CN111381233A - 一种水下对抗态势显控方法及系统 - Google Patents

Abstract

本发明公开了一种水下对抗态势显控方法及系统，涉及水下探测技术领域，其包括：对海上核设施及其周围水下探测目标进行监测得到监测数据；对监测数据进行处理得到显示数据，并存储；显示数据包括采用自适应神经网络算法得到的探测目标的目标参数及其威胁度；显示显示数据。本发明的水下对抗态势显控方法，通过对监测数据进行优化，并利用自适应神经网络算法得到的探测目标的最优目标参数和威胁度，以辅助指挥人员进行决策。

Description

一种水下对抗态势显控方法及系统

技术领域

本发明涉及水下探测技术领域，具体涉及一种水下对抗态势显控方法及系统。

背景技术

海上核设施包括浮动核电站、核动力科考船、核动力破冰船等一系列以核能为动力或能源输出的海上设施，其可以为海洋资源开发、极地科考、深海空间站建设和偏远岛屿建设提供安全、可靠、经济、便利的能源供应，具有广阔的市场应用前景，对维护我国海洋主权，实现走向深远海，建设海洋强国具有重要意义。

目前国际上恐怖活动时有发生，由于核设施的重要性及其涉核特性，使其可能成为恐怖分子破坏或者劫持的目标，为此国家在最新颁布的核安全法中，明确要求所有核设施在运行前必须采取有效的实体保卫措施。由于海上核设施最容易受到敌对分子来自水下的破坏，且水下蛙人及UUV(Unmanned underwater vehicle，无人潜航器)被探测到的难度较高，因此，海上核设施需要配备大量的水下入侵探测设备。

现有的水下入侵探测设备配有各自专有的显示操作台，不同设备可对同一水下目标的同一参数信息进行探测，而多个探测值之间存在差异。现有的水下探测方式没有提供更深层的数据处理方式，只提供目标的基本参数，不能得到水下目标的确切参数信息，也不能明确地向指挥人员显示目标的威胁程度。

发明内容

针对现有技术中存在的缺陷，本发明的目的在于提供一种水下对抗态势显控方法及系统，针对探测目标，得到精确的目标参数和威胁度。

为达到以上目的，本发明采取的技术方案是：一种水下对抗态势显控方法，其包括步骤：

对海上核设施及其周围水下探测目标进行监测得到监测数据；

对监测数据进行处理得到显示数据，并存储；显示数据包括采用自适应神经网络算法得到的探测目标的目标参数及其威胁度；

显示显示数据。

在上述技术方案的基础上，通过反蛙人声纳、坐底声纳、光纤水听器、声纳浮标、侧扫声呐、水下激光成像仪和/或水文探测器的监测，得到监测数据。

在上述技术方案的基础上，采用自适应神经网络算法得到探测目标的威胁度，具体包括：

建立探测目标的威胁度评估模型，得到威胁度评判指标集合；

从给定的训练集中获取输入和输出数据，组成样本数据；其中，输入数据为给定目标的威胁度评判指标，输出数据为给定目标的威胁度；

训练样本数据得到神经网络中各层神经元的连接权和阈值，建立输入与输出映射模型；

将探测目标的各威胁度评判指标，导入输入与输出映射模型，得到探测目标的威胁度。

在上述技术方案的基础上，采用自适应神经网络算法得到探测目标的目标参数，具体包括：

建立探测目标的目标参数评估模型，得到目标参数评判指标集合；

从给定的训练集中获取输入和输出数据，组成样本数据；其中，输入数据为给定目标的目标参数评判指标，输出数据为给定目标的目标参数；

训练样本数据得到神经网络中各层神经元的连接权和阈值，建立输入与输出映射模型；

将探测目标的各目标参数评判指标，导入输入与输出映射模型，得到探测目标的目标参数。

在上述技术方案的基础上，训练样本数据得到神经网络中各层神经元的连接权和阈值，具体包括：

由神经网络中输入层的输入数据逐层计算各层神经元的输入与输出；

由输出层逐层计算各层神经元的输出误差，并根据误差梯度下降原则调节各层的连接权与阈值，直至代价函数低于预设值，完成输入与输出映射。

在上述技术方案的基础上，代价函数包括均方差项和网络复杂度项，均方差项为输出层神经元的均方差函数，网络复杂度项为每个给定目标的连接权和阈值的和的平方和。

在上述技术方案的基础上，将与探测目标有关的显示数据进行分类，每个探测目标对应建立一个属性集合，属性集合包括：探测目标航速、探测目标航迹、探测目标方位、探测目标大小、探测目标类型、探测时间、探测目标来源、探测目标威胁度以及探测数据来源；属性集合中根据优先级选取部分数据作为探测目标信息进行图形显示。

