CN110232518B - 一种基于三支决策的威胁评估方法 - Google Patents
一种基于三支决策的威胁评估方法 Download PDFInfo
- Publication number
- CN110232518B CN110232518B CN201910501071.2A CN201910501071A CN110232518B CN 110232518 B CN110232518 B CN 110232518B CN 201910501071 A CN201910501071 A CN 201910501071A CN 110232518 B CN110232518 B CN 110232518B
- Authority
- CN
- China
- Prior art keywords
- target
- threat
- decisions
- decision
- cost
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Optimization (AREA)
- Economics (AREA)
- Mathematical Analysis (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Complex Calculations (AREA)
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
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,kij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numij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,…,ui,…,un],ui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,…,ui,…,un]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sij表示第i个目标的第j个属性的数值的直觉模糊数形式,sij=[μij,υij],μij表示隶属度,υij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:
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,...,ωj,…,ωm]
其中ωj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Ej:
其中πij=1-μij-υij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=([cij , dij])n×m (9)
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:
负理想R-为:
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=(μA,υA),B=(μB,υB),有:
则称D(A,B)为两个直觉模糊集的标准汉明(Hamming)距离;
其中Di +为第i个目标到正理想的汉明距离;Di -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ui=Wi;
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Tmin以及每个时刻i的温度Ti(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yopt=y0,根据式(14)计算适应度函数值cost(yopt);
(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yk,计算新解yk的适应度函数值cost(yk),并计算适应度函数值增量Δcost=cost(yk)-cost(yopt);
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Ti+1=r·Ti的规则进行减少,其中,r<1,Ti+1为下一时刻的温度,当Ti≥Tmin,跳转至步骤(3);如果Ti<Tmin,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ui≥α,则选择接受,该目标属于正域,即属于高威胁;
如果ui≤β,则选择拒绝,该目标属于负域,即属于低威胁;
如果β<ui<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Tmin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,kij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numij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,…,ui,…,un],ui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,…,ui,…,un]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sij表示第i个目标的第j个属性的数值的直觉模糊数形式,sij=[μij,υij],μij表示隶属度,υij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:
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,...,ωj,…,ωm]
其中ωj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Ej:
其中πij=1-μij-υij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=([cij,dij])n×m (9)
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:
负理想R-为:
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=(μA,υA),B=(μB,υB),有:
则称D(A,B)为两个直觉模糊集的标准汉明(Hamming)距离;
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Tmin(充分小)以及每个时刻i的温度Ti(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yopt=y0,根据式(14)计算适应度函数值cost(yopt);
(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yk,计算新解yk的适应度函数值cost(yk),并计算适应度函数值增量Δcost=cost(yk)-cost(yopt);
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Ti+1=rTi的规则进行减少,其中,r<1,Ti+1为下一时刻的温度,当Ti≥Tmin,跳转至步骤(3);如果Ti<Tmin,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ui≥α,则选择接受,该目标属于正域,即属于高威胁;
如果ui≤β,则选择拒绝,该目标属于负域,即属于低威胁;
如果β<ui<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Tmin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]
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,…,Wi,…,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ui=Wi,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yopt=y0,计算适应度函数值cost(yopt);
(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yk,计算新解的适应度函数值cost(yk),并计算适应度函数值增量Δcost=cost(yk)-cost(yopt);
(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Ti+1=0.93·Ti的规则逐渐减少,且Ti>Tmin,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,kij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numij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,…,ui,…,un],ui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,…,ui,…,un]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sij表示第i个目标的第j个属性的数值的直觉模糊数形式,sij=[μij,υij],μij表示隶属度,υij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:
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,...,ωj,…,ωm]
其中ωj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Ej:
其中πij=1-μij-υij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=([cij , dij])n×m (9)
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:
负理想R-为:
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=(μA,υA),B=(μB,υB),有:
则称D(A,B)为两个直觉模糊集的标准汉明(Hamming)距离;
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Tmin以及每个时刻i的温度Ti(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yopt=y0,根据式(14)计算适应度函数值cost(yopt);
(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yk,计算新解yk的适应度函数值cost(yk),并计算适应度函数值增量Δcost=cost(yk)-cost(yopt);
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Ti+1=rTi的规则进行减少,其中,r<1,Ti+1为下一时刻的温度,当Ti≥Tmin,跳转至步骤(3);如果Ti<Tmin,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ui≥α,则选择接受,该目标属于正域,即属于高威胁;
如果ui≤β,则选择拒绝,该目标属于负域,即属于低威胁;
如果β<ui<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Tmin或新解被拒绝的次数大于等于5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910501071.2A CN110232518B (zh) | 2019-06-11 | 2019-06-11 | 一种基于三支决策的威胁评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910501071.2A CN110232518B (zh) | 2019-06-11 | 2019-06-11 | 一种基于三支决策的威胁评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110232518A CN110232518A (zh) | 2019-09-13 |
CN110232518B true CN110232518B (zh) | 2023-07-14 |
Family
ID=67858792
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910501071.2A Active CN110232518B (zh) | 2019-06-11 | 2019-06-11 | 一种基于三支决策的威胁评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110232518B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111144910B (zh) * | 2019-12-28 | 2022-11-15 | 重庆邮电大学 | 基于模糊熵均值阴影集的招投标“串标、陪标”对象推荐方法及装置 |
CN111339491A (zh) * | 2020-02-28 | 2020-06-26 | 上海电力大学 | 一种城市配电网改造方案的评估方法 |
CN111624590B (zh) * | 2020-05-13 | 2023-07-21 | 飒铂智能科技有限责任公司 | 一种无人机目标确认方法及系统 |
CN111814737B (zh) * | 2020-07-27 | 2022-02-18 | 西北工业大学 | 一种基于序贯三支决策的目标意图识别方法 |
CN112418522B (zh) * | 2020-11-23 | 2022-10-11 | 重庆邮电大学 | 一种基于三支集成预测模型的工业加热炉钢温预测方法 |
CN112465253B (zh) * | 2020-12-09 | 2022-07-01 | 重庆邮电大学 | 一种城市路网中的链路预测方法及装置 |
CN112862266B (zh) * | 2021-01-19 | 2022-08-09 | 昆明理工大学 | 一种基于模糊决策的煤矿事故应急预案评估模型构建方法 |
IT202100002867A1 (it) * | 2021-02-10 | 2022-08-10 | Mbda italia spa | Metodo per la classificazione, la discriminazione e l'identificazione di una minaccia abt o balistica a partire da un segnale radar |
CN113065094A (zh) * | 2021-03-24 | 2021-07-02 | 南京航空航天大学 | 一种基于累积前景价值和三支决策的态势评估方法与系统 |
CN113111961B (zh) * | 2021-04-25 | 2023-10-17 | 华南农业大学 | 一种基于三支决策模型的农产品信息分类处理方法及系统 |
CN113240007B (zh) * | 2021-05-14 | 2024-05-14 | 西北工业大学 | 一种基于三支决策的目标特征选择方法 |
CN114664456A (zh) * | 2022-03-10 | 2022-06-24 | 重庆邮电大学 | 一种基于双边模糊集的三支决策疾病分类方法及装置 |
CN114783605B (zh) * | 2022-04-24 | 2024-03-15 | 南京审计大学 | 一种基于行为决策和三支决策的胎心监护系统及方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6209120B2 (ja) * | 2014-03-31 | 2017-10-04 | 三菱重工業株式会社 | 戦術支援装置、戦術支援方法、及び戦術支援プログラム |
CN108073748A (zh) * | 2016-11-18 | 2018-05-25 | 南京航空航天大学 | 一种基于直觉模糊熵权法的导弹毁伤效能群决策评估方法 |
CN107798454A (zh) * | 2017-05-08 | 2018-03-13 | 南京航空航天大学 | 一种基于动态直觉模糊法的舰艇编队群决策威胁估计方法 |
CN109670660A (zh) * | 2017-10-13 | 2019-04-23 | 南京航空航天大学 | 一种基于直觉模糊topsis的舰艇编队动态防空威胁估计方法 |
-
2019
- 2019-06-11 CN CN201910501071.2A patent/CN110232518B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110232518A (zh) | 2019-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110232518B (zh) | 一种基于三支决策的威胁评估方法 | |
CN111080108B (zh) | 数据驱动的武器装备作战效能评估指标筛选方法及系统 | |
CN107220549A (zh) | 基于cvss的漏洞风险基础评估方法 | |
CN110490422B (zh) | 一种基于博弈云模型的目标作战效能态势评估方法 | |
CN104392087A (zh) | 一种顶置武器站性能评估方法 | |
CN112861257B (zh) | 一种基于神经网络的飞机火控系统精度敏感性分析方法 | |
Jinfu et al. | Dynamic assessment method of air target threat based on improved GIFSS | |
CN115759754A (zh) | 基于动态博弈变权的超视距空战模拟目标威胁评估方法 | |
CN116739428A (zh) | 一种主客观赋权的变权topsis炮兵火力打击目标价值分析方法 | |
CN110008985A (zh) | 基于改进d-s证据理论规则的舰载机群目标识别方法 | |
CN116738334A (zh) | 一种基于dbn和topsis法的空中多目标威胁评估方法 | |
CN116050515A (zh) | 一种基于XGBoost的平行推演多分支态势预测方法 | |
CN110852574A (zh) | 一种基于改进灰靶理论的目标威胁评估方法及介质 | |
CN112800082B (zh) | 一种基于置信规则库推理的空中目标识别方法 | |
Chen et al. | Threat assessment of air defense combat based on intuitionistic fuzzy sets | |
Sahni et al. | Performance of maximum likelihood estimator for fitting Lanchester equations on Kursk Battle data | |
Yangyang et al. | A new method of multi-target threat assessment for air combat | |
CN113076661B (zh) | 一种不确定数据驱动的雷达预警探测建模方法 | |
CN117556718B (zh) | 基于神经网络和多策略组合灰狼优化算法的火力分配方法 | |
Chen et al. | The evaluation method of air force attack airline | |
Liu et al. | Asymmetric Closeness in Early Warning Radar Intelligence Quality Evaluation | |
Chen et al. | The optimal combat maneuver decision of the autonomous underwater vehicle based on the fuzzy comprehensive evaluation method | |
Tianhan et al. | Target Threat Assessment Using Particle Swarm Optimization and BP Neural Network | |
CN117291342A (zh) | 一种面向空中来袭目标的威胁评估方法 | |
CN117474201A (zh) | 基于改进topsis法的空中目标威胁度评估方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |