CN114239728A - 一种多域战场态势评估与威胁排序方法 - Google Patents
一种多域战场态势评估与威胁排序方法 Download PDFInfo
- Publication number
- CN114239728A CN114239728A CN202111558593.XA CN202111558593A CN114239728A CN 114239728 A CN114239728 A CN 114239728A CN 202111558593 A CN202111558593 A CN 202111558593A CN 114239728 A CN114239728 A CN 114239728A
- Authority
- CN
- China
- Prior art keywords
- target
- threat
- interception
- point
- enemy
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000005259 measurement Methods 0.000 claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 238000003064 k means clustering Methods 0.000 claims abstract description 8
- 230000015572 biosynthetic process Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 238000012163 sequencing technique Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000007123 defense Effects 0.000 claims description 11
- 238000011524 similarity measure Methods 0.000 claims description 8
- 230000009471 action Effects 0.000 claims description 4
- 238000002360 preparation method Methods 0.000 claims description 4
- 238000010304 firing Methods 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 3
- 238000013441 quality evaluation Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 abstract description 4
- 238000000354 decomposition reaction Methods 0.000 abstract description 2
- 238000006073 displacement reaction Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- ZTOJFFHGPLIVKC-CLFAGFIQSA-N abts Chemical compound S/1C2=CC(S(O)(=O)=O)=CC=C2N(CC)C\1=N\N=C1/SC2=CC(S(O)(=O)=O)=CC=C2N1CC ZTOJFFHGPLIVKC-CLFAGFIQSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000007998 vessel formation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Aiming, Guidance, Guns With A Light Source, Armor, Camouflage, And Targets (AREA)
Abstract
本发明公开了一种多域战场态势评估与威胁排序方法,属于态势评估技术领域,该方法包括建立战场态势信息模型、计算敌方目标对象的相似度、敌方目标对象分群、装订多域作战场景参数等步骤。通过分析多域作战环境敌方战场态势信息,设置描述敌战术行为的相似性度量,运用改进的K‑means聚类目标分群方法,实现了对敌战场态势信息战术及分群分析,再通过划定资产威胁范围,牵引出敌方目标威胁类型,并给出了解析的拦截关键威胁判定方法,基于层次分析与威胁权重分解,提出了一种威胁等级排序方案。本发明可作为战场态势评估分析的底层驱动算法,可灵活高效部署在各类智能化指挥控制系统决策前段,具有运行速度快,求解精度高,兼容适配能力强的特点。
Description
技术领域
本发明属于态势评估技术领域,尤其涉及一种多域战场态势评估与威胁排序方法。
背景技术
未来作战力量将致力于构建多域全时任务循环系统,新系统与当今数字化指挥控制体制截然不同,新的任务循环模式将打破任务规划优化性与动态性的平衡。在联合多域指挥控作战过程中,态势评估是军事情报决策过程中的关键环节,对敌来袭目标态势进行快速评估和威胁排序处理,准确感知战场态势,将有利于我方决策作战方案,为赢得战争创造先机。
态势评估是在一定的时间和空间范围内感知环境中的元素,理解其含义并预测其不久的将来的状态。态势评估可根据层次结构分为三级:一级态势评估指感知环境中的元素、状态、属性及动态;二级态势评估指理解当前态势,需运用相关领域知识对一级态势分散的元素进行融合;三级态势评估指预测未来行动,需要系统具备预测环境中元素未来行动的能力。一般地,上一级态势评估是下一级态势评估的基础和依据。
