CN110232518B - 一种基于三支决策的威胁评估方法 - Google Patents

Abstract

本发明提供了一种基于三支决策的威胁评估方法，确定雷达探测的目标特征信息，得到目标信息矩阵，根据目标的信息得到三支决策中的目标评价函数，采用模拟退火算法选取三支决策的最优阈值，根据最优阈值对威胁度进行三支决策。本发明将三支决策理论引入到目标威胁评估中，成功将目标划分到高威胁，低威胁以及边界域三个域中，决策者可根据分成的三个域，有针对性地对目标做出决策，而且相对于传统方法仅对目标威胁度进行排序时，决策者进行指挥决策，本发明中对目标的系统分类更有利于决策者快速做出指挥判断。与传统的二支决策相比较，三支决策中边界域的引入也在一定程度上降低了仅对高威胁和低威胁两个域做出错误决策的可能性。

Description

一种基于三支决策的威胁评估方法

技术领域

本发明涉及威胁评估领域，尤其是一种威胁评估方法。

背景技术

威胁评估是根据当前战场态势评估对方力量的作战能力和威胁性，是对敌杀伤能力以及对我方威胁程度的评估。威胁评估过程中涉及许多不确定性因素：目标类型的不确定、攻击方式的不确定以及战场作战地域的环境、气象的不确定等。因此，威胁评估属于信息不全、信息不确定、信息模糊等条件下的在线式战术决策问题。在防空战争中，威胁评估是我方火力打击部署和指挥决策的重要前提，对目标的威胁评估越准确，后续的决策指挥针对性越强，作战效果越好。因此有效地威胁评估在防空作战中起着至关重要的作用。

现有的威胁评估方法有很多。常用的多目标威胁评估方法有多属性决策，层次分析法、贝叶斯推理、专家系统等，但是大多会受到主观因素的影响，可靠性较低。而在多属性决策方法中，逼近理想解的排序方法(TOPSIS)是一种有效且常用的方法，但传统TOPSIS方法只能处理静态威胁属性信息，无法对各类空中威胁的变化趋势进行预测评估，因此难以适应瞬息万变的战场环境需求。为解决上述问题，又提出了基于动态TOPSIS的空中目标威胁评估方法和基于动态直觉模糊法的威胁评估方法。上述方法对目标威胁评估都是给出的排序结果，在防空战争中，指挥者需要立即做出决策判断，相对于简单的排序，系统地归类更有助于指挥者快速地做出判决。而对于威胁评估的结果，所采用的决策往往是传统的二支决策：对于威胁值高于某阈值的目标，采取打击的攻击策略，对于低于该阈值的目标，采取放弃打击的策略。这种决策结果是非此即彼的，当信息量不足以支撑决策时，往往决策者只能给出错误的判决，不利于目标的快速拦截。

发明内容

为了克服现有技术的不足，本发明提供一种基于三支决策的威胁评估方法，旨在解决威胁评估中目标信息不确定问题。三支决策是姚一豫等人提出的新的决策理论，是处理模糊和不确定性知识的有效理论。本发明建立三支决策模型，可解决威胁评估中的信息不确定问题，并根据三支决策的分类阈值将目标划分到三个域：正域(高威胁)，负域(低威胁)，边界域。指挥者可根据目标的三个域分别做出针对性的决策，提高决策的效率。

本发明解决其技术问题所采用的技术方案是的具体步骤如下：

步骤一：确定雷达探测的目标特征信息，得到目标信息矩阵f：

其中，k_ij表示第i个目标的第j个属性的数值，i＝1,2,3,...,n，j＝1,2,3,...,m，针对不同属性，属性的数值用区间数

或者实数num_ij表示，其中，/>

表示区间数下界，/>

表示区间数上界；

步骤二：根据目标的信息得到三支决策中的目标评价函数u＝[u₁,u₂,…,u_i,…,u_n]，u_i表示第i个目标的评价函数，目标的评价函数为目标属于威胁的程度；目标评价函数u＝[u₁,u₂,…,u_i,…,u_n]的计算具体步骤如下：

