码，检验其能够进行有效的效能评估。
作为本发明的进一步限定，具体步骤如下：
步骤1)首先获得对地攻击型无人机作战效能评估备选指标集，再结合熵权法、专家打分法对备选指标进行筛选，根据对地攻击型无人机作战指标的要求将对地攻击型无人机作战效能主要进行数据链能力、态势感知能力、生存能力、武器能力四个方面的评估，其中数据链能力包括信息接收能力、信息处理能力、信息共享能力；态势感知能力包括目标定位能力、目标辨识能力、雷达性能；生存能力包括飞行高度、抗摧毁能力、最大爬升率、最小转弯半径；武器能力包括空地导弹性能、空地导弹数量、攻击时效性；
步骤2)对基本的PSO算法进行改进，在初始化种群中，采用混沌映射和反向学习策略，提高种群初始解的质量，另外，在种群找到极值点后，加入随机变异因子，使得微粒的位置和坐标更新后，依然保持全局的搜索范围，而避免了全局最优解被排除在搜索区域外；
步骤3)建立PSO-SVM预测模型，通过粒子的不断迭代寻优，寻找到最优的惩罚参数和核函数参数，将输入空间的样本通过非线性映射传递到高维特征空间，并且在这个高维特征空间下进行线性函数拟合，进而实现对地攻击型无人机作战效能评估的功能；
步骤4)首先对影响对地攻击型无人机作战效能的因素进行预处理，然后在MATLAB工具上编写相应的代码，检验其能够进行有效的效能评估。
作为本发明的进一步限定，所述步骤1)中，有如下分步骤：
步骤1.1)：计算底层指标权重；根据已有划分标准和对地攻击型无人机作战特征，将各指标分为“重要”、“中等”和“一般”三个等级尺度，分别用3、2和1表示，由专家判断下层指标对相邻上层指标的重要性等级尺度；
步骤1.2)：确定熵值；引入xij为n个相关专家对某层m个指标的风险等级评分结果，结合各指标已划分等级区间可建立评估矩阵如下：
对地攻击型无人机作战效能评估指标的熵值利用信息熵并结合指标变异程度进行计算；
步骤1.3)：对地攻击型无人机作战效能评估指标的筛选；指标熵权值越大，则其所提供的有效信息越多，对于熵权值较小而专家等级评分均值较大的指标，该指标所包含的有效信息量较多，对评价结果同样可造成较大影响，按照上述方法和原则对评估结果影响较低的指标进行剔除，筛选出合适的指标。
作为本发明的进一步限定，所述步骤2)中，有如下分步骤：
步骤2.1)：根据混沌及反向学习策略，对微粒群的速度、位置、种群维度、学习因子等参数进行初始设定；
步骤2.2)：计算每个粒子的适应度值，粒子的适应度函数为：
其中，N为样本个数，J为输出节点个数，yij为第i个样本的第j个实际输出，Yij为第i个样本的第j个期望输出，m＝1,2,...,M(M为粒子个数)；
步骤2.3)：判断所得出的适应度值，并记录个体与当前全局的历史最优，若满足终止条件，则算法结束，否则，调整惯性权重，根据种群的全局最优值和个体最优值，更新种群各个个体的速度和位置，并判断各个粒子的速度是否越界，如果越界，就使用速度阈值来限制粒子的速度；
步骤2.4)：根据种群的所有个体的个体最优值，更新种群的全局最优值；
步骤2.5)：根据种群在进化前和进化后的速度和位置差异，如果种群会有收敛到局部最优的可能，比较迭代的次数与收敛到局部的次数，根据动态变异公式，使得粒子的位置发生动态的调整，并在全局具有一定的均匀分布。如未达到结束条件，则转到步骤2.3；
步骤2.6)：算法运行结束。最终结束的判断条件是微粒的适应度符合预期的误差范围或者算法遇到异常。
作为本发明的进一步限定，所述步骤3)中，有如下分步骤：
步骤3.1)：设置SVM的相关属性，最优惩罚参数和核函数参数由前面改进的PSO算法确定，其它参数保持系统设置值不变；
步骤3.2)：根据经验，确定加速常数d1＝d2＝1.69，迭代阈值为3000次，粒子个数为200，其余参数不作改动；
步骤3.3)：改进的PSO算法每次迭代运算后，都要判断获得的权值和阈值是否达到了要求，如果达到了要求，进行效能评估，否则转到步骤3.4；
步骤3.4)：为了让PSO不至于在某一阶段持续性具有较强的全局搜索能力或者局部搜索能力，使用自适应变异方法对惯性权重进行调节；
步骤3.5)：按照如下的公式对粒子的新速度和新位置进行定位；
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
(1)结合熵权法与专家打分法对评价指标进行筛选，通过这两种方法的有效结合，不仅可反映各风险指标的实际状态而且确保了各指标之间的差异；
(2)根据混沌及反向学习策略，对微粒群的速度、位置、种群维度、学习因子等参数进行初始设定，扩展了粒子的搜索空间，提高了算法中粒子的利用率；
