CN113987789B - 无人机协同空战中的动态威胁评估方法 - Google Patents

Abstract

本发明公开了一种无人机协同空战中的动态威胁评估方法，包括：获取我方无人机在预设时刻下的态势信息、以及敌方作战飞机的识别类型和在预设时刻下的态势信息；确定威胁属性模型，并确定预设时刻下各敌方作战飞机对我方每个无人机的态势属性威胁值；确定预设时刻下各敌方作战飞机对我方每个无人机的态势属性威胁值的综合权重；确定预设时刻下各敌方作战飞机对于我方每个无人机的态势属性威胁值的广义直觉模糊软集及广义直觉模糊加权平均值，并确定态势属性威胁值的目标综合威胁直觉模糊数；利用得分函数及精确函数评判目标综合威胁直觉模糊数，并按照评判结果进行威胁排序。上述方法降低了整体威胁评估的不确定性，进而提升威胁评估方法的合理性。

Description

无人机协同空战中的动态威胁评估方法

技术领域

本发明属于计算机技术领域，具体涉及一种无人机协同空战中的动态威胁评估方法。

背景技术

目标威胁评估是无人机协同空战中环境感知关键技术之一。

相关技术中，论文《Multiple-attribute decision making.Methods andapplications.A state-of-the-art survey》(Hwang C L,Yoon K P.Multiple-attributedecision making.Methods and applications.A state-of-the-art survey[J].LectureNotes in Economics&Mathematical Systems,1981,375(4):1-531.)提出逼近于理想解的排序方法，该方法中心思路为：最优解是与理想方案保持最近的距离且与负理想方案保持最远距离的解。论文《TOPSIS理论在海战场目标威胁评估的应用》(罗晓东,陈建华,刘晋楠.TOPSIS理论在海战场目标威胁评估的应用[J].四川兵工学报,2006(04):29-30.)、《基于TOPSIS方法的空战威胁评估研究》(王永杰,张喜斌,张恒喜,续斌.基于TOPSIS方法的空战威胁评估研究[J].电光与控制,2008(05):32-34.)以及《基于熵的TOPSIS法空战多目标威胁评估》(张堃,周德云.基于熵的TOPSIS法空战多目标威胁评估[J].系统工程与电子技术,2007(09):1493-1495.)这些论文证明将理想解排序方法运用在威胁评估领域是可行有效的。论文《基于模糊理论海上目标威胁评估的改进算法》(葛恩顺,包磊.基于模糊理论海上目标威胁评估的改进算法[J].舰船电子对抗,2008,31(6):44-47.)提出一种基于模糊系统以及神经网络的威胁评估方法，有效地克服了传统模糊理论的缺点，但是神经网络的引入会大幅度提升评估系统的计算量，并且还存在神经网络拟合的问题。传统的威胁评估方法中，目标当前的态势属性威胁是被考虑最多的因素，以得到对于目标的综合威胁评估。

在多目标威胁的无人机协同空战环境下，对目标进行动态的威胁评估可以更好的反映出敌我态势信息的变化以及目标所带来的威胁，是当下目标威胁评估的研究热点。论文《基于直觉模糊推理的威胁评估方法》(雷英杰,王宝树,王毅.基于直觉模糊推理的威胁评估方法[J].电子与信息学报,2007(09):2077-2081.)提出将直觉模糊数引入威胁评估过程中，但是该方法未考虑犹豫度信息。论文《基于直觉模糊集的辐射源威胁评估方法》(张肃.基于直觉模糊集的辐射源威胁评估方法[J].电子信息对抗技术,2008(05):51-54.)提出一种基于直觉模糊集的动态威胁评估方法，利用该方法可以对于态势信息的动态变化进行趋势观察，但是该方法却无法描述准确描述目标类型的不确定性对于威胁评估结果的影响。

可见，目前对于威胁评估方法的研究取得了众多成果，但是却鲜有考虑目标类型识别结果不确定性对于威胁评估结果所造成影响的威胁评估方法。大多数威胁评估方法在确定属性权重的过程中过于依赖专家经验且假设在评估过程中数据是完整的，使得评估结果的准确性取决于专家经验的可信度，权重选择不适应，灵活性差。当一些数据丢失时，难以进行威胁评价，在实战中受到限制。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种无人机协同空战中的动态威胁评估方法。本发明要解决的技术问题通过以下技术方案实现：

本发明提供一种无人机协同空战中的动态威胁评估方法，包括：

获取我方无人机在预设时刻下的态势信息、以及敌方作战飞机的识别类型和在预设时刻下的态势信息；

确定威胁属性模型，并根据所述威胁属性模型确定预设时刻下，各敌方作战飞机对我方每个无人机的态势属性威胁值；

确定预设时刻下，各敌方作战飞机对于我方每个无人机的态势属性威胁值的综合权重；

确定预设时刻下，各敌方作战飞机对于我方每个无人机的态势属性威胁值的广义直觉模糊软集及广义直觉模糊加权平均值，并根据所述广义直觉模糊软集、所述广义直觉模糊加权平均值和所述综合权重确定态势属性威胁值的目标综合威胁直觉模糊数；

利用得分函数及精确函数对所述目标综合威胁直觉模糊数进行评判，并按照评判结果进行威胁排序。

在本发明的一个实施例中，所述确定威胁属性模型，并根据所述威胁属性模型确定预设时刻下，各敌方作战飞机对我方每个无人机的态势属性威胁值的步骤之前，还包括：

利用AR(p)模型、BIC准则和最小二乘法，对敌方作战飞机的识别类型和在预设时刻下的所述态势信息进行预处理。

在本发明的一个实施例中，所述威胁属性模型包括：相对距离威胁模型、相对角度威胁模型、相对速度威胁模型和相对高度威胁模型；

所述确定威胁属性模型，并根据所述威胁属性模型确定预设时刻下，各敌方作战飞机对我方每个无人机的态势属性威胁值的步骤，包括：

根据所述相对距离威胁模型，计算预设时刻下各敌方作战飞机对我方每个无人机的相对距离威胁值；

根据所述相对角度威胁模型，计算预设时刻下各敌方作战飞机对我方每个无人机的相对角度威胁值；

根据所述相对速度威胁模型，计算预设时刻下各敌方作战飞机对我方每个无人机的相对速度威胁值；

根据所述相对高度威胁模型，计算预设时刻下各敌方作战飞机对我方每个无人机的相对高度威胁值。

在本发明的一个实施例中，所述相对距离威胁模型为：

式中，d₁、d₂和d₃为预设系数，D表示各敌方作战飞机与我方每个无人机之间的距离，R_Tr表示各敌方作战飞机目标传感器的最远获取范围，R_{Tm max}表示各敌方作战飞机对我方各无人机的极限作战范围，R_{Tm min}表示各敌方作战飞机对我方各无人机的极限作战范围，

