CN115236616A - 基于组合赋权灰色云模型的雷达系统质量确定方法及系统 - Google Patents
基于组合赋权灰色云模型的雷达系统质量确定方法及系统 Download PDFInfo
- Publication number
- CN115236616A CN115236616A CN202210894944.2A CN202210894944A CN115236616A CN 115236616 A CN115236616 A CN 115236616A CN 202210894944 A CN202210894944 A CN 202210894944A CN 115236616 A CN115236616 A CN 115236616A
- Authority
- CN
- China
- Prior art keywords
- weight
- index
- radar system
- gray
- factor
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/40—Means for monitoring or calibrating
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Game Theory and Decision Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种基于组合赋权灰色云模型的雷达系统质量确定方法及系统,属于雷达系统技术领域,雷达系统质量确定方法包括:获取被测雷达系统的多个指标因素的测量值;针对任一指标因素,基于正态灰云模型的白化权函数,根据指标因素的测量值计算指标因素对应各灰类的灰云白化权值;根据各指标因素对应各灰类的灰云白化权值、综合权重及测量值,计算被测雷达系统属于每个灰类的综合灰类系数;各指标因素的综合权重为预先基于层次分析法及熵权法确定的,使权重的分配更加科学;根据被测雷达系统属于每个灰类的综合灰类系数确定被测雷达系统的质量,兼顾了指标因素的模糊性、随机性和不完全性,提高了雷达系统质量的可信度。
Description
技术领域
本发明涉及雷达系统领域,特别是涉及一种基于组合赋权灰色云模型的雷达系统质量确定方法及系统。
背景技术
雷达作为航天测控、导航跟踪系统的重要组成部分,其在军用和民用领域作用日益凸显。对雷达质量状况进行合理科学的评估,及时掌握雷达系统的运行状态,为雷达的生产设计、操作使用和维修保障提供科学依据,已经成为新时期雷达装备保障的迫切需求。现代雷达系统科技含量较高,具有结构复杂、技术密集、操控智能等特点,对其质量进行评估属于多因素、多属性综合决策问题。
常见的装备质量评估方法有ADC效能评估法、层次分析法、模糊综合评判法、贝叶斯网络法和灰色理论等方法。近年来,对雷达系统评估的研究有很多。现有的评估方法在某些程度上反映了一定情形下雷达系统的质量效能情况,但是在处理指标数据的随机性、模糊性和不确定性方面较难兼顾全面。新技术的应用极大改变了雷达的结构和性能,不仅有传统的发射接收装置,更融合了目标探测识别、测速测距、跟踪定位等数据信号处理单元,使得雷达系统的运行机理比较复杂,其评价决策信息存在一定的不确定性。
基于上述问题,亟需一种新的雷达系统质量确定方法以提高对雷达系统质量评估的准确性。
发明内容
本发明的目的是提供一种基于组合赋权灰色云模型的雷达系统质量确定方法及系统,可提高评估雷达系统质量的准确性。
为实现上述目的,本发明提供了如下方案:
一种基于组合赋权灰色云模型的雷达系统质量确定方法,包括:
获取被测雷达系统的多个指标因素的测量值;
针对任一指标因素,基于正态灰云模型的白化权函数,根据所述指标因素的测量值,计算所述指标因素对应各灰类的灰云白化权值;各灰类为预先设定的雷达质量等级;
根据各指标因素对应各灰类的灰云白化权值、各指标因素的综合权重及各指标因素的测量值,计算所述被测雷达系统属于每个灰类的综合灰类系数;各指标因素的综合权重为预先基于层次分析法及熵权法确定的;
根据所述被测雷达系统属于每个灰类的综合灰类系数,确定所述被测雷达系统的质量。
为实现上述目的,本发明还提供了如下方案:
一种基于组合赋权灰色云模型的雷达系统质量确定系统,包括:
测量值获取单元,用于获取被测雷达系统的多个指标因素的测量值;
灰云白化权值确定单元,与所述测量值获取单元连接,用于针对任一指标因素,基于正态灰云模型的白化权函数,根据所述指标因素的测量值,计算所述指标因素对应各灰类的灰云白化权值;各灰类为预先设定的雷达质量等级;
综合灰类系数确定单元,分别与所述测量值获取单元及所述灰云白化权值确定单元连接,用于根据各指标因素对应各灰类的灰云白化权值、各指标因素的综合权重及各指标因素的测量值,计算所述被测雷达系统属于每个灰类的综合灰类系数;各指标因素的综合权重为预先基于层次分析法及熵权法确定的;
质量确定单元,与所述综合灰类系数确定单元连接,用于根据所述被测雷达系统属于每个灰类的综合灰类系数,确定所述被测雷达系统的质量。