(3)采用了改进的粒子群算法寻找到SVM的最优惩罚参数和核函数参数，避免了人为设定惩罚参数和核函数参数的盲目性。
附图说明
图1是对地攻击型无人机作战效能评估指标体系图。
图2是改进的PSO算法流程图。
图3是PSO-SVM流程图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明：
以下结合附图具体说明本发明技术方案。
本发明属于无人机作战效能评估领域，具体涉及一种基于SVM的对地攻击型无人机作战效能评估方法，主要针对对地攻击型无人机作战效能评估的问题，结合熵权法与专家打分法对效能评估的指标进行筛选。利用改进的粒子群算法优化支持向量机构建效能评估模型；总体流程如附图1所示，具体步骤如下：
步骤1)：获得对地攻击型无人机作战效能评估备选指标集，再结合熵权法、专家打分法对备选指标进行筛选；
步骤1.1)：计算底层指标权重。根据已有划分标准和对地攻击型无人机执行任务特征，将各指标分为“重要”、“中等”和“一般”三个等级尺度，分别用3、2和1表示，由专家判断下层指标对相邻上层指标的重要性等级尺度；
步骤1.2)：确定熵值。引入xij为n个相关专家对某层m个指标的风险等级评分结果，结合各指标已划分等级区间可建立评估矩阵如下：
对无人机效能评估指标熵值利用信息熵并结合指标变异程度进行计算；
步骤1.3)：对地攻击型无人机效能评估指标的筛选。指标熵权值越大，则其所提供的有效信息越多，对于熵权值较小而专家等级评分均值较大的指标，该指标所包含的有效信息量较多，对评价结果同样可造成较大影响。按照上述方法和原则对评估结果影响较低的指标进行剔除，筛选出合适的指标。
步骤2)：对基本的PSO算法进行改进；
步骤2.1)：初始化粒子群，对微粒群的速度、位置、种群维度、学习因子等参数进行初始设定；
步骤2.2)：计算每个粒子的适应度值。粒子的适应度函数为：
其中，N为样本个数，J为输出节点个数，yij为第i个样本的第j个实际输出，Yij为第i个样本的第j个期望输出，m＝1,2,...,M(M为粒子个数)；
步骤2.3)：根据种群的全局最优值和个体最优值，更新种群各个个体的速度和位置，并判断各个粒子的速度是否越界，如果越界，就使用速度阈值来限制粒子的速度；
步骤2.4)：根据种群的所有个体的个体最优值，更新种群的全局最优值；
步骤2.5)：根据种群在进化前和进化后的速度和位置差异，如果种群会有收敛到局部最优的可能，比较迭代的次数与收敛到局部的次数，根据动态变异公式，使得粒子的位置发生动态的调整，并在全局具有一定的均匀分布。如未达到结束条件，则转到步骤2.3；
步骤2.6)：算法运行结束。最终结束的判断条件是微粒的适应度符合预期的误差范围或者算法遇到异常。
步骤3)：建立PSO-SVM预测模型。通过粒子的不断迭代寻优，寻找到最优的惩罚参数和核函数参数，将输入空间的样本通过非线性映射传递到高维特征空间，并且在这个高维特征空间下进行线性函数拟合，进而实现对地攻击型无人机作战效能评估的功能；
步骤3.1)：设置SVM相关属性。最优惩罚参数和核函数参数由前面改进的PSO算法确定，其它参数保持系统设置值不变；
步骤3.2)：根据经验，确定加速常数d1＝d2＝1.69，迭代阈值为3000次，粒子个数为200，其余参数不作改动；
步骤3.3)：改进的PSO算法每次迭代运算后，都要判断获得的权值和阈值是否达到了要求，如果达到了要求，进行效能评估，否则转到步骤3.4；
步骤3.4)：为了让PSO不至于在某一阶段持续性具有较强的全局搜索能力或者局部搜索能力，使用自适应变异方法对惯性权重进行调节；
步骤3.5)：按照如下的公式对粒子的新速度和新位置进行定位；
步骤4)：首先对影响对地攻击型无人机作战效能的因素进行预处理，然后在MATLAB工具上编写相应的代码，检验其能够进行有效的效能评估，为了证明该评估模型具有较高的评估精度，可以选用一些常用的评估模型进行对比(如GA-BP神经网络评估模型和BP神经网络评估模型等)；
以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。
Claims (5)
1.一种基于SVM的对地攻击型无人机作战效能评估方法，其特征在于，包括建立对地攻击型无人机作战效能评估指标体系、建立PSO-SVM预测模型和对作战效能进行仿真评估分析三个部分，其中：
建立对地攻击型无人机作战效能评估指标体系；结合对地攻击型无人机执行任务的实际情况，在评估对地攻击型无人机作战效能时，结合熵权法与专家打分法对评价指标进行筛选，将多层次、多因素的评估问题进行科学的量化处理；
建立PSO-SVM预测模型；通过利用改进的PSO算法优化后的SVM对作战效能进行综合评判，得出其可靠的效能值；
对作战效能进行仿真评估；首先对影响对地攻击型无人机作战效能的因素进行预处理，然后在MATLAB工具上编写相应的代码，检验其能够进行有效的效能评估。
2.根据权利要求1所述的基于SVM的对地攻击型无人机作战效能评估方法，其特征在于，具体步骤如下：
步骤1)首先获得对地攻击型无人机作战效能评估备选指标集，再结合熵权法、专家打分法对备选指标进行筛选，根据对地攻击型无人机作战指标的要求将对地攻击型无人机作战效能主要进行数据链能力、态势感知能力、生存能力、武器能力四个方面的评估，其中数据链能力包括信息接收能力、信息处理能力、信息共享能力；态势感知能力包括目标定位能力、目标辨识能力、雷达性能；生存能力包括飞行高度、抗摧毁能力、最大爬升率、最小转弯半径；武器能力包括空地导弹性能、空地导弹数量、攻击时效性；
步骤2)对基本的PSO算法进行改进，在初始化种群中，采用混沌映射和反向学习策略，提高种群初始解的质量，另外，在种群找到极值点后，加入随机变异因子，使得微粒的位置和坐标更新后，依然保持全局的搜索范围，而避免了全局最优解被排除在搜索区域外；
步骤3)建立PSO-SVM预测模型，通过粒子的不断迭代寻优，寻找到最优的惩罚参数和核函数参数，将输入空间的样本通过非线性映射传递到高维特征空间，并且在这个高维特征空间下进行线性函数拟合，进而实现对地攻击型无人机作战效能评估的功能；
步骤4)首先对影响对地攻击型无人机作战效能的因素进行预处理，然后在MATLAB工具上编写相应的代码，检验其能够进行有效的效能评估。
3.根据权利要求2所述的基于SVM的对地攻击型无人机作战效能评估方法，其特征在于，所述步骤1)中，有如下分步骤：
步骤1.1)：计算底层指标权重；根据已有划分标准和对地攻击型无人机作战特征，将各指标分为“重要”、“中等”和“一般”三个等级尺度，分别用3、2和1表示，由专家判断下层指标对相邻上层指标的重要性等级尺度；
步骤1.2)：确定熵值；引入xij为n个相关专家对某层m个指标的风险等级评分结果，结合各指标已划分等级区间可建立评估矩阵如下：
对地攻击型无人机作战效能评估指标的熵值利用信息熵并结合指标变异程度进行计算；
步骤1.3)：对地攻击型无人机作战效能评估指标的筛选；指标熵权值越大，则其所提供的有效信息越多，对于熵权值较小而专家等级评分均值较大的指标，该指标所包含的有效信息量较多，对评价结果同样可造成较大影响，按照上述方法和原则对评估结果影响较低的指标进行剔除，筛选出合适的指标。
4.根据权利要求2所述的基于SVM的对地攻击型无人机作战效能评估方法，其特征在于，所述步骤2)中，有如下分步骤：
步骤2.1)：根据混沌及反向学习策略，对微粒群的速度、位置、种群维度、学习因子等参数进行初始设定；
步骤2.2)：计算每个粒子的适应度值，粒子的适应度函数为：
其中，N为样本个数，J为输出节点个数，yij为第i个样本的第j个实际输出，Yij为第i个样本的第j个期望输出，m＝1,2,...,M(M为粒子个数)；
步骤2.3)：判断所得出的适应度值，并记录个体与当前全局的历史最优，若满足终止条件，则算法结束，否则，调整惯性权重，根据种群的全局最优值和个体最优值，更新种群各个个体的速度和位置，并判断各个粒子的速度是否越界，如果越界，就使用速度阈值来限制粒子的速度；
步骤2.4)：根据种群的所有个体的个体最优值，更新种群的全局最优值；
步骤2.5)：根据种群在进化前和进化后的速度和位置差异，如果种群会有收敛到局部最优的可能，比较迭代的次数与收敛到局部的次数，根据动态变异公式，使得粒子的位置发生动态的调整，并在全局具有一定的均匀分布。如未达到结束条件，则转到步骤2.3；
步骤2.6)：算法运行结束。最终结束的判断条件是微粒的适应度符合预期的误差范围或者算法遇到异常。
5.根据权利要求2所述的基于SVM的对地攻击型无人机作战效能评估方法，其特征在于，所述步骤3)中，有如下分步骤：
步骤3.1)：设置SVM的相关属性，最优惩罚参数和核函数参数由前面改进的PSO算法确定，其它参数保持系统设置值不变；
步骤3.2)：根据经验，确定加速常数d1＝d2＝1.69，迭代阈值为3000次，粒子个数为200，其余参数不作改动；
步骤3.3)：改进的PSO算法每次迭代运算后，都要判断获得的权值和阈值是否达到了要求，如果达到了要求，进行效能评估，否则转到步骤3.4；
步骤3.4)：为了让PSO不至于在某一阶段持续性具有较强的全局搜索能力或者局部搜索能力，使用自适应变异方法对惯性权重进行调节；
步骤3.5)：按照如下的公式对粒子的新速度和新位置进行定位；
