CN110941904B - 一种基于不同作战天气下的感知设备组合搭配方法 - Google Patents
一种基于不同作战天气下的感知设备组合搭配方法 Download PDFInfo
- Publication number
- CN110941904B CN110941904B CN201911187510.3A CN201911187510A CN110941904B CN 110941904 B CN110941904 B CN 110941904B CN 201911187510 A CN201911187510 A CN 201911187510A CN 110941904 B CN110941904 B CN 110941904B
- Authority
- CN
- China
- Prior art keywords
- model
- combination
- combat
- scheme
- weather
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000011156 evaluation Methods 0.000 claims abstract description 40
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 238000013210 evaluation model Methods 0.000 claims abstract description 14
- 238000013178 mathematical model Methods 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 238000009826 distribution Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000005381 potential energy Methods 0.000 claims description 9
- 230000006978 adaptation Effects 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 239000002245 particle Substances 0.000 claims description 2
- 238000013441 quality evaluation Methods 0.000 claims description 2
- 238000002834 transmittance Methods 0.000 claims description 2
- 238000009825 accumulation Methods 0.000 claims 1
- 230000008447 perception Effects 0.000 abstract description 11
- 230000000007 visual effect Effects 0.000 abstract description 3
- 238000012821 model calculation Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004451 qualitative analysis Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000012098 association analyses Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000004297 night vision Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于不同作战天气下的感知设备组合搭配方法,涉及组合优化领域。该方法是:通过将感知设备性能参数导入所构建的组合模型中,经模型计算分析后得出合理的组合搭配方案及每个不同组合方案的决策评价值,并根据决策评价值的大小来判断在当前作战天气下哪一个组合搭配适用性更好。首先根据参与组合搭配任务时的感知设备性能参数、作战天气、费用等约束条件与本发明提出的数学模型①构建出感知设备方案集;其次将方案集参数导入到本发明提出的组合模型②中,确定组合搭配的类别;然后根据评价模型③对每组不同的组合搭配方案进行决策评价值的计算;最后根据决策评价值的排序,选择分值最高的感知设备组合搭配方案。该方法所构建的方案集更客观,结果以图表、数值形式呈现更直观,决策评价结果更科学、精确。
Description
技术领域
本发明涉及组合优化领域,特别是一种基于不同作战天气下的感知设备组合搭配方法。
背景技术
