CN113283527B - 一种基于层级指标的雷达威胁评估方法 - Google Patents
一种基于层级指标的雷达威胁评估方法 Download PDFInfo
- Publication number
- CN113283527B CN113283527B CN202110631515.1A CN202110631515A CN113283527B CN 113283527 B CN113283527 B CN 113283527B CN 202110631515 A CN202110631515 A CN 202110631515A CN 113283527 B CN113283527 B CN 113283527B
- Authority
- CN
- China
- Prior art keywords
- layer
- matrix
- index
- level
- weight
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于雷达威胁评估技术领域,具体涉及一种基于层级指标的雷达威胁评估方法。本发明利用GAT建立层级指标中一级指标和三级指标之间的关系,并结合AP算法与DNN,设计表征一级指标、二级指标和三级指标关系的层级指标关系,实现了对雷达的威胁评估。本发明结合注意力机制,融合相似度理论设计权值分配方法,使得层级指标关系的构建更具备客观性;同时利用图注意力网络及深度神经网络,设计了一种全新的与实际传感器数据相关联的层级指标关系,增加了威胁评估方法的鲁棒性和适应性,提高了方法的可靠性,使得本发明在接收信息不全面的情况下依旧可以实现威胁值的准确评估。
Description
技术领域
本发明属于雷达威胁评估技术领域,具体涉及一种基于层级指标的雷达威胁评估方法。
背景技术
现有的雷达威胁评估方法直接由专家给定层级指标关系,在获取传感器数据后,逐层推理,最终计算威胁值。但由于该方法需要根据历史经验和专家知识确定模型结构及参数,需要较为全面的先验信息,当接收到的信息不完备时,现有方法将不具备适用性,威胁评估的准确性较差。
王昱等在《航空学报》(2020,21(02):91-96)上发表的“基于改进证据网络的空战动态态势估计方法”设计了一种威胁等级评估方法,改善了受到干扰时威胁评估结果的不合理问题,具备有效性。但该方法所构建的层级指标是通过综合专家经验获取的,因此在接收信息不完备的情况下还需采取其他方法评估威胁值,不具备普适性及可靠性。对威胁评估前的层级指标构建方面受文献所限,查不到相关文章,若对评估前的层级指标以客观方法进行构建,则可更加准确描述不同指标级之间的关系,有效提高威胁评估的准确性。
发明内容
本发明的目的在于解决现有层级指标的构建需依靠专家经验,导致威胁值评估缺乏适用性及可靠性的问题,提供一种基于层级指标的雷达威胁评估方法。
本发明的目的通过如下技术方案来实现:包括以下步骤:
步骤1:获取关于雷达i的各传感器数据sij,并获取雷达i的威胁值yi;获取多组不同雷达的样本{(si1,si2,...,siJ),yi},构造训练数据集;
其中,i={1,2,...,I},I为训练数据集中的样本数量;j={1,2,...,J},J为关于雷达i的传感器数据数量;
步骤2:采用训练数据集训练GAT;
步骤2.1:利用训练数据集构建图信息G=(N,E,A);
其中,N为图G的节点集;E为图G的边集;A为图G的邻接矩阵;
步骤2.2:计算节点集N中每个节点nk与其邻域节点nl之间的相关系数ekl;
ekl=attention([(W·nk)||(W·nl)])
其中,nl∈Mk,Mk表示节点nk的全部邻域节点集合;W为GAT的权重矩阵;[·||·]表示拼接,注意力机制attention(·)将拼接后的高维数据映射为邻域间的相关系数;
步骤2.3:计算节点集N中每个节点nk与其邻域节点nl之间的注意力系数αkl;
其中,LeakyReLU(·)表示带泄露修正线性激活函数;
步骤2.4:利用梯度下降法更新GAT的权重矩阵W,计算GAT的最后一层中各节点nk与其邻域节点nl之间的注意力系数αkl,得到注意力系数矩阵α;
步骤3:对关于雷达的J个传感器数据进行筛选,设置阈值t1,取所有对应αkl>t1的传感器数据sik、sil作为三级指标,组成三级指标数据集SN={...,snp,...,snnumber},并将三级指标数据集SN中所有数据量化到同一量级;其中,snp={s1p,s2p,...,sIp},p={1,2,...,number};number为三级指标的数量;
步骤4:采用AP算法将三级指标数据集SN={...,snp,...,snnumber}划分为m组,并将m作为二级指标的数目;