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910226764.5A CN110059932A (zh) | 2019-03-25 | 2019-03-25 | 基于svm的对地攻击型无人机作战效能评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910226764.5A CN110059932A (zh) | 2019-03-25 | 2019-03-25 | 基于svm的对地攻击型无人机作战效能评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110059932A true CN110059932A (zh) | 2019-07-26 |
Family
ID=67317395
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910226764.5A Withdrawn CN110059932A (zh) | 2019-03-25 | 2019-03-25 | 基于svm的对地攻击型无人机作战效能评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110059932A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112465145A (zh) * | 2020-12-02 | 2021-03-09 | 西北工业大学 | 一种基于逻辑推理与模糊综合的无人集群智能定性评价方法 |
| CN112668876A (zh) * | 2020-12-25 | 2021-04-16 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种无人机系统方案综合评估方法 |
| CN112819265A (zh) * | 2019-11-15 | 2021-05-18 | 信云领创(北京)科技有限公司 | 一种基于潜在权重自适应分配的作战方案评估方法 |
| CN113204924A (zh) * | 2021-05-28 | 2021-08-03 | 中国人民解放军军事科学院评估论证研究中心 | 一种面向复杂问题的评估分析方法、装置和计算机设备 |
| CN113467516A (zh) * | 2021-07-26 | 2021-10-01 | 深圳市北斗云信息技术有限公司 | 基于无人机对地攻击的模拟控制方法、系统及终端 |
| CN114444201A (zh) * | 2022-01-16 | 2022-05-06 | 中国人民解放军空军工程大学 | 基于贝叶斯网络的对地攻击无人机自主能力评估方法 |
| CN115577296A (zh) * | 2022-11-19 | 2023-01-06 | 中国人民解放军陆军装甲兵学院 | 一种基于智能优化算法的空地无人系统作战效能评估方法 |
-
2019
- 2019-03-25 CN CN201910226764.5A patent/CN110059932A/zh not_active Withdrawn
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112819265A (zh) * | 2019-11-15 | 2021-05-18 | 信云领创(北京)科技有限公司 | 一种基于潜在权重自适应分配的作战方案评估方法 |
| CN112465145A (zh) * | 2020-12-02 | 2021-03-09 | 西北工业大学 | 一种基于逻辑推理与模糊综合的无人集群智能定性评价方法 |
| CN112465145B (zh) * | 2020-12-02 | 2024-04-05 | 西北工业大学 | 一种基于逻辑推理与模糊综合的无人集群智能定性评价方法 |
| CN112668876A (zh) * | 2020-12-25 | 2021-04-16 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种无人机系统方案综合评估方法 |
| CN113204924A (zh) * | 2021-05-28 | 2021-08-03 | 中国人民解放军军事科学院评估论证研究中心 | 一种面向复杂问题的评估分析方法、装置和计算机设备 |
| CN113204924B (zh) * | 2021-05-28 | 2023-10-24 | 中国人民解放军军事科学院评估论证研究中心 | 一种面向复杂问题的评估分析方法、装置和计算机设备 |