现代战争形态和作战背景样式都发生了深刻变革,军事对抗双方已不再仅仅依靠某几件高技术武器装备进行较量,而是更加强调在应对各类自然环境变化时各类装备体系、要素之间协同作战效果。联系各类感知设备之间的属性状态,关联各类天气环境因素与设备之间的协作分配,对加强设备组合优化分配、虚拟仿真模拟作战体系有着重要意义。
在这一热点问题上,传统的组合方案不足之处在于:1、没有特定的作战背景环境约束,各类感知设备关联性不强,对组合效果没有给出定量分析,以主观经验为参考重点,不够科学准确。2、传统组合方法对搭配方案没有给出定量的组合分布,组合结果没有直观的描述,不便于操作人员选择使用。
发明内容
本发明提供了一种基于不同作战天气下的感知设备组合搭配方法,以克服现有组合搭配方案中存在的约束关联性不足,搭配组合展示效果不高,定量层面分析不准确的缺点。
为了达到本发明的目的,本发明提出的方案如下:
一种基于不同作战天气下的感知设备组合搭配方法,包括如下步骤:
步骤1、准备阶段:根据特定作战天气定性分析出各类感知设备的参数属性,设定设备与天气之间的适应分配隶属关系,以及设备间的协同执行可靠性关系;
步骤2、参数处理阶段:进行数据分析,匹配各类设备之间的变量隶属关系,根据变化的探测距离比值、设备经费、可靠度构建相应的适应度函数,完成数学模型①下的方案集构建;
步骤3、模型构建阶段:搭建自适应层次组合模型②,通过适应势能与相似度距离的分布情况,自动确定出模型组合中心类别;
步骤4、组合搭配阶段:通过数学模型①计算得出各设备的数据列表,将其导入组合模型②中,输出搭配结果及分析情况;
步骤5、决策评价阶段:将组合后的各个方案导入评价模型③中进行优劣评估分析,最终输出每一组方案的决策评价值,再根据各评价值的排序大小选出最佳的组合方案。
进一步的,所述步骤2中,通过采用改进的归一化的方法,对采样中不同参数量纲的进行优化提取,得到标准形式分布的数据值;再将各参数通过数学模型①整合出适应度函数,最终搭建出感知设备方案集列表。
进一步的,所述步骤3中,在组合模型的构建上,根据机器学习的优化架构在公共方案集测试结合该作战背景下的应用于方案集的组合模型②,通过在分配机制上同时考虑约束条件和相似度距离两个因素,对组合中心自动做出了选定。
进一步的,步骤4具体为,它是将感知设备方案集数据导入自适应组合中心的组合模型②中,构建基于作战环境模式下的优化模型,通过分析作战天气约束条件下的数据节点之间适应势能与匹配相似度距离这两个特征来得到高效简洁的搭配方案图谱,并获得均值相似度特征差异性分析表;完成选取特定要求下的最佳搭配方案目标。
进一步的,步骤5具体为,构建以改进拉格朗日最优化下的组合赋权评价模型③,在模型中将得到的每一组方案,进行满足阈值规定下的垂面距离迭代,最终通过模型③中的决策矩阵输出每一组方案的评价值。
与现有技术相比,本发明的优点是:
1)本发明综合考虑了作战天气这一背景因素,构建了作战天气与感知设备之间的方案集,提供给算法模型更为合理的数据来源,保证了处理结果的客观性。
2)本发明采用自动确定组合中心的算法模型,根据各类感知设备的参数,利用方案集中适当度等约束条件规划出组合方案;搭配结果以图表的形式更为直观的表现出来,便于操作人员选择使用。
3)本发明利用综合评价模型,对得出的各组合方案进行决策评价,通过该评价值大小的排序完成对各组合的方案优劣性更为科学、准确地评判。
4)适应性强:本发明能够对各类感知设备进行有效的分析及组合搭配。通过对特定作战天气下的感知设备参数进行合理的量化,得出相应的方案集列表,最终将所得方案集导入组合模型中,完成综合作战体系要求下的设备组合搭配,并给出相应的评价分数。
附图说明
为了更清楚地说明本实用新型实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本实用新型的一些实施例,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实施例的附图。
图1为本发明实施例的方法流程图;
图2为组合模型自适应选择结果图;
图3为组合搭配结果图;
图4为组合搭配三维结果图;
图5为特定作战背景下组合搭配模拟图(1);
图6为特定作战背景下组合搭配模拟图(2);
图7为感知设备关联分析结果图;
图8为部分感知设备分析结果图(1);
图9为部分感知设备分析结果图(2)。
具体实施方式
为了便于理解本实用新型,下面将参照相关附图对本实用新型进行更全面的描述。附图中给出了本实用新型的较佳实施方式。但是,本实用新型可以以许多不同的形式来实现,并不限于本发明所描述的实施方式。相反地,提供这些实施方式的目的是使对本实用新型的公开内容理解的更加透彻全面。
下面通过具体实施方式结合附图对本发明作进一步详细说明。
本发明提供一种基于不同作战天气下的感知设备组合搭配方法,包括如下步骤:
步骤1、准备阶段:根据特定作战天气定性出分析各类感知设备的参数属性,设定设备与天气之间的适应分配变量关系,以及设备间的协同执行可靠性关系
具体说,就是根据作战的要求,对本次作战环节中需要着重考虑的作战任务与作战环境因素,进行了详细阐述,并对所涉及到需要纳入考量的因素指标做出了区分界定;并选取各类型感知设备,对其作战能力、作战优势都做出了相应的定性分析,为之后的作战决策评估提供了主观经验指导。。
步骤2、参数处理阶段:进行数据分析,匹配各类设备之间的变量关系,根据变化的探测距离比值、设备费用、可靠度构建相应的适应度函数,完成数学模型①下的方案集构建
具体说,首先对常规的感知设备做以分类,将具有典型作战能力的不同属性设备纳入参考表格,并将所需考虑的约束条件进行数据整合,通过采用改进的归一化的方法,对采样中不同参数量纲的进行优化提取,得到标准形式分布的数据值。改进后的归一化结果降低了数据集的离散度,减少了选择样本的次数。再将各参数通过数学模型①整合出适应度函数,最终搭建出具有模型合理化的感知设备方案集列表,并界定出约束条件下的适应度函数值
步骤3、模型构建阶段:搭建自适应层次组合模型②,通过适应势能与相似度距离的分布情况,自动确定出模型组合中心类别
具体说,首先就是在组合模型的构建上,根据机器学习的优化架构在公共方案集测试结合该作战背景下的应用于方案集的组合模型②,以机器学习库中的评价指标作为评估模型优劣性的基础,然后通过在分配机制上同时考虑约束条件和相似度距离两个因素,完成对组合中心自动做出了选定。
对所组合的样本,将其归入适应程度比相邻节点大且距离该节点最近的样本所在类簇,即依次分配到与自身根节点相同的类别中去,直到所有数据点的类别都确定为止。并通过轮廓系数对自适应选择下的组合中心进行组合质量检验,最后在各公用数据集种验证指标性能,模型有效提高了模型的鲁棒适应性。。
步骤4、组合搭配阶段:通过数学模型①计算得出各类感知设备的数据列表,将其导入组合模型②中通过分析特定作战天气约束条件下的数据节点之间适应势能与匹配相似度距离两个特征属性,以此得到高效简洁的搭配方案图谱,并获得均值相似度特征差异性分析表;完成选取特定要求下的最佳搭配方案目标,并对整体结果做出相应的理论分析。
步骤5、决策评价阶段:
构建评价模型③,将组合后的各个方案导入评价模型③中进行决策评价。在模型中将导入的每一组方案,进行满足阈值规定下的垂面距离迭代,最终通过模型③中的决策矩阵输出每一组方案更加科学、准确的评价值。
将上述搭配方案与作战总指导布局进行整合,制定出评价集,通过主客观赋权的方法,结合步骤1下的专家指导经验与理论分析适应度系数,得出相应的主观权重与客观权重,再利用基于满足阈值垂面距离迭代的理想点法求取组合权重,有效克服了主观片面性。最后利用评价指标集来建立决策矩阵,得出最终的组合感知能力评价排序,结果表明此决策评佳方案更加具有理论、建设深度。
实施例:
如图1所示,该方法通过以下步骤实现:
S1准备阶段:明确作战背景,找出影响该背景的因素条件,建立作战天气属性表,再把所选设备的属性、费用、抗干扰能力等约束因素(h)融入进去,建立作战天气-设备间的分配关系,最终通过将分配变量累加求和乘以该设备自身属性与其他设备之间的相互干扰因子,最后再开均方根作为可靠度(R)。为接下来模型①②的应用提供参数来源。
S2参数处理阶段:根据特定的作战天气背景分析影响感知设备探测距离的因素,通过大气透过率、能见度颗粒半径等气象因素的集成公式,计算出不同天气下的各类型设备的探测距离比值(S1/S2)变化,再依据初始分配关系融入协同稳定因子下的可靠度分析列表,构建有效探测距离加设备经费(C)倒数再乘以可靠性系数的适应度函数(F)。其综合考虑了方案的各类约束因素,也实现了对常见雨雪雾天下(W)的适应度划分,完成了在数学模型①下感知设备方案集列表的建立。
S3模型构建阶段:构建自适应层次组合算法的模型②,在机器学习下,拿到上述方案集列表后,首先会将拿来测试的公用数据集分为三部分:训练集、验证集和测试集。训练集用于训练模型,验证集用于模型的参数选择配置,测试集对于模型来说是未知数据,用于评估模型的泛化能力。将选取公共数据集中40%作为样本训练,30%的数据作为样本验证,在模型训练完成下,用网格搜素及交叉验证下的轮廓系数,评定模型的最优参数。最后用剩下的做测试集,用来独立评估模型的泛化能力。
本发明采用常见的评价组合质量的指标来对模型进行评估,F-Measure它组合了信息检索中的差准率(precision)与查全率(recall)的思想来进行组合评价,定义公式5所式。
其中,表示精确率,/>表示召回率,/>表示组合结果第K个类族与真实分类结果第m个类别共同拥有的数据对象的个数,nk表示组合结果第K个类族中数据对象的个数,nm表示真实的分类结果第m个类别中数据对象的个数,F-Measure的值越大,说明组合效果越好。