步骤4.1:构建相似矩阵D,相似矩阵D中第l1行第l2列的值D(l1,l2)为:
其中,pD为偏向系数,是相似矩阵D的中位数;
步骤4.2:初始化吸引度矩阵Z0和归属度矩阵C0为零矩阵;初始化迭代次数t2=1;
步骤4.4:在每次迭代更新时加入阻尼系数δ调节算法收敛速度;
Zt2(l1,l2)=δ·Zt2-1(l1,l2)+(1-δ)·Zt2(l1,l2)
Ct2(l1,l2)=δ·Ct2-1(l1,l2)+(1-δ)·Ct2(l1,l2)
其中,δ为阻尼系数;
步骤4.5:重复步骤4.3和步骤4.4直到聚类中心收敛,根据当前迭代次数t2的归属度矩阵Ct2,获取m个聚类中心点;
步骤5:构建DNN训练样本集sample={(S1,y1),(S2,y2),...,(SI,yI)};设置DNN的网络结构为三层,由一个输入层、一个隐含层和一个输出层组成,设置隐含层节点数为m;使用DNN训练样本集sample训练DNN,获取训练好的DNN最后一层的权值矩阵U和偏置系数矩阵Q;其中,Si为由number个关于雷达i的三级指标组成的向量,Si={...,sip,...,sinumber};
步骤6:根据权值矩阵U构建层级指标的权值矩阵Ufinal;
其中,uqp表示权值矩阵U中第q行第p列的值;q={1,2,...,m};
步骤6.2:设置阈值t3,将对应的二级指标q1与三级指标p1之间的线删除,并将权值均匀加到剩余线上作为三级指标数据与二级指标数据之间的初始权值,处理后的矩阵U23中存在线的二级指标q与三级指标p之间的权值u′qp为:
其中,b为删除的线数量;
步骤6.3:重复步骤6.1和步骤6.2,直至遍历所有二级指标与三级指标,得到二级指标与三级指标之间的最终权值矩阵用矩阵U中与一级指标和二级指标相关的部分U12和矩阵构建层级指标的权值矩阵Ufinal;
U12=U-U23
步骤7:采用DNN训练样本集sample={(S1,y1),(S2,y2),...,(SI,yI)}训练GAT,将GAT的权重矩阵W替换为层级指标的权值矩阵Ufinal,重复步骤2.1至步骤2.4,得到训练好的GAT;
其中,σ(·)为GAT的非线性激活函数。
本发明还可以包括:
所述的步骤5中训练DNN的方法具体为:
步骤5.1:随机初始化DNN的第一层权值矩阵u1和偏置系数矩阵q1;DNN输入的第一层g1=srandom,srandom为DNN训练样本集sample中随机样本输入;
步骤5.2:输入样本后,利用前向传播算法计算各层输出:
其中,ulayer、qlayer分别表示第layer层的权值矩阵和偏置系数矩阵;ga,layer-1表示第a个样本对应第layer-1层的输入向量;为输出层未激活的线性向量;ψ(·)为ReLU激活函数;a=1,2,3,…,I,layer=2,…,L,L为神经网络总层数;
步骤5.3:利用对数似然函数,进一步计算第L层的梯度μ,其第a个样本对应第L层的值μa,L为:
式中,u,q分别表示第L层即输出层的权值矩阵和偏置系数矩阵;y为第L层的输出向量;J(·)为交叉熵损失函数;
步骤5.4:将计算的梯度反向传播回上一层,计算公式如下:
其中,ulayer+1为layer+1层的权值;μa,layer+1为第a个样本对应第layer+1层的梯度;表示Hadamard积,即同维矩阵对应元素之积;表示第a个样本对应第layer+1层的未激活的线性向量;μa,layer为第a个样本对应第layer层的梯度;
步骤5.5:更新第layer层的权值ulayer和偏置系数qlayer;
其中,κ为学习率;
步骤5.6:重复步骤5.2-5.5,直到学习完所有样本,输出最后一层的权值矩阵U=u和偏置系数矩阵Q=q。
本发明的有益效果在于:
本发明结合注意力机制,融合相似度理论设计权值分配方法,使得层级指标关系的构建更具备客观性;同时利用图注意力网络及深度神经网络,设计一种全新的与实际传感器数据相关联的层级指标关系,增加了威胁评估方法的鲁棒性和适应性,提高了方法的可靠性,使得本方法在接收信息不全面的情况下依旧可以实现威胁值的准确评估。
附图说明
图1为本发明的总体流程示意图。
图2为本发明的实施例一中GAT训练流程示意图。
图3为本发明的实施例一中AP算法示意图。
图4为本发明的实施例一中DNN训练流程示意图。
图5为本发明的实施例一中全连接层级指标体系构成示意图。
图6为本发明的实施例一中层级指标体系构成示意图。
图7为本发明的实施例二中示例性的传感器可直接或间接探测到的信息表。
图8为本发明的实施例二中实验800次后的平均绝对误差及均方根误差表。
具体实施方式
下面结合附图对本发明做进一步描述。
本发明的目的在于针对解决现有层级指标的构建需依靠专家经验,导致威胁值评估缺乏适用性及可靠性的问题,设计一种新的基于层级指标的威胁评估方法。
