CN112904294A - 基于直觉梯形模糊多属性决策的雷达干扰效果评估方法 - Google Patents

Abstract

本发明提出了一种基于直觉梯形模糊多属性决策的干扰效果评估方法，实现步骤为：构造雷达干扰属性决策矩阵；构造直觉梯形模糊决策矩阵；基于熵权法计算受干扰雷达每个属性的权重；采用直觉梯形模糊多属性决策方法计算干扰效果评价值。本发明通过五级语言变量{极差，差，中，好，极好}中的一种对每次干扰时雷达的每个属性进行评价得到评价结果，并与直觉梯形模糊多属性决策方法计算得到每次干扰的干扰效果评估结果，解决了已有技术不能用于评估系统无法获取受干扰雷达属性的实数参数的干扰效果评估场景的问题。

Description

基于直觉梯形模糊多属性决策的雷达干扰效果评估方法

技术领域

本发明属于电子对抗技术领域，涉及一种雷达干扰效果评估方法，具体涉及一种基于直觉梯形模糊多属性决策的雷达干扰效果评估方法，可用于雷达干扰效果评估、雷达干扰决策方向。

背景技术

雷达对抗是电子对抗的重要组成部分，在雷达对抗中，干扰效果是干扰系统十分关注且迫想要得到的一项指标。随着雷达对抗装备的智能化，雷达系统的多功能化，以及雷达对抗所处的辐射源环境复杂化，对雷达干扰效果进行评估也变得更加困难，因此干扰效果评估技术在雷达对抗技术领域中也越来越受到重视。

在雷达对抗中，为判断干扰系统工作性能的优劣，分配干扰资源和进行雷达干扰决策，需要获取雷达干扰效果。雷达干扰效果是干扰系统对雷达施加干扰后，评价雷达工作性能下降程度的指标。雷达干扰效果评估是干扰系统以雷达受干扰后的属性作为干扰效果评估方法的输入，计算衡量干扰效果好坏的干扰效果评价值的方法。根据应用场景的不同，干扰效果评估可以分为两大类：离线干扰效果评估和在线干扰效果评估。离线干扰效果评估主要应用于干扰系统的论证、采办、研制过程中对干扰系统的性能进行预测的场景,在该场景中不需要实时得到干扰效果评估结果，只需要在干扰系统工作结束后给出结果即可，且在该场景中可以用雷达内部的属性，即无法从雷达发射信号中直接提取到的雷达属性进行评估。在线干扰效果评估的应用场景以实际雷达对抗场景为主，在场景中需要实时得出干扰效果评估结果，并通过干扰效果评估结果来指导干扰系统后续的干扰资源分配和雷达干扰决策工作，并且在该场景中雷达内部的属性无法得到。

传统的干扰效果评估方法只适用于离线干扰效果评估场景，无法应用于在线干扰效果评估。在实际情况中，干扰系统所处的辐射源环境往往十分复杂，可能出现干扰系统无法获取受干扰雷达属性的实数参数的特殊场景，在这种场景中已有的干扰效果评估方法将无法使用。

为了解决传统干扰效果评估方法无法适用于在线干扰效果评估的问题，申请公布号为CN 110082733 A，名称为“一种雷达干扰效果评估方法、装置及计算机设备”的专利申请，公开了一种雷达干扰效果评估方法，该方法选择实际雷达对抗作战环境下可实时获取的受干扰雷达的属性，包括干扰时机、干扰频率、干扰范围、干扰功率，并对每种属性构建干扰效益计算公式，将每次干扰时受干扰雷达的属性对应的实数参数代入公式，计算每种属性的干扰效益值，并构造干扰效益矩阵，然后通过层次分析法计算每种属性的权重，最后采用多属性决策方法，构造所有干扰中的正理想解和负理想解，计算所有干扰与正理想解和负理想解的欧式距离，进而计算得到所有干扰的干扰效果评价值。该方法可以同时适用于离线干扰效果评估和在线干扰效果评估应用场景，但其需要用受干扰雷达属性的实数参数代入干扰效益计算公式，来求得每次干扰的干扰效果评价值，而在干扰系统无法获取受干扰雷达属性的实数参数的特殊场景下，该方法将无法正常工作。

发明内容

本发明的目的在于克服上述已有技术的不足，提供一种基于直觉梯形模糊多属性决策的雷达干扰效果评估方法，旨在保证在干扰系统无法获取受干扰雷达属性的实数参数的情况下，对雷达干扰效果进行精准评估。

为实现上述目的，本发明采取的技术方案包括如下步骤：

(1)构造雷达干扰属性决策矩阵T：

初始化干扰雷达的次数为M，M≥2，受干扰雷达包括四个属性：雷达的脉冲重复频率、功率、捷变频速度和脉宽，通过五级语言变量{极差，差，中，好，极好}中的一种对每次干扰时雷达的每个属性进行评价，并以干扰雷达次数为行，以每次干扰时雷达的四个属性的评价结果为列，构造雷达干扰属性决策矩阵T＝(t_ij)_M×4，其中t_ij表示第i次干扰第j个属性的评价结果，i＝1,2,...,M，j＝1,2,3,4；

(2)构造直觉梯形模糊决策矩阵X：

(2a)初始化五个直觉梯形模糊数c¹,c²,...,c^r,...,c⁵，

并构造以五级语言变量{极差，差，中，好，极好}为第一列，五个直觉梯形模糊数c¹,c²,...,c^r,...,c⁵为第二列的五级语言变量与直觉梯形模糊数对照表，其中c^r表示第r个直觉梯形模糊数，1≤r≤5,

表示c^r中的第k个实数参数，1≤k≤8；

(2b)通过对照表将干扰属性决策矩阵T中的每个评价结果t_ij转换为直觉梯形模糊数x_ij,得到直觉梯形模糊决策矩阵X＝(x_ij)_M×4，其中x_ij表示t_ij对应的直觉梯形模糊数,x_ij＝(x_ij1,x_ij2,...,x_ijk,...,x_ij8)，x_ijk表示x_ijk对应的第k个实数参数；

(3)基于熵权法计算受干扰雷达每个属性的权重w_j：

其中，H_j表示第j个属性的熵值，p_ij表示第i次干扰第j个属性的直觉梯形模糊数x_ij在所有干扰中所占的比重，∑表示求和；

(4)采用直觉梯形模糊多属性决策方法计算干扰效果评价值R_i：

(4a)构造所有干扰的正理想解A⁺和负理想解A^-：

在直觉梯形模糊决策矩阵X的第j列中选取评价结果最好的直觉梯形模糊数

评价结果最差的直觉梯形模糊数

，并以

构造所有干扰的正理想解

以

构造所有干扰的负理想解

其中，

表示

对应的第k个实数参数，

表示

对应的第k个实数参数；

(4b)计算每次干扰与正理想解A⁺、负理想解A^-的相对熵距离S_i ⁺、S_i ^-，得到所有干扰与正理想解A⁺、负理想解A^-的相对熵距离集合S⁺＝[S_i ⁺]_4×1、S^-＝[S_i ^-]_4×1，其中，S_i ⁺、S_i ^-的计算公式分别为：

(4c)计算每次干扰的干扰效果评价值R_i，得到所有干扰的干扰效果评价值集合R＝[R_i]_4×1，R_i的计算公式为：

本发明与现有技术相比，具有以下优点：

本发明以五级语言变量评价雷达每次受到干扰后的属性，并将五级语言变量转换为直觉梯形模糊数，采用直觉梯形模糊多属性决策方法，然后通过直觉梯形模糊数计算每次干扰的干扰效果评价值，避免了现有技术必须通过受干扰雷达属性的实数参数才能获取干扰效果评价值的缺陷，在保证评估精准的前提下，有效拓宽了评估的应用范围。