ARI是评价本发明在随机均匀的标签分布的,ARI值接近0,ARI值的范围是[-1,1],负的结果都是较差的,说明标签是独立分布的,相似分布的ARI结果是正的,1是最佳结果,说明两种标签的分布完全一致;不用对组合结果做任何假设,可以用来比较任意组合算法的组合结果间的相似性.所列的公如(6)(7)所示。
ARI取值范围为[-1,1],值越大意味着组合结果与真实情况越吻合,从广义的交度来讲,ARI衡量的是两个数据分布的吻合程度。
S4组合搭配阶段:所构建的自适应层次组合模型②具体是通过方案集中计算得出的适应度并将其按照大小依此排列,选取最小适应度的数据点作为根节点,构建了树结构,通过自适应寻找将适应度小且根节点与其他参数的相似距离最近的点划成叶节点δ,并计算两者之间的距离ρ。
计算组合中心自适应点γ的势能值,通过层次组合算法下相似度分配出与γ稳合的组合中心,
再将剩余数据点归入适应度比其小且与其距离最近的样本所在类簇,即与自身的叶节点划为一类,并标记相同的组合类标签,直到所有数据点的组合类别都确定为止。
简单来说自适应层次组合算法是通过计算根节点的类别数据点与叶节点之间的距离来确定它们之间的相似性,势能γ越大,相似度越高。并将距离最近的两个数据节点δ再进行迭代组合,最终生成组合结果图谱。
再结合机器学习下的数据可视化分析模块选取弦状交互图、曲线走势图、三维立体图及特定主成分关联分析图对所列方案组合结果进行多方面、多层次的分析。
最终依据模型③中的垂面距离下的理想点决策矩阵确定正理想解X+和负理想解X-排序关系。通过前面完成的组合赋权权向量W计算各点与正负理想解的联系度,并以此得出联系向量的垂面距离V+和V-,最终根据模型③输出评价值。
典型作战天气对比分析如表1所示;典型作战感知设备分析如表2所示;作战天气影响适应度函数参数分析表,在前期的调研中,系统性地分析能够为接下来的适应度系数构建、方案集列表建立提供保障。
表1
说明:针对同类型的设备感知能力等级不同定性标准体现在:
(1)光谱的选择不同,进而光源的功率、变倍有差异(X系数的不同)
(2)摄像头成像的焦距、倍率不同(MM级的变率)
(3)云台的承载能力转台不同(重量KG及角度的不同)
(4)可承受的外部环境工作温度、防护能力、抗干扰能力不同(温度℃及防护材质的不同)
(5)工作范围的不同(距离KM的探测远近、波长频率HZ不同)
表2
表3
对改进的组合搭配模型②,在公用数据集表3下与其他常见方法进行对比,可以得出模型②有效避免了K-Means需要事先指定簇的个数K,无法处理噪声的数据的缺点;以及EM需要事件指定初始分布与陷入局部收敛;也不存在DBSCAN算法对参数敏感,当簇的密度变化太大以及高维数据时实际操作起来具有困难性的问题。对比算法方案结果如表4、5所示,体现了在本发明下该改进算法在各类指标集下更加适用于将特定作战天气和设备之间性能进行关联调节,更能体现适应度函数对组合搭配的影响作用。
表3
表4
表5
在上述所改进的组合搭配模型②优化下,导入以下感知设备方案集分析列表6,可以直接输出直观的组合搭配结果cluster,并给出相应的分析数据如表7所示,本发明方法可以有效的根据所处作战天气下选择出更合理的组合搭配方案,高效且迅速的完成组合切换,缩短了战场感知捕捉时间,给作战任务争取到了更多效能上的释放空间。
表6
说明:各类热成像仪(H)、各类可见光成像仪(V)、激光测距成像仪(L)、可见光遥感设备(S)、各类地面小型检测雷达(R)、各类型多光谱集成设备(M)中,八要素一体气象辅助抗干扰夜视监控传感器(C)
表7
说明:rain(fit)代表雨天环境下感知设备适应度;snow(fit)代表雪天环境下感知设备适应度;fog(fit)代表雾天环境下感知设备适应度
表8
参考本发明中上述方案集设备组合分析表7,在评价模型③下,可以得到相应的方案集最优目标分配方案表8。在应对极其恶劣天气环境下,分配方案为当出现rain(雨天)时选取高效能地面侦察监控的雷达组合(2);在snow(雪天)时选择多光谱集成设备和遥感测控监测设备的组合(1);在fog(雾天)时选择浓雾监测传感器下配备红外热成像及可见光激光设备的组合(0);在遇到两种或者三种恶劣天气同时作用时,可根据各自适应度约束因子及其他作战需求要求,将上述模型②构建出的组合方案导入到评价模型③中,进行指标集下的综合考虑。
本发明具体典型实例是通过对方案集的组合部署,再结合典型作战天气环境,选取五类组合方案来代表进行决策评价。
M={M1,M2,M3,M4,M5}
确定评价因素评价集是将综合考虑恶劣天气环境和作战任务对感知设备整体影响约束的发挥,可以从四个方面对设备的组合方案进行决策评估,建立评价因素指标如下:
N={N1,N2,N3,N4,N5}={感知精度,感知效能,感知可操作性,经济耗能}
在组合集M与指标集N的基础上,构建方案Mi对指标Nj的指标值记为Kij,(I=1,2,…m;j=1,2,…n),m与n为组合集元素与指标集元素的个数,最终输出符合离差最小化的组合权重。
表9
