CN114444201A - 基于贝叶斯网络的对地攻击无人机自主能力评估方法 - Google Patents
基于贝叶斯网络的对地攻击无人机自主能力评估方法 Download PDFInfo
- Publication number
- CN114444201A CN114444201A CN202210064052.XA CN202210064052A CN114444201A CN 114444201 A CN114444201 A CN 114444201A CN 202210064052 A CN202210064052 A CN 202210064052A CN 114444201 A CN114444201 A CN 114444201A
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- ability
- index
- combat
- 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.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 claims abstract description 92
- 230000008569 process Effects 0.000 claims abstract description 60
- 239000011159 matrix material Substances 0.000 claims abstract description 58
- 238000004458 analytical method Methods 0.000 claims abstract description 26
- 238000007726 management method Methods 0.000 claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000004088 simulation Methods 0.000 claims abstract description 17
- 230000007123 defense Effects 0.000 claims description 40
- 230000035515 penetration Effects 0.000 claims description 36
- 230000009467 reduction Effects 0.000 claims description 34
- 230000008447 perception Effects 0.000 claims description 24
- 230000006399 behavior Effects 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 18
- 230000009471 action Effects 0.000 claims description 14
- 230000002567 autonomic effect Effects 0.000 claims description 14
- 210000004556 brain Anatomy 0.000 claims description 14
- 230000001149 cognitive effect Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 14
- 238000002360 preparation method Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000011160 research Methods 0.000 claims description 10
- 230000019771 cognition Effects 0.000 claims description 7
- 238000011161 development Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000001629 suppression Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000036541 health Effects 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 230000007087 memory ability Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 210000000056 organ Anatomy 0.000 claims description 4
- 230000003930 cognitive ability Effects 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 238000003825 pressing Methods 0.000 claims description 3
- 210000000697 sensory organ Anatomy 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 210000004291 uterus Anatomy 0.000 claims description 2
- 238000013210 evaluation model Methods 0.000 abstract description 5
- 238000012795 verification Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 7
- 230000018109 developmental process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 230000001364 causal effect Effects 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000035899 viability Effects 0.000 description 2
- 241000239290 Araneae Species 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001769 paralizing effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Automation & Control Theory (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Aviation & Aerospace Engineering (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
基于改进的贝叶斯网络的对地攻击无人机自主能力评估方法:针对对地攻击无人机作战流程和特点,选取感知探测、规划决策、作战执行、安全管理和学习进化五个自主能力影响因素,构建面向全任务过程的自主能力评估指标体系;利用粗糙集理论和差别矩阵对指标体系进行优化,得到基于作战阶段的动态指标体系;基于改进的贝叶斯网络建立自主能力评估模型,利用熵权法确定根节点的先验概率,运用极大熵模型对条件概率进行动态更新;利用三种推理模式对对地攻击无人机任务前、任务中和任务后的自主能力进行仿真验证及推理分析,给出各个阶段自主能力的动态调整建议。本发明能够从不同阶段评估对地攻击无人机自主能力,使其适应不同作战阶段的特点和要求。
Description
技术领域
本发明涉及无人机自主能力评估领域技术,具体涉及一种改进的贝叶斯网络模型在对地攻击无人机自主能力评估领域的应用。
背景技术
作为承担未来战争“无人作战”、“空中进攻”任务的重要作战平台,对地攻击无人机的任务领域和作战使用方式不断拓展,从辅助、支援作战向进攻作战、非常规作战、编队集群作战等高智能模式转变,这就使得对地攻击无人机必须具备很高的自主能力。结合作战任务研究对地攻击无人机自主能力评估问题,对深度挖掘对地攻击无人机作战潜力具有重要意义。
在自主能力评估框架研究方面,比较典型的有Sheridan的自动装置等级(Levelsof Automation,LOA)、自主控制水平等级(Autonomous Control Level,ACL)、无人系统自主性等级(Autonomy Levels for Unmanned Systems,ALFUS)、人机权限四级模型、自主系统参考框架等。在自主能力评价模型方面,王新星依据无人平台自主能力分级的原则和方法,提出了二维度和四维度的自主能力分级模型(无人平台自主能力分级模型研究[D].沈阳:沈阳航空航天大学,2012.);Bulletin提出的自主性评价多维蛛网模型,可综合处理经线的互耦合、高维度、多样性等因素(Evaluation methods for the autonomy ofunmanned systems[J].Chinese Science Bulletin,2012,57(26):3409-3418.);丰雨轩等人基于灰色关联分析法评价无人机自主能力,很好地区分了不同类型无人机的自主能力等级(丰雨轩,刘树光,解武杰.基于灰色关联分析的对地攻击型无人机自主能力评价[J].电光与控制,2021,28(6):16-19.)。
