CN110197282B

CN110197282B - 一种基于遗传模糊逻辑树的威胁估计与态势评估方法

Info

Publication number: CN110197282B
Application number: CN201910499362.2A
Authority: CN
Inventors: 梁菁; 王田田; 赵晨凯; 任杰; 唐琴; 李岚钧; 杨成浩; 兰宇奇
Original assignee: University of Electronic Science and Technology of China
Current assignee: University of Electronic Science and Technology of China
Priority date: 2019-06-10
Filing date: 2019-06-10
Publication date: 2023-02-03
Anticipated expiration: 2039-06-10
Also published as: CN110197282A

Abstract

本发明公开了一种基于遗传模糊逻辑树的威胁估计与态势评估方法，方法为：对目标特征与属性采用模糊逻辑方法进行推理得到威胁估计结果；将威胁估计结果和环境影响因素输入态势评估的模糊推理器，进行态势评估并得到初步的态势评估结果；根据态势评估的环境影响因素的实时变化，结合遗传算法不断优化模糊推理器，输出得到最终的态势评估结果。本发明构成级联的双层模糊逻辑树，采用模糊逻辑技术，适宜于处理复杂的、非线性的、无法进行数学描述的动态系统，结合遗传算法，具备了更新知识规则库的能力，从而实现智能化的威胁估计与态势评估，且在保留模糊逻辑自适应力与鲁棒性能的同时大幅降低运算量，提升威胁估计与态势评估的时效性。

Description

一种基于遗传模糊逻辑树的威胁估计与态势评估方法

技术领域

本发明属于威胁估计与态势评估的信息融合方法技术领域，具体涉及一种基于遗传模糊逻辑树的威胁估计与态势评估方法。

背景技术

互联网的快速发展，一方面带来了生活的便利，另一方面也造成了现代战争威胁态势的不可度量。指挥自动化技术系统(C3I)是作战过程中重要的指导决策系统，也是战争中的信息枢纽，它通过收集整合战争中各传感器信息，进而对敌方威胁以及整个战场态势进行估计，从而推进战事有目标决策化地进行。

威胁估计与威胁等级分类不同，前者是建立在目标空间位置、运动状态、平台属性、对我方的威胁等级等要素上的高层信息融合技术，而后者是将目标划分为不同的威胁等级。态势评估是对战场上战斗力量分配情况的评价过程，它通过分析所观测到的多种敌方情报，甚至可以包括威胁估计，得到关于敌方兵力结构、使用特点的估计，最终形成战场综合态势图。威胁估计与态势评估是战场中信息融合的重要部分，也是融合中的难点所在。为了能够快速的为指挥员的决策提供帮助，现代战争对其进行研究十分必要。

基于层次分析法的威胁估计是通过层次分析来确定不同类型目标的加权因子，首先确定目标威胁等级评判所需的特征集

其中l＝1，2，L，L，L为进行目标威胁等级评判所选的特征参量数目；然后建立任一特征参量T_l针对不同类型目标U_i的威胁等级评判隶属度函数

然后确定不同特征参量T_l在目标威胁等级评判中的加权因子ω₁，并由此组成加权向量ω＝[ω₁，ω₂L ω_l]^T；最后利用目标威胁等级的威胁估计向量和加权向量确定不同目标最终的威胁等级，即

当指标过多时，层次分析法的数据统计量大，权重难以确定，而且只能从原有的方案中选择最优，不能提供新的决策方案。

态势评估的方法有贝叶斯网络、证据理论和神经网络等。贝叶斯方法遵循概率的可加性，但是由于只是存在不确定性，在现实中这是不太合理的且它不能处理不知道的信息。证据理论是不确定性推理的重要方法，采用信任函数而不是概率作为不确定性度量，但是证据理论的不确定性的传播计算只适用单论域U的情况，若要计算从一个论域框架到另一个论域框架中的不确定性传播则无从解决。神经网络则需要大量的训练样本，迭代次数多，计算量大，而且容易陷入局部最优。

针对以上问题，本文提出了将威胁估计和态势评估结合起来的遗传模糊逻辑树方法。模糊逻辑提供了一种处理人类不确定性的数学方法，它可以对不精确语义信息进行处理，由于威胁估计和态势评估的影响因素具有不确定性，因此采用模糊逻辑算法。遗传算法能够不断优化知识库的规则，因此可将两者结合起来，构建智能化的威胁估计与态势评估算法，显著提升预警系统的环境自适应性，为赢取对抗提供不可或缺的技术支持。