表示各敌方作战飞机相对我方无人机的相对距离威胁值；

所述相对角度威胁模型为：

式中，a₁、a₂和b为预设系数，ω^A表示为我方各无人机的速度方向与目标视线的夹角，所述目标视线为我方无人机与敌方作战飞机的连线，

表示各敌方作战飞机相对我方无人机的相对角度威胁值；

所述相对速度威胁模型为：

式中，τ_v为预设系数，V^T为敌方作战飞机的预设速度指标，V_C表示地方作战飞机与我方无人机的相对速度，

表示各敌方作战飞机相对我方无人机的相对速度威胁值；

所述相对高度威胁模型为：

式中，h₁、h₂表示预设系数，ΔH表示敌方作战飞机与我方无人机的高度差，H_lim表示预设高度界限值，

表示敌方作战飞机相对我方无人机的相对高度威胁值。

在本发明的一个实施例中，所述确定预设时刻下，各敌方作战飞机对于我方每个无人机的态势属性威胁值的综合权重的步骤，包括：

利用区间层次分析法IAHP确定各个态势属性威胁值的主观权重；

利用直觉模糊熵IFE算法确定各个态势属性威胁值的客观权重；

根据相对熵理论、各个态势威胁属性值的客观权重和主观权重，确定各个态势属性威胁值的综合权重。

在本发明的一个实施例中，所述确定预设时刻下，各敌方作战飞机对于我方每个无人机的态势属性威胁值的广义直觉模糊软集及广义直觉模糊加权平均值的步骤之前，还包括：

根据我方无人机A＝{a₁,a₂,…,a_m}和敌方作战飞机T＝{t₁,t₂,…,t_n}，确定t_i对a_j的隶属度、非隶属度和犹豫度；

根据t_i对a_j的隶属度、非隶属度和犹豫度，建立态势属性直觉模糊数威胁矩阵。

在本发明的一个实施例中，所述确定预设时刻下，各敌方作战飞机对于我方每个无人机的态势属性威胁值的广义直觉模糊软集及广义直觉模糊加权平均值的步骤，包括：

针对每个敌方作战飞机，确定我方无人机i对其目标类型A的肯定程度m_i(A)与不肯定程度

其中，

根据所述肯定程度m_i(A)和不肯定程度

确定每个敌方作战飞机对我方无人机的目标类型威胁属性广义因子；

根据所述目标类型威胁属性广义因子、所述隶属度和非隶属度，确定敌方作战飞机t_i对于我方无人机r_j的广义直觉模糊软集；

根据所述目标类型威胁属性广义因子和所述广义直觉模糊软集，确定广义直觉模糊加权平均值。

在本发明的一个实施例中，所述根据所述广义直觉模糊软集、所述广义直觉模糊加权平均值和所述综合权重确定态势属性威胁值的目标综合威胁直觉模糊数的步骤，包括：

利用所述广义直觉模糊加权平均值和所述综合权重，对敌方作战飞机t_i对于我方无人机r_j的广义直觉模糊软集进行加权聚合，得到目标综合威胁直觉模糊数。

与现有技术相比，本发明的有益效果在于：

本发明提供了一种无人机协同空战中的动态威胁评估方法，通过综合考虑多种态势属性以及敌方作战飞机的识别类型，构建了无人机空战威胁评估数学模型，并将目标态势属性与目标类型威胁属性广义因子组成GIFSS，最后对其进行加权融合得到威胁评估结果，从而降低了整体威胁评估的不确定性，能够全面地反映出敌我态势信息的动态变化以及目标类型所带来的威胁，提升了威胁评估方法的合理性。

以下将结合附图及实施例对本发明做进一步详细说明。

附图说明

图1是本发明实施例提供的无人机协同空战中的动态威胁评估方法的一种流程示意图；

图2是本发明实施例提供的每个敌方作战飞机对我方无人机的目标类型威胁属性广义因子的一种示意图；

图3是本发明实施例提供的主观权重下每个敌方作战飞机对我方无人机的威胁评估结果示意图；

图4是本发明实施例提供的综合权重下每个敌方作战飞机对我方无人机的威胁评估结果示意图；

图5是本发明实施例提供的客观权重下每个敌方飞机对我方无人机的威胁评估结果示意图。

具体实施方式

下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。

图1是本发明实施例提供的无人机协同空战中的动态威胁评估方法的一种流程示意图。请参见图1，本发明实施例提供了一种无人机协同空战中的动态威胁评估方法，其特征在于，包括：

S1、获取我方无人机在预设时刻下的态势信息、以及敌方作战飞机的识别类型和在预设时刻下的态势信息；

S2、确定威胁属性模型，并根据威胁属性模型确定预设时刻下，各敌方作战飞机对我方每个无人机的态势属性威胁值；

S3、确定预设时刻下，各敌方作战飞机对于我方每个无人机的态势属性威胁值的综合权重；

S4、确定预设时刻下，各敌方作战飞机对于我方每个无人机的态势属性威胁值的广义直觉模糊软集及广义直觉模糊加权平均值，并根据广义直觉模糊软集、广义直觉模糊加权平均值和综合权重确定态势属性威胁值的目标综合威胁直觉模糊数；

