CN113051732A

CN113051732A - 一种基于数据挖掘的红外空空导弹抗干扰效能评估方法

Info

Publication number: CN113051732A
Application number: CN202110279502.2A
Authority: CN
Inventors: 伍友利; 牛得清; 杨鹏飞; 郭亚军; 高翔
Original assignee: Air Force Engineering University of PLA
Current assignee: Air Force Engineering University of PLA
Priority date: 2021-03-16
Filing date: 2021-03-16
Publication date: 2021-06-29

Abstract

本发明公开了一种基于数据挖掘的红外空空导弹抗干扰效能评估方法，包括：根据所确定的红外对抗仿真系统的参数信息获得该系统的输入参数集，并根据该输入参数集设计红外对抗仿真试验方案；将仿真试验方案输入到所述红外对抗仿真系统，记录红外对抗仿真数据结果；对输入参数、仿真数据结果作为红外对抗数据并进行编号；运用FP‑Growth算法对上述编号后的红外对抗数据进行挖掘，按照筛选条件获得符合条件的关联规则；将符合条件的关联规则汇总分析，得到诱饵干扰条件下影响红外空空导弹命中率的潜在关联规则和关键影响因素。本发明克服了红外空空导弹抗干扰评估中人为主观的干预的问题，评估结果更客观。

Description

一种基于数据挖掘的红外空空导弹抗干扰效能评估方法

技术领域

本发明属于武器装备抗干扰的计算机仿真技术领域，尤其涉及一种基于数据挖掘的红外空空导弹抗干扰效能评估方法。

背景技术

红外对抗问题属于高非线性高复杂性的问题，技术人员对其最关心的就是在不同的对抗环境下，导弹能否命中目标(即脱靶量是否满足要求)。然而，这个问题背后的影响因素众多，包括目标方面、导弹方面、诱饵使用方面以及相对初始态势等且存在很大不确定性。若是通过实弹靶试来分析上述问题，需要耗费极大的人力物力，代价十分昂贵。

目前可行的方法是首先在纯数字仿真系统上对对抗环境进行大致摸底，删除其中无价值的对抗场景，保留关键对抗场景；在纯数字仿真系统分析结果基础上，运用半实物仿真的方法对对抗环境进行二次筛选，保留最具代表性以及最能反映红外空空导弹抗干扰能力的对抗场景；最后从经过上述两轮筛选后的对抗场景中选定关键几种进行实弹靶试。但是由于红外对抗问题的超复杂性，目前现有的方法依然无法直接给出各影响因素与脱靶量之间的函数关系。

发明内容

本发明的目的在于现有针对红外空空导弹抗干扰效能评估问题，提出了一种基于数据挖掘的红外空空导弹抗干扰效能评估方法。

本发明是这样实现的，一种基于数据挖掘的红外空空导弹抗干扰效能评估方法，该方法包括以下步骤：

S1、根据所确定的红外对抗仿真系统的参数信息获得该系统的输入参数集，并根据该输入参数集设计红外对抗仿真试验方案；

S2、将上述仿真试验方案输入到所述红外对抗仿真系统，记录红外对抗仿真数据结果；

S3、对上述输入参数、仿真数据结果作为红外对抗数据并进行编号；

S4、运用FP-Growth算法对上述编号后的红外对抗数据进行挖掘，按照筛选条件获得符合条件的关联规则；

S5、将符合条件的关联规则汇总分析，得到诱饵干扰条件下影响红外空空导弹命中率的潜在关联规则和关键影响因素。

优选地，所述步骤S1中，所述参数信息包括输入参数个数、参数类型以及取值范围。

优选地，在步骤S2中，所述仿真数据结果为在不同对抗态势下对应的红外空空导弹的命中率。

在本技术领域中，通过合理的设定大批量作战想定(通过试验设计方案来设定)，得到大批量的仿真数据。如何通过这些仿真数据，从中分析出来影响导弹最终命中率的关键因素是当前比较难解决的问题。而上述问题不解决，就无法对红外空空导弹抗干扰能力进行评估，因此本发明运用机器学习的方法从关联规则挖掘方面进行分析研究。关联规则主要是通过数理与统计知识，依据概率值从结果反推各因素之间潜在的内在联系。由于红外对抗仿真相关数据维度高、非线性强、数据量大、多样性、时空性以及模糊性等特征，使得红外对抗数据与导弹命中率之间内在关联十分隐蔽，无法通过一般手段进行分析，因此，本发明通过运用关联规则算法去深入挖掘红外对抗数据之间潜在的关联规则，期望通过数据挖掘(DataMining)(参考文献1：JiaweiHan,MichelineKamber,JianPei,等.数据挖掘概念与技术[M].北京:机械工业出版社,2012.，参考文献2：范明.数据挖掘导论(完整版)[M].西安:人民邮电出版社,2011.)的方法来发现隐藏在大量红外对抗仿真数据背后影响导弹抗干扰能力的一些规律。