本发明还提供一种实现上述方法的水下对抗态势显控系统，其包括：

探测单元，用于对海上核设施及其周围水下探测目标进行监测；

数据处理单元，用于采集并处理探测单元获得的监测数据，得到显示数据，并存储；显示数据包括采用采用自适应神经网络算法得到的探测目标的目标参数及其威胁度；

显示单元，用于接收显示数据并进行显示，其包括图形显示区和参数显示区。

在上述技术方案的基础上，监测数据由反蛙人声纳、坐底声纳、光纤水听器、声纳浮标、侧扫声呐、水下激光成像仪和/或水文探测器监测得到。

在上述技术方案的基础上，图形显示区包括：

综合态势图显示区，用于显示探测目标信息，探测目标信息包括反蛙人声纳探测范围、光纤水听器探测范围、声纳浮标布置点位、探测目标速度、探测目标航迹、探测目标位置信息以及探测目标的威胁度；

列表信息显示区，用于显示海上核设施的方位信息、水文信息和设备状态信息；

实时视频显示区，用于显示侧扫声呐实时图像和水下激光成像仪实时图像；

参数显示区用于显示探测目标的属性集合，属性集合包括：探测目标航速、探测目标航迹、探测目标方位、探测目标大小、探测目标类型、探测时间、探测目标来源、探测目标威胁度以及探测数据来源；探测目标信息由属性集合中根据优先级进行选取。

与现有技术相比，本发明的优点在于：

(1)本发明的水下对抗态势显控方法，通过对监测数据进行优化，并利用自适应神经网络算法得到的探测目标的最优目标参数和威胁度，以辅助指挥人员进行决策。

(2)本发明的自适应神经网络算法中，采用的代价函数包括均方差项和网络复杂度项，可以缓解该自适应神经网络的过拟合现象，降低自适应神经网络的计算量。

(3)本发明利用分区域显示的工作方式，方便工作人员快捷地找寻需要的信息，简单明了地对海上核设施及其周边水下安全态势进行技术了解。

(4)本发明的参数显示区用于显示目标的属性集合，包括重要程度即优先级较低的数据，便于指挥人员全面了解目标，减少图形显示区的显示内容。

附图说明

图1为本发明实施例提供的水下对抗态势显控方法的流程图；

图2为本发明实施例提供的威胁度评估模型的示意图；

图3为本发明实施例提供的威胁度的神经网络示意图；

图4为本发明实施例提供的目标参数评估模型的示意图；

图5为本发明实施例提供的目标参数的神经网络示意图；

图6为本发明实施例提供的水下对抗态势显控系统的结构示意图；

图7为本发明实施例提供的探测单元的结构示意图。

具体实施方式

以下结合附图及实施例对本发明作进一步详细说明。

参见图1所示，本发明实施例提供一种水下对抗态势显控方法，水下对抗态势即探测到的水下入侵目标所形成的安全形势。上述方法其包括步骤：

S1.对海上核设施及其周围水下探测目标进行监测得到监测数据。

S2.对监测数据进行处理得到显示数据，并存储；显示数据包括采用自适应神经网络算法得到的探测目标的目标参数及其威胁度。

S3.显示上述显示数据。显示数据可以通过图形显示和参数显示，分区域进行显示便于工作人员快捷地找寻需要的信息，简单明了地对海上核设施及其周边水下安全态势进行技术了解。

优选地，通过反蛙人声纳、坐底声纳、光纤水听器、声纳浮标、侧扫声呐、水下激光成像仪和/或水文探测器的监测，得到上述监测数据。其中，反蛙人声纳、坐底声纳、光纤水听器和声纳浮标均可对探测目标的数量、行数、航迹、位置和大小等信息进行监测，侧扫声呐和水下激光成像仪均可采集到水下周围10-20m的视频图像采集，水文探测器可得到海上核设施周围的水文信息，即水位、流量、流速等。