S5、利用得分函数及精确函数对目标综合威胁直觉模糊数进行评判，并按照评判结果进行威胁排序。

具体而言，对于敌方作战飞机或我方无人机来说，态势信息可以包括：X坐标、Y坐标、Z坐标、最大攻击距离、传感器最大探测范围、不可逃逸距离、速度、俯仰角、航向角和传感器最大搜索角等。

可选地，在确定威胁属性模型，并根据威胁属性模型确定预设时刻下，各敌方作战飞机对我方每个无人机的态势属性威胁值的步骤之前，还包括：

利用AR(p)模型、BIC准则和最小二乘法，对敌方作战飞机的识别类型和在预设时刻下的态势信息进行预处理。

本实施例中，利用AR(p)模型、BIC准则和最小二乘法求对敌方作战飞机的识别类型以及预设时刻下的态势信息的缺失数据进行预测及修补。首先，定义AR(p)模型为：

X_t＝a₁X_t-1+a₂X_t-2+…+a_pX_t-p+u_t

其中，X_t表示t时刻下敌方作战飞机的态势信息，a＝(a₁,a₂,…,a_p)'表示自回归参量，u_t表示白噪声；

进一步地，基于BIC准则确定AR(p)模型阶数，BIC准则定义为：

其中，p的值为使得BIC(p)取最小值时的数值，将其用于AR(p)模型中确定p值。

在自回归模型中，通过最小二乘法进行计算参数向量a＝(a₁,a₂,…,a_p)'，计算方式如下所示：

使

将AR(p)模型代入其中可得：

引入变量A和

得到变换结果

可选地，a和σ²所对应的最小二乘估计计算公式如下：

将

代入BIC(p)中求解p值，进而可得到上述BIC模型。

可选地，威胁属性模型包括：相对距离威胁模型、相对角度威胁模型、相对速度威胁模型和相对高度威胁模型；

确定威胁属性模型，并根据威胁属性模型确定预设时刻下，各敌方作战飞机对我方每个无人机的态势属性威胁值的步骤，包括：

根据相对距离威胁模型，计算预设时刻下各敌方作战飞机对我方每个无人机的相对距离威胁值；

根据相对角度威胁模型，计算预设时刻下各敌方作战飞机对我方每个无人机的相对角度威胁值；

根据相对速度威胁模型，计算预设时刻下各敌方作战飞机对我方每个无人机的相对速度威胁值；

根据相对高度威胁模型，计算预设时刻下各敌方作战飞机对我方每个无人机的相对高度威胁值。

具体而言，本实施例中相对距离威胁模型为：

式中，d₁、d₂和d₃为预设系数，D表示各敌方作战飞机与我方每个无人机之间的距离，R_Tr表示各敌方作战飞机目标传感器的最远获取范围，R_{Tm max}表示各敌方作战飞机对我方各无人机的极限作战范围，R_{Tm min}表示各敌方作战飞机对我方各无人机的极限作战范围，

表示各敌方作战飞机相对我方无人机的相对距离威胁值；

相对角度威胁模型为：

式中，a₁、a₂和b为预设系数，ω^A表示为我方各无人机的速度方向与目标视线的夹角，所述目标视线为我方无人机与敌方作战飞机的连线，

表示各敌方作战飞机相对我方无人机的相对角度威胁值；

相对速度威胁模型为：

式中，τ_v为预设系数，V^T为敌方作战飞机的预设速度指标，

表示；相对高度威胁模型为：

式中，τ_v为预设系数，V^T为敌方作战飞机的预设速度指标，V_C表示地方作战飞机与我方无人机的相对速度，

表示各敌方作战飞机相对我方无人机的相对速度威胁值；

需要说明的是，相对距离威胁模型系数d₁,d₂,d₃∈[0,1]，相对角度威胁模型系数a₁,a₂∈[0,1]，威胁属性的主观指标0≤λ≤1，0≤μ≤1，λ+μ＝1。