根据本发明提供的具体实施例,本发明公开了以下技术效果:基于正态灰云模型的白化权函数,根据指标因素的测量值,计算指标因素对应各灰类的灰云白化权值;各灰类为预先设定的雷达质量等级;根据各指标因素对应各灰类的灰云白化权值、各指标因素的综合权重及各指标因素的测量值,计算被测雷达系统属于每个灰类的综合灰类系数,最后根据被测雷达系统属于每个灰类的综合灰类系数,确定被测雷达系统的质量,有效兼顾了雷达指标因素的模糊性、随机性和不完全性。其中,各指标因素的综合权重为预先基于层次分析法及熵权法确定的,兼顾主观性和客观性,使权重的分配更加科学,提高了雷达系统质量的可信度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于组合赋权灰色云模型的雷达系统质量确定方法的流程图;
图2为典型白化权函数示意图;
图3为下限测度白化权函数示意图;
图4为适中测度白化权函数示意图;
图5为上限测度白化权函数示意图;
图6为一维正态云模型示意图;
图7为雷达系统评估指标体系示意图;
图8为雷达系统质量评估的整体流程图;
图9为雷达系统指标权重对比柱状图;
图10为发射机功率指标较差等级的灰云分布示意图;
图11为发射机功率指标一般等级的灰云分布示意图;
图12为发射机功率指标良好等级的灰云分布示意图;
图13为发射机功率指标优秀等级的灰云分布示意图;
图14为定性指标正态灰云模型示意图;
图15为本发明基于组合赋权灰色云模型的雷达系统质量确定系统的模块结构示意图。
符号说明:
测量值获取单元-1,灰云白化权值确定单元-2,综合灰类系数确定单元-3,质量确定单元-4,指标归类单元-5,初始权重确定单元-6,主观权重确定单元-7,评价值获取单元-8,客观权重确定单元-9,综合权重确定单元-10。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于组合赋权灰色云模型的雷达系统质量确定方法及系统,通过正态灰云模型根据各指标因素对应各灰类的灰云白化权值、各指标因素的综合权重及各指标因素的测量值,确定被测雷达系统属于每个灰类的综合灰类系数,其中各指标因素的综合权重为预先基于层次分析法及熵权法确定的,有效兼顾了雷达指标因素的模糊性、随机性和不完全性,并且同时兼顾了主观性和客观性,使权重的分配更加科学,提高了雷达系统质量的可信度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明基于组合赋权灰色云模型的雷达系统质量确定方法包括:
S1:获取被测雷达系统的多个指标因素的测量值。
在本实施例中,多个指标因素为被测雷达系统的发射机功率、噪声系数、幅频特性、改善因子、天线增益、发射机高压、发射脉冲宽度、接收机场放电流、天线转速、电源电压、开关状态、工作参数、故障信息、装备完好率、等效服役时间、平均故障时间、周围环境的雨雪信息、盐雾信息、沙尘信息及温湿度信息。
S2:针对任一指标因素,基于正态灰云模型的白化权函数,根据所述指标因素的测量值,计算所述指标因素对应各灰类的灰云白化权值。各灰类为预先设定的雷达质量等级。在本实施例中,灰类包括:优秀、良好、一般及较差。
S3:根据各指标因素对应各灰类的灰云白化权值、各指标因素的综合权重及各指标因素的测量值,计算所述被测雷达系统属于每个灰类的综合灰类系数。各指标因素的综合权重为预先基于层次分析法及熵权法确定的。
在综合评估过程中,引入AHP(Analytic Hierarchy Process,层次分析法)-熵权法组合赋权的方法确定指标权重,兼顾了专家知识的主观性和测试数据的客观性,使权重分配更加科学,提高了雷达系统质量的可信度。
具体地,采用以下公式,计算所述被测雷达系统属于第k个灰类的综合灰类系数:
S4:根据所述被测雷达系统属于每个灰类的综合灰类系数,确定所述被测雷达系统的质量。将综合灰类系数最大的灰类为所述被测雷达系统的最终灰类,根据最终灰类确定被测雷达系统的质量等级。
具体地,根据被测雷达系统属于每个灰类的综合灰类系数,确定综合聚类向量σ=(σ1,σ2,σ3,...,σs),其中,σs为被测雷达系统属于第s个灰类的综合灰类系数。根据以下公式,确定被测雷达系统所属的最终灰类:其中,s为灰类的总数。由此可以确定被测雷达系统所属的最终灰类为k*。
传统的雷达质量评估大多依赖服役时长、故障时间和使用环境等设计履历信息,对实际测试数据利用不足,有一定片面性。本发明基于监测数据为主,同时融合了雷达BIT内测信息、履历和环境数据,在兼顾雷达履历参数和环境因素的同时,着重收集雷达的性能参数和工作状态等监测数据,构建雷达系统评价指标体系,实现了雷达质量状况的综合评估,解决了雷达因技术密集、结构复杂,缺乏定量评价方法的问题。
灰色系统理论用以反映信息的不完全性,即灰性,为不确定系统的决策问题提供了新方法。在灰色系统中,灰数是基本元素,用来表示只知取值范围而不确定具体值的数。可以把灰数看做一个数集,在数集上可能的取值称为白化值,白化值地位的大小用白化权来表示。反应白化权系数的函数称为白化权函数,简称白化函数,记为f(x)。为便于工程计算和应用,常用的白化权函数简化为直线式三角白化权函数。三角白化权函数有经典型、下限测度型、适中测度型和上限测度型四种基本类型,分别表示不同的灰色概念。四种白化权函数如图2-图5所示,其横轴表示灰数的取值,纵轴表示白化权系数的大小。