参见图2和图3所示，上述步骤S2中采用自适应神经网络算法得到探测目标的威胁度的具体步骤包括：

建立探测目标的威胁度评估模型，得到威胁度评判指标集合；

从给定的训练集中获取输入和输出数据，组成样本数据，样本即给定目标；其中，输入数据为给定目标的威胁度评判指标，输出数据为给定目标的威胁度；

利用自适应神经网络算法训练样本数据得到神经网络中各层神经元的连接权和阈值，建立输入与输出映射模型；

将探测目标的各威胁度评判指标，导入输入与输出映射模型，得到探测目标的威胁度。

神经网络具有联想、自组织和很强的容错能力，同时网络中的神经元之间的传输函数是一个非线性函数，通过输入层、隐含层和输出层之间的非线性复合作用，可以逼近一个具有复杂非线性输入与输出关系的未知效能模型。威胁度评判指标体系中各指标的权重难以量化，具有模糊性，因此在建立探测目标的威胁度评估模型的基础上，通过神经网络计算探测目标的威胁度。

本实施例中，建立探测目标的威胁度评估模型时，按照一定的原则把复杂的问题划分为条理清晰、层次分明的递阶模型。其中，最高层为目标层，目标层作为支配下一层元素的理想目标只有一个，即探测目标的威胁度；中间层为准侧层，可以包含影响威胁度的说个层次；最底层为指标层，包含影响准则层元素效能的各类指标。

从对探测目标的威胁度出发，对所有监测设备监测到的目标信息进行整合，初步确定准则层为目标特征、威胁意图和装备水平这三个因素，对于每个准则层又可以确定多个指标层因素。其中，目标特征这一准则层包含探测目标的目标类型、目标大小和辐射特性3个指标层。威胁意图这一准则层包含探测目标的攻击轨迹、航行速度和航行方向3个指标层，装备水平这一准则层包括探测目标的机动模式和目标武器水平，以及我方武器水平3个指标层。因此，探测目标的威胁度评判指标集合为上述9个指标层X₁-X₉。

本实施例中，预先得到给定目标的威胁度评估方案的训练集D＝{(x₁,y₁),(x₂,y₂),...,(x_m,y_m)}，其中，x_m表示第m个给定目标的指标层参数，即输入数据，y_m表示第m个给定目标的威胁度，即输出数据，m为训练样本即给定目标的数量。

将训练集D输入到神经网络中进行学习，该神经网络共有9个输入层神经元、q个隐含层神经元和3个输出层神经元。因此，神经网络初始参数中，θ_j为输出层第j个神经元阈值，输出层第j个神经元接收到的输入

b_h为隐含层第h个神经元输出，γ_h为隐含层第h个神经元阈值，ν_ih为输入层第i个神经元与隐含层第h个神经元连接权，

为隐含层第h个神经元与输出层第j个神经元连接权。

上述步骤S2中训练样本数据得到神经网络中各层神经元的连接权和阈值的具体步骤包括：

由神经网络中输入层的输入数据逐层计算各层神经元的输入与输出，直到输出层为止。

由输出层逐层计算各层神经元的输出误差，并根据误差梯度下降原则调节各层的连接权与阈值，直至代价函数低于预设值，即修改后的最终输出能足够接近导入的输出数据，以完成输入与输出映射。

如果一次训练以后还达不到精度要求，可以重复训练，直到满足训练精度为止。

根据上述神经网络初始参数，可以计算出第k个给定目标的输出

然后计算输出层第j个神经元梯度g_j以及隐含层第h个神经元梯度e_h，计算公式如下：

其中，输出层共l个神经元，在本实施例中，输出层共3个神经元，即l＝3。

然后根据

Δγ_h＝-ηe_h、Δν_ih＝ηe_hx_i、Δθ_j＝-ηg_j迭代出各层神经元的连接权和阈值，以减小代价函数，最后直至代价函数低于预设值，输出连接权和阈值确定的自适应神经网络，其中，η为预设的学习率，x_i为输入层第i个神经元输出。