可选地，在上述步骤S3中，确定预设时刻下，各敌方作战飞机对于我方每个无人机的态势属性威胁值的综合权重的步骤，包括：

S301、利用区间层次分析法IAHP确定各个态势属性威胁值的主观权重；

S302、利用直觉模糊熵IFE算法确定各个态势属性威胁值的客观权重；

S303、根据相对熵理论、各个态势威胁属性值的客观权重和主观权重，确定各个态势属性威胁值的综合权重。

具体来说，在利用IAHP(interval analytic hierarchy process，区间层次分析法)确定主观权重的过程中，首先以区间的形式给出不同态势属性之间的相互重要度，构造矩阵：J＝[p_ij]_l×l；其中，p_ij表示态势属性i相对于态势属性j的相对重要性。显然，p_ij具有性质：p_ji＝1/p_ij，p_ij＝1(i＝j)；然后，利用IAHP求解主观权重w^p，其方法如下：

S3011、依据专家的定性分析构建矩阵J，J中的元素p_ij为区间

S3012、将J分成下限判断矩阵

和上限判断矩阵

求得

和

中λ_max相关联的向量

和

S3013、

S3014、依据ρ₁和ρ₂构造

并在对w^p进行归一化处理后，得到主观权重

进一步地，在上述步骤S302中，利用直觉模糊熵IFE算法确定各个态势属性威胁值的客观权重的步骤，包括：

S3021、确定直觉模糊集(IFS)矩阵：

其中，f_ij＝{(μ_ij,v_ij,π_ij)}，i＝1,2,…,n，j＝1,2,…,m；

S3022、计算直觉模糊集的IFE：

且IFE矩阵E＝(E_j)_1×m；

S3023、构建威胁属性客观权重非线性规划模型：

S3024、计算各威胁属性客观权重

S3025、利用相对熵理论确定综合权重：

确定主观权重

和客观权重

构造优化模型如下：

利用上述优化问题全局最优解

如下所示：

计算聚合权重

计算主观权重

和客观权重

与聚合权重

之间的接近程度h(w^p,d^*)和h(w^o,d^*)，计算公式为：

根据接近程度分别计算主观权重和客观权重的衡量因子λ和μ，计算公式如下：

确定综合权重w＝λw^p+μw^o，其中，w＝(w₁,w₂,w_l)，λ表示各威胁属性的主观指标，μ为客观指标；

在步骤S3025中，利用相对熵理论确定综合权重：

w＝λw^p+μw^o

其中，w＝(w₁,w₂,…w_l)，λ表示各威胁属性的主观指标，μ为客观指标；

可选地，确定预设时刻下，各敌方作战飞机对于我方每个无人机的态势属性威胁值的广义直觉模糊软集及广义直觉模糊加权平均值的步骤之前，还包括：