综合分析公开文献可以发现,国内外在无人机自主能力评估方面的研究还处于起步阶段,缺乏完整的理论体系,并且已有的研究成果主要是以评价方法为导向的静态综合评价,没有结合作战任务和战场态势的动态变化,对无人机自主能力进行动态评估。
发明内容
针对上述现有技术的不足,本发明提供一种基于贝叶斯网络的对地攻击无人机自主能力评估方法,具体包括下列步骤:
步骤一、分析准备阶段
首先分析使命任务和作战流程,对地攻击无人机有多种使命任务:(1)战略支援:对地攻击无人机不直接参与攻击行动,而是为其它作战单元提供信息保障和支援;(2)隐蔽突防:利用隐身能力和机动能力,规避敌方防空设备的侦察,突破敌方严密的防空网络去打击高价值目标;(3)压制防空:通过火力压制或电磁压制手段摧毁或瘫痪敌地面防空系统,或降低敌一体化防空体系等级;
对地攻击无人机执行作战任务具有过程性和阶段性特点,其作战过程分为:(1)任务准备阶段,无人机指挥所领受作战任务,研究分析并制定作战计划,向对地攻击无人机装订任务规划结果;在机务工作准备完毕后,无人机起飞并飞抵指定任务空域;(2)突防阶段,飞抵指定任务空域后,如果不满足敌防区外发射武器的条件,则无人机需要综合依靠隐身、电子干扰和机动能力对敌防空火力网进行突防;(3)侦察搜索阶段,突破敌防空系统后,无人机凭借机载传感器和探测雷达获取态势信息,并进行信息融合,为攻击决策提供数据支撑;(4)攻击阶段,形成攻击决策后,根据无人机和地面目标的相对位置进行火控解算,进行攻击;(5)返航阶段,作战任务完成后,无人机进行机动逃逸、返航着陆;
其次,构建面向任务阶段的对地攻击无人机自主能力指标体系;主要思路为:依据人类认知结构建立无人系统智能结构,进而结合对地攻击无人机使命任务和作战流程,构建面向任务的自主能力指标体系;人类认知过程为:首先通过感觉器官感知外部环境,经过感知处理后在人脑中形成一个与外部环境相匹配的粗糙模型,该模型与外部真实环境越吻合,则说明认知能力越强;然后根据该模型,指导认知行为;而执行器宫的行动又会使外部环境产生变化,这种变化会被再次感知,人脑将感知得来的信息不断加工并修正环境模型……;如此反复,使模型越来越吻合真实环境;
类比人类认知结构建立无人系统智能结构,体现在以下五个方面:(1)感知:智能控制的前提和基础,人的感知信息的获取手段是多源的,无人机则在飞行过程中利用多种传感器感知周围环境和自身状态;
(2)价值判断/规划决策:智能控制的核心,无人机需要具备模拟人类思维的规划决策系统,进行一定程度地自主决策;
(3)环境模型:人的智能主要表现在认知上,即人脑中建立一个与外界世界相匹配的环境模型,而无人机通过不断地学习训练生成类似的模型;
(4)行为执行:人通过执行器官将大脑的思维决策与真实的外界环境联系起来,无人机通过执行机构完成各种飞行任务;
(5)安全管理:人的自我安全管理是潜意识行为,贯穿于认知活动的各个环节,无人机则需要有专门的安全管理系统进行实时健康监控和管理;
因此,对地攻击无人机必须具备感知探测、规划决策、学习进化、安全管理、作战执行五方面能力;将其进一步细分,建立表1所示的自主能力评估指标体系;
表1对地攻击无人机自主能力整体评估指标体系
分析准备阶段的最后工作是对指标体系进行约简;
基于粗糙集理论的属性约简方法对指标体系进行动态优化,具体如下:
信息系统的基本形式表示为:S={U,A,V,f};其中U是研究对象的有限非空集合,称为论域;A是研究对象所具有属性的非空有限集合,包括条件属性和决策属性;V是属性的值域,表示属性的取值范围;f表示信息函数;
设决策表S={U,A,V,f},A=C∪D,差别矩阵是一个n×n的对称矩阵Mn×n=(mij)n×n:
式中,c为差别矩阵的元素,f(u,c)表示对象u在条件属性上的具体取值,i、j分别表示差别矩阵的第i行、第j列;式(1)的含义概括为差别矩阵第i行第j列的元素是条件属性构成的集合或者数值0;
当ui和uj的决策属性值不同时,以析取的方式将不同属性值的条件属性形成集合,该集合作为差别矩阵(i,j)位置的元素,其目的是使该元素中任一条件属性均可把ui和uj区分开;若ui和uj所有条件属性值均相同,则(i,j)位置的元素为空集;
当ui和uj的决策属性值相同时,条件属性值相同或不同都无法将两者区分开,即条件属性失去区分个体的功能;此时差别矩阵(i,j)位置的元素取值为0,(j,i)位置处元素取值同样为0;
基于以上理论,组织NUM位无人作战领域的权威专家,按照表1评估指标体系对各个作战阶段的指标重要程度进行打分;假设在突防阶段,决策表论域为U={u1,u2,...,u8},由19个作战过程指标构成条件属性集C={c1,c2,...,c19},每个专家所打分数的平均值构成决策属性集D={d1,d2,...,d8},de表示第e个专家所给分数的平均值;具体指标约简步骤如下;
Step1:由于运用粗糙集理论处理决策表时,决策表中的数据必须为离散型,因此根据打分表中分值的区间进行离散化处理,如表2所示;
表2数据离散化处理
Step2:假设NUM=8,将专家打分结果按照表2进行离散化处理,得到如表3所示的决策表;
表3决策表
Step3:根据决策表信息和Skowron差别矩阵的定义建立差别矩阵,如表4所示;
表4差别矩阵
差别矩阵中元素值为:
k1=c2c8c9c16c18;k2=c1c5c7c10c13c15c19;k3=c2c4c6c10c11c17;k4=c4c6c10c11c12c19;k5=c6c7c10c11c12c13c17c18;
k6=c2c7c9c10c11c12c13c17c18;k7=c2c5c7c9c10c11;k8=c2c5c6c9c10c12c13c16c17;k9=c5c6c10c14c17c19;k10=c5c10c12c18;
k11=c5c10c16c17c18c19;k12=c2c5c12c16c18c19;k13=c5c6c9c18c19;k14=c2c6c9c10c14c19;k15=c1c5c10c12c16c17c18
Step4:化简差别函数
由差别矩阵的定义知,差别矩阵中上三角元素和下三角元素关于对角线对称,因此表4仅列出下三角和对角线元素即能够求解问题;由差别矩阵定义及公式(1)知,差别矩阵中每个元素的各个条件属性之间是析取关系,而差别函数是将所有元素进行合取得到的:
f(M)=k1∧k2∧k3∧k4∧k5∧k6∧k7∧k8∧k9∧k10∧k11∧k12∧k13∧k14∧k15
根据逻辑运算可将上述差别函数化为最小析取范式:
f(M)=c1∧c2∧c5∧c6∧c7∧c8∧c9∧c10∧c12∧c13∧c15∧c16∧c18∧c19
因此,C={c1,c2,c5,c6,c7,c8,c9,c10,c12,c13,c15,c16,c18,c19}为决策表的一个约简;
同理得到侦察搜索阶段和攻击阶段的约简指标体系,如表5所示;
表5各作战阶段的约简指标体系
作战过程层 | 突防阶段 | 侦察搜索阶段 | 攻击阶段 |
态势感知能力B1 | √ | √ | √ |
环境感知能力B2 | √ | √ | √ |
目标探测能力B3 | √ | ||
信息融合能力B4 | √ | √ | |
任务规划能力B5 | √ | √ | √ |
指令理解能力B6 | √ | √ | √ |
战术决策能力B7 | √ | ||
环境适应能力B8 | √ | √ | |
飞行能力B9 | √ | √ | |
突防能力B10 | √ | ||
对地攻击能力B11 | √ | ||
链路通信能力B12 | √ | √ | |
生存能力B13 | √ | √ | |
健康管理能力B14 | √ | ||
抗干扰/防欺骗能力B15 | √ | √ | √ |
人机融合能力B16 | √ | √ | √ |
训练能力B17 | |||
行为记忆能力B18 | √ | √ | √ |
组网通信能力B19 | √ | √ | √ |
步骤二、模型参数确定和更新阶段
首先根据指标体系确定贝叶斯网络结构,选取指标体系中总体目标层指标和作战过程层指标进行仿真实验,依据指标体系中各指标的层次关系,构建贝叶斯网络结构,该结构外层的19个仿真模块对应表1中的作战过程层指标,里层的6个模块对应表1的总体目标层指标;
然后基于隶属度加权的根节点先验概率算法,利用局部性能层/装备性能层指标的参数计算作战过程层指标的先验概率,具体如下:
Step1:利用熵权法计算各指标权重
①收集子指标数据,对其进行无量纲化处理,得{X1,X2,...,Xm},m为指标个数,其中Xv=(x1v,x2v...xnv)T,v=1,2,...,m,n为样本数;
③信息熵冗余度dv=1-Hv,v=1,2,...,m;
Step2:采用隶属度加权的方法确定根节点的先验概率
①通过属性等级的划分来确定根节点的属性等级V={V1,V2,...,Vs},s为属性等级个数,其中Vq表示各属性的评语q=1,2,...,s,当s=3时,令Vq={good,common,bad};根据划分的属性等级对Step1收集到的数据进行概率统计,确定第v个子指标属于等级Vq的隶属度γqv;
本阶段最后工作为:利用专家评价法初步确定条件概率;以节点B5为例,首先邀请无人机研制和使用专家组成评估组,采用模糊分类方法建立子指标B5属性等级集合,经过讨论,假设规定90分以上为好,80-90分为一般,80分以下为差,如表6所示;
表6根节点指标数据
根据表6给出的子指标数据,通过Step1步骤计算得到根节点B5的子指标权重为:
ω={0.3485,0.2576,0.2201,0.1738}
根据表6中子指标的数据和规定的属性等级划分,得到节点B5的子指标隶属度,如表7所示;
表7节点B5的子指标隶属度
根据Step2步骤计算节点B5的先验概率为:
P={0.4168,0.4303,0.1529}
步骤三、作战过程推理仿真阶段
利用贝叶斯网络推理方式分别对作战任务前、作战任务中和作战任务后三个过程进行自主能力分析;
作战任务前,根据对以往作战数据进行统计分析和专家打分的结果,得出各指标在状态空间的概率,采用正向推理的方式,运行建模仿真工具得到评估结果;
作战任务中,随着任务进程的推进,无人机自主能力在动态变化;针对突防阶段、侦察搜索阶段和攻击阶段三个典型的作战任务阶段对无人机自主能力进行评估;
(a)突防阶段
按照表5突防阶段的约简指标体系进行自主能力评估,将B3、B4、B11、B14、B17的bad值设为100%,并对模型进行更新,得到评估结果;
根据评估结果知道无人机自主能力等级为二级,假设此时自主能力不满足作战需求,需要提高无人机自主性,在对行为执行能力进行截断分析推理时,将行为执行能力的good值设为100%并更新模型;由推理结果得知感知探测能力的关键影响因素为态势感知能力;规划决策能力的关键影响因素为任务规划能力;安全管理能力的关键因素为抗干扰/防欺骗能力;学习进化能力的关键影响因素为行为记忆能力;
(b)侦察搜索阶段
按照表5中侦察搜索阶段的约简指标体系对模型进行更新,得到评估结果;同时采用截断分析推理知,侦察搜索阶段影响无人机自主能力的关键因素为目标探测能力、环境感知能力和链路通信能力;
(c)攻击阶段
按照表5中攻击阶段的约简指标体系更新模型得到评估结果;
由评估结果知道,攻击阶段自主能力总体评价为二级,且概率仅有40.3%;采用截断分析推理得知攻击阶段无人机自主能力的关键影响因素为对地攻击能力和信息融合能力;
作战任务结束后,对无人机自主能力变化趋势分析能够知道,不同作战阶段下无人机自主能力在动态变化,其中作战任务前自主能力最高,攻击阶段自主能力最低;但是自主能力区分度并没有拉开,除了作战任务前自主能力等级为三级之外,其它阶段都为二级;原因在于:(1)在作战任务前对任务全过程进行自主能力预估时,没有突出主要性能指标;(2)不同作战阶段下,影响自主能力的关键指标可能发生变化,而对模型进行更新时,只更新了指标的先验概率,并没有更新条件概率;因此,采用极大熵模型对条件概率表进行更新;
然后,分别将五个自主能力等级的概率设为1,采用反向推理更新模型,得到各个自主能力等级下节点的后验概率;
从各作战阶段的角度来看,影响无人机自主能力的关键指标在不断变化;其中,突防阶段所需自主性高,要想提高突防阶段自主能力,应从链路通信能力、突防能力、态势感知能力和任务规划能力这些方面入手;侦察搜索阶段的自主能力受目标探测能力、环境感知能力和链路通信能力影响大;在攻击阶段需要着重注意无人机的对地攻击能力和信息融合能力这些执行能力;
从任务全局角度来看,无人机自主能力在不断动态演化,应根据实际任务需要选择适合该任务的机型执行作战行动,并且在作战阶段转换时,应及时调整无人机自主性以便接续任务的开展;态势感知能力、环境感知能力、任务规划能力和抗干扰/防欺骗能力这些指标贯穿任务始终且在各阶段所占比重大,在考虑任务全局时这些基础指标不容忽视。
在本发明的一个具体实施例中,m=4,n=10。
本发明的优点在于:
(1)仿照人类智能认知结构,提出一种无人系统智能自主结构,从感知、价值判断/规划决策、环境模型、行为执行、安全管理五个方面分析对地攻击无人机性能要求;
(2)基于OODA理论,建立面向全任务过程的评估指标体系,能够凸显自主能力评估和作战任务的紧密关系,满足不同任务阶段的作战需求;
(3)贝叶斯网络模型的三种推理模式能够较好地解决作战评估过程中的正向问题、中间干涉问题和逆向问题,为复杂环境下自主能力决策提供参考依据。
本发明从作战任务阶段的角度出发,提出基于改进贝叶斯网络的对地攻击无人机自主能力评估模型,能够从不同阶段评估对地攻击无人机自主能力,并采用极大熵模型动态调整不同时期指标权重,使其适应不同作战阶段的特点和要求,本发明相较于现有技术具有显著优势。
附图说明
图1为改进的贝叶斯网络自主能力评估流程图;
图2为对地攻击无人机作战流程图;
图3为人类/无人系统智能结构图,其中图3(a)示出人类智能认知结构,图3(b)示出无人系统智能自主结构;
图4为贝叶斯推理模式结构图;
图5为作战任务前自主能力预估仿真图;
图6为突防阶段的自主能力评估结果;
图7为突防阶段的截断分析推理结果;
图8为侦察搜索阶段的自主能力评估结果;
图9为攻击阶段的自主能力评估结果;
图10为作战任务中无人机自主能力变化趋势图,其中图10(a)示出未加入极大熵模型的自主能力变化趋势,图10(b)示出加入极大熵模型优化后的自主能力变化趋势;
图11为总体目标层指标的影响因素推理结果,其中图11(a)、(b)、(c)、(d)、(e)分别为无人机自主能力等级为I、II、III、IV、V时总体目标层的子指标后验概率。
具体实施方式
现结合实例和附图对本发明做进一步说明。
本发明基于改进的贝叶斯网络实现对地攻击无人机在各个作战阶段下自主能力的动态评估。贝叶斯网络又称信度网,它是以概率论和图论为基础,以有向边表示变量之间的因果关系,以条件概率表表示变量之间关系的强弱,描述问题具有形式直观的特点,作为一种重要的概率模型,贝叶斯网络在1988年由Pearl给出明确定义后,已成为近十几年来人工智能中非精确知识表达与推理领域研究的热点。一个贝叶斯网络是一个二元组B=<G,P>。采用改进的贝叶斯网络构建对地攻击无人机自主能力评估模型,具体思路为:基于人机智能结构和所需功能,构建面向全任务过程的自主能力评估指标体系;利用粗糙集理论和差别矩阵对指标体系进行优化,得到基于作战阶段的动态指标体系;利用熵权法确定根节点的先验概率,运用极大熵模型对条件概率进行动态更新,并使用贝叶斯软件Netica进行实例仿真;利用正向推理、截断分析推理和反向推理三种推理模式对对地攻击无人机任务前、任务中和任务后的自主能力进行仿真验证及推理分析,从作战任务阶段、任务全局以及无人机自主能力发展三个角度给出对地攻击无人机自主能力调整策略。
如图1所示,本发明基于改进贝叶斯网络构建对地攻击无人机自主能力评估模型,具体分为三个阶段:分析准备阶段、模型参数确定和更新阶段以及作战过程推理仿真阶段。
一、分析准备阶段
分析准备阶段的主要任务是分析使命任务和作战过程,建立自主能力评估指标体系并基于作战阶段对其进行优化。
首先分析使命任务和作战流程,作为一种重要的未来信息化战争的作战武器装备,对地攻击无人机拥有更强的续航能力,可以进行大过载机动,具有更大的挂载能力和更快的反应速度,具备强大的纵深攻击和拦截能力,这些作战特点赋予其多种使命任务:(1)战略支援:对地攻击无人机不直接参与攻击行动,而是作为作战网络的一个节点,为其它作战单元提供信息保障和支援,可以执行空中侦察、战场监视、空中遮断、通信中继和毁伤评估等任务;(2)隐蔽突防:利用隐身能力和机动能力,规避敌方防空设备的侦察,突破敌方严密的防空网络去打击高价值目标。突击敌首脑机关、指挥控制中心等影响战争进程的关键节点,瘫痪敌作战系统。打击敌侦察探测设施、通信/交通枢纽,致盲敌作战网络,为后续作战行动创造有利条件;(3)压制防空:通过火力压制或电磁压制手段摧毁或瘫痪敌地面防空系统,或降低敌一体化防空体系等级。压制防空作战的目标包括敌预警控制系统、雷达、地空导弹系统以及相关的C4预警/通信基础设施。
对地攻击无人机执行作战任务具有过程性和阶段性特点,因此,对无人机作战过程进行分析不仅有利于构建较为完善的指标体系,也能进一步剖析作战过程,分析对地攻击无人机在各个作战阶段的自主能力和影响因素。对地攻击无人机的作战过程如图2所示,分为:(1)任务准备阶段,无人机指挥所领受作战任务,研究分析并制定作战计划,向对地攻击无人机装订任务规划结果,包括航路规划和目标分配方案及相关数据。在机务工作准备完毕后,无人机起飞并飞抵指定任务空域;(2)突防阶段,飞抵指定任务空域后,如果不满足敌防区外发射武器的条件,则无人机需要综合依靠隐身、电子干扰和机动能力对敌防空火力网进行突防,即对敌警戒雷达实施电子干扰以及对地空导弹和高炮进行压制或摧毁;(3)侦察搜索阶段,突破敌防空系统后,进入目标区域,无人机利用机载传感器和机载探测雷达获取战场环境信息和地面目标状态信息,从而获取敌我相对态势。最后,无人机对所有信息进行信息融合,为攻击决策提供数据支撑;(4)攻击阶段,形成攻击决策后,根据无人机和地面目标的相对位置进行火控解算,选择攻击武器,对目标进行攻击;(5)返航阶段,作战任务完成后,无人机进行机动逃逸,迅速脱离危险区域,按照作战计划或者重新规划航线进行返航着陆。
其次,构建面向任务阶段的对地攻击无人机自主能力指标体系。美国空军研究室将无人机自主能力从遥控引导到单机自主、多机自主直至集群完全自主,共划分为10个等级。无人机自主能力发展是一个由无人系统逐步取代人的功能的渐进过程,实现该过程的唯一途径是无人机具有类似人的智能决策机制。目前,人脑是已知的最高级的智能系统。因此,在复杂动态的战场环境下,实现自主决策系统模拟人类大脑思维,自主控制系统复制驾驶员或作战指挥员的决策行为,就必须将人类的智能结构映射到无人机自主系统控制模型,如图3所示。下面对图3的映射结构进行详细介绍。
图3(a)示出人类智能认知结构,人类的智能主要体现在认知上,其认知过程为:首先通过感觉器官感知外部环境,经过感知处理后在人脑中形成一个与外部环境相匹配的粗糙模型,该模型与外部真实环境越吻合,则说明认知能力越强;然后根据该模型,指导认知行为;而执行器宫的行动又会使外部环境产生变化,这种变化会被再次感知,人脑将感知得来的信息不断加工并修正环境模型……。如此反复,使模型越来越吻合真实环境。(邹村,周耕书.智能控制面临的问题及其展望[J].自动化与仪器仪表,1997,(02):50-51.)