最后将探测目标的监测数据输入该自适应神经网络中，得到目标威胁度Y＝Y₁+Y₂+Y₃。

优选地，代价函数包括均方差项和网络复杂度项，均方差项为输出层神经元的均方差函数，网络复杂度项为每个给定目标经过自适应网络神经算法计算得到的连接权和阈值的和的平方和。

代价函数对于整个神经网络有重要意义。一般的神经网络代价函数即第k个给定目标的输出层神经元均方差：

但是该神经网络常出现过拟合现象，导致收敛速度下降，且拟合曲线出现不平滑的现象。为了解决该种现象，在代价函数中增加了连接权和阈值的和的平方和的评估，对神经网络复杂度进行描述，以降低神经网络的过拟合现象。

假设N_k为第k个给定目标的连接权和阈值的和，引入网络复杂度的代价函数为：

增加该网络复杂度项以后，神经网络在训练过程中会限制连接权和阈值增长，使得输出的拟合曲线更光滑，缓解过拟合现象。

另外，由于均方差与网络复杂度这两项对于神经网络的精度和收敛速度的影响因子并不一样，因此需要对上述代价函数进行优化。

在代价函数中引入影响度因子λ，则本实施例中的代价函数即为优化后的代价函数：

其中，λ反映了均方差与网络复杂度对于过拟合现象的影响权重。λ可以通过实验求取，分别采用均方差与网络复杂度作为代价函数进行神经网络计算，根据计算结果比较可以准确预测λ的值。通过实验，在对水下入侵目标威胁度评估中，λ取值在

时，对于缓解过拟合现象最有利。

参见图4和图5所示，上述步骤S2中采用自适应神经网络算法得到探测目标的目标参数的具体步骤包括：

建立探测目标的目标参数评估模型，得到目标参数评判指标集合；

从给定的训练集中获取输入和输出数据，组成样本数据，样本即给定目标；其中，输入数据为给定目标的目标参数评判指标，输出数据为给定目标的目标参数；

利用自适应神经网络算法训练样本数据得到神经网络中各层神经元的连接权和阈值，建立输入与输出映射模型；

将探测目标的各目标参数评判指标，导入输入与输出映射模型，得到探测目标的目标参数。

因反蛙人声纳、坐底声纳、光纤水听器和声纳浮标可以对同一水下目标进行探测，分别可以获取目标数量、航速、航迹、位置、大小等关键信息。当反蛙人声纳、坐底声纳、光纤水听器和声纳浮标中的两种或两种以上的监测设备采集同一水下探测目标的监测数据，则需要采用自适应神经网络算法对监测数据进行统计分析，以获取最优的目标参数进行显示。

建立探测目标的目标参数评估模型时，以反蛙人声纳、坐底声纳、光纤水听器和声纳浮标对同一水下探测目标进行监测。最高层为目标参数，最底层为各监测设备得到的监测数据。因此，探测目标的目标参数评判指标集合为上述4种监测设备得到的监测数据a₁-a₄。

本实施例中，预先对不同已知状态参数的水下目标在不同海况下进行多次监测，将监测数据收集，得到给定目标的目标参数评估方案的训练集F＝{(A₁,y₁),(A₂,y₂),...,(A_m,y_m)}，其中A_m为各监测设备获得的第m个给定目标的监测数据，y_m表示第m个给定目标的该信息的真实参数，m为训练样本数量。

将训练集F输入到神经网络中进行学习，该神经网络共有4个输入神经元、q个隐含层神经元和1个输出神经元。因此，神经网络初始参数中，θ为输出层神经元阈值，输出层神经元接收到的输入

b_h为隐含层第h个神经元输出，γ_h为隐含层第h个神经元阈值，ν_ih为输入层第i个神经元与隐含层第h个神经元连接权，

为隐含层第h个神经元与输出层神经元连接权。

上述步骤S2中利用自适应神经网络算法训练样本数据得到神经网络中各层神经元的连接权和阈值同上述威胁度中计算方法相同，具体包括：由神经网络中输入层的输入数据逐层计算各层神经元的输入与输出，然后由输出层逐层计算各层神经元的输出误差，并根据误差梯度下降原则调节各层的连接权与阈值，直至代价函数低于预设值，完成输入与输出映射。