本发明的技术方案包括以下步骤:
步骤1:利用各传感器数据及对应威胁值构建数据集,训练图注意力网络(GraphAttention Network,GAT),获取层级指标中一级指标与三级指标之间的注意力系数。
步骤2:用步骤1获得的注意力系数保留强相关数据,并量化到同一量级,将其转化为威胁指数构建层级指标的三级指标。
步骤3:根据步骤2中三级指标数据的相关性,结合仿射聚类传播(AffinityPropagation,AP)算法,将三级指标划分为m组,并作为层级指标中二级指标的数目。
步骤4:利用层级指标的一级指标与三级指标数据训练深度神经网络(DeepNeural Networks,DNN),获取表征层级指标中一级、二级以及三级指标之间关系的权重矩阵U。
步骤5:根据步骤4获取的权重矩阵确立层级指标中二级指标与三级指标之间的关系,构建客观层级指标体系,结合GAT实现威胁评估。
本发明还包括这样一些结构特征:
步骤1包括:建立客观层级指标时,利用传感器数据与威胁值构建图数据,训练GAT模型,获取模型的注意力系数矩阵α,其第i行第j列的值αij为:
步骤2包括:设置阈值t1,将步骤1获取的注意力系数矩阵中大于t1的注意力系数对应的传感器数据作为强相关数据集,并将这些强相关数据集量化到同一量级,组合成三级指标数据s:
s={f,v,r,h,θ} (2)
式中,f为全部信号量化后的脉冲重复频率的威胁指数、v为全部信号量化后的速度威胁指数、r为全部信号量化后的威胁指数、h为全部信号量化后的飞行高度威胁指数,θ为全部信号量化后的角度威胁指数。
步骤4包括:将步骤2量化后的三级指标数据作为DNN输入,并将步骤3的聚类中心点数m设置为二级指标的数目,将威胁值即一级指标作为输出构建DNN训练样本集sample:
sample={(s1,y1),(s2,y2),(s3,y3),…,(sI,yI)} (3)
式中,s1,s2,…,sI分别为第1个样本至第I个样本的输入向量,y1,y2,…,yI分别为第1个样本至第I个样本的威胁值,I为样本数量。利用训练样本集训练DNN模型,最终获得权重矩阵U。
式中,uij表示权值矩阵U中第i行第j列的权值,S2表示二级节点数量,S3表示三级节点的数量。
设置阈值t2,当uij<t2时,删除该权值所在的连接线,并将该权值均匀加给其他权值,作为新的权值ui'l:
式中,uil为节点表示节点i与节点l之间的权值,b为删除的线数量。
建立一级、二级以及三级指标之间的联系,最终构建一个客观的层级指标体系。
利用传感器获得的数据加权求和,计算二级指标节点的具体数值作为其特征,将图结构及各个节点上特征值作为GAT输入。
重新训练一个GAT模型,将测试集作为节点输入特征,获取所有节点的输出特征,此时一级指标对应节点的输出特征值即所求威胁值。
本发明的有益效果在于:
本发明结合注意力机制,融合相似度理论设计权值分配方法,使得层级指标关系的构建更具备客观性;同时利用图注意力网络及深度神经网络,设计一种全新的与实际传感器数据相关联的层级指标关系,增加了威胁评估方法的鲁棒性和适应性,提高了方法的可靠性,使得本方法在接收信息不全面的情况下依旧可以实现威胁值的准确评估。
实施例一
本发明利用GAT建立层级指标中一级指标和三级指标之间的关系,并结合AP算法与DNN,设计表征一级指标、二级指标和三级指标关系的层级指标关系,实现了对雷达威胁的评估。如附图1所示,是本发明的新的基于层级指标的威胁评估方法流程示意图;如附图2所示,是本发明实施例一的威胁评估方法的GAT训练流程示意图。
步骤1:利用各传感器数据及对应威胁值构建数据集,训练GAT,获取层级指标中一级指标与三级指标之间的注意力系数。
步骤1.1:获取全部关于雷达的传感器数据及对应威胁值。
步骤1.2:利用传感器数据及威胁值构建图信息G,包括节点集N,节点与节点之间的边集E及接连矩阵A:
G=(N,E,A) (6)
式中,总节点数|N|=type+1,type表示传感器种类数目,在本发明实施例一中,S设定为8,分别代表脉冲重复频率,飞行速度,距离,飞行高度,角度,温度,空袭样式及瞬时带宽。N中节点1到节点type为层级指标中的三级指标节点,传感器数据作为其输入特征向量;节点type+1为层级指标中的一级指标节点,威胁值作为其输入特征向量。GAT的输入特征向量集N具体表示为:
步骤1.3:计算每个节点与它直接邻域之间的相关系数eij:
步骤1.4:进一步利用相关系数计算节点i和节点j之间的注意力系数αij:
式中,LeakyReLU(·)表示带泄露修正线性激活函数。
步骤1.5:进一步计算每个节点的输出特征向量ni′:
式中,σ(·)为sigmoid非线性激活函数。