相比于现有技术的缺点和不足，本发明具有以下有益效果：

(1)本发明通过一种基于启发式算法的拉丁超立方采样方法设计仿真试验方案，使得实验数据充满整个系统取值区间，并尽量最大化数据点之间的空间距离来使得在有限仿真次数下所得到的仿真数据能够反映更多的红外对抗仿真内在信息；

(2)本发明在大量的仿真数据支撑下，运用FP-Growth算法挖掘红外对抗中的关键关联规则及影响因素，继而评估空空导弹抗干扰的效能，克服了红外空空导弹抗干扰评估中人为主观的干预的问题，评估结果更客观。

附图说明

图1是本发明方法的步骤流程图；

图2是本发明实施例中连续试验方案图；

图3是本发明实施例中离散化后的试验方案图；

图4是图3所示试验方案图的局部放大图；

图5是本发明实施例中100000条数据的脱靶量统计结果；

图6是本发明实施例中100000条数据的命中率统计结果；

图7是本发明实施例中FP-Growth算法的步骤流程图；

图8是弹目初始距离在低命中率和中命中率中的条形统计图；

图9是导弹进入角在低命中率和中命中率中的条形统计图；

图10是目标机动在低命中率和中命中率中的条形统计图；

图11是诱饵齐投数量及单双侧控制在低命中率和中命中率中的条形统计图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例公开了一种基于数据挖掘的红外空空导弹抗干扰效能评估方法，如图1所示，该方法包括以下步骤：

S1、根据所确定的红外对抗仿真系统的参数信息获得该系统的输入参数集，并根据该输入参数集设计红外对抗仿真试验方案

在步骤S1中，确定红外对抗仿真系统的输入参数个数和类型，如下表1所示：

表1红外对抗系统输入参数

基于上述步骤，确定红外对抗仿真系统输入参数集。

红外对抗仿真试验设计方案要求有以下几点：

(1)生成的试验方案要尽可能充满整个试验设计空间；

(2)避免出现试验空间局部试验样本过密或过疏的现象；

(3)生成的试验方案中不能有重复试验样本出现；

(4)保证上述几点要求的前提下，试验方案生成效率越高越好。

考虑到红外对抗仿真系统结果具有一定的随机性，需要对同一种对抗想定运行多次取命中率来表征该想定下导弹的抗干扰能力；同时又考虑到该仿真系统运行起来较为耗时，试验次数及重复试验次数又不能太多。综合考虑时间及可行性因素，在条件允许范围内尽可能增加试验次数从而使论文数据更加准确全面，本文将总的仿真试验次数为100000，每种想定重复运行10次，以该想定下导弹命中率作为表征导弹抗干扰性能指标。

总的试验次数为100000次，参数维度为12，即需要设计m＝100000，n＝12的采样方案运用一种基于启发式算法的拉丁超立方采样方法(见另一专利)生成试验方案。生成的试验方案如图2所示，图2中横坐标为变量序列、纵坐标为试验次数；每一竖列代表一个参数的试验样本相对取值，每一横列代表一种试验想定参数的相对值。

上述试验设计方案充满变量取值空间(满足上述第(1)要求)，在保证无重复的情况下尽可能在取值空间内均匀分布，减少某些区域试验样本聚集而另外一些区域试验样本稀缺的不理想情况发生(满足上述第(2)、(3)个要求)。

将上述初始采样方案根据仿真系统参数需求离散化后得到如图3所示离散采样方案。将图3中任意部分在纵坐标方向放大得到图4，可以看出任意两行均不相同。

通过上述简单的对比分析可证明，上述提出的试验方案完全满足上述四点要求，将上述离散化的试验方案转换到对应的红外对抗系统输入进行仿真记录仿真结果，用于后续数据挖掘。

S2、将上述仿真试验方案输入到所述红外对抗仿真系统，记录红外对抗仿真数据结果

在步骤S2中，将上述仿真试验方案输入到红外对抗仿真系统(该仿真系统详情可参考文献：“牛得清,伍友利,徐洋,吴鑫,张丹旭,杨鹏飞.红外空空导弹抗干扰效能评估建模[J/OL].北京航空航天大学学报:1-12[2021-01-14].https://doi.org/10.13700/j.bh.1001-5965.2020.0334.”，以及文献：“牛得清,伍友利,徐洋,许瑞.点源红外诱饵干扰下环境复杂度量化建模[J].红外与激光工程,2020,49(02):211-219.”)，并记录红外对抗仿真数据结果即在不同对抗态势下，获得对应红外空空导弹的命中率。