当前,态势评估方法多围绕第一级态势评估开展,实现方法主要是目标分群。目标分群的基本思想是基于融合格式化信息,自底向上逐层分解,根据一定的知识及原则,对所描述态势信息进行划分归类,目标分群也可称为目标聚类。经过目标分群,零散的态势信息形成自底向上的抽象逻辑层级,一般目标抽象层级可分为:目标对象、空间群、功能群、相互作用群和敌/我/中属性群。
在目标分群中经常采用的方法包括,基于模板技术的神经网络分群算法、D-S证据理论中的证据推理算法、基于贝叶斯网络提取网络各态势要素、基于划分的K-means聚类算法,基于层次的CURE算法以及基于密度的DBSCAN算法等。
聚类算法常用于态势分析,在低等级数据融合范畴已大量应用于情报冲突的消除,实现多传感器融合。但聚类算法应用于高层次作战任务集群聚类时面临如下问题:(1)绝大多数聚类算法无法处理混合性数据,即针对态势数据中连续型,二值类数据,未经划分算法无法直接处理;(2)聚类算法初始状态随机给定,且搜索指向同样具有很大随机性,聚类算法固有特性引起计算收敛稳定性问题;(3)绝大多数聚类算法难以自主确定运算终止条件,聚类算法终止结果往往需要人工干预。
运用模板技术解决目标分群问题,本质上属于监督的学习方法。采用基于模板技术的目标分群具有分群精度高,结果可解释性强的优点。但其缺点是:(1)模板订制与训练是一项非常繁杂耗时的工程,技术原理复杂,参数训练周期长;(2)训练前期必须积累大量标签化高质量数据,数据产生依赖高精度数学仿真模型;(3)模板技术用于目标分群推广使用具有较高难度。
上述因素严重制约了先进算法在态势分析与威胁评估现实场景中的应用。面对近期不断涌现的多域作战概念,指挥人员在决策时需更加关注联合机动编队和舰艇编队的行为,面对大量作战目标实体的战场态势,指挥人员很难根据这些原始信息快速形成对战场态势的理解,传统依靠指挥官人工判读原始态势信息已成为提升指挥决策能力的严重瓶颈。
发明内容
本发明提出的一种多域战场态势评估与威胁排序方法可以工作在恒压恒流双模式下,有效的解决因功率过大易触发过流保护,导致电源模块无输出、以及重复启动的现象。
为达到上述目的,本发明的实施例采用如下技术方案:
一种多域战场态势评估与威胁排序方法,其特征在于,包括如下步骤:
(1)建立战场态势信息模型:基于敌方的目标类型、位置、高度、航向角、速度和时间信息,建立多个敌方目标对象的状态信息集合;
(2)计算敌方目标对象的相似度:建立基于空间位置相似性度量、航向相似性度量、速度相似性度量和目标类型相似性度量的权重计算方法,计算多个敌方目标对象的相似度数值;
(3)敌方目标对象分群:采用改进的K-means聚类算法实现敌方目标对象的分群;
(4)装订多域作战场景参数:确定威胁范围、资产临界范围、威胁类型和武器装备性能的数据参数;
(5)拦截关键威胁判定:计算敌方目标对象的预测拦截点和预测拦截时间,判断预测拦截点是否落在资产临界范围、并判断在该目标对象的预测拦截时间内是否只能由平台当前的武器发射阶段实施,当预测拦截点落在资产临界范围内且该目标对象的拦截只能由平台当前的武器发射阶段实施时,则判断该目标对象为拦截关键威胁;
(6)威胁度等级排序:运用层级分析方法,依次对敌方目标对象的威胁度进行排序。
优选的,所述状态信息集合(S)的表达式为:
其中:amn代表第m个敌方作战单位在n时间点上的状态值。
优选的,所述计算敌方目标对象的相似度采用如下计算公式:
其中:
wk为第k个变量的识别权重,四个识别权重之和为1;
dij (1)为空间位置相似性度量,空间位置相似性度量采用两观测目标之间的欧几里何距离表达方法计算:
其中:pik为第i个目标的第k个空间位置坐标;
dij (2)为航向相似性度量,航向相似性度量采用曼哈顿距离计算方法计算:
其中:cik为第i个目标的第k个航向角;
dij (3)为速度相似性度量,速度相似性度量通过以下公式所表现的两观测目标速率差的绝对值确定:
dij (4)为目标类型相似性度量,目标类型相似性度量采用两观测目标的目标类型优先级差的绝对值确定:
其中,为第个目标的目标类型优先级参数。
优选的,所述改进的K-means聚类算法包括如下计算步骤:
(1)输入包含m个对象的样本集,并给定聚类数目N和迭代收敛条件ε;
(2)给定评估参数:允许的最大编队内部平面几何距离Dinner和最大编队成员数Nmember;
(3)初始化聚类中心:随机选取样本集的一个点作为第一个初始聚类中心c1;应用相似性度量公式,计算样本集中各点与现有聚类中心的距离Dij;根据每个样本点被选为下一个初始聚类中心的概率大小,来确定下一个初始聚类中心,概率的表达式为:
其中,Div(oi,cv)为第i个样本点到第v个聚类中心的距离,N为现有聚类中心的数目,根据上述公式求得概率值,运用轮盘法选取下一个初始聚类中心,重复上述过程,直至选取所有N个初始聚类中心(c1,c2,...,cN);
(4)用相似性度量公式,计算样本集中各点与现有聚类中心“距离”Dij;
(5)按就近原则,将样本点oi划入“距离”最近的聚类中心代表的群中:
(6)重新计算样本均值,即分别计算每个群Cv内部所有样本点的各个属性值的算数平均值,得到新的均值点cv,将cv作为该群的新聚类中心,采用如下公式:
其中,hv为群Cv中的样本点个数,ajl为群Cv中样本点的各个属性值;
(7)解决聚类群出现的空集:由于初始聚类中心的选择的随机性,在应用场景数据量与聚类数目之比不大的情况下,在某次迭代过程中,会小概率地出现某个群Cv为空集,导致分母hv为零的错误,此时,判断hv是否为0,若为0,则重新进行初始化,直到hv≠0为止;