根据我方无人机A＝{a₁,a₂,…,a_m}和敌方作战飞机T＝{t₁,t₂,…,t_n}，确定t_i对a_j的隶属度、非隶属度和犹豫度；

根据t_i对a_j的隶属度、非隶属度和犹豫度，建立态势属性直觉模糊数威胁矩阵。

具体而言，我方无人机为A＝{a₁,a₂,…,a_m}、敌方作战飞机为T＝{t₁,t₂,…,t_n}，那么敌方作战飞机t_i对我方无人机a_j的隶属度为：

表示在预设时刻t，敌方作战飞机t_i对我方无人机a_j的态势威胁属性k的威胁值。敌方作战飞机t_i对我方无人机a_j的犹豫度为：

敌方作战飞机t_i对我方无人机a_j的非隶属度为：

可选地，确定预设时刻下，各敌方作战飞机对于我方每个无人机的态势属性威胁值的广义直觉模糊软集及广义直觉模糊加权平均值的步骤，包括：

针对每个敌方作战飞机，确定我方无人机i对其目标类型A的肯定程度m_i(A)与不肯定程度

其中，

根据所述肯定程度m_i(A)和不肯定程度

确定每个敌方作战飞机对我方无人机的目标类型威胁属性广义因子；

根据所述目标类型威胁属性广义因子、所述隶属度和非隶属度，确定敌方作战飞机t_i对于我方无人机r_j的广义直觉模糊软集；

根据所述目标类型威胁属性广义因子和所述广义直觉模糊软集，确定广义直觉模糊加权平均值。

本实施例中，若我方无人机对敌方作战飞机t_i的目标类型A的肯定程度与不肯定程度为：

且

则可得目标类型威胁属性广义因子为：

则敌方作战飞机t_i对于我方无人机r_j的广义直觉模糊软集GIFSS为：

进一步地，广义直觉模糊加权平均值GIFWA可得结果，计算公式如下：

将

转移给

和

得到目标综合威胁隶属度

与非隶属度

后，计算目标综合威胁直觉模糊数的得分函数E_A以及精确函数F_A：

可选地，根据广义直觉模糊软集、广义直觉模糊加权平均值和综合权重确定态势属性威胁值的目标综合威胁直觉模糊数的步骤，包括：

利用广义直觉模糊加权平均值和综合权重，对敌方作战飞机t_i对于我方无人机r_j的广义直觉模糊软集进行加权聚合，得到目标综合威胁直觉模糊数。

下面通过仿真实验对上述无人机协同空战中的动态威胁评估方法做进一步说明。

假设我方无人机共有四架，分别用a₁、a₂、a₃和a₄表示，敌方作战飞机共有四架，分别用t₁、t₂、t₃和t₄表示。敌方作战飞机目标类型识别结果如表1所示。我方无人机共获取m₁、m₂两个时刻的敌方作战飞机态势信息，时刻m₁在时刻m₂之前，我方无人机的态势信息如表2-3所示，敌方作战飞机的态势信息如表4-5所示。利用目标态势威胁模型计算可得不同时刻敌我双方相对态势属性威胁值，结果如表6所示，计算敌我双方相对态势属性威胁直觉模糊数，计算结果如表7所示。