附图说明

图1是本发明的实现流程图。

具体实施方式

下面结合附图和具体实施例，对本发明作进一步的详细描述。

参照图1，本发明包括如下步骤：

步骤1)构造雷达干扰属性决策矩阵T：

初始化干扰雷达的次数为M，M≥2，受干扰雷达包括四个属性：雷达的脉冲重复频率、功率、捷变频速度和脉宽，这些属性均非雷达内部属性，且均可由干扰系统从受干扰雷达处实时获取，通过五级语言变量{极差，差，中，好，极好}中的一种对每次干扰时雷达的每个属性进行评价，并以干扰雷达次数为行，以每次干扰时雷达的四个属性的评价结果为列，构造雷达干扰属性决策矩阵T＝(t_ij)_M×4，其中t_ij表示第i次干扰第j个属性的评价结果，i＝1,2,...,M，j＝1,2,3,4，通过对每次干扰时雷达的每个属性进行评价，跳过了对实数参数进行计算的过程，避免了在无法得到受干扰雷达属性的实数参数的干扰效果评估场景中方法无法正常工作的问题，在本实施例中，M为4。

步骤2)构造直觉梯形模糊决策矩阵X：

步骤2a)初始化五个直觉梯形模糊数c¹,c²,...,c^r,...,c⁵，

并构造以五级语言变量{极差，差，中，好，极好}为第一列，五个直觉梯形模糊数c¹,c²,...,c^r,...,c⁵为第二列的五级语言变量与直觉梯形模糊数对照表，其中c^r表示第r个直觉梯形模糊数，1≤r≤5，

表示c^r中的第k个实数参数，1≤k≤8，五级语言变量与直觉梯形模糊数对照表如表1所示：

表1

语言变量	直觉梯形模糊数
		极差	(0.2,0.3,0.4,0.5,0.1,0.3,0.4,0.6)
差	(0,3,0.4,0.5,0.6,0.2,0.4,0.5,0.7)
		中	(0.4,0.5,0.6,0.7,0.3,0.5,0.6,0.8)
好	(0.5,0.6,0.7,0.8,0.4,0.6,0.7,0.9)
		极好	(0.6,0.7,0.8,0.9,0.5,0.7,0.8,0.9)

在模糊数学理论中，直觉梯形模糊数被用来衡量模糊信息，而五级语言变量的实质上就是五个模糊信息，故五级语言变量与五个直觉梯形模糊数等价，可以按照对照表将五级语言变量转化为直觉梯形模糊数。

步骤2b)通过对照表将干扰属性决策矩阵T中的每个评价结果t_ij转换为直觉梯形模糊数x_ij,得到直觉梯形模糊决策矩阵X＝(x_ij)_M×4，其中x_ij表示t_ij对应的直觉梯形模糊数，x_ij＝(x_ij1,x_ij2,...,x_ijk,...,x_ij8)，x_ijk表示x_ijk对应的第k个实数参数；

步骤3)基于熵权法计算受干扰雷达每个属性的权重w_j，熵权法是一种客观赋权法，以熵值衡量属性所包含的信息的不确定程度，以信息的不确定程度高低为依据为属性分配权重，可以客观准确的得到每个属性的权重，是一种常见的权重计算方法，其：

其中，H_j表示第j个属性的熵值，p_ij表示第i次干扰第j个属性的直觉梯形模糊数x_ij在所有干扰中所占的比重，∑表示求和。

步骤4)采用直觉梯形模糊多属性决策方法计算干扰效果评价值R_i：

直觉梯形模糊多属性决策方法是用来处理受干扰雷达属性由直觉梯形模糊数表示的评估问题的一种方法，该方法是在多属性决策方法改进得来的方法，因多属性决策方法只能属性由实数表示的评估问题进行计算，故将模糊数学理论中直觉梯形模糊数的计算方法引入多属性决策方法，得到了直觉梯形模糊多属性决策方法，在本发明中采用该方法来即可精准计算出干扰效果评价值R_i。

步骤4a)构造所有干扰的正理想解A⁺和负理想解A^-：

在直觉梯形模糊决策矩阵X的第j列中选取评价结果最好的直觉梯形模糊数

评价结果最差的直觉梯形模糊数

并以

构造所有干扰的正理想解

以

构造所有干扰的负理想解

其中，

表示

对应的第k个实数参数，

表示

对应的第k个实数参数。正负理想解实质上是直觉梯形模糊决策矩阵X解空间中存在的最优解和最劣解，也即在所有干扰中存在的干扰效果最好和最差的干扰，需要说明正负理想解不代表实际意义上的干扰。将正负理想解作为参照，计算干扰与正负理想解的距离可得到干扰效果的好坏。