根据对地攻击无人机的使命任务和作战流程,类比人类智能结构建立如图3(b)所示的无人系统智能结构,具体思路为:无人机在执行任务过程中通过传感器感知探测外部环境,将感知信息进行初步加工,建立一个粗糙的环境模型。根据该模型进行规划决策,指导无人机的作战行动、安全管理和后续的感知。无人机的行为动作会使外部环境发生变化,而传感器会再次感知到这种变化,并形成感知信息。综合感知信息和各分系统反馈结果,环境模型得到不断优化。经过反复的学习训练,无人机的自主水平不断提高。
现对人类认知/无人系统智能结构的五个主要内容作进一步阐释:
(1)感知:智能控制的前提和基础,人的感知信息的获取手段是多源的,无人机则在飞行过程中利用多种传感器感知周围环境和自身状态。
(2)价值判断/规划决策:智能控制的核心,无人机需要具备模拟人类思维的规划决策系统,进行一定程度地自主决策。
(3)环境模型:人的智能主要表现在认知上,即人脑中建立一个与外界世界相匹配的环境模型,无人机也可通过不断地学习训练生成类似的模型。
(4)行为执行:人通过执行器官将大脑的思维决策与真实的外界环境联系起来,不断地实践去适应和改造环境,无人机通过执行机构完成起飞、巡航、执行任务、返航、着陆等过程。
(5)安全管理:人的自我安全管理是潜意识行为,贯穿于认知活动的各个环节,无人机则需要有专门的安全管理系统对传感器、执行机构等部件进行实时健康监控和管理。
因此,无人系统的智能结构决定无人系统必须具备五种能力:感知探测能力、规划决策能力、学习进化能力、安全管理能力、作战执行能力。根据评估指标体系的设计原则,在查阅相关无人机设计手册、无人机系统发展白皮书以及自主能力评价研究成果的基础上,将五个方面的能力进一步细分,建立表1所示的自主能力评估指标体系。
表1对地攻击无人机自主能力整体评估指标体系
分析准备阶段的最后工作是对指标体系进行约简。
随着作战阶段的变化,原阶段中用于自主能力评估的指标体系的某个或某些指标可能会失去实际意义,导致整个指标体系不适应此阶段下自主能力评估所面临的新情况,此时有必要对指标体系进行动态调整,以保证自主能力评估的有效性和实时性。本发明基于粗糙集理论(邬云龙,刘丹龙,王浩然,蔡永博,陈亮.基于粗糙集Skowron差别矩阵的矿井火灾风险评价指标约简[J].中国安全生产科学技术,2016,12(05):60-65.)的属性约简方法对指标体系进行动态优化。
粗糙集理论是一种处理不完整和不确定信息的数据分析方法,其优点是无需任何先验和外部信息便能从大量数据中挖掘出决策规则,找出属性间的关联关系并删除冗余属性。
信息系统的基本形式表示为:S={U,A,V,f}。其中U是研究对象的有限非空集合,称为论域;A是研究对象所具有属性的非空有限集合,包括条件属性和决策属性;V是属性的值域,表示属性的取值范围;f表示信息函数。
差别矩阵又称可辨识矩阵或区分矩阵,是由斯科龙(Skowron)教授于1991年提出来的一种表示知识的方法,其优点是可以解释并便于计算数据核和约简(张娟,蒋瑜,聂华北,李永礼.基于差别矩阵的高效属性约简算法[J].武汉理工大学学报,2010,32(23):145-149.)。设决策表S={U,A,V,f},A=C∪D,差别矩阵是一个n×n的对称矩阵Mn×n=(mij)n×n:
式中,c为差别矩阵的元素,f(u,c)表示对象u在条件属性上的具体取值,i、j分别表示差别矩阵的第i行、第j列。式(1)的含义可概括为差别矩阵第i行第j列的元素是条件属性构成的集合或者数值0。
当ui和uj的决策属性值不同时,就以析取的方式(用“∨”表示)将不同属性值的条件属性形成集合,该集合作为差别矩阵(i,j)位置的元素,其目的是使该元素中任一条件属性均可把ui和uj区分开;若ui和uj所有条件属性值均相同,则(i,j)位置的元素为空集。
当ui和uj的决策属性值相同时(i、j表示对象u的不同样本),条件属性值相同或不同都无法将两者区分开,即条件属性失去区分个体的功能。此时差别矩阵(i,j)位置的元素取值为0,(j,i)位置处元素取值同样为0。(这里i、j的含义是一致的,差别矩阵也叫对称矩阵,将对象u的不同样本进行两两比较,u的第i个样本和第j个样本的决策属性值不同时,则差别矩阵的(i,j)和(j,i)位置处的取值都为0.,比如说第1个样本和第3个样本的决策属性都为1,则差别矩阵(1,3)和(3,1)位置的取值都为0,如表4所示)
基于以上理论,以突防阶段为例,组织8位无人作战领域的权威专家根据实际任务情况,按照表1评估指标体系进行打分构成决策表论域U={u1,u2,...,u8},19个作战过程指标构成条件属性集C={c1,c2,...,c19},每个专家所打分数的平均值构成决策属性集D={d1,d2,...,d8}(de表示第e个专家所给分数的平均值)。具体指标约简步骤如下。
Step1:由于运用粗糙集理论处理决策表时,决策表中的数据必须为离散型,因此根据打分表中分值的区间进行离散化处理,如表2所示。
表2数据离散化处理
Step2:将专家打分结果按照表2进行离散化处理,得到如表3所示的决策表。
表3决策表
在该实施例中,表3中没有出现数值4和5,说明所有专家意见相对一致,认为不存在对自主能力毫无影响的指标,只是各个作战阶段下指标重要性有所不同,一定程度验证了指标体系构建的合理性。
Step3:根据决策表信息和Skowron差别矩阵(秦奕青,杨炳儒.基于Skowron分明矩阵的有效属性约简算法[J].北京科技大学学报,2009,31(03):398-404.)的定义建立差别矩阵,如表4所示。
表4差别矩阵
差别矩阵中元素值为:
k1=c2c8c9c16c18;k2=c1c5c7c10c13c15c19;k3=c2c4c6c10c11c17;k4=c4c6c10c11c12c19;k5=c6c7c10c11c12c13c17c18;
k6=c2c7c9c10c11c12c13c17c18;k7=c2c5c7c9c10c11;k8=c2c5c6c9c10c12c13c16c17;k9=c5c6c10c14c17c19;k10=c5c10c12c18;
k11=c5c10c16c17c18c19;k12=c2c5c12c16c18c19;k13=c5c6c9c18c19;k14=c2c6c9c10c14c19;k15=c1c5c10c12c16c17c18
Step4:化简差别函数
由差别矩阵的定义可知,差别矩阵中上三角元素和下三角元素关于对角线对称,因此表4仅列出下三角和对角线元素即可求解问题。由差别矩阵定义(秦奕青,杨炳儒,徐章艳.基于Skowron分明矩阵的有效属性约简算法[J].北京科技大学学报,2009,31(03):398-404.)及公式(1)可知,差别矩阵中每个元素的各个条件属性之间是析取关系,而差别函数是将所有元素进行合取得到的:
f(M)=k1∧k2∧k3∧k4∧k5∧k6∧k7∧k8∧k9∧k10∧k11∧k12∧k13∧k14∧k15
根据逻辑运算可将上述差别函数化为最小析取范式:
f(M)=c1∧c2∧c5∧c6∧c7∧c8∧c9∧c10∧c12∧c13∧c15∧c16∧c18∧c19
因此,C={c1,c2,c5,c6,c7,c8,c9,c10,c12,c13,c15,c16,c18,c19}为决策表的一个约简。
同理,可得到侦察搜索阶段和攻击阶段的约简指标体系,如表5所示。
表5各作战阶段的约简指标体系
作战过程层 | 突防阶段 | 侦察搜索阶段 | 攻击阶段 |
态势感知能力B1 | √ | √ | √ |
环境感知能力B2 | √ | √ | √ |
目标探测能力B3 | √ | ||
信息融合能力B4 | √ | √ | |
任务规划能力B5 | √ | √ | √ |
指令理解能力B6 | √ | √ | √ |
战术决策能力B7 | √ | ||
环境适应能力B8 | √ | √ | |
飞行能力B9 | √ | √ | |
突防能力B10 | √ | ||
对地攻击能力B11 | √ | ||
链路通信能力B12 | √ | √ | |
生存能力B13 | √ | √ | |
健康管理能力B14 | √ | ||
抗干扰/防欺骗能力B15 | √ | √ | √ |
人机融合能力B16 | √ | √ | √ |
训练能力B17 | |||
行为记忆能力B18 | √ | √ | √ |
组网通信能力B19 | √ | √ | √ |