步骤1.6:利用梯度下降法更新权重矩阵W,并利用式(9)计算最后一层节点i和节点j之间的注意力系数,得到传感器数据与威胁值之间的注意力系数矩阵α。
步骤2:用步骤1训练的注意力系数矩阵α保留强相关数据,并量化到同一量级,将其转化为威胁指数构建层级指标的三级指标。
步骤2.1:在本发明实施例一中,设置阈值t1为0.7,将步骤1所得的注意力系数αij大于阈值的三级指标留下作为强相关数据集。在本发明实施例一中,脉冲重复频率、飞行速度、距离、飞行高度及角度数据为所保留的强相关数据。
步骤2.2:计算信号脉冲重复频率的威胁指数,当信号脉冲重复频率在0.1kHz时威胁值较低,可近似为0,当脉冲重复频率超过0.1kHz时,目标威胁值随之增大,第χ个样本的脉冲重复频率的威胁指数fχ的计算公式为:
式中,f0为传感器探测到的脉冲重复频率,χ=1,2,3,…,I,I为样本数量。
步骤2.3:计算速度的威胁指数,设置速度威胁单位为m/s,速度范围为[0,1800],第χ个样本的速度威胁指数vχ的计算公式为:
式中,v0为传感器探测到的目标速度大小。
步骤2.4:计算距离的威胁指数,设置距离威胁单位为km,范围为[0,1200],第χ个样本的距离威胁指数rχ计算公式为:
式中,r0为传感器探测到的目标位置距离。
步骤2.5:计算飞行高度的威胁指数,飞行高度单位为m,范围[0,30000],第χ个样本的飞行高度威胁指数hχ计算公式为:
式中,h0为传感器探测到的目标飞行高度。
步骤2.6:计算目标航向角的威胁指数,目标航向角的单位为°,范围为[0,180],第χ个样本的角度威胁指数θχ计算公式为:
式中,θ0为传感器探测到的目标航向角度。
步骤2.7:重复步骤2.1-2.6,直到计算完全部信号的脉冲重复频率的威胁指数f={f1,…,fχ,…,fI}、速度威胁指数v={v1,…,vχ,…,vI}、威胁指数r={r1,…,rχ,…,rI}、飞行高度威胁指数h={h1,…,hχ,…,hI}及角度威胁指数θ={θ1,…,θχ,…,θI},并组合成三级指标数据s={f,v,r,h,θ}。
步骤3:根据步骤2中三级指标数据的相关性,结合AP算法,将三级指标划分为m组,并作为层级指标中二级指标的数目。
如附图3所示,是本发明实施例一的威胁评估方法的AP算法示意图。
步骤3.1:利用三级指标之间的负欧式距离计算相似度dlk:
dlk=-||sl-sk||2,l,k=1,2,…,number (16)
式中,sl表示第l个节点,sk表示第k个节点,number表示节点数量。
步骤3.2:进一步构建相似矩阵D,其第l行第k列的值Dlk为:
式中,p为偏向系数,是相似度矩阵D的中位数。
步骤3.3:进一步计算吸引度矩阵Z和归属度矩阵C,初始化时Z和C均为零矩阵,其第l行第k列的值Z(l,k)和C(l,k)分别为:
Z(l,k)=D(l,k)-maxk′≠k{C(l,k′)+D(l,k′)} (18)
式中,max表示取最大值,min表示取最小值,k′表示除当前节点k以外的其他节点,l′表示除当前节点l以外的其他节点,Z(l,k)表示节点l向节点k发出的信息,代表数据点k成为数据点l聚类中心的合适程度,C(l,k)表示数据点l选择数据点k作为聚类中心的程度。
步骤3.4:在每次迭代更新时加入阻尼系数调节算法收敛速度,更新公式如下:
Zt+1(l,k)=δ·Zt(l,k)+(1-δ)·Zt+1(l,k) (20)
Ct+1(l,k)=δ·Ct(l,k)+(1-δ)·Ct+1(l,k) (21)
式中,δ为阻尼系数,其值取0.42,Zt(l,k)表示第t次迭代后的吸引度矩阵;Ct(l,k)表示第t次迭代后的归属度矩阵。
步骤3.5:重复步骤3.3和步骤3.4直到聚类中心收敛,且经50次迭代仍不变化,更新Z(l,k)完成迭代,并利用迭代后的Z更新C(l,k),获取m个聚类中心点,作为本发明中二级指标的数目。
步骤4:利用层级指标的一级指标与三级指标数据训练DNN,获取表征层级指标中一级、二级以及三级指标之间关系的权重矩阵U。
如附图4所示,是本发明实施例一的威胁评估方法的DNN训练流程示意图。
步骤4.1:将步骤2得到的量化后的传感器数据作为DNN输入,将步骤3获取的聚类中心点个数m定为DNN隐藏层节点数,将威胁值作为输出,构建DNN训练样本集sample:
sample={(s1,y1),(s2,y2),(s3,y3),…,(sI,yI)} (22)
式中,s1,s2,…,sI分别为第1个样本至第I个样本的输入向量,y1,y2,…,yI分别为第1个样本至第I个样本的威胁值,I为样本数量。
步骤4.2:设置网络结构为三层,即由一个输入层、一个隐含层和一个输出层组成,随机初始化DNN的第一层权值矩阵u1和偏置系数矩阵q1。
步骤4.3:DNN输入的第一层g1=srandom,srandom为训练样本中随机样本输入。