本发明中总的仿真试验次数为100000，由于结果具有随机性的原因，每种想定重复运行10次，以该想定下导弹命中率作为表征导弹在该想定下抗干扰性能指标。以脱靶量10m为界，将导弹命中率分为低(30％以下)、中(30％～70％)、高(70％以上)三类，如图5、图6所示。

S3、对上述输入参数、仿真数据结果作为红外对抗数据并进行编号

在步骤S3中，将红外对抗仿真系统输入参数和对应仿真结果进行编号，以满足后续数据挖掘需要。按照如下表2所示数据进行预编号，数据编号与上表1中红外对抗仿真系统输入参数保持一致。

表2数据编号规则

表2编号共有84个，分别对应13个参数的不同项；其中弹目初始距离分为8级，即<3Km，3～4Km，…，8～9Km，>9Km；其中a编号为仿真结果，表示在对应各输入参数作用下，红外对抗仿真系统重复运行10次所得导弹命中率分级。至此数据预处理完毕，部分数据如下表3所示：

表3部分编号后数据

S4、运用FP-Growth算法对上述编号后的红外对抗数据进行挖掘，按照筛选条件获得符合条件的关联规则

在步骤S4中，运用FP-Growth算法对上述编号后的红外对抗数据进行挖掘，按照一定筛选条件，获得符合条件的关联规则。FP-Growth算法是基于Apriori算法思想提出的一种更加高效、更受欢迎的数据挖掘算法。FP-Growth算法流程如图7所示：

FP-Growth算法通过构建频繁模式树(Frequent Pattern Tree)的方式将频繁项集信息全部储存于其中，拥有相同项集的部分位于同一树干，通过这种方式减少了数据挖掘过程中扫描数据库次数，从而大大提高了算法效率。FP-Growth算法主要包括下面两个步骤：

(1)扫描数据库构建完整的频繁模式树，将所有数据信息统一压缩到树中；

(2)依据频繁模式树，通过提取条件模式基的方式进行数据挖掘。

通过上述两步骤，可得到所有潜在的关联规则，但是现阶段中很多关联规则并不一定与导弹抗干扰能力有关，因此需要进行一定的筛选。

对上述产生的频繁参数项集搭配组合，获得所有组合参数项{X→Y}如{{a}→{f}}、{{a，f，l}→{d}}等等。下一步则根据度量指标计算其是否满足指标要求，最后将所有组合项中满足指标要求的关联规则按指标由高到低排序输出。

通常使用的度量指标有支持度SUP、置信度CONF、Kulc(Kulczynski)度量指标和IR(Imbalance Ratio)度量指标四个，定义如下：

①支持度SUP

支持度表示该参数组合项在整个数据记录中发生的可能性，公式如下

式中(X→Y)表示参数项X发生同时参数项Y发生，Count(X,Y)为参数项{X,Y}的频数，Count(D)为数据库D所包含的记录数。

②置信度CONF

置信度表示参数项X发生的前提下参数项Y发生的可能性大小，公式如下

置信度过低，则一般认为参数项X发生的前提下参数项Y发生可能性很小，说明该规则可信度很低。

③Kulc度量指标

Kulc度量指标可以看成参数项集{X,Y}之间置信度的平均值即

若Kulc(X,Y)>0.5，则参数项集{X,Y}之间为正相关；若Kulc(X,Y)<0.5，则参数项集{X,Y}之间为负相关；若Kulc(X,Y)＝0.5，则参数项集{X,Y}之间无明显关联；Kulc(X,Y)值越接近0.5，参数项集{X,Y}之间关联越弱。

④IR度量指标

IR指标度量是度量参数集{X,Y}之间的不平衡程度，定义为

当Kulc(X,Y)值接近0.5时，需要用IR度量指标进行二次判断，若IR(X,Y)值接越近于0，则参数集{X,Y}之间越无关联；若IR(X,Y)值接近于1，则参数集{X,Y}之间关联越强。

将满足上述四个度量指标且含有导弹命中率的频繁项筛选出来，得到所有与导弹命中率密切相关的关联规则。

S5、将符合条件的关联规则汇总分析，得到诱饵干扰条件下影响红外空空导弹命中率的潜在关联规则和关键影响因素

在步骤S5中，将符合条件的关联规则汇总分析，通过统计计数的方式得到诱饵干扰条件下影响红外空空导弹命中率的关键潜在关联规则和关键影响因素，如下表4所示：

表4部分获取关联规则

选取表中最具代表性的部分关联规则进行分析可得：

(1)序号1，m3，l8，c1＝>a3，左转弯机动+弹目初始距离大于9Km+单发诱饵左右交替投掷共同作用，导弹易脱靶。分析原因为当飞机检测到导弹远距离(大于9Km)来袭时，单发投掷诱饵的同时做无加力向导弹来袭方向另一侧转弯机动逃逸效果最佳。首先此种情况弹目距离较远，导弹打击目标对其打击距离性能参数要求较高；其次，诱饵单发投掷使用，增加诱饵干扰总时长；最后导弹在“长途奔袭”过程中还要不断受到诱饵干扰，加速了导弹燃料使用，因打击后期处于被动段，且目标处于大过载机动；导弹在此种情况下很难命中目标。