云模型是实现信息定性与定量相互转换的方法模型,对处理随机性和模糊性信息有很好的实用性。云模型有如下定义:设U是某精确值代表的定量论域,C是U上的定性概念,如果x是论域上的定量值,且x是C的一次随机实现,x对C的确定度μ(x)∈[0,1]是有稳定倾向的随机数。记为μ:U→[0,1],x→μ(x),则x在U上的分布被称为云,每个μ(x)称为一个云滴,记作drop(x,μ(x))。
云模型用期望Ex、熵En和超熵He(Hyper Entropy)来表征其数字特征。其中,Ex能从最大限度反映定性概念,在云图中表现为云峰的位置;En是Ex的不确定性度量,表示论域中可被某一定性概念接受的取值范围,体现为云的宽度;He是En不确定性的度量,即熵的熵,反映云滴离散的程度,在云图中体现为云的厚度。
正态灰云模型:设U是一个论域,T是与U相关联的语言值,元素x∈U,x对T所表达的灰色概念的白化权是一个具有稳定倾向的随机数,则称白化权在论域U上的分布是灰色云白化权函数,通常简称为灰云。灰云是从论域U到[0,1]区间的映射,即U(x)=GL(x):U→[0,1],x∈U,x→GL(x)。
灰云模型的数字特征有峰值Cx、左右界值(Lx,Rx)、熵En和超熵He,可以记为:GC=(Cx;Lx,Rx;En;He),在本实施例中,Lx为指标因素的最小边界值,Rx为指标因素的最大边界值。其中峰值Cx表示白化权等于1的值,是最能反映定性概念的值;左右界值(Lx,Rx)表示在论域U中灰色概念的取值范围;熵值En越大,可以反映评价等级边界的模糊性越强;超熵He越大,代表白化权系数随机性越强。
正态分布在科学研究中具有普适性,一般用均值和方差表示其数字特征,若某灰云模型的曲线符合正态分布,则称为正态灰云模型。结合雷达系统的特点,本发明建立点峰值正态灰云模型对其进行质量评估。各数字特征的关系如下:
其中,α为给定的常数,点峰值正态灰云模型的白化权函数为:
其中,En'服从以En为期望,以He2为方差的正态分布,x为指标因素的测量值。假设雷达系统中有n个指标因素,雷达系统共有s种所属灰类,建立第i个指标因素从属第k个灰类的正态灰云模型,其对应的白化权函数记为fk(xi),xi为第i个指标因素的测量值。根据白化权函数的分类,正态灰色云模型也可以分为上限测度型、适中测度型和下限测度型,公式如下:
上限测度云模型:
适中测度云模型:
下限测度云模型:
具体地,若某一灰类内的元素反映越大、越好、越明确,则采用上限测度白化权函数。若某一灰类内的元素越小、越好、越明确,则采用下限测度白化权函数。若某一灰类内的元素取白化值的可能性围绕的是一个点,则采用适中测度白化权函数。
进一步地,步骤S2具体包括:
S21:根据所述指标因素的最小边界值及最大边界值,确定正态灰云模型的峰值及熵。
S22:采用白化权函数,根据所述峰值、熵及所述指标因素的测量值,确定所述指标因素对应各灰类的白化权值。
白化权反映了指标因素对各灰类的隶属度。因白化权函数fk(x)中存在随机性变量,为增加白化权值的可信度,本发明采取多次计算并求均值的方法确定指标因素对应各灰类的白化权值。假设进行了q次运算,每次运算生成一个云滴,求得第i个指标因素的白化权的均值fk(xi),次数越多,白化权越稳定。
S23:根据所述指标因素对应各灰类的白化权值,确定所述指标因素对应各灰类的灰云白化权值。
具体地,对所述指标因素对应各灰类的白化权值进行归一化处理,得到所述指标因素对应各灰类的灰云白化权值。
在本实施例中,根据灰色云模型相关理论,计算各指标因素的数字特征。首先,针对定量指标确定其取值范围,并进行实际测量,而后计算其峰值Cx、熵值En和超熵He。其次,针对定性指标,采用专家打分的方法确定指标因素从属各灰类的隶属度,计算其数值特征。根据数字特征区分定性指标和定量指标,构建指标因素的正态灰云模型。根据正态灰云模型计算指标因素对应的各个等级的灰云白化权。
更进一步地,在确定各指标因素的综合权重方面,本发明基于组合赋权灰色云模型的雷达系统质量确定方法还包括:
S101:对多个指标因素进行归类,确定多个准则因素。首先分析影响雷达质量的底层指标因素,确定质量检测的多个指标因素,具体包括发射机功率、噪声系数等20个底层指标。对多个指标因素进行合理归类,区分目标层、准则层、指标层,建立雷达系统质量检测的三级指标体系,如图7所示。其中,目标层为雷达系统质量,准则层为多个准则因素,指标层为多个指标因素。该指标体系以某雷达为例,通过对指标因素合理归类,共划分5项准则指标、20项底层指标,力求对雷达系统质量状况进行较为全面客观的评价。
在本实施例中,所述准则因素包括性能指标数据、工作状态数据、雷达内测信息、履历信息及环境信息。
其中,所述性能指标数据包括发射机功率、噪声系数、幅频特性、改善因子及天线增益。所述工作状态数据包括发射机高压、发射脉冲宽度、接收机场放电流、天线转速及电源电压。所述雷达内测信息包括开关状态、工作参数及故障信息。所述履历信息包括装备完好率、等效服役时间及平均故障时间。所述环境信息包括雨雪信息、盐雾信息、沙尘信息及温湿度信息。
S102:采用层次分析法计算各准则因素的权重及各指标因素在其所属准则因素中的权重。
具体地,步骤S102中采用层次分析法计算各准则因素的权重具体包括:
S1021:初始化每两个准则因素间的初始重要度。
S1022:针对第b次迭代,根据每两个准则因素间的第b个重要度,采用1-9标度法,确定第一评判矩阵A;b≥0;第0个重要度为初始重要度。
其中,a12表示准则因素a1与准则因素a2相比的相对重要度,m为准则因素的总数。
S1023:计算所述第一评判矩阵的最大特征根及最大特征根对应的特征向量。所述特征向量中包括各准则因素的初始权重。通过计算第一评判矩阵的最大特征根及其对应的特征向量,即可得到各准则因素的重要度排序,也就是准则因素的权重向量w=(w1,w2,...,wm)T。
S1024:根据所述最大特征根及所述准则因素的数量,确定一致性检验指标CI。
S1025:根据所述第一评判矩阵的维数,确定平均一致性指标RI。作为一种具体地实施方式,如表1所示为平均一致性指标的取值。
表1平均随机一致性指标数值
第一评判矩阵的维数 | 3 | 4 | 5 | 6 | 7 | 8 | 9 |
RI | 0.58 | 0.90 | 1.12 | 1.24 | 1.32 | 1.41 | 1.45 |
S1027:判断所述一致性检验比率与预设比率阈值的大小。
S1028:若所述一致性检验比率小于预设比率阈值,则所述特征向量中各准则因素的初始权重为各准则因素的权重。具体地,预设比率阈值为0.1。
S1029:若所述一致性检验比率大于或等于预设比率阈值,则调整每两个准则因素间的重要度,得到每两个准则因素间的第b+1个重要度,并进行第b+1次迭代。
需要说明的是,步骤S102中采用层次分析法计算各指标因素在其所属准则因素中的权重的具体方法与采用层次分析法计算各准则因素的权重及各指标因素的方法相同,在此不再赘述。
S103:根据各准则因素的权重及各指标因素在其所属准则因素中的权重,确定各指标因素的主观权重。
S104:获取多个参考雷达系统在各指标因素下的评价值。
根据参考雷达系统在各指标因素下的评价值,确定熵权矩阵Z=[zij]n×d,其中,zij表示第j个参考雷达系统在第i个指标因素下的评价值,d为参考雷达系统的总数。
S105:根据各参考雷达系统在各指标因素下的评价值,采用熵权法确定各指标因素的客观权重。
具体地,步骤S105包括:
S1051:针对任一参考雷达系统,根据所述参考雷达系统在各指标因素下的评价值,确定所述参考雷达系统在各指标因素下的比重。
具体地,采用以下公式,计算第j个参考雷达系统在第i个指标因素下的比重pij:
S1052:根据各参考雷达在各指标因素下的比重,确定各指标因素的熵值。
具体地,采用以下公式计算第i个指标因素的熵值Ei:
S1053:根据各指标因素的熵值,确定各指标因素的熵权。各指标因素的熵权为对应各指标因素的客观权重。
具体地,采用以下公式确定第i个指标因素的熵权w′i:
S106:针对任一指标因素,根据所述指标因素的主观权重及客观权重,确定所述指标因素的综合权重。
最终得到的综合权重向量w'为:
熵用来表征雷达系统的无序程度,熵权法能将指标因素包含的信息进行综合量化与赋权,熵值越小,表征指标因素无序度越小,代表的信息量越大,权重越大。熵权法最大限度减少了人为主观干预,使权重分配更为客观可信。
具体地,采用以下公式,确定第i个指标因素的综合权重:
其中,ξi为第i个指标因素的综合权重,wi为第i个指标因素的主观权重,w′i为第i个指标因素的客观权重,n为指标因素的总数,w′为n个指标因素的客观权重组成的向量。
权重是指标因素对评判对象(雷达系统)重要程度的定量体现,单一权重难以兼顾主观经验与客观信息,科学确定指标权重才能确保评估结果的可靠性。雷达作为机、光、电等精密元器件协同工作的复杂系统,其指标因素既包含定性指标,又有定量数据,因此在确定指标权重时,既要考虑到指标信息的主观因素,又要兼顾到客观性。因而本发明采用AHP和熵权法相结合的方法,确定各指标因素的综合权重。
本发明在组合赋权基础上,将云模型与灰色理论有机结合,灰色聚类能够有效处理贫信息和不确定性决策问题,云模型能够很好地实现定性概念与定量指标间的相互转换,将评价信息的模糊性与随机性融合起来,优化了灰色聚类信息,有效兼顾了雷达指标因素的模糊性、随机性和不完全性。
为了更好的理解本发明的方案,下面结合具体实施例进一步进行说明。
以某雷达系统为例,按照本发明基于组合赋权灰色云模型的雷达系统质量确定方法建立正态灰云模型并计算综合灰类系数。具体流程如图8。对指标体系中可以测量的定量指标因素确定其取值范围和实际测量值,结果见表2,其中,Xmin为指标因素的最小边界值,Xmax为指标因素的最大边界值。
表2某型雷达系统底层指标因素的边界值及测量值
确定指标综合权重。基于雷达系统的指标体系,采用AHP计算指标因素的主观权重,采用熵权法计算指标因素的客观权重,并运用乘法集成法计算出指标因素的综合权重。以准则层5个指标为例,按照1-9标度法建立对目标层的重要度评判矩阵:
计算评判矩阵的最大特征根及其特征向量,可得
λmax=5.0264;
w=(w1,w2,w3,w4,w5)T=(0.3505,0.3505,0.1374,0.0808,0.0808)T;