(8)重复步骤3至6,当两次迭代结果的聚类中心位置之差小于迭代收敛条件ε,则终止循环,转入结果品质评估环节;
(9)计算每个群Cv内任意两相邻最接近点之间平面几何距离:
(10)判断群内任意两相邻最接近点之间平面几何距离的最大值不大于允许的最大编队内部距离,且群内样本数不大于最大编队成员数,采用如下公式:
max(Lv(v=1,2,...,N))≤Dinner&max(hv(v=1,2,...,N))≤Nmember。
优选的,所述拦截关键威胁判定过程中,采用如下考虑武器射击规则的导弹拦截方程:
其中,h为目标高度,vi为目标速度,ψ为目标航向角,θ为目标航迹俯仰角,ψ为目标航向沿h轴顺时针偏转角,θ为目标航迹倾角,Rcr为指挥舰临界范围的边界半径,y1为威胁目标刚进入临界范围时刻的纵截距,Lo和为舰艇的前出距离和方位角,tg为间隔时间,t为拦截时间。
优选的,所述拦截关键威胁判定过程中,通过计算拦截点到舰艇的平面距离d,分析其是否小于平台拦截范围D,从而来判断当下武器发射阶段,目标是否还具有拦截条件,判断条件为:
其中:式中tj为截击时间,称具有拦截条件的预测拦截点为有效拦截点,否则为无效拦截点;在此基础上定义临界拦截点和次临界拦截点:针对某一特定威胁目标,若第n个预测拦截点为有效拦截点,而第n+1个为无效拦截点,则称第n个拦截点为临界拦截点,第n-1个拦截点为次临界拦截点,次临界拦截点离指挥舰的距离为:
当目标按照预定航迹运动,若目标当前位置在次临界拦截点和临界拦截点之间,则判定该目标为拦截关键威胁,即:
dl≤dnow≤dc;
当dnow>dc时,该目标的拦截可由之后两个乃至多个武器发射阶段实施,不满足拦截关键威胁的定义;当dnow<dl临时,说明我方防御力量已不能对该目标实施拦截,因为拦截关键威胁具有较高的威胁权重,而该目标在打击优先级上已无重要价值,也不能被判定为拦截关键威胁。
优选的,所述装订多域作战场景参数中:
装订当前防空作战面临的主要目标威胁类型有:空中预警机、战斗机、轰炸机、电子战飞机、巡航导弹和战术弹道导弹;
装订空中威胁目标性质类型有:空中飞机威胁、战术导弹威胁和巡航导弹。
优选的,所述装订多域作战场景参数中,引入武器射击规则:
假设威胁目标刚进入临界范围时,我方平台开始准备实施拦截的目标锁定和进入武器发射阶段,需经过一个准备时间,拦截弹成功发射后,会经过一个间隔时间,再进入下一个武器发射阶段
优选的,所述威胁度等级排序中:
按照层级从左到右、从上到下依次进行目标威胁等级的排序,行代表一个层级内需要评估的指标,指标位置靠上的排名靠前;列代表不同层级,若当前层级无法完全区分目标的威胁等级,则转入下一级,依次类推直到完成所有的排序。
本发明的一种多域战场态势评估与威胁排序方法具有以下有益效果:
1)本发明运用于智能战术决策系统态势处理前端,需用输入信息为格式化态势目标状态,数据广泛源于各类任务系统,容许数据参数部分空缺,工程化态势数据驱动条件下运行可靠;本方法可快速解决一类智能决策系统通用态势识别问题,算法控制调整参数少,对问题域变化不敏感,输出结果为格式化目标分群与威胁分析数据,方法适用范围广泛。
2)本发明采用C++程序编译实现,经大量工程实践研究总结,分群与威胁排序内部算法采用解析方法实现,避免使用优化、求动力学特解等高耗时程序模块,全面保证了算法实时性。
3)本发明方法完全自主可控,实现程序无平台依赖性与算法依赖性,算法内部无黑箱模块,程序可跨平台快速移植,支持异构平台部署与快速推广。
附图说明
图1为本发明的工作流程示意图;
图2为本发明中资产威胁范围划分示意图;
图3为本发明中目标相对我方指挥舰运动位移示意图;
图4为本发明中我方防御舰相对指挥舰位置及拦截弹运动位移示意图;
图5为本发明中敌目标态势平面图;
图6为本发明中态势评估分群平面图。
具体实施方式
根据附图所示,对本发明进行进一步说明:
实施例一
如图1所示,该多域战场态势评估与威胁排序方法,包括如下步骤:
(1)建立战场态势信息模型:基于敌方的目标类型、位置、高度、航向角、速度和时间信息,建立多个敌方目标对象的状态信息集合;
(2)计算敌方目标对象的相似度:建立基于空间位置相似性度量、航向相似性度量、速度相似性度量和目标类型相似性度量的权重计算方法,计算多个敌方目标对象的相似度数值;
(3)敌方目标对象分群:采用改进的K-means聚类算法实现敌方目标对象的分群;
(4)装订多域作战场景参数:确定威胁范围、资产临界范围、威胁类型和武器装备性能的数据参数;
(5)拦截关键威胁判定:计算敌方目标对象的预测拦截点和预测拦截时间,判断预测拦截点是否落在资产临界范围、并判断在该目标对象的预测拦截时间内是否只能由平台当前的武器发射阶段实施,当预测拦截点落在资产临界范围内且该目标对象的拦截只能由平台当前的武器发射阶段实施时,则判断该目标对象为拦截关键威胁;
(6)威胁度等级排序:运用层级分析方法,依次对敌方目标对象的威胁度进行排序。
本发明提供了一种多域战场态势评估与威胁排序方法。该方法通过分析多域作战环境敌方战场态势信息,设置描述敌战术行为的相似性度量;运用改进的K-means聚类目标分群方法,实现了对敌战场态势信息战术及分群分析。通过划定资产威胁范围,牵引出敌方目标威胁类型;通过质点运动学分析,给出了解析的拦截关键威胁判定方法;基于层次分析与威胁权重分解,提出了一种威胁等级排序方案。本方法可作为战场态势评估分析的底层驱动算法,可灵活高效部署在各类智能化指挥控制系统决策前段,具有运行速度快,求解精度高,兼容适配能力强的特点。
实施例二