(2)序号4，k7，l6，m1，j1，e1＝>a3，进入角70°+弹目初始距离(7～8Km)+目标无机动+铅锤向下投掷诱饵+0.5s时开始投诱饵共同作用，导弹易脱靶。分析原因为当飞机检测到导弹远距离(7～8Km)侧方(70°)来袭时，早起投(0.5s)、方向正下投掷且目标做无机动干扰效果好。该情况下弹目距离很远，导弹探测性能受限无法区分真假目标，此时向下投掷诱饵通过能量压制方式迅速诱偏导弹，直至最后导弹脱靶。

(3)序号6，e5，m4，j2，l2，k9＝>a3，2.5s时开始投掷诱饵+目标做跃升机动+垂直-60°方向投掷诱饵+弹目距离(3～4Km)+导弹进入角90°共同作用，导弹易脱靶。分析原因为弹目距离较近，导弹侧方来袭时，目标做跃升机动的同时在2.5s时投掷诱饵效果最佳，此时投掷诱饵将导弹诱偏后留给导弹再次调整跟踪目标时间很少。若诱饵投掷过早，则导弹导引头视场范围较大，导弹被诱偏后目标仍位于导弹视场范围内，易被再次锁定；若诱饵投掷过晚，则弹目距离过近，诱饵还未将导弹完全诱偏或导弹已经进入盲飞区，干扰效果差。

(4)序号8，m3，c3，l4，k17＝>a3，目标做左转弯机动+每次双发诱饵左侧齐投+弹目初始距离(5～6Km)，导弹进入角170°共同作用，导弹易脱靶。分析原因为当飞机检测到导弹中距离(5～6Km)迎头(170°)来袭时，做左转弯机动的同时向左侧投掷双发诱饵能够增加诱饵在导弹导引头停留时间，干扰效果得到加强。

(5)序号12，e8，m3，l3＝>a2，4s时开始投掷诱饵+目标做左转弯机动+弹目初始距离(4～5Km)共同作用，干扰效果一般。分析原因为飞机检测到导弹距离4～5Km来袭时，飞机做左转弯机动但是其投掷诱饵时间太晚，在第4s的时候才开始投掷使得诱饵干扰效果差。

(6)序号13，e5，m4，j2，l4，k9＝>a2，2.5s时开始投掷诱饵+目标做跃升机动+垂直-60°方向投掷诱饵+弹目距离(5～6Km)+导弹进入角90°共同作用，干扰效果一般。该规则与序号6规则相比只有弹目距离变大，按常理随着弹目距离的增大，导弹应该命中率变低但是事实恰好相反。分析原因得，本种情况弹道变长，2.5s时投掷诱饵相对序号6规则要早，且诱饵向下方投掷而飞机做跃升，诱饵在导引头停留时间较短且诱偏导弹后导弹仍有足够时间重新跟踪目标，因此干扰效果一般。

(7)序号15，l3，m3，c4＝>a2，每次双发诱饵右侧齐投+目标做左转弯机动+弹目初始距离(4～5Km)共同作用，干扰效果一般。分析原因为飞机检测到导弹距离4～5Km来袭时，飞机做左转弯机动的同时向右侧双发投掷诱饵，明显该情况使得诱饵迅速与目标脱离，对导弹干扰效果较差，致使该情况下诱饵干扰效果一般，该情况和序号12规则均是属于使用诱饵弹方式和目标机动搭配不当导致飞机逃逸几率较低。

部分因素对导弹命中率的影响趋势如图8～11所示，其中，图8是弹目初始距离在低命中率和中命中率中的条形统计图，图9是导弹进入角在低命中率和中命中率中的条形统计图，图10是目标机动在低命中率和中命中率中的条形统计图，图11是诱饵齐投数量及单双侧控制在低命中率和中命中率中的条形统计图。由各图可得到诱饵干扰条件下影响红外空空导弹命中率的关键潜在关联规则和关键影响因素。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims

1.一种基于数据挖掘的红外空空导弹抗干扰效能评估方法，其特征在于，该方法包括以下步骤：

2.如权利要求1所述的基于数据挖掘的红外空空导弹抗干扰效能评估方法，其特征在于，所述步骤S1中，所述参数信息包括输入参数个数、参数类型以及取值范围。

3.如权利要求1所述的基于数据挖掘的红外空空导弹抗干扰效能评估方法，其特征在于，在步骤S2中，所述仿真数据结果为在不同对抗态势下对应的红外空空导弹的命中率。