步骤2-1：对目标信息矩阵f进行归一化，根据目标信息矩阵得到直觉模糊决策矩阵F：

其中s_ij表示第i个目标的第j个属性的数值的直觉模糊数形式，s_ij＝[μ_ij,υ_ij],μ_ij表示隶属度,υ_ij表示非隶属度；

(1)区间数分为效益型和成本型，效益型和成本型区间数转化为直觉模糊数算法如下：

首先将区间数

进行规范化处理，即：将数据转化为无量纲无数量级差异，得到新的区间数/>

对于效益型区间数有：

对于成本型区间数有：

规范化后的区间数转化为直觉模糊数的隶属度为：

非隶属度为：

其中λ＝[0.5,1]，为乐观系数；

(2)实数型分为效益型和成本型两大类

对于效益型实数转化为直觉模糊数的隶属度和非隶属度为：

对于成本型实数转化为直觉模糊数的隶属度和非隶属度为：

其中p₁,p₂,q₁,q₂为常数系数，0≤p₁≤1，0≤q₁≤1，0≤p₂≤1，0≤q₂≤1，0≤p₁+q₁≤1，0≤p₂+q₂≤1；

步骤2-2：计算目标属性权重ω：

ω＝[ω₁,ω₂,...,ω_j,…,ω_m]

其中ω_j表示第j个属性的权重值，具体计算方法如下：

计算第j个属性的直觉模糊熵E_j：

其中π_ij＝1-μ_ij-υ_ij表示直觉模糊集的犹豫度，则第j个属性的权重值为：

步骤2-3：计算加权直觉模糊矩阵R：

R＝([c_ij , d_ij])_n×m (9)

其中

步骤2-4：计算加权直觉模糊矩阵R的正理想和负理想：

正理想R⁺为：

其中

负理想R^-为：

其中

步骤2-5：计算目标属于威胁的程度：

对于两个直觉模糊集A＝(μ_A，υ_A),B＝(μ_B，υ_B)，有：

则称D(A,B)为两个直觉模糊集的标准汉明(Hamming)距离；

根据式(12)计算各个目标到正理想的汉明距离

和到负理想的汉明距离/>

由此得到第i个目标的威胁程度为：

其中D_i ⁺为第i个目标到正理想的汉明距离；D_i ^-为第i个目标到负理想的汉明距离，则有第i个目标的评价函数u_i＝W_i；

步骤三：采用模拟退火算法选取三支决策的最优阈值α,β，其中0≤β＜α≤1；

(1)确定初始温度T₀，温度下限T_min以及每个时刻i的温度T_i(i＝0,1,2…)值的迭代次数L，适应度函数为三支决策分类的损失函数：

其中γ为介于阈值α,β之间的未知因子；

(2)初始温度T₀随机产生初始解y₀＝(α₀,β₀,γ₀)，使当前最优解y_opt＝y₀，根据式(14)计算适应度函数值cost(y_opt)；

(3)对l＝1,2,...,L做进行如下步骤的迭代计算：

对当前最优解作随机变动，产生一新解y_k，计算新解y_k的适应度函数值cost(y_k)，并计算适应度函数值增量Δcost＝cost(y_k)-cost(y_opt)；

若Δcost＜0，则接受该新解为当前最优点；若Δcost＞0，则有一个[0,1)的随机数g和概率

如果g＜P，则接受该新解为当前最优点，否则拒绝；

如果迭代过程满足终止条件，则输出当前解作为最优解，结束程序，得到阈值α，β；否则，继续执行步骤(4)；

(4)温度以T_i+1＝r·T_i的规则进行减少，其中，r＜1，T_i+1为下一时刻的温度，当T_i≥T_min，跳转至步骤(3)；如果T_i＜T_min，则停止迭代，满足终止条件以步骤(3)的新解为最优解；