建立规范战场态势信息模型中,目标分群输入为战场态势信息,即在某一时刻下,各敌方单元的状态信息,包括位置、高度、航向角、速度、目标类型。假设在时刻t采集到了m个作战单元o1,o2...,om的信息,令目标对象集合为S,则S={o1,o2...,om}其中oi(i=1,2,...,m)为第i个实体目标在该时刻的状态信息集合。用n个状态信息来描述oi,设oi的第j个状态值为aij,则可用向量oi={ai1,ai2,...ain}来描述第i个目标。因此目标对象状态信息集合S可表达为:
实施例三相似性度量指标与相似度计算中,目标分群的原理可以简单地表述为,被归于同一分群内的目标往往表现为共同或接近的战术行为,在数学表达上则表现为更小的相似性距离度量。
对于多域作战场景,目标相似性度量的主要属性指标有空间位置、航向、速度和目标类型。
空间位置相似性度量采用两观测目标之间的欧几里何距离表达方法:
其中pik为第i个目标的第k个空间位置坐标。在本算法中,主要考虑两观测目标的平面几何距离,即横纵坐标状态,在此状态下m=2。
航向相似性度量采用曼哈顿距离计算方法:
其中cik为第i个目标的第k个航向角。在本算法中,主要选取目标的航向角和航迹倾角作为输入变量,令m=2。
速度相似性度量通过以下公式所表现的两观测目标速率差的绝对值确定:
目标类型相似性度量用两观测目标的目标类型优先级差的绝对值确定:
其中ei为第i个目标的目标类型优先级参数,该参数由目标类型参数表给定;
考虑各单属性相似性度量的权重,引入相似性度量权重矩阵W,可得某一时刻t下对象oi和oj之间总的相似性度量为:
实施例四
改进Kmeans聚类方法实现目标分群中,在完成对目标的相似性度量后,运用Kmeans聚类算法实现进一步的目标分群,其步骤为:
步骤1:输入包含m个对象的样本集,并给定聚类数目N和迭代收敛条件ε;
步骤2:给定评估参数:允许的最大编队内部平面几何距离Dinner和最大编队成员数Nmember;
步骤3:初始化聚类中心。随机选取样本集的一个点作为第一个初始聚类中心c1;应用相似性度量公式,计算样本集中各点与现有聚类中心的距离Dij;根据每个样本点被选为下一个初始聚类中心的概率大小,来确定下一个初始聚类中心。概率的表达式为:
其中Div(oi,cv)为第i个样本点到第v个聚类中心的距离,N为现有聚类中心的数目。根据式(7)求得概率值,运用轮盘法选取下一个初始聚类中心,重复上述过程,直至选取所有N个初始聚类中心(c1,c2,...,cN)。
步骤4:用相似性度量公式,计算样本集中各点与现有聚类中心“距离”Dij;
步骤5:按就近原则,将样本点oi划入“距离”最近的聚类中心代表的群中:
步骤6:重新计算样本均值,即分别计算每个群Cv内部所有样本点的各个属性值的算数平均值,得到新的均值点cv,将cv作为该群的新聚类中心;
其中hv为群Cv中的样本点个数,ajl为群Cv中样本点的各个属性值;
步骤7:聚类群出现空集的解决办法,由于初始聚类中心的选择的随机性,在应用场景数据量与聚类数目之比不大的情况下,在某次迭代过程中,会小概率地出现某个群Cv为空集,导致分母hv为零的错误。解决方法是,判断hv是否为0,若为0,则重新进行初始化,直到hv≠0为止
步骤8:重复步骤3-6,当两次迭代结果的聚类中心位置之差小于迭代收敛条件ε,则终止循环,转入结果品质评估环节;
步骤9:计算每个群Cv内任意两相邻最接近点之间平面几何距离
步骤10:判断群内任意两相邻最接近点之间平面几何距离的最大值不大于允许的最大编队内部距离,且群内样本数不大于最大编队成员数。
max(Lv(v=1,2,...,N))≤Dinner&max(hv(v=1,2,...,N))≤Nmember (10)
实施例五
装订多域态势分析参数中,为了评估敌方目标对我方资产的威胁,围绕我方资产划分威胁范围。资产威胁范围的划分需综合考量我方防区的划分和火力单元的组成与分布。资产威胁范围的划分如图2所示,环形的中心为我方需要保护的主要资产,从内到外依次是资产的最接近点(ClosestPoint Of Approach,CPA)、临界范围(CriticalRange,CR)和威胁范围(Threatening Range,TR)。
为确保威胁评估准确性,引入武器射击规则。假设威胁目标刚进入临界范围时,我方平台开始准备实施拦截的目标锁定和进入武器发射阶段,需经过一个准备时间tzb。拦截弹成功发射后,会经过一个间隔时间tg,再进入下一个武器发射阶段。
为保证算法快速性,考虑多域战场环境范围广阔,可假设威胁目标来袭阶段做等速直线飞行,典型速度为vi。
为了确保态势分析与威胁评估类型完整性,装订当前防空作战面临的主要目标威胁类型有:空中预警机、战斗机、轰炸机、电子战飞机、巡航导弹和战术弹道导弹。
装订空中威胁目标性质类型有:空中飞机威胁(Air Breathing Threats,ABT)、战术导弹威胁(Tactical Missiles,TM)和巡航导弹(Cruise Missiles,CM)。由于CM威胁性质和飞机类似,可以视作ABT来评估和分析。
实施例六
计算拦截关键威胁(ICT)判定中,拦截关键威胁(Intercept Critical Threat,ICT)这一概念在威胁评估中占有很高的权重,其定义是:计算目标的预测拦截点,若拦截点落在资产临界范围之内,且该目标的拦截只能由平台当前的武器发射阶段实施,即在下一个武器发射阶段,该目标已经不具有拦截条件,此时可判断该目标为拦截关键威胁。
目标相对我方指挥舰运动位移空间示意图如图4所示,我方指挥舰为主要资产(图中O点位置),假设威胁目标(ABT)做等速直线飞行,高度h、速度vi、航向角ψ和航迹俯仰角θ已知(规定航向沿h轴顺时针偏转ψ为正,航迹倾角向上θ为正)。从它刚进入我方指挥舰临界范围(内防区)开始,下图为此时目标和指挥舰空间相对位置的示意图,称指挥舰临界范围的边界为临界圆,临界圆的半径为Rcr。