表5中标注“√”的指标表示经过约简后仍需保留,未标注“√”则表示该指标在此阶段对自主能力影响程度较小,可以删除。
二、模型参数确定和更新阶段
模型参数确定和更新阶段主要任务是确定贝叶斯网络节点的参数。
首先根据指标体系确定贝叶斯网络结构,本发明探究不同作战阶段下对地攻击无人机自主能力的动态变化,因此只选取指标体系中总体目标层指标和作战过程层指标进行仿真实验,依据指标体系中各指标的层次关系,构建贝叶斯网络结构,如图4所示,图中外层的19个仿真模块对应表1中的作战过程层指标,里层的6个模块对应表1的总体目标层指标,按照表1的隶属关系依次连接作战过程层和总体目标层的仿真模块,即可完成贝叶斯网络结构的构建。
然后利用隶属度加权法(杨志明,王甜甜,邵元海.面向不均匀分类的隶属度加权模糊支持向量机[J].计算机工程与应用,2018,54(02):68-75.)确定贝叶斯网络的根节点(作战过程层指标)先验概率。根节点的先验概率是进行最终评估的基础,通过对自主能力评估指标体系进行分析研究,本发明提出基于隶属度加权的根节点先验概率算法,利用局部性能层/装备性能层指标的参数计算作战过程层指标(根节点)的先验概率,具体如下:
Step1:利用熵权法计算各指标权重
①收集子指标数据,对其进行无量纲化处理,得{X1,X2,...,Xm}(m为指标个数,本发明所给案例中m=4),其中Xv=(x1v,x2v...xnv)T,v=1,2,...,m(n为样本数,本发明案例中n=10);
②计算各子指标的熵,令第v个子指标的熵为Hv,则
③信息熵冗余度dv=1-Hv(v=1,2,...,m);
Step2:采用隶属度加权的方法确定根节点的先验概率
①通过属性等级的划分来确定根节点的属性等级V={V1,V2,...,Vs}(s为属性等级个数,本发明案例中s=3),其中Vq(q=1,2,...,s)表示各属性的评语(本发明中Vq={good,common,bad});根据划分的属性等级对Step1收集到的数据进行概率统计,确定第v个子指标属于等级Vq的隶属度γqv(例如在该实施例中,表6的总样本个数为10,目标选择能力属性等级为“好”(即90分以上)的样本个数为7,占总样本比例为0.7,则确定目标选择能力属于等级“好”的隶属度为0.7,依次类推,可由表6中的指标数据得到表7所示的指标隶属度);
本阶段最后工作为:根据相关领域专家和机务人员的工作经验,利用专家评价法(裴学军.专家评分法及应用[J].哈尔滨铁道科技,2000,(01):32.)初步确定条件概率。以节点B5为例,首先邀请无人机研制和使用专家组成评估组(专家数量n=10),采用模糊分类方法建立子指标B5属性等级集合,经过讨论,规定90分以上为好,80-90分为一般,80分以下为差,如表6所示。
表6根节点指标数据
根据表6给出的子指标数据,通过Step1步骤计算可得根节点B5的子指标权重为:
ω={0.3485,0.2576,0.2201,0.1738}
根据表6中子指标的数据和规定的属性等级划分,得到节点B5的子指标隶属度,如表7所示。
表7节点B5的子指标隶属度
根据Step2步骤计算节点B5的先验概率为:
P={0.4168,0.4303,0.1529}
三、作战过程推理仿真阶段
作战过程推理仿真阶段主要任务是基于贝叶斯网络模型,评估不同作战阶段下无人机的自主能力,并给出自主能力调整建议。作战任务是驱动无人机自主能力动态变化的关键因素,在建立贝叶斯网络模型后,需要结合作战阶段对无人机自主能力进行推理分析,以挖掘深层次的作战信息。
本发明利用如图5所示的贝叶斯网络推理方式分别对作战任务前、作战任务中和作战任务后三个过程进行自主能力分析。
作战任务前,根据对以往作战数据进行统计分析和专家打分的结果,得出各指标在状态空间的概率,采用正向推理(因果推理)(刘洋,王利明,孙铭会.基于信息熵函数的启发式贝叶斯因果推理[J].计算机学报,2021,44(10):2135-2147.)的方式,运行建模仿真工具,得到如图4所示的评估结果。
由图4可见,无人机自主能力为三级的概率是52.8%,二级的概率是40.1%,一级的概率是7.1%,由最大概率隶属原则知对地攻击无人机自主能力总体评价为三级,表明执行此任务需要较高的自主能力。分别对比子指标A1、A2、A3、A4的good、common、bad的值,表明此任务下无人机的行为执行能力和感知探测能力较强,而安全管理能力和规划决策能力较弱。要想提高无人机总体自主能力,需要从安全管理能力和规划决策能力着手。
作战任务中,随着任务进程的推进,无人机自主能力在动态变化。本发明针对突防阶段、侦察搜索阶段和攻击阶段三个典型的作战任务阶段对无人机自主能力进行评估。
(a)突防阶段
突防的成功与否关系整个对地攻击任务的成败,而突防阶段的自主能力动态评估又为战略决策和战术机动提供坚强的数据支撑。
按照表5突防阶段的约简指标体系进行自主能力评估,将B3、B4、B11、B14、B17的bad值设为100%,并对模型进行更新,得到的评估结果如图6所示。
由图可知无人机自主能力等级为二级,假设此时自主能力不满足作战需求,需要提高无人机自主性,以行为执行能力为例进行截断分析推理(厉海涛,金光,周经伦,等.贝叶斯网络推理算法综述[J].系统工程与算法技术,2008,(05):935-939.),将行为执行能力的good值设为100%并更新模型,如图7所示。对比图6和图7,在不考虑对地攻击能力的情况下,飞行能力、突防能力、链路通信能力和生存能力的good值分别提高17.0%、18.3%、19.5%、16.2%,表明突防阶段的行为执行能力受链路通信能力和突防能力的影响大。同理,由截断分析推理可知感知探测能力的关键影响因素为态势感知能力;规划决策能力的关键影响因素为任务规划能力;安全管理能力的关键因素为抗干扰/防欺骗能力;学习进化能力的关键影响因素为行为记忆能力。要想提高突防阶段的自主能力,应从这些方面入手。
(b)侦察搜索阶段
发现并识别目标是对敌目标进行精确打击的前提。当攻击目标是时间敏感目标时,无人机在突破敌防空火力网后需要进行侦察搜索,获取目标动态信息和周围环境信息。同理,按照表5中侦察搜索阶段的约简指标体系对模型进行更新,可得到如图8的评估结果。此时无人机自主能力总体评价为二级,且概率为22.7%,表明此时无人机的自主能力偏低。同时采用截断分析推理可知,侦察搜索阶段影响无人机自主能力的关键因素为目标探测能力、环境感知能力和链路通信能力。
(c)攻击阶段
攻击阶段是作战任务的关键阶段,击毁敌目标才能使整个作战过程有意义。按照表5中攻击阶段的约简指标体系更新模型得到如图9的评估结果。
由图9可知,攻击阶段自主能力总体评价为二级,且概率仅有40.3%。采用截断分析推理可知攻击阶段无人机自主能力的关键影响因素为对地攻击能力和信息融合能力。
作战任务结束后,需要对此次任务进行总结分析,对各作战阶段自主能力变化趋势进行研究,以便给出自主能力调整策略。无人机自主能力变化趋势如图10(a)所示。分析可知,不同作战阶段下无人机自主能力在动态变化,其中作战任务前自主能力最高,攻击阶段自主能力最低。但是自主能力区分度并没有拉开,除了作战任务前自主能力等级为三级之外,其它阶段都为二级。原因在于:(1)在作战任务前对任务全过程进行自主能力预估时,没有突出主要性能指标。(2)不同作战阶段下,影响自主能力的关键指标可能发生变化,而对模型进行更新时,只更新了指标的先验概率(指标参数值),并没有更新条件概率(指标权重)。(3)在进行各阶段模型更新时,只是简单地将需要剔除的指标的bad值设为100%,并未对其权重进行再分配,该指标仍占一定权重。因此,采用极大熵模型对条件概率表进行更新,优化后的自主能力变化趋势如图10(b)所示。
作战任务结束后,除了分析全任务过程中自主能力变化趋势,还可以进行影响因素推理分析(厉海涛,金光,周经伦,等.贝叶斯网络推理算法综述[J].系统工程与算法技术,2008,(05):935-939、),挖掘出制约各个自主能力等级的关键因素。分别将五个自主能力等级的概率设为1,采用反向推理(Madjid Tavana,Amir-Reza Abtahi,Debora DiCaprio,Maryam Poortarigh.An Artificial Neural Network and Bayesian Networkmodel for liquidity risk assessment in banking[J].Neurocomputing,2018,275:)更新模型,得到各个自主能力等级下节点的后验概率。以总体目标层为例,如图11所示。