步骤四：根据步骤三中计算出的最优阈值α,β对威胁度进行三支决策，评价函数大于α，则分到正域，评价函数小于β，则分到负域，其余划分到边界区域；

如果u_i≥α，则选择接受，该目标属于正域，即属于高威胁；

如果u_i≤β，则选择拒绝，该目标属于负域，即属于低威胁；

如果β＜u_i＜α，选择不承诺或延迟决策，该目标属于边界域。

步骤五：下一时刻重复步骤一到步骤四，直至仿真的目标运动时间结束。

步骤三的步骤(3)中，所述终止条件为l＞L或温度到最小值T_min或新解被拒绝的次数大于等于5。

本发明的有益效果在于通过将三支决策理论引入到目标威胁评估中，可成功将目标划分到高威胁，低威胁以及边界域三个域中，决策者可根据分成的三个域，有针对性地对目标做出决策，而且相对于传统方法仅对目标威胁度进行排序时，决策者进行指挥决策，本发明中对目标的系统分类更有利于决策者快速做出指挥判断。与传统的二支决策相比较，三支决策中边界域的引入也在一定程度上降低了仅对高威胁和低威胁两个域做出错误决策的可能性。

附图说明

图1为本发明的流程示意图。

图2为本发明整个仿真过程中三支决策阈值的选取变化图。

具体实施方式

下面结合附图和实施例对本发明进一步说明。

下面结合附图和实施例，对本发明的技术方案作进一步清晰和完整的描述。

步骤一：确定雷达探测的目标特征信息，得到目标信息矩阵f：

其中，k_ij表示第i个目标的第j个属性的数值，i＝1,2,3,...,n，j＝1,2,3,...,m，针对不同属性，属性的数值用区间数

或者实数num_ij表示，其中，/>

表示区间数下界，/>

表示区间数上界；

步骤二：根据目标的信息得到三支决策中的目标评价函数u＝[u₁,u₂,…,u_i,…,u_n]，u_i表示第i个目标的评价函数，目标的评价函数为目标属于威胁的程度；目标评价函数u＝[u₁,u₂,…,u_i,…,u_n]的计算具体步骤如下：

步骤2-1：对目标信息矩阵f进行归一化，根据目标信息矩阵得到直觉模糊决策矩阵F：

其中s_ij表示第i个目标的第j个属性的数值的直觉模糊数形式，s_ij＝[μ_ij,υ_ij],μ_ij表示隶属度,υ_ij表示非隶属度；

(1)区间数分为效益型(越大越好)和成本型(越小越好)，效益型和成本型区间数转化为直觉模糊数算法如下：

首先将区间数

进行规范化处理，即：将数据转化为无量纲无数量级差异，如速度，距离等属性的数值单位不一样，规范化处理是将带有单位的数值转化为不带单位的统一数值，得到新的区间数/>

对于效益型区间数有：

对于成本型区间数有：

规范化后的区间数转化为直觉模糊数的隶属度为：

非隶属度为：

其中λ＝[0.5,1]，为乐观系数；

(2)实数型分为效益型和成本型两大类

对于效益型实数转化为直觉模糊数的隶属度和非隶属度为：

对于成本型实数转化为直觉模糊数的隶属度和非隶属度为：

其中p₁,p₂,q₁,q₂为常数系数，0≤p₁≤1，0≤q₁≤1，0≤p₂≤1，0≤q₂≤1，0≤p₁+q₁≤1，0≤p₂+q₂≤1；

步骤2-2：计算目标属性权重ω：

ω＝[ω₁,ω₂,...,ω_j,…,ω_m]

其中ω_j表示第j个属性的权重值，具体计算方法如下：

计算第j个属性的直觉模糊熵E_j：

其中π_ij＝1-μ_ij-υ_ij表示直觉模糊集的犹豫度，则第j个属性的权重值为：

步骤2-3：计算加权直觉模糊矩阵R：

R＝([c_ij,d_ij])_n×m (9)