经过时间t,威胁目标按照预定轨迹由上图的A点移动到B点。时间t内目标的位移为:
|AB|=v1t (11)
若以我方指挥舰为原点,按上图所示建立直角坐标系,则目标在该时间t内的坐标变化为:
其中y1为威胁目标刚进入临界范围时刻的纵截距。
我方防御舰艇相对指挥舰位置及拦截弹运动位移空间示意图如图所示。为C点为防御舰艇的位置,假设其在整个拦截过程中始终保持不变。
在某一时刻,舰艇发射拦截导弹,导弹保持速度vo匀速运动,发射角未知(暂不考虑导弹的射程和发射角限制)。经过时间to,拦截导弹由上图的C点移动到D点,其位移由运动学关系给出:
|CD|=voto (13)
同时存在几何关系:
其中xd、yd、hd分别为CD在三个坐标轴上的投影。拦截导弹在该时间to内的坐标变化为:
t-to=tz (16)
联立公式(14)、(15)和(16),得到:
成功拦截条件为此时B和D点重合。则两点的坐标相同:
h+v1sinθt=hd (20)
联立公式(17)、(18)、(19)和(20),得到:
随后引入武器射击规则,假设威胁目标刚进入指挥舰临界范围时,平台开始准备实施拦截的目标锁定和进入武器发射阶段,经过一个准备时间tzb,拦截导弹成功发射;当前武器发射阶段的导弹发射成功后,会经过一个间隔时间tg,再进入下一个武器发射阶段。若在第n个武器发射阶段,威胁目标拦截成功,则此时拦截导弹滞后威胁目标的飞行时间为:
tz=ntzb+(n-1)tg (22)
将(22)代入(21),得到考虑武器射击规则的导弹拦截方程(23)
该方程为一元二次方程,变量为拦截时间t,其余参数均已知,有意义的解为数值最大的正解。
需要指出的是,此种规则下计算导弹拦截时间的初始点为威胁目标刚进入指挥舰临界范围时,关键的几何参数为初始点的纵截距y1和目标的高度h,实际应用时只需要获取该威胁目标在初始点的各项参数,代入拦截方程,即可解算理论上的拦截时间和预测拦截点位置。
然而,若缺少目标在初始点的参数,仅知道已深入临界范围的目标的当前位置和运动学参数,则需要反推初始点的关键几何参数。
已知上图中B点的位置坐标(xnow,ynow,hnow),以及航向角θ和航迹俯仰角ψ,则初始点A的纵截距y1和高度h可由下列几何关系确定:
ynow-y1=|A′B′|sinψ
hnow-h=|A′B′|tanθ (24)
消去|A′B′|得到:
当ψ=0时
y1=ynow
h=hnow (25)
当ψ≠0时
初始点的纵截距y1取方程的最大解。
若设置平台拦截范围D,则可通过计算拦截点到舰艇的平面距离d,分析其是否小于平台拦截范围D,从而来判断当下武器发射阶段,目标是否还具有拦截条件,判断条件为:
式中tj为截击时间。称具有拦截条件的预测拦截点为有效拦截点,否则为无效拦截点。在此基础上定义临界拦截点和次临界拦截点:针对某一特定威胁目标,若第n个预测拦截点为有效拦截点,而第n+1个为无效拦截点,则称第n个拦截点为临界拦截点,第n-1个拦截点为次临界拦截点。
(次)临界拦截点离指挥舰的距离为:
当目标按照预定航迹运动,若目标当前位置在次临界拦截点和临界拦截点之间,则判定该目标为拦截关键威胁,即:
dl≤dnow≤dc (29)
可进一步讨论,当dnow>dc时,该目标的拦截可由之后两个乃至多个武器发射阶段实施,不满足ICT的定义;当dnow<dl临时,说明我方防御力量已不能对该目标实施拦截,因为ICT具有较高的威胁权重,而该目标在打击优先级上已无重要价值,所以也不能被判定为ICT。
实施例七
威胁等级排序是威胁评估的最后一道程序,规则将按照层级从左到右、从上到下依次进行目标威胁等级的排序,行代表一个层级内需要评估的指标,指标位置靠上的排名靠前;列代表不同层级,若当前层级无法完全区分目标的威胁等级,则转入下一级,依次类推直到完成所有的排序。基于前述威胁分类的规则和标准,对敌方目标逐一进行威胁评估。不同目标的威胁等级则按不同层级依次进行排序。具体的威胁类型权重评分表如下所示:
对于目标集群和单一目标的威胁排序,原则和威胁值评分类似,先确定群内威胁度最高的个体,这里的标准有两个,先看目标优先级,再看距资产的距离;接着将该个体的威胁值评分或威胁等级指代为整个集群的评分或等级;最后,按排序中相应的指标得到群内部个体之间的威胁排序,和群排序结果综合起来,得到考虑分群结果的个体威胁排序。
实施例八
态势想定:我方作战编队需前往某海域执行作战任务,在航渡过程中突然遭遇敌航空兵力攻击,作战编队即刻组织对敌态势分析,并对威胁进行分级评估。以我方作战指挥舰质心为坐标原点,北向为x轴正向,东向为y轴正向,正北为航向角0度,航向沿顺时针为正向。
假设敌航空兵力态势相关参数值如下表所示。敌目标态势平面图如图5所示。运用本发明提出的态势评估与威胁排序方法,可得出态势评估分群结果如图6所示,对敌群目标威胁排序结果见下表。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种多域战场态势评估与威胁排序方法,其特征在于,包括如下步骤:
(1)建立战场态势信息模型:基于敌方的目标类型、位置、高度、航向角、速度和时间信息,建立多个敌方目标对象的状态信息集合;
(2)计算敌方目标对象的相似度:建立基于空间位置相似性度量、航向相似性度量、速度相似性度量和目标类型相似性度量的权重计算方法,计算多个敌方目标对象的相似度数值;
(3)敌方目标对象分群:采用改进的K-means聚类算法实现敌方目标对象的分群;
(4)装订多域作战场景参数:确定威胁范围、资产临界范围、威胁类型和武器装备性能的数据参数;
(5)拦截关键威胁判定:计算敌方目标对象的预测拦截点和预测拦截时间,判断预测拦截点是否落在资产临界范围、并判断在该目标对象的预测拦截时间内是否只能由平台当前的武器发射阶段实施,当预测拦截点落在资产临界范围内且该目标对象的拦截只能由平台当前的武器发射阶段实施时,则判断该目标对象为拦截关键威胁;
(6)威胁度等级排序:运用层级分析方法,依次对敌方目标对象的威胁度进行排序。
3.根据权利要求1所述的多域战场态势评估与威胁排序方法,其特征在于,所述计算敌方目标对象的相似度采用如下计算公式:
其中:
wk为第k个变量的识别权重,四个识别权重之和为1;
dij (1)为空间位置相似性度量,空间位置相似性度量采用两观测目标之间的欧几里何距离表达方法计算:
其中:pik为第i个目标的第k个空间位置坐标;
dij (2)为航向相似性度量,航向相似性度量采用曼哈顿距离计算方法计算:
其中:cik为第i个目标的第k个航向角;
dij (3)为速度相似性度量,速度相似性度量通过以下公式所表现的两观测目标速率差的绝对值确定:
dij (4)为目标类型相似性度量,目标类型相似性度量采用两观测目标的目标类型优先级差的绝对值确定:
其中,ei为第个目标的目标类型优先级参数。
4.根据权利要求1所述的多域战场态势评估与威胁排序方法,其特征在于,所述改进的K-means聚类算法包括如下计算步骤:
(1)输入包含m个对象的样本集,并给定聚类数目N和迭代收敛条件ε;
(2)给定评估参数:允许的最大编队内部平面几何距离Dinner和最大编队成员数Nmember;
(3)初始化聚类中心:随机选取样本集的一个点作为第一个初始聚类中心c1;应用相似性度量公式,计算样本集中各点与现有聚类中心的距离Dij;根据每个样本点被选为下一个初始聚类中心的概率大小,来确定下一个初始聚类中心,概率的表达式为:
其中,Div(oi,cv)为第i个样本点到第v个聚类中心的距离,N为现有聚类中心的数目,根据上述公式求得概率值,运用轮盘法选取下一个初始聚类中心,重复上述过程,直至选取所有N个初始聚类中心(c1,c2,...,cN);
(4)用相似性度量公式,计算样本集中各点与现有聚类中心“距离”Dij;
(5)按就近原则,将样本点oi划入“距离”最近的聚类中心代表的群中:
(6)重新计算样本均值,即分别计算每个群Cv内部所有样本点的各个属性值的算数平均值,得到新的均值点cv,将cv作为该群的新聚类中心,采用如下公式:
其中,hv为群Cv中的样本点个数,ajl为群Cv中样本点的各个属性值;
(7)解决聚类群出现的空集:由于初始聚类中心的选择的随机性,在应用场景数据量与聚类数目之比不大的情况下,在某次迭代过程中,会小概率地出现某个群Cv为空集,导致分母hv为零的错误,此时,判断hv是否为0,若为0,则重新进行初始化,直到hv≠0为止;
(8)重复步骤3至6,当两次迭代结果的聚类中心位置之差小于迭代收敛条件ε,则终止循环,转入结果品质评估环节;
(9)计算每个群Cv内任意两相邻最接近点之间平面几何距离:
(10)判断群内任意两相邻最接近点之间平面几何距离的最大值不大于允许的最大编队内部距离,且群内样本数不大于最大编队成员数,采用如下公式:
max(Lv(v=1,2,...,N))≤Dinner&max(hv(v=1,2,...,N))≤Nmember。
6.根据权利要求1所述的多域战场态势评估与威胁排序方法,其特征在于,所述拦截关键威胁判定过程中,通过计算拦截点到舰艇的平面距离d,分析其是否小于平台拦截范围D,从而来判断当下武器发射阶段,目标是否还具有拦截条件,判断条件为:
其中:式中tj为截击时间,称具有拦截条件的预测拦截点为有效拦截点,否则为无效拦截点;在此基础上定义临界拦截点和次临界拦截点:针对某一特定威胁目标,若第n个预测拦截点为有效拦截点,而第n+1个为无效拦截点,则称第n个拦截点为临界拦截点,第n-1个拦截点为次临界拦截点,次临界拦截点离指挥舰的距离为:
当目标按照预定航迹运动,若目标当前位置在次临界拦截点和临界拦截点之间,则判定该目标为拦截关键威胁,即:
dl≤dnow≤dc;
当dnow>dc时,该目标的拦截可由之后两个乃至多个武器发射阶段实施,不满足拦截关键威胁的定义;当dnow<dl临时,说明我方防御力量已不能对该目标实施拦截,因为拦截关键威胁具有较高的威胁权重,而该目标在打击优先级上已无重要价值,也不能被判定为拦截关键威胁。
7.根据权利要求1所述的多域战场态势评估与威胁排序方法,其特征在于,所述装订多域作战场景参数中:
装订当前防空作战面临的主要目标威胁类型有:空中预警机、战斗机、轰炸机、电子战飞机、巡航导弹和战术弹道导弹;
装订空中威胁目标性质类型有:空中飞机威胁、战术导弹威胁和巡航导弹。
8.根据权利要求1所述的多域战场态势评估与威胁排序方法,其特征在于,所述装订多域作战场景参数中,引入武器射击规则:
假设威胁目标刚进入临界范围时,我方平台开始准备实施拦截的目标锁定和进入武器发射阶段,需经过一个准备时间,拦截弹成功发射后,会经过一个间隔时间,再进入下一个武器发射阶段。
9.根据权利要求1所述的多域战场态势评估与威胁排序方法,其特征在于,所述威胁度等级排序中:
按照层级从左到右、从上到下依次进行目标威胁等级的排序,行代表一个层级内需要评估的指标,指标位置靠上的排名靠前;列代表不同层级,若当前层级无法完全区分目标的威胁等级,则转入下一级,依次类推直到完成所有的排序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111558593.XA CN114239728A (zh) | 2021-12-17 | 2021-12-17 | 一种多域战场态势评估与威胁排序方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111558593.XA CN114239728A (zh) | 2021-12-17 | 2021-12-17 | 一种多域战场态势评估与威胁排序方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114239728A true CN114239728A (zh) | 2022-03-25 |