步骤4.4:输入样本后,利用前向传播算法计算各层输出:
式中,ulayer、qlayer分别表示第layer层的权值矩阵和偏置系数矩阵,ga,layer-1表示第a个样本对应第layer-1层的输入向量,为输出层未激活的线性向量,ψ(·)为ReLU激活函数,a为训练样本的数量,a=1,2,3,…,I,layer为DNN的层数,layer=2,…,L,L为神经网络总层数。
步骤4.5:利用对数似然函数,进一步计算第L层的梯度μ,其第a个样本对应第L层的值μa,L为:
式中,u,q分别表示第L层即输出层的权值矩阵和偏置系数矩阵,y为第L层的输出向量,J(·)为交叉熵损失函数。
步骤4.6:将计算的梯度反向传播回上一层,计算公式如下:
式中,layer=L-1,…,2,ulayer+1为layer+1层的权值,T表示取转置,μa,layer+1为第a个样本对应第layer+1层的梯度,表示Hadamard积,即同维矩阵对应元素之积,表示第a个样本对应第layer+1层的未激活的线性向量,μa,layer为第a个样本对应第layer层的梯度,ψ(·)为ReLU激活函数。
步骤4.7:利用公式(26)和公式(27)更新第layer层的权值ulayer和偏置系数qlayer:
式中,layer=2,…,L,L为神经网络总层数。κ为学习率,取0.98,ga,layer-1为第a个样本对应第layer-1层的输出。
步骤4.8:重复步骤4.3-4.7,直到学习完所有样本,输出最后一层的权值矩阵U=u和偏置系数矩阵Q=q,获得包括所有权值的全连接指标体系。
步骤5:根据步骤4获取的权重矩阵U确立层级指标中二级指标与三级指标之间的关系,构建客观层级指标体系,结合GAT实现威胁评估。
如附图5所示,是本发明实施例一的全连接层级指标体系构成示意图,其中,1~9分别代表9个节点,节点1表示一级指标即威胁值,节点2,3,4表示二级指标即隐性关联值,节点5,6,7,8,9表示三级指标即处理后的传感器数据。
式中,uij表示权值矩阵U中第i行第j列的权值,S2表示二级节点数量,S3表示三级节点的数量。
步骤5.2:在本发明实施例一中,设置阈值t2为0.25,将权值小于t2的线删除,并将其均匀加到剩余线上作为三级指标数据与二级指标数据之间的初始权值,处理后的节点i与节点l之间的权值ui'l为:
式中,uil为节点表示节点i与节点l之间的权值,b为删除的线数量。
式中,ui'l表示经式(29)计算后节点i与节点l之间的权值,表示二级指标与三级指标之间的权值矩阵中节点i与节点l之间的权值。用及权值矩阵U中与一级节点和二级节点相关的部分U12构建所有节点的权值矩阵Ufinal:
U12=U-U23 (32)
步骤5.4:利用传感器获得的数据及权值矩阵,计算二级指标节点的具体数值,作为二级节点对应特征向量,组成新的层级指标关系,如图6所示,是本发明实施例一的层级指标体系构成示意图,其中,1~9分别代表9个节点,节点1表示一级指标即威胁值,节点2,3,4表示二级指标即隐性关联值,节点5,6,7,8,9表示三级指标即处理后的传感器数据。
步骤5.5:重复步骤1中的步骤1.4到步骤1.7,训练一个GAT模型,并用式(10)计算各节点的输出特征,得到威胁估计值。
实施例二
图7为示例性的传感器可直接或间接探测到的信息表,包括脉冲重复频率,飞行速度,距离,飞行高度,角度,温度,空袭样式及瞬时带宽;图8为实验800次后的平均绝对误差及均方根误差表。
在本发明实施例二中,通过采集传感器,收集200个信号,将其中的120个信号作为训练集,60个信号作为测试集,重复实验800次,采用本发明实施例一中的方法进行求解,先用训练集构建指标集,后用测试集计算得到最终威胁值,其中平均绝对误差为2.19,均方根误差为7.23,这表明本发明提供方法具有较高可靠性。本发明涉及电子对抗领域,提供了一种新的基于层级指标的威胁评估方法,不仅能处理不同传感器数据输入的情况,还能获取较低的评估偏差,本发明实施例的威胁评估方法适用性强,鲁棒性高,具备较好的可解释性,克服现有方法的缺点,在信息不完备情况下依旧可以准确评估威胁值,具备普适性。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种基于层级指标的雷达威胁评估方法,其特征在于,包括以下步骤:
步骤1:获取关于雷达i的各传感器数据sij,并获取雷达i的威胁值yi;获取多组不同雷达的样本{(si1,si2,...,siJ),yi},构造训练数据集;
其中,i={1,2,...,I},I为训练数据集中的样本数量;j={1,2,...,J},J为关于雷达i的传感器数据数量;
步骤2:采用训练数据集训练图注意力网络;