其中

步骤2-4：计算加权直觉模糊矩阵R的正理想和负理想：

正理想R⁺为：

其中

负理想R^-为：

其中

步骤2-5：计算目标属于威胁的程度：

对于两个直觉模糊集A＝(μ_A，υ_A),B＝(μ_B，υ_B)，有：

则称D(A,B)为两个直觉模糊集的标准汉明(Hamming)距离；

根据式(12)计算各个目标到正理想的汉明距离

和到负理想的汉明距离/>

由此得到第i个目标的威胁程度为：

其中

为第i个目标到正理想的汉明距离；/>

为第i个目标到负理想的汉明距离，则有第i个目标的评价函数u_i＝W_i；

步骤三：采用模拟退火算法选取三支决策的最优阈值α,β，其中0≤β＜α≤1；

(1)确定初始温度T₀(充分大)，温度下限T_min(充分小)以及每个时刻i的温度T_i(i＝0,1,2…)值的迭代次数L，适应度函数为三支决策分类的损失函数：

其中γ为介于阈值α,β之间的未知因子；

(2)初始温度T₀随机产生初始解y₀＝(α₀,β₀,γ₀)，使当前最优解y_opt＝y₀，根据式(14)计算适应度函数值cost(y_opt)；

(3)对l＝1,2,...,L做进行如下步骤的迭代计算：

对当前最优解作随机变动，产生一新解y_k，计算新解y_k的适应度函数值cost(y_k)，并计算适应度函数值增量Δcost＝cost(y_k)-cost(y_opt)；

若Δcost＜0，则接受该新解为当前最优点；若Δcost＞0，则有一个[0,1)的随机数g和概率

如果g＜P，则接受该新解为当前最优点，否则拒绝；

如果迭代过程满足终止条件，则输出当前解作为最优解，结束程序，得到阈值α，β；否则，继续执行步骤(4)；

(4)温度以T_i+1＝rT_i的规则进行减少，其中，r＜1，T_i+1为下一时刻的温度，当T_i≥T_min，跳转至步骤(3)；如果T_i＜T_min，则停止迭代，满足终止条件以步骤(3)的新解为最优解；

步骤四：根据步骤三中计算出的最优阈值α,β对威胁度进行三支决策，评价函数(威胁度)大于α，则分到正域，评价函数(威胁度)小于β，则分到负域，其余划分到边界区域；

如果u_i≥α，则选择接受，该目标属于正域，即属于高威胁；

如果u_i≤β，则选择拒绝，该目标属于负域，即属于低威胁；

如果β＜u_i＜α，选择不承诺或延迟决策，该目标属于边界域。

步骤五：下一时刻重复步骤一到步骤四，直至仿真的目标运动时间结束。

步骤三的步骤(3)中，所述终止条件为l＞L或温度到最小值T_min或新解被拒绝的次数大于等于5；

在进行威胁评估中要选取适当的属性进行评估，影响评估结果的指标有很多。本实施例子中用速度，距离，高度，航向角，干扰能力来进行威胁评估。速度，距离，高度和航向角在雷达探测过程中因为有干扰和噪声的影响并不能得到准确确定的值，因此用区间数表示。干扰因子用实数表示。

距离指标：距离越近，威胁程度越大；

速度指标：速度越大，威胁程度越大；

高度指标：高度越低，威胁程度越大；

航向角指标：航向角越小，威胁程度越大；

干扰指标：干扰功率越大，威胁程度越大。

距离，高度和航向角属于成本型属性；速度和干扰属于效益型属性。本实施例中选取10个机动目标，目标具体信息如下：

表1空中目标的机动情况

目标	初始位置(km)	初始速度(m/s)	自卫干扰(W)
				T1	(100，4，80)	(-250，0，-100)	0-50s:10；50-100s:200；100-120s:300
T2	(55，5.5，105)	(-200，0，-200)	100
				T3	(95，2.5，50)	(0，0，200)	10
T4	(70，2.5，-90)	(-150，0，-200)	50
				T5	(-300，3.5，120)	(200，0，-200)	50
T6	(-85，2.75，218)	(100，0，-250)	100
				T7	(-70，3.25，-250)	(280，0，200)	10
T8	(110，3，100)	(-250，0，-300)	200
				T9	(130，5.5，95)	(150，0，250)	150
T10	(200，4.5，-100)	(200，0，200)	120

实施例的步骤如下：

步骤一：确定雷达探测的目标信息，得到目标信息矩阵：

步骤二：根据目标的信息得到三支决策中的目标评价函数：

1、进行归一化，根据目标信息矩阵得到直觉模糊决策矩阵：

区间型数据

速度为效益型(越大越好)属性，则有

距离，高度，航向角为成本型(越小越好)属性，以距离为例，则有

实数型数据

干扰为效益型属性，则有

直觉模糊决策矩阵为

2、计算目标属性权重：ω＝[ω₁,ω₂,...,ω₅]