根据上述神经网络初始参数，可以计算出当前的给定目标的输出

然后计算输出层神经元梯度g以及隐含层神经元梯度e_h，计算公式如下：

然后根据

Δγ_h＝-ηe_h、Δν_ih＝ηe_hx_i、Δθ＝-ηg迭代出各层神经元的连接权和阈值，以减小代价函数，最后直至代价函数低于预设值，输出连接权和阈值确定的自适应神经网络，其中，η为预设的学习率，x_i为输入层第i个神经元输出。

最后将探测目标的监测数据输入该自适应神经网络中，输出层即为探测目标的目标参数y。

优选地，代价函数包括均方差项和网络复杂度项，均方差项为输出神经元的均方差函数，网络复杂度项为每个给定目标经过自适应网络神经算法计算得到的连接权和阈值的和的平方和。因此，代价函数为：

本实施例中，输出层只有一个神经元，因此第k个给定目标的输出层神经元均方差

假设N_k为第k个给定目标的连接权和阈值的和，则网络复杂度为

影响度因子λ取值在

时，对于缓解过拟合现象最有利。

优选地，将与探测目标有关的显示数据进行分类，每个探测目标对应建立一个属性集合，属性集合包括：探测目标航速、探测目标航迹、探测目标方位、探测目标大小、探测目标类型、探测时间、探测目标来源、探测目标威胁度以及探测数据来源；属性集合中根据优先级选取部分显示数据作为探测目标信息进行图形显示，方便工作人员简单明了地对海上核设施及其周边水下安全态势进行技术了解，整个属性集合选用数字显示，便于指挥人员全面了解目标，减少图形显示区的显示内容。

参见图6和图7所示，本发明实施例还提供一种水下对抗态势显控系统，包括探测单元、数据处理单元以及显示单元。

探测单元用于对海上核设施及其周围水下探测目标进行监测。

上述探测单元包括多种不同的监测设备，其包括反蛙人声纳、坐底声纳、光纤水听器、声纳浮标、侧扫声呐、水下激光成像仪和/或水文探测器。监测数据由反蛙人声纳、坐底声纳、光纤水听器、声纳浮标、侧扫声呐、水下激光成像仪和/或水文探测器监测得到。

数据处理单元用于采集并处理探测单元获得的监测数据，得到显示数据，并存储；其中，显示数据包括采用采用自适应神经网络算法得到的探测目标的目标参数及其威胁度。

显示单元用于接收显示数据并进行显示，显示单元包括图形显示区和参数显示区。其中，图形显示区包括综合态势图显示区、列表信息显示区以及实时视频显示区。利用分区域显示的工作方式，方便工作人员快捷地找寻需要的信息，简单明了地对海上核设施及其周边水下安全态势进行技术了解。

参数显示区用于显示探测目标的属性集合，属性集合包括：探测目标航速、探测目标航迹、探测目标方位、探测目标大小、探测目标类型、探测时间、探测目标来源、探测目标威胁度以及探测数据来源。参数显示区包括重要程度即优先级较低的数据，以便于指挥人员全面了解目标，减少图形显示区的显示内容。

综合态势图显示区用于显示探测目标信息，探测目标信息包括反蛙人声纳探测范围、光纤水听器探测范围、声纳浮标布置点位、探测目标速度、探测目标航迹、探测目标位置信息以及探测目标的威胁度。探测目标信息由属性集合中根据优先级进行选取在综合态势图显示区显示，方便工作人员查看了解。

列表信息显示区用于显示海上核设施的方位信息、水文信息和设备状态信息。实时视频显示区用于显示侧扫声呐实时图像和水下激光成像仪实时图像。

上述数据处理单元还可以针对特定威胁度的目标预先编制好应对的流程，建立辅助决策数据库，不同威胁的目标对应不同的应对流程。当监测设备探测到目标，数据处理单元计算出目标的威胁度后，根据威胁度检索出对应的辅助决策，并在显示端输出，以便于提供辅助决策给指挥人员。

本发明不局限于上述实施方式，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围之内。本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (10)