检验该评判矩阵的一致性,得检验指标CI=0.0066,RI=1.12,CR=0.0059,则评判矩阵A通过一致性检验,所求w即为准则层的权重向量。同理,可以构建指标层对准则层的评价矩阵,计算指标层对准则层的权重向量,通过逐层运算可得各指标因素对目标层的主观权重。
然后,根据熵权法公式,借助数学工具MATLAB计算出各指标因素的熵值和熵权,从而确定客观权重。最终对每个指标因素进行组合赋权。以第一项发射机功率为例,计算得主观权重w1=0.1463,客观权值w1'=0.1415,利用乘法集成法进行组合赋权,可得第一项指标因素的综合权重:
依此类推,可以求得各底层指标因素对评价目标的组合权重,所有指标因素各权值计算结果如表3所示。以性能指标数据中的5项底层指标因素为例,其主客观权重和综合权重的对比情况如图9所示,由图可以看出经组合赋权后的指标权值对比更加明显,更容易区别出指标的重要度。
表3雷达系统评估指标权重
构建正态灰色云模型
首先为雷达系统质量确定灰类等级,结合雷达应用实际和装备质量评定习惯,本发明为雷达系统确定4个灰类,即“较差、一般、良好、优秀”四级。根据评估指标体系,区分定量指标和定性指标分别构建灰云模型。针对定量指标,根据其取值范围和实际测量值(如表2所示),划定四个等级的左右界值,取α=6,计算峰值Cx、熵值En和超熵He。以发射机功率为例,其取值范围为130-160W,实际测量得150W,其灰类等级划分及数字特征如表4所示。根据其四个等级的取值范围和数字特征,构建灰色云模型,借助MATLAB数学工具,进行2000次白化权计算,生成各个等级对应的正态灰云模型如图10-图13所示。
表4发射机功率指标等级及数字特征
指标等级 | 较差 | 一般 | 良好 | 优秀 |
左右界值 | [130,140] | [136,146] | [143,153] | [150,160] |
Cx | 135 | 141 | 148 | 155 |
En | 1.67 | 1.67 | 1.67 | 1.67 |
He | 0.28 | 0.28 | 0.28 | 0.28 |
综合聚类计算
(1)计算指标灰类白化权均值。在得到2000个云滴基础上,根据以下公式计算出发射机功率各灰类等级的白化权均值fk(xi):
(2)计算灰云白化权值。对以上白化权归一化计算,得到发射机功率各等级最终灰云白化权值:
同理,重复以上步骤可以计算得出其余定量指标各等级最终的灰云白化权值。
(3)对定性指标构建灰色云模型。指标体系中的10个定性指标没有具体数值,也无统一的量纲。鉴于此,采用专家打分的方式给出其定性评价分值。为方便运用云模型的方法对这些指标进行度量,经充分征询专家意见,对定性指标也统一设置“较差、一般、良好、优秀”4个灰类评估等级,在0-1之间设置每个等级区间左右界值。取α=6并计算峰值、熵值和超熵,得到定性指标的灰类等级和数字特征,结果见表5,由此生成其灰云模型,如图14所示。
表5定性指标评语等级及数字特征
指标等级 | 左右界值 | Cx | En | He |
较差 | [0.00,0.25] | 0.125 | 0.0417 | 0.00695 |
一般 | [0.25,0.50] | 0.375 | 0.0417 | 0.00695 |
良好 | [0.50,0.75] | 0.625 | 0.0417 | 0.00695 |
优秀 | [0.75,1.00] | 0.875 | 0.0417 | 0.00695 |
邀请5名专家对10个定性指标隶属各灰类等级的评估情况量化打分,取平均值确定最终隶属度,结果见表6。该隶属度同白化权系数一样,都反映了某指标隶属于某评语等级的偏好程度,由此即确定了所有指标的白化权值。
表6某雷达系统定性指标隶属度打分情况
指标因素 | 较差 | 一般 | 良好 | 优秀 |
开关状态 | 0.0 | 0.1 | 0.2 | 0.7 |
工作参数 | 0.1 | 0.1 | 0.3 | 0.5 |
故障信息 | 0.2 | 0.1 | 0.2 | 0.5 |
装备完好率 | 0.0 | 0.1 | 0.3 | 0.6 |
等效服役时间 | 0.1 | 0.1 | 0.5 | 0.3 |
平均故障时间 | 0.1 | 0.2 | 0.4 | 0.3 |
雨雪 | 0.2 | 0.1 | 0.5 | 0.2 |
盐雾 | 0.0 | 0.0 | 0.6 | 0.4 |
沙尘 | 0.1 | 0.2 | 0.1 | 0.6 |
温湿度 | 0.0 | 0.1 | 0.1 | 0.8 |
(4)计算综合灰类系数确定评估结果。在得到所有指标的综合权重和灰云白化权值后,计算被测雷达系统关于四个灰类等级的综合灰类系数:
σ1=0.0471;
σ2=0.2154;
σ3=0.4552;
σ4=0.2823;
由此得到该雷达系统的综合灰类向量:
σ=(σ1,σ2,σ3,σ4)=(0.0471,0.2154,0.4552,0.2823);
可以看出该雷达属于良好级的综合灰类系数最大,取值为0.4552,与其他系数相比具有明显优势。其次是属于优秀级的综合灰类系数,属于较差等级的综合灰类系数很小,这与该雷达系统实际情况相符。可以确定该雷达系统综合质量等级为良好。
针对传统雷达质量评定对测试数据的利用不足,过多依赖设计数据和履历信息的情况,本发明综合考虑雷达监测数据指标、雷达BIT信息、环境数据和履历参数建立雷达系统三级评估指标体系,使评价信息更为科学全面。