直觉模糊熵

则第j个属性的权重值为：

得出ω＝[0.0775,0.0548,0.0226,0.8144,0.0307]；

3、计算出加权直觉模糊矩阵：

4、计算加权直觉模糊矩阵R的正理想和负理想：

最终正理想为R⁺＝([0.0891,0.9109],[0.0638,0.9360],…,[0.0363,0.8572])

最终负理想为

R^-＝([0.0203,0.9797],[0.0207,0.9793],…,[0.0007,0.9517])

5、计算目标属于威胁的程度W＝[W₁,W₂,…,W_i,…,W₁₀]

由此得到威胁度为：

W＝[0.4350,0.4359,0.4364,0.4400,0.4272,0.6086,0.4295,0.4535,0.4280,0.4249]

第i个目标的评价函数u_i＝W_i，则u＝W

步骤三：计算三支决策的最优阈值

(1)确定初始温度90，温度下限80以及每个温度值下的迭代次数1000。适应度函数为

(2)随机产生初始解y₀＝(α₀,β₀,γ₀)，以此作为当前最优点y_opt＝y₀，计算适应度函数值cost(y_opt)；

(3)对l＝1,2,...,1000执行步骤(4)-(6)；

(4)对当前最优解作随机变动，产生一新解y_k，计算新解的适应度函数值cost(y_k)，并计算适应度函数值增量Δcost＝cost(y_k)-cost(y_opt)；

(5)若Δcost＜0，则接受该新解为当前最优点；否则以概率

接受该新解为当前最优点(具体为一个[0,1)的随机数g，若g＜P接收新解，否则拒绝)；

(6)如果满足终止条件(l＞L或连续10个新解都没有被接受)则输出当前解作为最优解，结束程序，得到阈值α，β。否则，执行下一步。

(7)温度以T_i+1＝0.93·T_i的规则逐渐减少，且T_i＞T_min，然后转(3)。

本发明设置解的约束条件0.1≤β≤γ≤α≤0.6。

最终得到阈值[0.5960,0.4589]。

步骤四：根据计算出的最优阈值对威胁度进行三支决策，评价函数(威胁度)大于α，分到正域，评价函数(威胁度)小于β分到负域，其余划分到边界区域。

下一时刻重复以上所有步骤，对之后每一时刻的目标进行重新分类。结果如表2所示，表中显示某些典型时刻目标的分类结果：

表2

本发明可在各时刻根据阈值将目标分成三个域：正域(高威胁)、边界域、负域(低威胁)，每个域对应不同的决策方式。相比于单纯地给出排序时指挥者要凭借主观意识对目标进行打击的情况，本发明提出的基于三支决策的威胁评估方法，直接给出分类损失函数最小的目标分类情况，减少或避免了指挥者主观上造成的失误，使其可以直接快速地分别对每个域的目标进行决策指挥，提高决策准确性。

Claims (2)

1.一种基于三支决策的威胁评估方法，其特征在于包括下述步骤：

步骤一：确定雷达探测的目标特征信息，得到目标信息矩阵f：

其中，k_ij表示第i个目标的第j个属性的数值，i＝1,2,3,...,n，j＝1,2,3,...,m，针对不同属性，属性的数值用区间数

或者实数num_ij表示，其中，/>

表示区间数下界，/>

表示区间数上界；

步骤二：根据目标的信息得到三支决策中的目标评价函数u＝[u₁,u₂,…,u_i,…,u_n]，u_i表示第i个目标的评价函数，目标的评价函数为目标属于威胁的程度；目标评价函数u＝[u₁,u₂,…,u_i,…,u_n]的计算具体步骤如下：