从各作战阶段的角度来看,影响无人机自主能力的关键指标在不断变化。其中,突防阶段所需自主性较高,要想提高突防阶段自主能力应从链路通信能力、突防能力、态势感知能力和任务规划能力等方面入手;侦察搜索阶段的自主能力受目标探测能力、环境感知能力和链路通信能力影响大,改变这些方面的性能对自主能力调整的效益最大;无人机在攻击阶段的自主能力较低,原因在于此时需要人来作最后的攻击决策,无人机只需执行攻击命令即可,因此,在攻击阶段需要着重注意无人机的对地攻击能力和信息融合能力等执行能力。
从任务全局角度来看,无人机自主能力在不断动态演化,应根据实际任务需要选择适合该任务的机型执行作战行动,并且在作战阶段转换时,应及时调整无人机自主性以便接续任务的开展。态势感知能力、环境感知能力、任务规划能力和抗干扰/防欺骗能力这些指标贯穿任务始终且在各阶段所占比重大,在考虑任务全局时这些基础指标不容忽视。
从无人机自主能力发展角度来看,由图11的仿真结果得出以下结论:(1)随着无人机自主能力等级的提升,总体目标层各个指标的性能也随之提升,表明各个指标对自主能力均有影响,建立的指标体系是合理有效的;(2)不同自主能力等级下,制约自主能力的主要因素在发生变化,单机自主能力(I~III)的主要影响因素分别为感知探测能力、安全管理能力、作战执行能力,而上升到多机/集群自主(IV~V)后,学习进化能力和规划决策能力决定了自主能力的上限;(3)在无人机自主能力发展过程中,感知探测能力和规划决策能力都占据一定比重,需要引起重视。
Claims (2)
1.基于贝叶斯网络的对地攻击无人机自主能力评估方法,其特征在于,具体包括下列步骤:
步骤一、分析准备阶段
首先分析使命任务和作战流程,对地攻击无人机有多种使命任务:(1)战略支援:对地攻击无人机不直接参与攻击行动,而是为其它作战单元提供信息保障和支援;(2)隐蔽突防:利用隐身能力和机动能力,规避敌方防空设备的侦察,突破敌方严密的防空网络去打击高价值目标;(3)压制防空:通过火力压制或电磁压制手段摧毁或瘫痪敌地面防空系统,或降低敌一体化防空体系等级;
对地攻击无人机执行作战任务具有过程性和阶段性特点,其作战过程分为:(1)任务准备阶段,无人机指挥所领受作战任务,研究分析并制定作战计划,向对地攻击无人机装订任务规划结果;在机务工作准备完毕后,无人机起飞并飞抵指定任务空域;(2)突防阶段,飞抵指定任务空域后,如果不满足敌防区外发射武器的条件,则无人机需要综合依靠隐身、电子干扰和机动能力对敌防空火力网进行突防;(3)侦察搜索阶段,突破敌防空系统后,无人机凭借机载传感器和探测雷达获取态势信息,并进行信息融合,为攻击决策提供数据支撑;(4)攻击阶段,形成攻击决策后,根据无人机和地面目标的相对位置进行火控解算,进行攻击;(5)返航阶段,作战任务完成后,无人机进行机动逃逸、返航着陆;
其次,构建面向任务阶段的对地攻击无人机自主能力指标体系;主要思路为:依据人类认知结构建立无人系统智能结构,进而结合对地攻击无人机使命任务和作战流程,构建面向任务的自主能力指标体系;人类认知过程为:首先通过感觉器官感知外部环境,经过感知处理后在人脑中形成一个与外部环境相匹配的粗糙模型,该模型与外部真实环境越吻合,则说明认知能力越强;然后根据该模型,指导认知行为;而执行器宫的行动又会使外部环境产生变化,这种变化会被再次感知,人脑将感知得来的信息不断加工并修正环境模型……;如此反复,使模型越来越吻合真实环境;
类比人类认知结构建立无人系统智能结构,体现在以下五个方面:(1)感知:智能控制的前提和基础,人的感知信息的获取手段是多源的,无人机则在飞行过程中利用多种传感器感知周围环境和自身状态;
(2)价值判断/规划决策:智能控制的核心,无人机需要具备模拟人类思维的规划决策系统,进行一定程度地自主决策;
(3)环境模型:人的智能主要表现在认知上,即人脑中建立一个与外界世界相匹配的环境模型,而无人机通过不断地学习训练生成类似的模型;
(4)行为执行:人通过执行器官将大脑的思维决策与真实的外界环境联系起来,无人机通过执行机构完成各种飞行任务;
(5)安全管理:人的自我安全管理是潜意识行为,贯穿于认知活动的各个环节,无人机则需要有专门的安全管理系统进行实时健康监控和管理;
因此,对地攻击无人机必须具备感知探测、规划决策、学习进化、安全管理、作战执行五方面能力;将其进一步细分,建立表1所示的自主能力评估指标体系;
表1对地攻击无人机自主能力整体评估指标体系
分析准备阶段的最后工作是对指标体系进行约简;
基于粗糙集理论的属性约简方法对指标体系进行动态优化,具体如下:
信息系统的基本形式表示为:S={U,A,V,f};其中U是研究对象的有限非空集合,称为论域;A是研究对象所具有属性的非空有限集合,包括条件属性和决策属性;V是属性的值域,表示属性的取值范围;f表示信息函数;
设决策表S={U,A,V,f},A=C D,差别矩阵是一个n×n的对称矩阵Mn×n=(mij)n×n:
式中,c为差别矩阵的元素,f(u,c)表示对象u在条件属性上的具体取值,i、j分别表示差别矩阵的第i行、第j列;式(1)的含义概括为差别矩阵第i行第j列的元素是条件属性构成的集合或者数值0;
当ui和uj的决策属性值不同时,以析取的方式将不同属性值的条件属性形成集合,该集合作为差别矩阵(i,j)位置的元素,其目的是使该元素中任一条件属性均可把ui和uj区分开;若ui和uj所有条件属性值均相同,则(i,j)位置的元素为空集;
当ui和uj的决策属性值相同时,条件属性值相同或不同都无法将两者区分开,即条件属性失去区分个体的功能;此时差别矩阵(i,j)位置的元素取值为0,(j,i)位置处元素取值同样为0;
基于以上理论,组织N∪M位无人作战领域的权威专家,按照表1评估指标体系对各个作战阶段的指标重要程度进行打分;假设在突防阶段,决策表论域为U={u1,u2, ,u8},由19个作战过程指标构成条件属性集C={c1,c2, ,c19},每个专家所打分数的平均值构成决策属性集D={d1,d2, ,d8},de表示第e个专家所给分数的平均值;具体指标约简步骤如下;
Step1:由于运用粗糙集理论处理决策表时,决策表中的数据必须为离散型,因此根据打分表中分值的区间进行离散化处理,如表2所示;
表2数据离散化处理
Step2:假设N∪M=8,将专家打分结果按照表2进行离散化处理,得到如表3所示的决策表;
表3决策表
Step3:根据决策表信息和Skowron差别矩阵的定义建立差别矩阵,如表4所示;
表4差别矩阵
差别矩阵中元素值为:
k1=c2c8c9c16c18;k2=c1c5c7c10c13c15c19;k3=c2c4c6c10c11c17;k4=c4c6c10c11c12c19;k5=c6c7c10c11c12c13c17c18;k6=c2c7c9c10c11c12c13c17c18;k7=c2c5c7c9c10c11;k8=c2c5c6c9c10c12c13c16c17;k9=c5c6c10c14c17c19;k10=c5c10c12c18;k11=c5c10c16c17c18c19;k12=c2c5c12c16c18c19;k13=c5c6c9c18c19;k14=c2c6c9c10c14c19;k15=c1c5c10c12c16c17c18
Step4:化简差别函数
由差别矩阵的定义知,差别矩阵中上三角元素和下三角元素关于对角线对称,因此表4仅列出下三角和对角线元素即能够求解问题;由差别矩阵定义及公式(1)知,差别矩阵中每个元素的各个条件属性之间是析取关系,而差别函数是将所有元素进行合取得到的:
f(M)=k1∧k2∧k3∧k4∧k5∧k6∧k7∧k8∧k9∧k10∧k11∧k12∧k13∧k14∧k15
根据逻辑运算可将上述差别函数化为最小析取范式:
f(M)=c1∧c2∧c5∧c6∧c7∧c8∧c9∧c10∧c12∧c13∧c15∧c16∧c18∧c19
因此,C={c1,c2,c5,c6,c7,c8,c9,c10,c12,c13,c15,c16,c18,c19}为决策表的一个约简;
同理得到侦察搜索阶段和攻击阶段的约简指标体系,如表5所示;
表5各作战阶段的约简指标体系
步骤二、模型参数确定和更新阶段
首先根据指标体系确定贝叶斯网络结构,选取指标体系中总体目标层指标和作战过程层指标进行仿真实验,依据指标体系中各指标的层次关系,构建贝叶斯网络结构,该结构外层的19个仿真模块对应表1中的作战过程层指标,里层的6个模块对应表1的总体目标层指标;