表1

表2

表3

表4

表5

表6

利用公式

对表1中的敌方作战飞机目标类型识别结果结合表7所建立的目标类型威胁属性量化值进行广义因子求解，结果如图2所示。

表7

表8

威胁判断矩阵J如表9所示。

表9

根据表9中的数据，可得下限判断矩阵

和上限判断矩阵

如下所示：

对上式分别进行归一化可得：

计算可得：

和

计算得：ρ₁＝0.939，ρ₂＝1.002，则威胁属性的指标衡量大小为：

对上式归一化可得各威胁属性主观权重为：w^p＝[0.210,0.240,0.330,0.220]。

以我方无人机a₄为例，得到敌方作战飞机编队与我方无人机a₄之间的态势属性直觉模糊集矩阵F为：

计算可得各威胁属性客观权重w^o＝[0.373,0.276,0.135,0.216]。

通过相对熵理论方法计算得主观权重衡量因子λ＝0.472，客观权重衡量因子μ＝0.528。之后通过w＝λw^p+μw^o计算综合权重。

将本文提出的基于组合赋权的态势属性权重求解方法与只考虑主观权重或客观权重的态势属性权重求解方法进行对比，不同权重组合下的敌方作战飞机威胁评估结果如表10所示：

表10

图3是本发明实施例提供的主观权重下每个敌方作战飞机对我方无人机的威胁评估结果示意图，图4是本发明实施例提供的综合权重下每个敌方作战飞机对我方无人机的威胁评估结果示意图，图5是本发明实施例提供的客观权重下每个敌方飞机对我方无人机的威胁评估结果示意图。由表10及图3-5可知，当只考虑主观权重时，敌方作战飞机相对我方无人机a₄的威胁评估结果排序为：敌方作战飞机2>敌方作战飞机1>敌方作战飞机4>敌方作战飞机3。当只考虑客观权重时，敌方作战飞机相对我方无人机a₄的威胁评估结果排序为：敌方作战飞机2>敌方作战飞机3>敌方作战飞机1>敌方作战飞机4。敌方作战飞机3的威胁排序波动说明当只考虑主观因素或者只考虑客观因素时，两种情况下，在相同空战环境下所得到的威胁评估排序结果有很大差异，说明在本仿真算例中，主观期望与客观事实存在较大偏差，只考虑其中任一种方法，都不能保证评估结果的正确度。采用综合权重使得评估结果更加折中，敌方作战飞机威胁评估结果排序为：敌方作战飞机2>敌方作战飞机1>敌方作战飞机3>敌方作战飞机4，与定性分析结果一致，说明基于综合权重的威胁评估结果能够反应主客观的综合信息。

通过上述各实施例可知，本发明的有益效果在于：

本发明提供了一种无人机协同空战中的动态威胁评估方法，通过综合考虑多种态势属性以及敌方作战飞机的识别类型，构建了无人机空战威胁评估数学模型，并将目标态势属性与目标类型威胁属性广义因子组成GIFSS，最后对其进行加权融合得到威胁评估结果，从而降低了整体威胁评估的不确定性，能够全面地反映出敌我态势信息的动态变化以及目标类型所带来的威胁，提升了威胁评估方法的合理性。

在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外，本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。

尽管在此结合各实施例对本申请进行了描述，然而，在实施所要求保护的本申请过程中，本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书，可理解并实现所述公开实施例的其他变化。在权利要求中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (8)

1.一种无人机协同空战中的动态威胁评估方法，其特征在于，包括：

获取我方无人机在预设时刻下的态势信息、以及敌方作战飞机的识别类型和在预设时刻下的态势信息；

确定威胁属性模型，并根据所述威胁属性模型确定预设时刻下，各敌方作战飞机对我方每个无人机的态势属性威胁值；

确定预设时刻下，各敌方作战飞机对于我方每个无人机的态势属性威胁值的综合权重；

确定预设时刻下，各敌方作战飞机对于我方每个无人机的态势属性威胁值的广义直觉模糊软集及广义直觉模糊加权平均值，并根据所述广义直觉模糊软集、所述广义直觉模糊加权平均值和所述综合权重确定态势属性威胁值的目标综合威胁直觉模糊数；

利用得分函数及精确函数对所述目标综合威胁直觉模糊数进行评判，并按照评判结果进行威胁排序。

2.根据权利要求1所述的无人机协同空战中的动态威胁评估方法，其特征在于，所述确定威胁属性模型，并根据所述威胁属性模型确定预设时刻下，各敌方作战飞机对我方每个无人机的态势属性威胁值的步骤之前，还包括：

利用AR(p)模型、BIC准则和最小二乘法，对敌方作战飞机的识别类型和在预设时刻下的所述态势信息进行预处理。

3.根据权利要求1所述的无人机协同空战中的动态威胁评估方法，其特征在于，所述威胁属性模型包括：相对距离威胁模型、相对角度威胁模型、相对速度威胁模型和相对高度威胁模型；