因素指标集中的四个指标均为效益型指标。所以再与设定好的评价模型③中的决策矩阵相乘,得出最终的综合决策评价值。
Q={Q1,Q2,Q3,Q4,Q5}=(0.3175,0.6504,0.7586,0.7082,0.6873)
将上述值进行大小排序可得:Q3>Q4>Q5>Q2>Q1
由排序结果可直观体现:当在感知状态开启时,在应对随时可能派遣的突发作战任务或者应对当前突变的恶劣作战天气变化时,相应的感知适应度等条件都需要匹配提升选择,综合考虑下,方案Q3最佳,方案Q1则最差,即此时在特定作战天气下应优先选择方案Q3中的设备组合进行对任务的执行或感知防御。
图3所示,对感知设备方案集进行了层次组合模型②下的组合搭配,组合结果十分直观。可以通过此结果,直观的表示出组合的设备方案,每一种组合都至少包含某一特殊优选性质,保证了不同的搭配方案都具有不同的优选适应性分配,可以应对不同的恶劣天气环境所带来的影响。
图4所示,在对方案集的研究下,为了更加全面的融入约束条件,选取了三维立体图像来对其进行表示,在三种属性的约束下,搭配的展示依然能被清晰的组合划分。
图5-6所示,对地理建模所选区域,构建相应典型作战背景下的组合搭配模拟仿真图,更为直观的展现雨雾天、雨雪天下地理天气等环境因素对感知设备部署情况的作用效果。
图7所示,在对感知能力的定性分析中可以通过其在雨雪雾三种天气下存在不同的适应程度来进行表征,从图7的弦状关联图中可以看出,弦的粗细程度代表该类设备与该天气地关联适应关系大小,越粗的弦相连代表其更适应此类天气状况,可以通过此方法合理地对单一设备进行编排。
图8所示,对两类具有代表性的感知设备H(红外热成像)、M(多光谱成像),通过在恶劣雨雪天气下各自的适应度不同来验证其对探测距离的影响(对应的点越大代表探测距离越远),设备的适应度越高,其稳定的探测输出距离就会相对越远,针对不同的天气组合影响都能做出此类分析。
图9所示,综合代表性的组合在各类作战天气下的评价值,将模型②输出的组合搭配结果导入评价模型③中,通过对各组合设备在不同天气下指标集的评判,得出评价值的变化趋势,可以更为科学、精确的根据变化趋势的大小选出何种天气下哪种组合搭配更能发挥其最大的优势,对特定作战天气下的组合选择提供了分析评定。
以上应用了具体个例对本发明进行阐述,只是用于帮助理解本发明,并不用以限制本发明。对于本发明所属技术领域的技术人员,依据本发明的思想,还可以做出若干简单推演、变形或替换。
以上所述实施例仅表达了本实用新型的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对实用新型专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本实用新型构思的前提下,还可以做出若干变形和改进,这些都属于本实用新型的保护范围。因此,本实用新型专利的保护范围应以所附权利要求为准。
Claims (5)
1.一种基于不同作战天气下的感知设备组合搭配方法,其特征在于,包括如下步骤:
步骤1、准备阶段:根据特定作战天气定性分析出各类感知设备的参数属性,设定设备与天气之间的适应分配隶属关系,以及设备间的协同执行可靠性关系;明确作战背景,找出影响该背景的因素条件,建立作战天气属性表,再把所选设备的属性、费用、抗干扰能力约束因素(h)融入进去,建立作战天气-设备间的分配关系,最终通过将分配变量累加求和乘以该设备自身属性与其他设备之间的相互干扰因子,最后再开均方根作为可靠度(R),为接下来模型①②的应用提供参数来源,
步骤2、参数处理阶段:进行数据分析,匹配各类设备之间的变量隶属关系,根据变化的探测距离比值、设备经费、可靠度构建相应的适应度函数,完成数学模型①下的方案集构建;
根据特定的作战天气背景分析影响感知设备探测距离的因素,通过大气透过率、能见度颗粒半径气象因素的集成公式,计算出不同天气下的各类型设备的探测距离比值(S1/S2)变化,再依据初始分配关系融入协同稳定因子下的可靠度分析列表,构建有效探测距离加设备经费(C)倒数再乘以可靠性系数的适应度函数(F);其综合考虑了方案的各类约束因素,也实现了对常见雨雪雾天下(W)的适应度划分,完成了在数学模型①下感知设备方案集列表的建立,
步骤3、模型构建阶段:搭建自适应层次组合模型②,通过适应势能与相似度距离的分布情况,自动确定出模型组合中心类别;
步骤4、组合搭配阶段:通过数学模型①计算得出各设备的数据列表,将其导入组合模型②中,输出搭配结果及分析情况;
所构建的自适应层次组合模型②具体是通过方案集中计算得出的适应度并将其按照大小依此排列,选取最小适应度的数据点作为根节点,构建了树结构,通过自适应寻找将适应度小且根节点与其他参数的相似距离最近的点划成叶节点δ,并计算两者之间的距离ρ;/>
计算组合中心自适应点γ的势能值,通过层次组合算法下相似度分配出与γ稳合的组合中心,