然后基于隶属度加权的根节点先验概率算法,利用局部性能层/装备性能层指标的参数计算作战过程层指标的先验概率,具体如下:
Step1:利用熵权法计算各指标权重
⑤收集子指标数据,对其进行无量纲化处理,得{X1,X2,,Xm},m为指标个数,其中Xv=(x1v,x2v xnv)T,v=1,2, ,m,n为样本数;
⑦信息熵冗余度dv=1-Hv,v=1,2, ,m;
Step2:采用隶属度加权的方法确定根节点的先验概率
③通过属性等级的划分来确定根节点的属性等级V={V1,V2, ,Vs},s为属性等级个数,其中Vq表示各属性的评语q=1,2, ,s,当s=3时,令Vq={good,common,bad};根据划分的属性等级对Step1收集到的数据进行概率统计,确定第v个子指标属于等级Vq的隶属度γqv;
本阶段最后工作为:利用专家评价法初步确定条件概率;以节点B5为例,首先邀请无人机研制和使用专家组成评估组,采用模糊分类方法建立子指标B5属性等级集合,经过讨论,假设规定90分以上为好,80-90分为一般,80分以下为差,如表6所示;
表6根节点指标数据
根据表6给出的子指标数据,通过Step1步骤计算得到根节点B5的子指标权重为:
ω={0.3485,0.2576,0.2201,0.1738}
根据表6中子指标的数据和规定的属性等级划分,得到节点B5的子指标隶属度,如表7所示;
表7节点B5的子指标隶属度
根据Step2步骤计算节点B5的先验概率为:
P={0.4168,0.4303,0.1529}
步骤三、作战过程推理仿真阶段
利用贝叶斯网络推理方式分别对作战任务前、作战任务中和作战任务后三个过程进行自主能力分析;
作战任务前,根据对以往作战数据进行统计分析和专家打分的结果,得出各指标在状态空间的概率,采用正向推理的方式,运行建模仿真工具得到评估结果;
作战任务中,随着任务进程的推进,无人机自主能力在动态变化;针对突防阶段、侦察搜索阶段和攻击阶段三个典型的作战任务阶段对无人机自主能力进行评估;
(a)突防阶段
按照表5突防阶段的约简指标体系进行自主能力评估,将B3、B4、B11、B14、B17的bad值设为100%,并对模型进行更新,得到评估结果;
根据评估结果知道无人机自主能力等级为二级,假设此时自主能力不满足作战需求,需要提高无人机自主性,在对行为执行能力进行截断分析推理时,将行为执行能力的good值设为100%并更新模型;由推理结果得知感知探测能力的关键影响因素为态势感知能力;规划决策能力的关键影响因素为任务规划能力;安全管理能力的关键因素为抗干扰/防欺骗能力;学习进化能力的关键影响因素为行为记忆能力;
(b)侦察搜索阶段
按照表5中侦察搜索阶段的约简指标体系对模型进行更新,得到评估结果;同时采用截断分析推理知,侦察搜索阶段影响无人机自主能力的关键因素为目标探测能力、环境感知能力和链路通信能力;
(c)攻击阶段
按照表5中攻击阶段的约简指标体系更新模型得到评估结果;
由评估结果知道,攻击阶段自主能力总体评价为二级,且概率仅有40.3%;采用截断分析推理得知攻击阶段无人机自主能力的关键影响因素为对地攻击能力和信息融合能力;
作战任务结束后,对无人机自主能力变化趋势分析能够知道,不同作战阶段下无人机自主能力在动态变化,其中作战任务前自主能力最高,攻击阶段自主能力最低;但是自主能力区分度并没有拉开,除了作战任务前自主能力等级为三级之外,其它阶段都为二级;原因在于:(1)在作战任务前对任务全过程进行自主能力预估时,没有突出主要性能指标;(2)不同作战阶段下,影响自主能力的关键指标可能发生变化,而对模型进行更新时,只更新了指标的先验概率,并没有更新条件概率;因此,采用极大熵模型对条件概率表进行更新;
然后,分别将五个自主能力等级的概率设为1,采用反向推理更新模型,得到各个自主能力等级下节点的后验概率;
从各作战阶段的角度来看,影响无人机自主能力的关键指标在不断变化;其中,突防阶段所需自主性高,要想提高突防阶段自主能力,应从链路通信能力、突防能力、态势感知能力和任务规划能力这些方面入手;侦察搜索阶段的自主能力受目标探测能力、环境感知能力和链路通信能力影响大;在攻击阶段需要着重注意无人机的对地攻击能力和信息融合能力这些执行能力;
从任务全局角度来看,无人机自主能力在不断动态演化,应根据实际任务需要选择适合该任务的机型执行作战行动,并且在作战阶段转换时,应及时调整无人机自主性以便接续任务的开展;态势感知能力、环境感知能力、任务规划能力和抗干扰/防欺骗能力这些指标贯穿任务始终且在各阶段所占比重大,在考虑任务全局时这些基础指标不容忽视。
2.如权利要求1所述的基于贝叶斯网络的对地攻击无人机自主能力评估方法,其特征在于,m=4,n=10。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210064052.XA CN114444201B (zh) | 2022-01-16 | 2022-01-16 | 基于贝叶斯网络的对地攻击无人机自主能力评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210064052.XA CN114444201B (zh) | 2022-01-16 | 2022-01-16 | 基于贝叶斯网络的对地攻击无人机自主能力评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114444201A true CN114444201A (zh) | 2022-05-06 |
CN114444201B CN114444201B (zh) | 2024-05-14 |
Family
ID=81367999
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210064052.XA Active CN114444201B (zh) | 2022-01-16 | 2022-01-16 | 基于贝叶斯网络的对地攻击无人机自主能力评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114444201B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115407750A (zh) * | 2022-08-12 | 2022-11-29 | 北京津发科技股份有限公司 | 人机协同智能系统决策能力的测评方法及系统 |
CN115691228A (zh) * | 2022-10-12 | 2023-02-03 | 中国电子科技集团公司第二十八研究所 | 一种多域无人系统互操作等级评估方法 |
CN117113216A (zh) * | 2023-07-25 | 2023-11-24 | 北京理工大学重庆创新中心 | 基于动态贝叶斯网络的异构多无人机打击决策方法及装置 |
CN117648451A (zh) * | 2024-01-30 | 2024-03-05 | 青岛漫斯特数字科技有限公司 | 用于图像处理的数据管理方法、系统、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100250497A1 (en) * | 2007-01-05 | 2010-09-30 | Redlich Ron M | Electromagnetic pulse (EMP) hardened information infrastructure with extractor, cloud dispersal, secure storage, content analysis and classification and method therefor |
CN109063819A (zh) * | 2018-08-02 | 2018-12-21 | 中国人民解放军32153部队 | 基于贝叶斯网络的任务共同体的识别方法 |
CN110059932A (zh) * | 2019-03-25 | 2019-07-26 | 南京邮电大学 | 基于svm的对地攻击型无人机作战效能评估方法 |
CN110175773A (zh) * | 2019-05-24 | 2019-08-27 | 南京邮电大学 | 基于贝叶斯网络的侦查无人机作战效能评估方法 |