所述确定威胁属性模型，并根据所述威胁属性模型确定预设时刻下，各敌方作战飞机对我方每个无人机的态势属性威胁值的步骤，包括：

根据所述相对距离威胁模型，计算预设时刻下各敌方作战飞机对我方每个无人机的相对距离威胁值；

根据所述相对角度威胁模型，计算预设时刻下各敌方作战飞机对我方每个无人机的相对角度威胁值；

根据所述相对速度威胁模型，计算预设时刻下各敌方作战飞机对我方每个无人机的相对速度威胁值；

根据所述相对高度威胁模型，计算预设时刻下各敌方作战飞机对我方每个无人机的相对高度威胁值。

4.根据权利要求3所述的无人机协同空战中的动态威胁评估方法，其特征在于，所述相对距离威胁模型为：

式中，d₁、d₂和d₃为预设系数，D表示各敌方作战飞机与我方每个无人机之间的距离，R_Tr表示各敌方作战飞机目标传感器的最远获取范围，R_Tmmax表示各敌方作战飞机对我方各无人机的极限作战范围，R_Tmmin表示各敌方作战飞机对我方各无人机的极限作战范围，

表示各敌方作战飞机相对我方无人机的相对距离威胁值；

所述相对角度威胁模型为：

式中，a₁、a₂和b为预设系数，ω^A表示为我方各无人机的速度方向与目标视线的夹角，所述目标视线为我方无人机与敌方作战飞机的连线，

表示各敌方作战飞机相对我方无人机的相对角度威胁值；

所述相对速度威胁模型为：

式中，τ_v为预设系数，V^T为敌方作战飞机的预设速度指标，V_C表示地方作战飞机与我方无人机的相对速度，

表示各敌方作战飞机相对我方无人机的相对速度威胁值；

所述相对高度威胁模型为：

式中，h₁、h₂表示预设系数，ΔH表示敌方作战飞机与我方无人机的高度差，H_lim表示预设高度界限值，

表示敌方作战飞机相对我方无人机的相对高度威胁值。

5.根据权利要求1所述的无人机协同空战中的动态威胁评估方法，其特征在于，所述确定预设时刻下，各敌方作战飞机对于我方每个无人机的态势属性威胁值的综合权重的步骤，包括：

利用区间层次分析法IAHP确定各个态势属性威胁值的主观权重；

利用直觉模糊熵IFE算法确定各个态势属性威胁值的客观权重；

根据相对熵理论、各个态势威胁属性值的客观权重和主观权重，确定各个态势属性威胁值的综合权重。

6.根据权利要求1所述的无人机协同空战中的动态威胁评估方法，其特征在于，所述确定预设时刻下，各敌方作战飞机对于我方每个无人机的态势属性威胁值的广义直觉模糊软集及广义直觉模糊加权平均值的步骤之前，还包括：

根据我方无人机A＝{a₁,a₂,…,a_m}和敌方作战飞机T＝{t₁,t₂,…,t_n}，确定t_i对a_j的隶属度、非隶属度和犹豫度；

根据t_i对a_j的隶属度、非隶属度和犹豫度，建立态势属性直觉模糊数威胁矩阵。

7.根据权利要求6所述的无人机协同空战中的动态威胁评估方法，其特征在于，所述确定预设时刻下，各敌方作战飞机对于我方每个无人机的态势属性威胁值的广义直觉模糊软集及广义直觉模糊加权平均值的步骤，包括：

针对每个敌方作战飞机，确定我方无人机i对其目标类型A的肯定程度m_i(A)与不肯定程度

其中，

根据所述肯定程度m_i(A)和不肯定程度

确定每个敌方作战飞机对我方无人机的目标类型威胁属性广义因子；

根据所述目标类型威胁属性广义因子、所述隶属度和非隶属度，确定敌方作战飞机t_i对于我方无人机r_j的广义直觉模糊软集；

根据所述目标类型威胁属性广义因子和所述广义直觉模糊软集，确定广义直觉模糊加权平均值。

8.根据权利要求7所述的无人机协同空战中的动态威胁评估方法，其特征在于，所述根据所述广义直觉模糊软集、所述广义直觉模糊加权平均值和所述综合权重确定态势属性威胁值的目标综合威胁直觉模糊数的步骤，包括：

利用所述广义直觉模糊加权平均值和所述综合权重，对敌方作战飞机t_i对于我方无人机r_j的广义直觉模糊软集进行加权聚合，得到目标综合威胁直觉模糊数。

Images