步骤2.1:利用训练数据集构建图信息G=(N,E,A);
步骤2.2:计算节点集N中每个节点nk与其邻域节点nl之间的相关系数ekl;
ekl=attention([(W·nk)||(W·nl)])
其中,nl∈Mk,Mk表示节点nk的全部邻域节点集合;W为图注意力网络的权重矩阵;[·||·]表示拼接,注意力机制attention(·)将拼接后的高维数据映射为邻域间的相关系数;
步骤2.3:计算节点集N中每个节点nk与其邻域节点nl之间的注意力系数αkl;
其中,LeakyReLU(·)表示带泄露修正线性激活函数;
步骤2.4:利用梯度下降法更新图注意力网络的权重矩阵W,计算图注意力网络的最后一层中各节点nk与其邻域节点nl之间的注意力系数αkl,得到注意力系数矩阵α;
步骤3:对关于雷达的J个传感器数据进行筛选,设置阈值t1,取所有对应αkl>t1的传感器数据sik、sil作为三级指标,组成三级指标数据集SN={...,snp,...,snnumber},并将三级指标数据集SN中所有数据量化到同一量级;其中,snp={s1p,s2p,...,sIp},p={1,2,...,number};number为三级指标的数量;
步骤4:采用仿射聚类传播算法将三级指标数据集SN={...,snp,...,snnumber}划分为m组,并将m作为二级指标的数目;
步骤4.1:构建相似矩阵D,相似矩阵D中第l1行第l2列的值D(l1,l2)为:
其中,pD为偏向系数,是相似矩阵D的中位数;
步骤4.2:初始化吸引度矩阵Z0和归属度矩阵C0为零矩阵;初始化迭代次数t2=1;
步骤4.4:在每次迭代更新时加入阻尼系数δ调节算法收敛速度;
其中,δ为阻尼系数;
步骤5:构建深度神经网络训练样本集sample={(S1,y1),(S2,y2),...,(SI,yI)};设置深度神经网络的网络结构为三层,由一个输入层、一个隐含层和一个输出层组成,设置隐含层节点数为m;使用深度神经网络训练样本集sample训练深度神经网络,获取训练好的深度神经网络最后一层的权值矩阵U和偏置系数矩阵Q;其中,Si为由number个关于雷达i的三级指标组成的向量,Si={...,sip,...,sinumber};
训练深度神经网络的方法具体为:
步骤5.1:随机初始化深度神经网络的第一层权值矩阵u1和偏置系数矩阵q1;深度神经网络输入的第一层g1=srandom,srandom为深度神经网络训练样本集sample中随机样本输入;
步骤5.2:输入样本后,利用前向传播算法计算各层输出:
其中,ulayer、qlayer分别表示第layer层的权值矩阵和偏置系数矩阵;ga,layer-1表示第a个样本对应第layer-1层的输入向量;为输出层未激活的线性向量;ψ(·)为ReLU激活函数;a=1,2,3,…,I,layer=2,…,L,L为神经网络总层数;
步骤5.3:利用对数似然函数,进一步计算第L层的梯度μ,其第a个样本对应第L层的值μa,L为:
式中,u,q分别表示第L层即输出层的权值矩阵和偏置系数矩阵;y为第L层的输出向量;J(·)为交叉熵损失函数;
步骤5.4:将计算的梯度反向传播回上一层,计算公式如下:
其中,ulayer+1为layer+1层的权值;μa,layer+1为第a个样本对应第layer+1层的梯度;⊙表示Hadamard积,即同维矩阵对应元素之积;表示第a个样本对应第layer+1层的未激活的线性向量;μa,layer为第a个样本对应第layer层的梯度;
步骤5.5:更新第layer层的权值ulayer和偏置系数qlayer;
其中,κ为学习率;
步骤5.6:重复步骤5.2-5.5,直到学习完所有样本,输出最后一层的权值矩阵U=u和偏置系数矩阵Q=q;
步骤6:根据权值矩阵U构建层级指标的权值矩阵Ufinal;
其中,uqp表示权值矩阵U中第q行第p列的值;q={1,2,...,m};
步骤6.2:设置阈值t3,将对应的二级指标q1与三级指标p1之间的线删除,并将权值均匀加到剩余线上作为三级指标数据与二级指标数据之间的初始权值,处理后的矩阵U23中存在线的二级指标q与三级指标p之间的权值u′qp为:
其中,b为删除的线数量;
步骤6.3:重复步骤6.1和步骤6.2,直至遍历所有二级指标与三级指标,得到二级指标与三级指标之间的最终权值矩阵用矩阵U中与一级指标和二级指标相关的部分U12和矩阵构建层级指标的权值矩阵Ufinal;
U12=U-U23
步骤7:采用深度神经网络训练样本集sample={(S1,y1),(S2,y2),...,(SI,yI)}训练图注意力网络,将图注意力网络的权重矩阵W替换为层级指标的权值矩阵Ufinal,重复步骤2.1至步骤2.4,得到训练好的图注意力网络;