本发明基于AHP-熵权法组合赋权的方法确定雷达指标因素的综合权重,较好解决了评估中指标因素种类多样、量化困难、主观性强的问题,统筹考虑了专家知识经验的主观性和监测数值的客观性,增加了评估可信度。
基于正态灰色云模型的评估方法将云模型运用到传统的灰色白化权函数中,优化了聚类信息,有效兼顾了雷达指标因素的模糊性、随机性和不完全性。灰云模型为评估复杂雷达系统的质量状况提供了一种科学实用的方法,并通过典型雷达实例分析,验证了该方法的可行性和有效性,对雷达系统质量评定和装备保障运用有较好的参考价值。
如图15所示,本发明基于组合赋权灰色云模型的雷达系统质量确定系统包括:测量值获取单元1、灰云白化权值确定单元2、综合灰类系数确定单元3及质量确定单元4。
其中,测量值获取单元1用于获取被测雷达系统的多个指标因素的测量值。
灰云白化权值确定单元2与所述测量值获取单元1连接,灰云白化权值确定单元2用于针对任一指标因素,基于正态灰云模型的白化权函数,根据所述指标因素的测量值,计算所述指标因素对应各灰类的灰云白化权值;各灰类为预先设定的雷达质量等级。
综合灰类系数确定单元3分别与所述测量值获取单及所述灰云白化权值确定单元2连接,综合灰类系数确定单元3用于根据各指标因素对应各灰类的灰云白化权值、各指标因素的综合权重及各指标因素的测量值,计算所述被测雷达系统属于每个灰类的综合灰类系数;各指标因素的综合权重为预先基于层次分析法及熵权法确定的。
质量确定单元4与所述综合灰类系数确定单元3连接,质量确定单元4用于根据所述被测雷达系统属于每个灰类的综合灰类系数,确定所述被测雷达系统的质量。
进一步地,灰云白化权值确定单元2包括:峰值确定模块、白化权确定模块及灰云白化权确定模块。
其中,峰值确定模块用于根据所述指标因素的最小边界值及最大边界值,确定正态灰云模型的峰值及熵。
白化权确定模块与峰值确定模块及测量值获取单元1连接,白化权确定模块用于采用白化权函数,根据所述峰值、熵及所述指标因素的测量值,确定所述指标因素对应各灰类的白化权值。
灰云白化权确定模块与白化权确定模块连接,灰云白化权确定模块用于根据所述指标因素对应各灰类的白化权值,确定所述指标因素对应各灰类的灰云白化权值。
此外,本发明基于组合赋权灰色云模型的雷达系统质量确定系统还包括:指标归类单元5、初始权重确定单元6、主观权重确定单元7、评价值获取单元8、客观权重确定单元9及综合权重确定单元10。
其中,指标归类单元5用于对多个指标因素进行归类,确定多个准则因素。
初始权重确定单元6与指标归类单元5连接,初始权重确定单元6用于采用层次分析法计算各准则因素的权重及各指标因素在其所属准则因素中的权重。
具体地,初始权重确定单元6包括:初始化模块、评判矩阵确定模块、特征根确定模块、一致性检验指标确定模块、平均一致性指标确定模块、一致性检验比率确定模块、判断模块、权重确定模块及调整模块。
其中,初始化模块与指标归类单元5连接,初始化模块用于初始化每两个准则因素间的初始重要度。
评判矩阵确定模块与初始化模块连接,评判矩阵确定模用于针对第b次迭代,根据每两个准则因素间的第b个重要度,采用1-9标度法,确定第一评判矩阵;b≥0;第0个重要度为初始重要度。
特征根确定模块与评判矩阵确定模块连接,特征根确定模块用于计算所述第一评判矩阵的最大特征根及最大特征根对应的特征向量。所述特征向量中包括各准则因素的初始权重。
一致性检验指标确定模块与特征根确定模块连接,一致性检验指标确定模块用于根据所述最大特征根及所述准则因素的数量,确定一致性检验指标。
平均一致性指标确定模块与评判矩阵确定模块连接,平均一致性指标确定模块用于根据所述第一评判矩阵的维数,确定平均一致性指标。
一致性检验比率确定模块与一致性检验指标确定模块及平均一致性指标确定模块连接,一致性检验比率确定模块用于根据所述一致性检验指标及所述平均一致性指标,确定一致性检验比率。
判断模块与一致性检验比率确定模块连接,判断模块用于判断所述一致性检验比率与预设比率阈值的大小。
权重确定模块与判断模块连接,权重确定模块用于在所述一致性检验比率小于预设比率阈值时,将所述特征向量中各准则因素的初始权重作为各准则因素的权重。
调整模块与判断模块及评判矩阵确定模块连接,调整模块用于在所述一致性检验比率大于或等于预设比率阈值时,调整每两个准则因素间的重要度,得到每两个准则因素间的第b+1个重要度,并进行第b+1次迭代。
主观权重确定单元7与初始权重确定单元6连接,主观权重确定单元7用于根据各准则因素的权重及各指标因素在其所属准则因素中的权重,确定各指标因素的主观权重。
评价值获取单元8用于获取多个参考雷达系统在各指标因素下的评价值。
客观权重确定单元9与评价值获取单元8连接,客观权重确定单元9用于根据各参考雷达系统在各指标因素下的评价值,采用熵权法确定各指标因素的客观权重。
具体地,客观权重确定单元9包括:比重确定模块、熵值确定模块及熵权确定模块。
其中,比重确定模块与评价值获取单元8连接,比重确定模块用于针对任一参考雷达系统,根据所述参考雷达系统在各指标因素下的评价值,确定所述参考雷达系统在各指标因素下的比重。
熵值确定模块与比重确定模块连接,熵值确定模块用于根据各参考雷达在各指标因素下的比重,确定各指标因素的熵值。