Family
ID=80758966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111558593.XA Pending CN114239728A (zh) | 2021-12-17 | 2021-12-17 | 一种多域战场态势评估与威胁排序方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114239728A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114978777A (zh) * | 2022-08-01 | 2022-08-30 | 成都数默科技有限公司 | 一种基于网络对象的多领域场景威胁融合评估方法 |
CN115438491A (zh) * | 2022-09-06 | 2022-12-06 | 北京华如科技股份有限公司 | 一种可自动回溯的分层作战规则建模方法及装置 |
CN116069056A (zh) * | 2022-12-15 | 2023-05-05 | 南通大学 | 一种基于深度强化学习的无人机战场目标跟踪控制方法 |
CN116680542A (zh) * | 2023-06-27 | 2023-09-01 | 北京五木恒润科技有限公司 | 一种主干分支态势与旁路分支态势生成方法及系统 |
CN116956642A (zh) * | 2023-09-19 | 2023-10-27 | 中国电子科技集团公司第十研究所 | 一种威胁评估算法性能动态仿真验证方法 |
CN117077889A (zh) * | 2023-08-08 | 2023-11-17 | 中国船舶集团有限公司第七〇九研究所 | 一种目标威胁评估方法、系统及电子设备 |
CN117633563A (zh) * | 2024-01-24 | 2024-03-01 | 中国电子科技集团公司第十四研究所 | 一种基于optics算法的多目标自顶向下式层次化分群方法 |
-
2021
- 2021-12-17 CN CN202111558593.XA patent/CN114239728A/zh active Pending
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114978777B (zh) * | 2022-08-01 | 2022-11-01 | 成都数默科技有限公司 | 一种基于网络对象的多领域场景威胁融合评估方法 |
CN114978777A (zh) * | 2022-08-01 | 2022-08-30 | 成都数默科技有限公司 | 一种基于网络对象的多领域场景威胁融合评估方法 |
CN115438491B (zh) * | 2022-09-06 | 2024-01-16 | 北京华如科技股份有限公司 | 一种可自动回溯的分层作战规则建模方法及装置 |
CN115438491A (zh) * | 2022-09-06 | 2022-12-06 | 北京华如科技股份有限公司 | 一种可自动回溯的分层作战规则建模方法及装置 |
CN116069056A (zh) * | 2022-12-15 | 2023-05-05 | 南通大学 | 一种基于深度强化学习的无人机战场目标跟踪控制方法 |
CN116069056B (zh) * | 2022-12-15 | 2023-07-18 | 南通大学 | 一种基于深度强化学习的无人机战场目标跟踪控制方法 |
CN116680542A (zh) * | 2023-06-27 | 2023-09-01 | 北京五木恒润科技有限公司 | 一种主干分支态势与旁路分支态势生成方法及系统 |
CN116680542B (zh) * | 2023-06-27 | 2024-01-09 | 北京五木恒润科技有限公司 | 一种主干分支态势与旁路分支态势生成方法及系统 |
CN117077889A (zh) * | 2023-08-08 | 2023-11-17 | 中国船舶集团有限公司第七〇九研究所 | 一种目标威胁评估方法、系统及电子设备 |
CN117077889B (zh) * | 2023-08-08 | 2024-05-14 | 中国船舶集团有限公司第七〇九研究所 | 一种目标威胁评估方法、系统及电子设备 |
CN116956642A (zh) * | 2023-09-19 | 2023-10-27 | 中国电子科技集团公司第十研究所 | 一种威胁评估算法性能动态仿真验证方法 |
CN116956642B (zh) * | 2023-09-19 | 2024-01-12 | 中国电子科技集团公司第十研究所 | 一种威胁评估算法性能动态仿真验证方法 |
CN117633563A (zh) * | 2024-01-24 | 2024-03-01 | 中国电子科技集团公司第十四研究所 | 一种基于optics算法的多目标自顶向下式层次化分群方法 |
CN117633563B (zh) * | 2024-01-24 | 2024-05-10 | 中国电子科技集团公司第十四研究所 | 一种基于optics算法的多目标自顶向下式层次化分群方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114239728A (zh) | 一种多域战场态势评估与威胁排序方法 | |