1.一种水下对抗态势显控方法，其特征在于，其包括步骤：

对海上核设施及其周围水下探测目标进行监测得到监测数据；

对所述监测数据进行处理得到显示数据，并存储；所述显示数据包括采用自适应神经网络算法得到的所述探测目标的目标参数及其威胁度；

显示所述显示数据。

2.如权利要求1所述的方法，其特征在于：通过反蛙人声纳、坐底声纳、光纤水听器、声纳浮标、侧扫声呐、水下激光成像仪和/或水文探测器的监测，得到所述监测数据。

3.如权利要求1所述的方法，其特征在于，所述采用自适应神经网络算法得到所述探测目标的威胁度，具体包括：

建立所述探测目标的威胁度评估模型，得到威胁度评判指标集合；

从给定的训练集中获取输入和输出数据，组成样本数据；其中，输入数据为给定目标的威胁度评判指标，输出数据为给定目标的威胁度；

训练样本数据得到神经网络中各层神经元的连接权和阈值，建立输入与输出映射模型；

将所述探测目标的各威胁度评判指标，导入所述输入与输出映射模型，得到所述探测目标的威胁度。

4.如权利要求1所述的方法，其特征在于，所述采用自适应神经网络算法得到所述探测目标的目标参数，具体包括：

建立所述探测目标的目标参数评估模型，得到目标参数评判指标集合；

从给定的训练集中获取输入和输出数据，组成样本数据；其中，输入数据为给定目标的目标参数评判指标，输出数据为给定目标的目标参数；

训练样本数据得到神经网络中各层神经元的连接权和阈值，建立输入与输出映射模型；

将所述探测目标的各目标参数评判指标，导入所述输入与输出映射模型，得到所述探测目标的目标参数。

5.如权利要求3或4所述的方法，其特征在于，所述训练样本数据得到神经网络中各层神经元的连接权和阈值，具体包括：

由神经网络中输入层的输入数据逐层计算各层神经元的输入与输出；

由输出层逐层计算各层神经元的输出误差，并根据误差梯度下降原则调节各层的连接权与阈值，直至代价函数低于预设值，完成输入与输出映射。

6.如权利要求5所述的方法，其特征在于：所述代价函数包括均方差项和网络复杂度项，所述均方差项为输出层神经元的均方差函数，所述网络复杂度项为每个给定目标的连接权和阈值的和的平方和。

7.如权利要求1所述的方法，其特征在于，将与所述探测目标有关的所述显示数据进行分类，每个所述探测目标对应建立一个属性集合，所述属性集合包括：探测目标航速、探测目标航迹、探测目标方位、探测目标大小、探测目标类型、探测时间、探测目标来源、探测目标威胁度以及探测数据来源；所述属性集合中根据优先级选取部分数据作为探测目标信息进行图形显示。

8.一种实现权利要求6或7所述方法的水下对抗态势显控系统，其特征在于，其包括：

探测单元，用于对海上核设施及其周围水下探测目标进行监测；

数据处理单元，用于采集并处理所述探测单元获得的监测数据，得到显示数据，并存储；所述显示数据包括采用采用自适应神经网络算法得到的所述探测目标的目标参数及其威胁度；

显示单元，用于接收所述显示数据并进行显示，其包括图形显示区和参数显示区。

9.如权利要求8所述的水下对抗态势显控系统，其特征在于：所述监测数据由反蛙人声纳、坐底声纳、光纤水听器、声纳浮标、侧扫声呐、水下激光成像仪和/或水文探测器监测得到。

10.如权利要求8所述的水下对抗态势显控系统，其特征在于，所述图形显示区包括：

综合态势图显示区，用于显示探测目标信息，所述探测目标信息包括反蛙人声纳探测范围、光纤水听器探测范围、声纳浮标布置点位、探测目标速度、探测目标航迹、探测目标位置信息以及探测目标的威胁度；

列表信息显示区，用于显示所述海上核设施的方位信息、水文信息和设备状态信息；

实时视频显示区，用于显示侧扫声呐实时图像和水下激光成像仪实时图像；

所述参数显示区用于显示所述探测目标的属性集合，所述属性集合包括：探测目标航速、探测目标航迹、探测目标方位、探测目标大小、探测目标类型、探测时间、探测目标来源、探测目标威胁度以及探测数据来源；所述探测目标信息由所述属性集合中根据优先级进行选取。

Images