| CN113467516A (zh) * | 2021-07-26 | 2021-10-01 | 深圳市北斗云信息技术有限公司 | 基于无人机对地攻击的模拟控制方法、系统及终端 |
| CN114444201A (zh) * | 2022-01-16 | 2022-05-06 | 中国人民解放军空军工程大学 | 基于贝叶斯网络的对地攻击无人机自主能力评估方法 |
| CN114444201B (zh) * | 2022-01-16 | 2024-05-14 | 中国人民解放军空军工程大学 | 基于贝叶斯网络的对地攻击无人机自主能力评估方法 |
| CN115577296A (zh) * | 2022-11-19 | 2023-01-06 | 中国人民解放军陆军装甲兵学院 | 一种基于智能优化算法的空地无人系统作战效能评估方法 |
| CN115577296B (zh) * | 2022-11-19 | 2023-02-28 | 中国人民解放军陆军装甲兵学院 | 一种基于智能优化算法的空地无人系统作战效能评估方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110059932A (zh) | 基于svm的对地攻击型无人机作战效能评估方法 | |
| CN111722643B (zh) | 仿狼群合作狩猎机制的无人机集群动态任务分配方法 | |
| CN110502031B (zh) | 基于任务需求的异构无人机集群协同最优配置方法 | |
| CN113741508B (zh) | 基于改进狼群算法的无人机任务分配方法 | |
| CN114442662B (zh) | 基于改进狼群优化算法的无人机集群协同对地打击方法 | |
| CN110544011B (zh) | 一种智能化的体系作战效能评估和优化方法 | |
| CN106789359B (zh) | 一种基于灰狼算法的网络流量分类方法及装置 | |
| CN104573812A (zh) | 一种基于粒子萤火虫群优化算法的无人机航路路径确定方法 | |
| CN114444203B (zh) | 基于战场态势变权的空中集群威胁评估方法 | |
| CN111311049A (zh) | 一种基于收益最大化的多智能体任务分配方法 | |
| CN104392087A (zh) | 一种顶置武器站性能评估方法 | |
| CN103824291A (zh) | 连续量子雁群算法演化脉冲耦合神经网络系统参数的自动图像分割方法 | |
| CN113625569B (zh) | 一种基于混合决策模型的小型无人机防控决策方法及系统 | |
| CN109885082B (zh) | 一种基于任务驱动下的无人机航迹规划的方法 | |
| Qingwen et al. | Cooperative jamming resource allocation of UAV swarm based on multi-objective DPSO | |
| CN109670660A (zh) | 一种基于直觉模糊topsis的舰艇编队动态防空威胁估计方法 | |
| CN113887919A (zh) | 基于杂交-离散粒子群算法的多无人机协同任务分配方法及系统 | |
| CN114444201B (zh) | 基于贝叶斯网络的对地攻击无人机自主能力评估方法 | |
| CN113608546B (zh) | 量子海狮机制的无人机群任务分配方法 | |
| CN115293022A (zh) | 基于OptiGAN和时空注意力的航空兵智能体对抗行为建模方法 | |
| CN113537663A (zh) | 基于topsis算法的无人机航迹评价方法 | |
| CN114912741A (zh) | 一种作战体系结构效能评估方法、装置以及存储介质 | |
| CN114444389A (zh) | 基于组合赋权和改进vikor的空袭目标动态威胁评估方法 | |
| CN109299491B (zh) | 一种基于动态影响图对策的元模型建模方法及使用方法 | |
| CN112926739A (zh) | 一种基于神经网络模型的网络对抗效能评估方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190726 |
|
| WW01 | Invention patent application withdrawn after publication |