步骤2-1：对目标信息矩阵f进行归一化，根据目标信息矩阵得到直觉模糊决策矩阵F：

其中s_ij表示第i个目标的第j个属性的数值的直觉模糊数形式，s_ij＝[μ_ij,υ_ij],μ_ij表示隶属度,υ_ij表示非隶属度；

(1)区间数分为效益型和成本型，效益型和成本型区间数转化为直觉模糊数算法如下：

首先将区间数

进行规范化处理，即：将数据转化为无量纲无数量级差异，得到新的区间数/>

对于效益型区间数有：

对于成本型区间数有：

规范化后的区间数转化为直觉模糊数的隶属度为：

非隶属度为：

其中λ＝[0.5,1]，为乐观系数；

(2)实数型分为效益型和成本型两大类

对于效益型实数转化为直觉模糊数的隶属度和非隶属度为：

对于成本型实数转化为直觉模糊数的隶属度和非隶属度为：

其中p₁,p₂,q₁,q₂为常数系数，0≤p₁≤1，0≤q₁≤1，0≤p₂≤1，0≤q₂≤1，0≤p₁+q₁≤1，0≤p₂+q₂≤1；

步骤2-2：计算目标属性权重ω：

ω＝[ω₁,ω₂,...,ω_j,…,ω_m]

其中ω_j表示第j个属性的权重值，具体计算方法如下：

计算第j个属性的直觉模糊熵E_j：

其中π_ij＝1-μ_ij-υ_ij表示直觉模糊集的犹豫度，则第j个属性的权重值为：

步骤2-3：计算加权直觉模糊矩阵R：

R＝([c_ij , d_ij])_n×m (9)

其中

步骤2-4：计算加权直觉模糊矩阵R的正理想和负理想：

正理想R⁺为：

其中

负理想R^-为：

其中

步骤2-5：计算目标属于威胁的程度：

对于两个直觉模糊集A＝(μ_A，υ_A),B＝(μ_B，υ_B)，有：

则称D(A,B)为两个直觉模糊集的标准汉明(Hamming)距离；

根据式(12)计算各个目标到正理想的汉明距离

和到负理想的汉明距离/>

由此得到第i个目标的威胁程度为：

其中

为第i个目标到正理想的汉明距离；/>

为第i个目标到负理想的汉明距离，则有第i个目标的评价函数u_i＝W_i；

步骤三：采用模拟退火算法选取三支决策的最优阈值α,β，其中0≤β＜α≤1；

(1)确定初始温度T₀，温度下限T_min以及每个时刻i的温度T_i(i＝0,1,2…)值的迭代次数L，适应度函数为三支决策分类的损失函数：

其中γ为介于阈值α,β之间的未知因子；

(2)初始温度T₀随机产生初始解y₀＝(α₀,β₀,γ₀)，使当前最优解y_opt＝y₀，根据式(14)计算适应度函数值cost(y_opt)；

(3)对l＝1,2,...,L做进行如下步骤的迭代计算：

对当前最优解作随机变动，产生一新解y_k，计算新解y_k的适应度函数值cost(y_k)，并计算适应度函数值增量Δcost＝cost(y_k)-cost(y_opt)；

若Δcost＜0，则接受该新解为当前最优点；若Δcost＞0，则有一个[0,1)的随机数g和概率

如果g＜P，则接受该新解为当前最优点，否则拒绝；

如果迭代过程满足终止条件，则输出当前解作为最优解，结束程序，得到阈值α，β；否则，继续执行步骤(4)；

(4)温度以T_i+1＝rT_i的规则进行减少，其中，r＜1，T_i+1为下一时刻的温度，当T_i≥T_min，跳转至步骤(3)；如果T_i＜T_min，则停止迭代，满足终止条件以步骤(3)的新解为最优解；

步骤四：根据步骤三中计算出的最优阈值α,β对威胁度进行三支决策，评价函数大于α，则分到正域，评价函数小于β，则分到负域，其余划分到边界区域；

如果u_i≥α，则选择接受，该目标属于正域，即属于高威胁；

如果u_i≤β，则选择拒绝，该目标属于负域，即属于低威胁；

如果β＜u_i＜α，选择不承诺或延迟决策，该目标属于边界域；

步骤五：下一时刻重复步骤一到步骤四，直至仿真的目标运动时间结束。

2.根据权利要求1所述的一种基于三支决策的威胁评估方法，其特征在于：

步骤三的步骤(3)中，所述终止条件为l＞L或温度到最小值T_min或新解被拒绝的次数大于等于5。

Images