其中,σ(·)为图注意力网络的非线性激活函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110631515.1A CN113283527B (zh) | 2021-06-07 | 2021-06-07 | 一种基于层级指标的雷达威胁评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110631515.1A CN113283527B (zh) | 2021-06-07 | 2021-06-07 | 一种基于层级指标的雷达威胁评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113283527A CN113283527A (zh) | 2021-08-20 |
CN113283527B true CN113283527B (zh) | 2022-04-29 |
Family
ID=77283633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110631515.1A Active CN113283527B (zh) | 2021-06-07 | 2021-06-07 | 一种基于层级指标的雷达威胁评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113283527B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012130913A1 (en) * | 2011-03-28 | 2012-10-04 | Peter Huber | Method and apparatus to protect a target against a minimum of one attacking missile |
CN107301381A (zh) * | 2017-06-01 | 2017-10-27 | 西安电子科技大学昆山创新研究院 | 基于深度学习和多任务学习策略的雷达辐射源识别方法 |
US9818136B1 (en) * | 2003-02-05 | 2017-11-14 | Steven M. Hoffberg | System and method for determining contingent relevance |
CN110188461A (zh) * | 2019-05-29 | 2019-08-30 | 哈尔滨工程大学 | 一种面向基地攻防任务的多uuv红蓝方ahp威胁评估方法 |
CN111319628A (zh) * | 2018-12-13 | 2020-06-23 | 通用汽车环球科技运作有限责任公司 | 用于评估错误威胁检测的方法和系统 |
CN111427017A (zh) * | 2020-04-22 | 2020-07-17 | 北京航天长征飞行器研究所 | 一种干扰资源配置方法和装置 |
CN112070357A (zh) * | 2020-08-11 | 2020-12-11 | 中国人民解放军海军工程大学 | 一种基于改进bp神经网络的雷达辐射源威胁评估方法 |
CN112285664A (zh) * | 2020-12-18 | 2021-01-29 | 南京信息工程大学 | 一种雷达-飞行器体系对抗仿真置信度评估方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130278631A1 (en) * | 2010-02-28 | 2013-10-24 | Osterhout Group, Inc. | 3d positioning of augmented reality information |
-
2021
- 2021-06-07 CN CN202110631515.1A patent/CN113283527B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9818136B1 (en) * | 2003-02-05 | 2017-11-14 | Steven M. Hoffberg | System and method for determining contingent relevance |
WO2012130913A1 (en) * | 2011-03-28 | 2012-10-04 | Peter Huber | Method and apparatus to protect a target against a minimum of one attacking missile |