CN113625746A (zh) * | 2021-07-23 | 2021-11-09 | 北京航空航天大学 | 一种基于蜂群飞行器的空间集群作战方法及系统 |
-
2022
- 2022-01-16 CN CN202210064052.XA patent/CN114444201B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100250497A1 (en) * | 2007-01-05 | 2010-09-30 | Redlich Ron M | Electromagnetic pulse (EMP) hardened information infrastructure with extractor, cloud dispersal, secure storage, content analysis and classification and method therefor |
CN109063819A (zh) * | 2018-08-02 | 2018-12-21 | 中国人民解放军32153部队 | 基于贝叶斯网络的任务共同体的识别方法 |
CN110059932A (zh) * | 2019-03-25 | 2019-07-26 | 南京邮电大学 | 基于svm的对地攻击型无人机作战效能评估方法 |
CN110175773A (zh) * | 2019-05-24 | 2019-08-27 | 南京邮电大学 | 基于贝叶斯网络的侦查无人机作战效能评估方法 |
CN113625746A (zh) * | 2021-07-23 | 2021-11-09 | 北京航空航天大学 | 一种基于蜂群飞行器的空间集群作战方法及系统 |
Non-Patent Citations (5)
Title |
---|
周凯;姜文志;陈邓安;郭智杰;: "基于改进鸽群优化的直升机协同目标分配", 火力与指挥控制, no. 07, 15 July 2017 (2017-07-15) * |
左星星;张斌;王领;陈中起;: "基于扩展贝叶斯网络的编队对地攻击效能评估", 电光与控制, no. 06, 1 June 2012 (2012-06-01) * |
曾家有;刘天庆;: "基于贝叶斯网络的机动岸舰导弹兵力作战效能评估", 舰船电子工程, no. 08, 20 August 2020 (2020-08-20) * |
范武;: "漫谈有人机/无人机协同空战系统", 兵器知识, no. 12, 1 December 2016 (2016-12-01) * |
顾帮余;颜如祥;徐军;: "时间敏感目标及打击决策", 指挥信息系统与技术, no. 03, 28 June 2011 (2011-06-28) * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115407750A (zh) * | 2022-08-12 | 2022-11-29 | 北京津发科技股份有限公司 | 人机协同智能系统决策能力的测评方法及系统 |
CN115407750B (zh) * | 2022-08-12 | 2023-11-21 | 北京津发科技股份有限公司 | 人机协同智能系统决策能力的测评方法及系统 |
CN115691228A (zh) * | 2022-10-12 | 2023-02-03 | 中国电子科技集团公司第二十八研究所 | 一种多域无人系统互操作等级评估方法 |
CN117113216A (zh) * | 2023-07-25 | 2023-11-24 | 北京理工大学重庆创新中心 | 基于动态贝叶斯网络的异构多无人机打击决策方法及装置 |
CN117648451A (zh) * | 2024-01-30 | 2024-03-05 | 青岛漫斯特数字科技有限公司 | 用于图像处理的数据管理方法、系统、设备及介质 |
CN117648451B (zh) * | 2024-01-30 | 2024-04-19 | 青岛漫斯特数字科技有限公司 | 用于图像处理的数据管理方法、系统、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114444201B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114444201A (zh) | 基于贝叶斯网络的对地攻击无人机自主能力评估方法 | |
CN105892480B (zh) | 异构多无人机系统协同察打任务自组织方法 | |
Hu et al. | Application of deep reinforcement learning in maneuver planning of beyond-visual-range air combat | |
CN111240353B (zh) | 基于遗传模糊树的无人机协同空战决策方法 | |
CN112329348A (zh) | 一种面向非完全信息条件下军事对抗博弈的智能决策方法 | |
CN110222406B (zh) | 一种基于任务阶段复杂性的无人机自主能力评估方法 | |
CN113392521B (zh) | 面向海空联合作战任务的资源编组模型构建方法及系统 | |
CN113625569B (zh) | 一种基于混合决策模型的小型无人机防控决策方法及系统 | |
CN110059932A (zh) | 基于svm的对地攻击型无人机作战效能评估方法 | |
Li et al. | Particle swarm optimization for route planning of unmanned aerial vehicles | |
CN114282833A (zh) | 一种基于规则的海空联合作战行动分层任务规划方法 | |
CN115951709A (zh) | 基于td3的多无人机空战策略生成方法 | |
CN113268081A (zh) | 一种基于强化学习的小型无人机防控指挥决策方法及系统 | |
CN116360503A (zh) | 一种无人机博弈对抗策略生成方法、系统及电子设备 | |
CN116661503A (zh) | 一种基于多智能体安全强化学习的集群航迹自动规划方法 | |
Wang et al. | Deep reinforcement learning-based air combat maneuver decision-making: literature review, implementation tutorial and future direction | |
Qiming et al. | A review of intelligent optimization algorithm applied to unmanned aerial vehicle swarm search task | |
Zhang et al. | Design of the fruit fly optimization algorithm based path planner for UAV in 3D environments | |
CN112926739A (zh) | 一种基于神经网络模型的网络对抗效能评估方法 | |
Pang et al. | Role-Based Bayesian Decision Framework for Autonomous Unmanned Systems | |
Zhang et al. | Intelligent battlefield situation comprehension method based on deep learning in wargame | |
CN115457809A (zh) | 对面支援场景下基于多智能体强化学习的航迹规划方法 | |
CN114330093A (zh) | 基于dqn的航空兵多平台协同智能对抗决策方法 | |
CN110968836B (zh) | 一种基于威胁的uuv应急决策方法 | |
Tyagi et al. | Application of Fuzzy Logic Control Systems in Military Platforms |
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 |