CN111240353B (zh) | 基于遗传模糊树的无人机协同空战决策方法 | |
Przemieniecki | Mathematical methods in defense analyses | |
Johansson | Evaluating the performance of TEWA systems | |
Ardil | Military Attack Helicopter Selection Using Distance Function Measures in Multiple Criteria Decision Making Analysis | |
CN109408877B (zh) | 一种反坦克导弹分队的智能射击决策方法 | |
Sánchez-Lozano et al. | A double fuzzy multi-criteria analysis to evaluate international high-performance aircrafts for defense purposes | |
De Lima Filho et al. | Optimization of unmanned air vehicle tactical formation in war games | |
Jia et al. | Aircraft combat survivability calculation based on combination weighting and multiattribute intelligent grey target decision model | |
Ender | A top-down, hierarchical, system-of-systems approach to the design of an air-defense weapon | |
CN112818496B (zh) | 基于蚁群算法的要地防空策略 | |
CN115759754A (zh) | 基于动态博弈变权的超视距空战模拟目标威胁评估方法 | |
CN114358127A (zh) | 一种空中任务群组识别方法 | |
Kim et al. | Evaluation of the combat aircraft susceptibility against surface-based threat using the weighted score algorithm | |
Virtanen et al. | Modeling pilot decision making by an influence diagram | |
Robbins | Discovery of counter IADS swarming autonomy behaviors with machine learning | |
Gunell | Optimal route of military aircraft in multi-stage surveillance, reconnaissance and target acquisition missions | |
Sahni et al. | A method of risk analysis and threat management using analytic hierarchy process: An application to air defence | |
Hu et al. | Multi-target Attack Decision-Making in Time-Sensitive Missions Based on Artificial Potential Field and Entropy-AHP Method | |
Tennebø | Improving classification of ballistic, non-cooperative radar targets | |
Mei et al. | Adaptive optimization of ballistic dispersion for maneuvering target interception | |
Wang et al. | Threat assessment of air defense in important maritime areas with missing feature data | |
Korecki et al. | Use of a Tactical Decision Support System within the Ground Unit Commander’s Decision-making Process | |
Truter | Development and demonstration of a performance evaluation framework for threat evaluation and weapon assignment systems | |
Wu et al. | Research on intelligent decision of fire distribution in remote control weapon station |
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 |