发明内容

本发明的目的在于：解决目前现有的威胁估计方法和态势评估方法指标过多时，只能从原有的方案中选择最优，不能提供新的决策方案以及不能计算从一个论域框架到另一个论域框架中的不确定性传播，且神经网络需要大量的训练样本，迭代次数多，计算量大，容易陷入局部最优的问题，提出了一种基于遗传模糊逻辑树的威胁估计与态势评估方法。

本发明采用的技术方案如下：

一种基于遗传模糊逻辑树的威胁估计与态势评估方法，方法包括：

威胁估计：对信息综合后的目标特征与属性采用模糊逻辑方法进行推理得到威胁估计结果；

态势评估：将威胁估计得到的威胁估计结果和态势评估的环境影响因素输入态势评估的模糊推理器，进行态势评估并得到初步的态势评估结果；

优化模糊推理器：根据态势评估的环境影响因素的实时变化，结合遗传算法不断优化模糊推理器，输出得到最终的态势评估结果。

进一步，所述威胁估计步骤中采用模糊逻辑专家系统对信息综合后的目标特征与属性进行推理得到威胁估计结果，模糊逻辑专家系统的结构包括：模糊器和输出处理器，目标特征与属性输入模糊器，模糊器输出的模糊输入集经过模糊推理机制进行推理得到模糊输出集，模糊推理机制基于专家规则库进行，模糊输出集传输到输出处理器，输出处理器输出得到结果。

进一步，所述方法中的规则库采用或逻辑规则组合。

进一步，所述态势评估的模糊推理器采用区间二型模糊集推理器。

进一步，所述态势评估的模糊推理器结构包括：模糊器和输出处理器，将威胁估计结果和环境影响因素输入模糊器，模糊器输出的模糊输入集经过模糊推理机制进行推理得到模糊输出集，模糊推理机制基于规则库进行，模糊输出集传输到输出处理器，在输出处理器中经过类型降维得到类型降维集和经过解模糊器得到输出结果。

进一步，所述优化模糊推理器步骤中，遗传算法采用多参数编码的方式对求解问题进行编码，各参数分别以一种码制编码，然后再按顺序联接组成表示全部参数的个体编码。

进一步，所述态势评估的具体方法步骤为：

基于威胁估计得到的威胁估计结果和态势评估的环境影响因素进行初始化模糊隶属函数集，然后基于初始化模糊隶属函数集的结果进行初始化规则库与遗传编码，再基于初始化规则库与遗传编码的结果进行态势评估得到初步的态势评估结果。

进一步，所述优化模糊推理器的具体方法步骤为：

S1、对态势评估得到的初步的态势评估结果进行验证是否满足目标函数；

S2、若满足则输出该初步的态势评估结果为最终的态势评估结果，如不满足则运行遗传算法更新隶属函数与规则库，并对更新后的隶属函数与规则库进行判断是否满足最大迭代次数，若满足则输出该初步的态势评估结果为最终的态势评估结果，若不满足则返回态势评估步骤，基于更新后的隶属函数与规则库进行重新进行态势评估，并继续步骤S1。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1、本发明中，威胁估计作为态势评估的输入条件，整个方法流程构成上层是威胁估计，下层是态势评估的双层结构的模糊逻辑树，威胁估计的准确性与时效性是影响综合态势评估的决定性因素，因此把威胁估计作为态势评估的输入条件，保证了威胁估计和态势评估结果的准确性和时效性。本发明中采用模糊逻辑技术对复杂环境进行威胁估计与态势评估，其非常适宜于处理复杂的、非线性的、无法进行数学描述的动态系统，结合遗传算法，使得预警系统在学习模糊推理的同时可不断优化模糊隶属函数并更新规则库，具备了更新知识规则库的能力，从而实现智能化的威胁估计与态势评估。

2、本发明中，态势评估的变量及规则极为复杂，在模糊推理器中遗传算法迭代搜索将面临大规模的运算，采用上层威胁估计下层态势评估的级联结构的模糊逻辑树与遗传算法相结合的可并行化处理系统，在保留模糊逻辑自适应力与鲁棒性能的同时大幅降低运算量，提升威胁估计与态势评估的时效性。

3、本发明中，使用模糊逻辑专家系统对威胁进行量化估计，量化不能完全由概率表示的信息不确定性，能够保证避免语言信息的不确定性对结果造成的影响。

4、本发明中，态势评估的模糊推理器采用区间二型模糊集推理器，保证了在输入变量具有较多的不确定性，且对于不同平台，相应的态势元素也各不相同的情况下，能够得到较全面的初步态势评估结果。