再将剩余数据点归入适应度比其小且与其距离最近的样本所在类簇,即与自身的叶节点划为一类,并标记相同的组合类标签,直到所有数据点的组合类别都确定为止;
步骤5、决策评价阶段:将组合后的各个方案导入评价模型③中进行优劣评估分析,最终输出每一组方案的决策评价值,再根据各评价值的排序大小选出最佳的组合方案;
最终依据模型③中的垂面距离下的理想点决策矩阵确定正理想解X+和负理想解X-排序关系,通过前面完成的组合赋权权向量W计算各点与正负理想解的联系度,并以此得出联系向量的垂面距离V+和V-,最终根据模型③输出评价值。
2.根据权利要求1所述基于不同作战天气下的感知设备组合搭配方法,其特征在于,所述步骤2中,通过采用改进的归一化的方法,对采样中不同参数量纲的进行优化提取,得到标准形式分布的数据值;再将各参数通过数学模型①整合出适应度函数,最终搭建出感知设备方案集列表。
3.根据权利要求1或2所述基于不同作战天气下的感知设备组合搭配方法,其特征在于,所述步骤3中,在组合模型的构建上,根据机器学习的优化架构在公共方案集测试结合作战背景下的应用于方案集的组合模型②,通过在分配机制上同时考虑约束条件和相似度距离两个因素,对组合中心自动做出了选定。
4.根据权利要求3所述基于不同作战天气下的感知设备组合搭配方法,其特征在于,步骤4具体为,将感知设备方案集数据导入自适应组合中心的组合模型②中,构建基于作战环境模式下的优化模型,通过分析作战天气约束条件下的数据节点之间适应势能与匹配相似度距离这两个特征来得到高效简洁的搭配方案图谱,并获得均值相似度特征差异性分析表;完成选取特定要求下的最佳搭配方案目标。
5.根据权利要求4所述基于不同作战天气下的感知设备组合搭配方法,其特征在于,步骤5具体为,构建以改进拉格朗日最优化下的组合赋权指标评价模型③,在模型中将得到的每一组方案,进行满足阈值规定下的垂面距离迭代,最终通过模型③中的决策矩阵输出每一组方案的评价值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911187510.3A CN110941904B (zh) | 2019-11-28 | 2019-11-28 | 一种基于不同作战天气下的感知设备组合搭配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911187510.3A CN110941904B (zh) | 2019-11-28 | 2019-11-28 | 一种基于不同作战天气下的感知设备组合搭配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110941904A CN110941904A (zh) | 2020-03-31 |
CN110941904B true CN110941904B (zh) | 2023-06-09 |
Family
ID=69908600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911187510.3A Active CN110941904B (zh) | 2019-11-28 | 2019-11-28 | 一种基于不同作战天气下的感知设备组合搭配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110941904B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112579565B (zh) * | 2020-11-30 | 2023-04-18 | 贵州力创科技发展有限公司 | 一种数据分析引擎的数据模型管理方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7930196B2 (en) * | 2001-04-11 | 2011-04-19 | Fair Isaac Corporation | Model-based and data-driven analytic support for strategy development |
CN101964019A (zh) * | 2010-09-10 | 2011-02-02 | 北京航空航天大学 | 基于Agent技术的对抗行为建模仿真平台及仿真方法 |
CN108763736A (zh) * | 2018-05-25 | 2018-11-06 | 中国人民解放军96901部队22分队 | 一种基于灰色理论的航天产品性能与测试一体化设计参数选取方法 |
-
2019
- 2019-11-28 CN CN201911187510.3A patent/CN110941904B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110941904A (zh) | 2020-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11521380B2 (en) | Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron | |
CN113449680B (zh) | 一种基于知识蒸馏的多模小目标检测方法 | |
US20230316555A1 (en) | System and Method for Image-Based Remote Sensing of Crop Plants | |
CN111937016B (zh) | 一种基于街景图片及机器学习的城市内部贫困空间测度方法及系统 | |
CN110751087B (zh) | 一种基于eof的无人机信号识别系统和方法 | |
CN109035223A (zh) | 一种用于卫星遥感图像可用度的智能评估方法 | |
Chiffard et al. | Adaptive niche-based sampling to improve ability to find rare and elusive species: Simulations and field tests | |
CN114139819A (zh) | 基于地统计加权随机森林的地球化学变量空间预测方法 | |
Miettinen et al. | Demonstration of large area forest volume and primary production estimation approach based on Sentinel-2 imagery and process based ecosystem modelling | |
CN115015258A (zh) | 一种农作物长势与土壤水分关联确定方法及相关装置 | |
CN110941904B (zh) | 一种基于不同作战天气下的感知设备组合搭配方法 | |
CN113361887B (zh) | 面向作战应用的航空电子系统适用性评估系统 | |
CN114973024A (zh) | 一种机采棉脱叶效果综合评价指标监测与评价方法及系统 | |
Valldor et al. | Firearm detection in social media images | |
CN109993071A (zh) | 基于遥感影像的变色林木自动识别及调查的方法和系统 | |
CN114429286A (zh) | 一种基于vr全景视觉感知的街道环境质量评价方法 | |
CN115062815A (zh) | 一种利用热辐射数据测度企业生产经营状况的方法及系统 | |
Li et al. | Early drought plant stress detection with bi-directional long-term memory networks | |
Kozoderov et al. | Cognitive technologies for processing optical images of high spatial and spectral resolution | |
Yıldırım | Unsupervised classification of multispectral Landsat images with multidimensional particle swarm optimization | |
CN113191259B (zh) | 用于高光谱图像分类的动态数据扩张方法及图像分类方法 | |
Sharma et al. | Automated Land Use Identification Using Hyper Spectral Data and Machine Learning Algorithms | |
Leite | Estimating stem volume of eucalypt forest plantation using LiDAR: a comparison of the area and individual tree based approaches | |
Vieira Leite et al. | Estimating Stem Volume in Eucalyptus Plantations Using Airborne LiDAR: A Comparison of Area-and Individual Tree-Based Approaches | |
Barth | Spatially comprehensive data for forestry scenario analysis |
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 |