步骤4b)计算每次干扰与正理想解A⁺、负理想解A^-的相对熵距离S_i ⁺、S_i ^-，得到所有干扰与正理想解A⁺、负理想解A^-的相对熵距离集合S⁺＝[S_i ⁺]_4×1、S^-＝[S_i ^-]_4×1，S_i ⁺、S_i ^-的计算公式分别为：

相对熵是信息理论中用来衡量两个系统间差距的概念，每次干扰与正负理想解的相对熵即为解空间中每次干扰与正负理想解的差别，差别越大说明每次干扰与正负理想解的距离越大。由此可定义相对熵距离概念，将相对熵距离应用于直觉梯形模糊多属性决策方法中，用来衡量每次干扰与正负理想解的距离。

步骤4c)计算每次干扰的干扰效果评价值R_i，得到所有干扰的干扰效果评价值集合R＝[R_i]_4×1，R_i的计算公式为：

干扰效果评价值R_i越大，代表该次干扰离正理想解越近，离负理想解越远，说明该次干扰的干扰效果越好，反之说明干扰效果越差。

Claims (1)

1.一种基于直觉梯形模糊多属性决策的雷达干扰效果评估方法，其特征在于，包括如下步骤：

(1)构造雷达干扰属性决策矩阵T：

初始化干扰雷达的次数为M，M≥2，受干扰雷达包括四个属性：雷达的脉冲重复频率、功率、捷变频速度和脉宽，通过五级语言变量{极差，差，中，好，极好}中的一种对每次干扰时雷达的每个属性进行评价，并以干扰雷达次数为行，以每次干扰时雷达的四个属性的评价结果为列，构造雷达干扰属性决策矩阵T＝(t_ij)_M×4，其中t_ij表示第i次干扰第j个属性的评价结果，i＝1,2,...,M，j＝1,2,3,4；

(2)构造直觉梯形模糊决策矩阵X：

(2a)初始化五个直觉梯形模糊数c¹,c²,...,c^r,...,c⁵，

并构造以五级语言变量{极差，差，中，好，极好}为第一列，五个直觉梯形模糊数c¹,c²,...,c^r,...,c⁵为第二列的五级语言变量与直觉梯形模糊数对照表，其中c^r表示第r个直觉梯形模糊数，1≤r≤5,

表示c^r中的第k个实数参数，1≤k≤8；

(2b)通过对照表将干扰属性决策矩阵T中的每个评价结果t_ij转换为直觉梯形模糊数x_ij,得到直觉梯形模糊决策矩阵X＝(x_ij)_M×4，其中x_ij表示t_ij对应的直觉梯形模糊数,x_ij＝(x_ij1,x_ij2,...,x_ijk,...,x_ij8)，x_ijk表示x_ijk对应的第k个实数参数；

(3)基于熵权法计算受干扰雷达每个属性的权重w_j：

其中，H_j表示第j个属性的熵值，p_ij表示第i次干扰第j个属性的直觉梯形模糊数x_ij在所有干扰中所占的比重，∑表示求和；

(4)采用直觉梯形模糊多属性决策方法计算干扰效果评价值R_i：

(4a)构造所有干扰的正理想解A⁺和负理想解A^-：

在直觉梯形模糊决策矩阵X的第j列中选取评价结果最好的直觉梯形模糊数

评价结果最差的直觉梯形模糊数

并以

构造所有干扰的正理想解

以

构造所有干扰的负理想解

其中，

表示

对应的第k个实数参数，

表示

对应的第k个实数参数；

(4b)计算每次干扰与正理想解A⁺、负理想解A^-的相对熵距离S_i ⁺、S_i ^-，得到所有干扰与正理想解A⁺、负理想解A^-的相对熵距离集合S⁺＝[S_i ⁺]_4×1、S^-＝[S_i ^-]_4×1，其中，S_i ⁺、S_i ^-的计算公式分别为：

(4c)计算每次干扰的干扰效果评价值R_i，得到所有干扰的干扰效果评价值集合R＝[R_i]_4×1，R_i的计算公式为：

Images