5、本发明中，遗传算法采用多参数编码的方式对求解问题进行编码，各参数分别以一种码制编码，然后再按顺序联接组成表示全部参数的个体编码，保证算法的收敛性和收敛效率，降低复杂度。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明实施例1的流程示意图：

图2为本发明模糊逻辑专家系统结构示意图；

图3为本发明区间二型模糊集推理器的结构示意图；

图4为本发明实施例1中普通模糊逻辑系统规则总数示意图；

图5为本发明实施例1中模糊逻辑树系统规则总数示意图。

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，以下结合附图及实施例，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，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以下结合实施例对本发明的特征和性能作进一步的详细描述。

实施例1

本发明较佳实施例提供的一种基于遗传模糊逻辑树的威胁估计与态势评估方法，方法包括：

本实施例中，方法的流程步骤如图1所示，如下：

步骤1、威胁估计：对信息综合后的目标特征与属性采用模糊逻辑方法进行推理得到威胁估计结果。目标特征与属性包括目标空间位置、目标运动状态、目标平台属性等。

步骤2、态势评估：基于威胁估计得到的威胁估计结果和态势评估的环境影响因素进行初始化模糊隶属函数集，然后基于初始化模糊隶属函数集的结果进行初始化规则库与遗传编码，再基于初始化规则库与遗传编码的结果进行态势评估得到初步的态势评估结果。态势评估的环境影响因素包括对抗措施要素、部队能力、社会政治要素等。

步骤3、优化模糊推理器：

S3.1、对态势评估得到的初步的态势评估结果进行验证是否满足目标函数；

S3.2、若满足则输出该初步的态势评估结果为最终的态势评估结果，如不满足则运行遗传算法更新隶属函数与规则库，并对更新后的隶属函数与规则库进行判断是否满足最大迭代次数，若满足则输出该初步的态势评估结果为最终的态势评估结果，若不满足则返回态势评估步骤，基于更新后的隶属函数与规则库进行重新进行态势评估，并继续步骤S1。

本发明中，威胁估计作为态势评估的输入条件，整个方法流程构成上层是威胁估计，下层是态势评估的双层结构的模糊逻辑树。传统的威胁估计是建立在态势评估的基础之上，对整体威胁程度进行量化，本发明中，威胁估计主要对具有威胁的目标，如导弹、战斗机、轰炸机、航母等进行估计，其准确性与时效性是影响综合态势评估的决定性因素，因此把威胁估计作为态势评估的输入条件，保证了威胁估计和态势评估结果的准确性和时效性。本发明中采用模糊逻辑技术对复杂环境进行威胁估计与态势评估，其非常适宜于处理复杂的、非线性的、无法进行数学描述的动态系统，结合遗传算法，使得预警系统在学习模糊推理的同时可不断优化模糊隶属函数并更新规则库，具备了更新知识规则库的能力，从而实现智能化的威胁估计与态势评估。

进一步，所述威胁估计步骤中采用模糊逻辑专家系统对信息综合后的目标特征与属性进行推理得到威胁估计结果。模糊逻辑专家系统是一个模拟人类专家推理思维过程的系统，它将领域专家的知识和经验，用一种知识表达模式存储起来，然后对输入的事实进行推理，做出判断和决策，使用模糊逻辑专家系统对威胁进行量化估计，量化不能完全由概率表示的信息不确定性，能够避免语言信息的不确定性对结果造成的影响。如图2所示，模糊逻辑专家系统的结构包括：模糊器和输出处理器，目标特征与属性输入模糊器，模糊器输出的模糊输入集经过模糊推理机制进行推理得到模糊输出集，模糊推理机制基于专家规则库进行，模糊输出集传输到输出处理器，输出处理器输出得到结果。

进一步，所述态势评估的模糊推理器采用区间二型模糊集推理器。在态势评估的模糊推理器中，威胁估计与对抗措施要素、部队能力、社会政治要素共同作为态势评估的影响因素输入规则库中，这些输入变量具有较多的不确定性，且对于不同平台，相应的态势元素也各不相同，所以采用保证了在输入变量具有较多的不确定性，且对于不同平台，相应的态势元素也各不相同的情况下，能够得到较全面的初步敌我双方兵力的分布推断、绘出意图、告警、行动计划等态势评估结果等态势评估结果。传统的一型模糊系统基于一型模糊集合来构造，为了增强传统一型模糊系统描述和处理不确定性的能力，将传统模糊集合扩展开来，给出集合中隶属度值的模糊程度，使集合的模糊性增强，成为二型模糊集合。为简化计算及增加实用性，把第二级的模糊度定为1或者0，称为区间二型模糊集，区间二型模糊推理器建立在区间二型模糊集的基础上，其结构图如图3所示。