CN107301381A (zh) * | 2017-06-01 | 2017-10-27 | 西安电子科技大学昆山创新研究院 | 基于深度学习和多任务学习策略的雷达辐射源识别方法 |
CN111319628A (zh) * | 2018-12-13 | 2020-06-23 | 通用汽车环球科技运作有限责任公司 | 用于评估错误威胁检测的方法和系统 |
CN110188461A (zh) * | 2019-05-29 | 2019-08-30 | 哈尔滨工程大学 | 一种面向基地攻防任务的多uuv红蓝方ahp威胁评估方法 |
CN111427017A (zh) * | 2020-04-22 | 2020-07-17 | 北京航天长征飞行器研究所 | 一种干扰资源配置方法和装置 |
CN112070357A (zh) * | 2020-08-11 | 2020-12-11 | 中国人民解放军海军工程大学 | 一种基于改进bp神经网络的雷达辐射源威胁评估方法 |
CN112285664A (zh) * | 2020-12-18 | 2021-01-29 | 南京信息工程大学 | 一种雷达-飞行器体系对抗仿真置信度评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113283527A (zh) | 2021-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109145516B (zh) | 一种基于改进型极限学习机的模拟电路故障识别方法 | |
CN107832789B (zh) | 基于平均影响值数据变换的特征加权k近邻故障诊断方法 | |
CN113505686B (zh) | 一种无人机目标威胁评估方法及装置 | |
CN111340076B (zh) | 一种对新体制雷达目标未知模式的零样本识别方法 | |
CN112912902A (zh) | 人工神经网络和利用表观遗传神经发生训练人工神经网络的方法 | |
CN114509750A (zh) | 一种基于多航海雷达的水上目标追踪方法 | |
CN114740710A (zh) | 一种随机非线性多智能体的强化学习优化编队控制方法 | |
CN116862023A (zh) | 一种基于谱聚类的鲁棒联邦学习异常客户端检测方法 | |
CN111967308A (zh) | 一种在线路面不平度辨识方法及系统 | |
CN108538301B (zh) | 一种基于神经网络音频技术的智能数码乐器 | |
CN113283527B (zh) | 一种基于层级指标的雷达威胁评估方法 | |
CN110109005B (zh) | 一种基于序贯测试的模拟电路故障测试方法 | |
CN108446506B (zh) | 一种基于区间反馈神经网络的不确定系统建模方法 | |
Yihong et al. | Threat assessment based on adaptive intuitionistic fuzzy neural network | |
CN113836818B (zh) | 一种基于bp神经网络预测模型的洋流运动预测算法 | |
CN115130523A (zh) | 基于隐马尔可夫模型的飞行目标行为意图预测方法 | |
CN112469072B (zh) | 基于贝塞尔曲线更新的节点行为监测时长自适应调整方法 | |
Troudi et al. | Nonlinear system identification using clustering algorithm and particle swarm optimization | |
CN114997306A (zh) | 一种基于动态贝叶斯网络的目标意图识别方法 | |
CN114186477A (zh) | 一种基于Elman神经网络的轨道预测算法 | |
Kuremoto et al. | Nonlinear prediction by reinforcement learning | |
CN114048837A (zh) | 一种基于分布式类脑图的深度神经网络模型加固方法 | |
CN114884694B (zh) | 一种基于分层建模的工控网络安全风险评估方法 | |
CN114881232B (zh) | 具有模式切换机制的不完备信息推理方法 | |
Al-Qawasmi et al. | Artificial neural network-based algorithm for ARMA model order estimation |
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 |