进一步，所述优化模糊推理器步骤中，遗传算法能否求解问题的前提是对求解问题的合理编码，编码的优劣会直接影响算法的收敛性、复杂度及收敛效率。遗传算法采用多参数编码的方式对求解问题进行编码，各参数分别以一种码制编码，然后再按顺序联接组成表示全部参数的个体编码，保证算法的收敛性和收敛效率，降低复杂度。参数编码码制可以是二进制、格雷码、实数编码或符号编码等，各参数的上下界可以不同，码长或编码精度也可有所不同。

态势评估的变量及规则极为复杂，在模糊推理器中遗传算法迭代搜索将面临大规模的运算，采用上层威胁估计下层态势评估的级联结构的模糊逻辑树与遗传算法相结合的可并行化处理系统，在保留模糊逻辑自适应力与鲁棒性能的同时大幅降低运算量，提升威胁估计与态势评估的时效性。

参见示意图4与图5。比较图4与图5，例如a＝b＝c＝d＝e＝5，f＝3，图4与图5的规则总个数分别为3125与150，可见同样的输入输出隶属函数，模糊逻辑树的结构相比普通模糊逻辑系统结构大大降低了规则数目，将显著提高系统运算速度。针对模糊逻辑系统的规则数目爆炸式增长问题，提出了或逻辑规则组合(Union Rule Configuration)，消除了与逻辑规则组合(Intersect Rule Configuration)导致的规则数目剧增，本发明中，如图1所示，结合了或逻辑规则组合减少模糊逻辑规则数目。这里的“或”和“与”与数学上的或与本质上是没有差别的，将规则库里规则按照或与的方式进行结合，从而产生新的规则。与的条件比或更强，因此需要的规则信息更多，所以会产生规则爆炸的情况，而或相当于择优，会减少规则数目。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims

1.一种基于遗传模糊逻辑树的威胁估计与态势评估方法，其特征在于：方法包括：

优化模糊推理器：根据态势评估的环境影响因素的实时变化，结合遗传算法不断优化模糊推理器，输出得到最终的态势评估结果；

所述态势评估的具体方法步骤为：

基于威胁估计得到的威胁估计结果和态势评估的环境影响因素进行初始化模糊隶属函数集，然后基于初始化模糊隶属函数集的结果进行初始化规则库与遗传编码，再基于初始化规则库与遗传编码的结果进行态势评估得到初步的态势评估结果；

所述优化模糊推理器的具体方法步骤为：

2.根据权利要求1所述的一种基于遗传模糊逻辑树的威胁估计与态势评估方法，其特征在于：所述威胁估计步骤中采用模糊逻辑专家系统对信息综合后的目标特征与属性进行推理得到威胁估计结果，模糊逻辑专家系统的结构包括：模糊器和输出处理器，目标特征与属性输入模糊器，模糊器输出的模糊输入集经过模糊推理机制进行推理得到模糊输出集，模糊推理机制基于专家规则库进行，模糊输出集传输到输出处理器，输出处理器输出得到结果。

3.根据权利要求1所述的一种基于遗传模糊逻辑树的威胁估计与态势评估方法，其特征在于：所述方法中的规则库采用或逻辑规则组合。

4.根据权利要求1所述的一种基于遗传模糊逻辑树的威胁估计与态势评估方法，其特征在于：所述态势评估的模糊推理器采用区间二型模糊集推理器。

5.根据权利要求1或4所述的一种基于遗传模糊逻辑树的威胁估计与态势评估方法，其特征在于：所述态势评估的模糊推理器结构包括：模糊器和输出处理器，将威胁估计结果和环境影响因素输入模糊器，模糊器输出的模糊输入集经过模糊推理机制进行推理得到模糊输出集，模糊推理机制基于规则库进行，模糊输出集传输到输出处理器，在输出处理器中经过类型降维得到类型降维集和经过解模糊器得到输出结果。

6.根据权利要求1所述的一种基于遗传模糊逻辑树的威胁估计与态势评估方法，其特征在于：所述优化模糊推理器步骤中，遗传算法采用多参数编码的方式对求解问题进行编码，各参数分别以一种码制编码，然后再按顺序联接组成表示全部参数的个体编码。