熵权确定模块与熵值确定模块连接,熵权确定模块用于根据各指标因素的熵值,确定各指标因素的熵权。各指标因素的熵权为对应各指标因素的客观权重。
综合权重确定单元10与主观权重确定单元7、客观权重确定单元9及综合灰类系数确定单元3连接,综合权重确定单元10用于针对任一指标因素,根据所述指标因素的主观权重及客观权重,确定所述指标因素的综合权重。
相对于现有技术,本发明基于组合赋权灰色云模型的雷达系统质量确定系统与上述基于组合赋权灰色云模型的雷达系统质量确定方法的有益效果相同,在此不再赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于组合赋权灰色云模型的雷达系统质量确定方法,其特征在于,所述基于组合赋权灰色云模型的雷达系统质量确定方法包括:
获取被测雷达系统的多个指标因素的测量值;
针对任一指标因素,基于正态灰云模型的白化权函数,根据所述指标因素的测量值,计算所述指标因素对应各灰类的灰云白化权值;各灰类为预先设定的雷达质量等级;
根据各指标因素对应各灰类的灰云白化权值、各指标因素的综合权重及各指标因素的测量值,计算所述被测雷达系统属于每个灰类的综合灰类系数;各指标因素的综合权重为预先基于层次分析法及熵权法确定的;
根据所述被测雷达系统属于每个灰类的综合灰类系数,确定所述被测雷达系统的质量。
2.根据权利要求1所述的基于组合赋权灰色云模型的雷达系统质量确定方法,其特征在于,多个指标因素为被测雷达系统的发射机功率、噪声系数、幅频特性、改善因子、天线增益、发射机高压、发射脉冲宽度、接收机场放电流、天线转速、电源电压、开关状态、工作参数、故障信息、装备完好率、等效服役时间、平均故障时间、周围环境的雨雪信息、盐雾信息、沙尘信息及温湿度信息。
3.根据权利要求1所述的基于组合赋权灰色云模型的雷达系统质量确定方法,其特征在于,所述基于正态灰云模型的白化权函数,根据所述指标因素的测量值,计算所述指标因素对应各灰类的灰云白化权值,具体包括:
根据所述指标因素的最小边界值及最大边界值,确定正态灰云模型的峰值及熵;
采用白化权函数,根据所述峰值、熵及所述指标因素的测量值,确定所述指标因素对应各灰类的白化权值;
根据所述指标因素对应各灰类的白化权值,确定所述指标因素对应各灰类的灰云白化权值。
4.根据权利要求1所述的基于组合赋权灰色云模型的雷达系统质量确定方法,其特征在于,所述基于组合赋权灰色云模型的雷达系统质量确定方法还包括:
对多个指标因素进行归类,确定多个准则因素;
采用层次分析法计算各准则因素的权重及各指标因素在其所属准则因素中的权重;
根据各准则因素的权重及各指标因素在其所属准则因素中的权重,确定各指标因素的主观权重;
获取多个参考雷达系统在各指标因素下的评价值;
根据各参考雷达系统在各指标因素下的评价值,采用熵权法确定各指标因素的客观权重;
针对任一指标因素,根据所述指标因素的主观权重及客观权重,确定所述指标因素的综合权重。
5.根据权利要求4所述的基于组合赋权灰色云模型的雷达系统质量确定方法,其特征在于,所述采用层次分析法计算各准则因素的权重,具体包括:
初始化每两个准则因素间的初始重要度;
针对第b次迭代,根据每两个准则因素间的第b个重要度,采用1-9标度法,确定第一评判矩阵;b≥0;第0个重要度为初始重要度;
计算所述第一评判矩阵的最大特征根及最大特征根对应的特征向量;所述特征向量中包括各准则因素的初始权重;
根据所述最大特征根及所述准则因素的数量,确定一致性检验指标;
根据所述第一评判矩阵的维数,确定平均一致性指标;
根据所述一致性检验指标及所述平均一致性指标,确定一致性检验比率;
判断所述一致性检验比率与预设比率阈值的大小,若所述一致性检验比率小于预设比率阈值,则所述特征向量中各准则因素的初始权重为各准则因素的权重;若所述一致性检验比率大于或等于预设比率阈值,则调整每两个准则因素间的重要度,得到每两个准则因素间的第b+1个重要度,并进行第b+1次迭代。
6.根据权利要求4所述的基于组合赋权灰色云模型的雷达系统质量确定方法,其特征在于,所述准则因素包括性能指标数据、工作状态数据、雷达内测信息、履历信息及环境信息;
所述性能指标数据包括发射机功率、噪声系数、幅频特性、改善因子及天线增益;
所述工作状态数据包括发射机高压、发射脉冲宽度、接收机场放电流、天线转速及电源电压;
所述雷达内测信息包括开关状态、工作参数及故障信息;
所述履历信息包括装备完好率、等效服役时间及平均故障时间;
所述环境信息包括雨雪信息、盐雾信息、沙尘信息及温湿度信息。
7.根据权利要求4所述的基于组合赋权灰色云模型的雷达系统质量确定方法,其特征在于,所述根据各参考雷达系统在各指标因素下的评价值,采用熵权法确定各指标因素的客观权重,具体包括:
针对任一参考雷达系统,根据所述参考雷达系统在各指标因素下的评价值,确定所述参考雷达系统在各指标因素下的比重;
根据各参考雷达在各指标因素下的比重,确定各指标因素的熵值;
根据各指标因素的熵值,确定各指标因素的熵权;各指标因素的熵权为对应各指标因素的客观权重。
10.一种基于组合赋权灰色云模型的雷达系统质量确定系统,其特征在于,所述基于组合赋权灰色云模型的雷达系统质量确定系统包括:
测量值获取单元,用于获取被测雷达系统的多个指标因素的测量值;
灰云白化权值确定单元,与所述测量值获取单元连接,用于针对任一指标因素,基于正态灰云模型的白化权函数,根据所述指标因素的测量值,计算所述指标因素对应各灰类的灰云白化权值;各灰类为预先设定的雷达质量等级;
综合灰类系数确定单元,分别与所述测量值获取单及所述灰云白化权值确定单元连接,用于根据各指标因素对应各灰类的灰云白化权值、各指标因素的综合权重及各指标因素的测量值,计算所述被测雷达系统属于每个灰类的综合灰类系数;各指标因素的综合权重为预先基于层次分析法及熵权法确定的;
质量确定单元,与所述综合灰类系数确定单元连接,用于根据所述被测雷达系统属于每个灰类的综合灰类系数,确定所述被测雷达系统的质量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210894944.2A CN115236616A (zh) | 2022-07-28 | 2022-07-28 | 基于组合赋权灰色云模型的雷达系统质量确定方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210894944.2A CN115236616A (zh) | 2022-07-28 | 2022-07-28 | 基于组合赋权灰色云模型的雷达系统质量确定方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115236616A true CN115236616A (zh) | 2022-10-25 |
Family
ID=83677436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210894944.2A Pending CN115236616A (zh) | 2022-07-28 | 2022-07-28 | 基于组合赋权灰色云模型的雷达系统质量确定方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115236616A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117789198A (zh) * | 2024-02-28 | 2024-03-29 | 上海几何伙伴智能驾驶有限公司 | 基于4d毫米波成像雷达实现点云退化检测的方法 |
-
2022
- 2022-07-28 CN CN202210894944.2A patent/CN115236616A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117789198A (zh) * | 2024-02-28 | 2024-03-29 | 上海几何伙伴智能驾驶有限公司 | 基于4d毫米波成像雷达实现点云退化检测的方法 |
CN117789198B (zh) * | 2024-02-28 | 2024-05-14 | 上海几何伙伴智能驾驶有限公司 | 基于4d毫米波成像雷达实现点云退化检测的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105117602B (zh) | 一种计量装置运行状态预警方法 | |
CN108038300B (zh) | 基于改进的隶属度函数结合神经网络的光纤状态评估方法 | |
CN111539515B (zh) | 一种基于故障预测的复杂装备维修决策方法 | |
CN109359385B (zh) | 一种服务质量评估模型的训练方法及装置 | |
Kankanala et al. | AdaBoost $^{+} $: An Ensemble Learning Approach for Estimating Weather-Related Outages in Distribution Systems | |
CN106339536B (zh) | 基于水污染指数法和云模型的水质综合评价方法 | |
CN110782164A (zh) | 一种基于变权重和模糊综合评价的配电设备状态评价方法 | |
CN111062508B (zh) | 一种基于大数据技术评估风电机组实时运行状态的方法 | |
CN103840988A (zh) | 一种基于rbf神经网络的网络流量测量方法 | |
CN108510180B (zh) | 一种生产设备所处性能区间的计算方法 | |
CN109711664B (zh) | 一种基于大数据的输变电设备健康评估系统 | |
CN110827169B (zh) | 一种基于分级指标的分布式电网业务监控方法 | |
CN107220907B (zh) | 一种采用秩和比综合评价的谐波污染用户分级方法 | |
CN116579768B (zh) | 一种发电厂在线仪表运维管理方法及系统 | |
CN112116198A (zh) | 数据驱动的流程工业状态感知网络关键节点筛选方法 | |
CN109491339B (zh) | 一种基于大数据的变电站设备运行状态预警系统 | |
CN112363896A (zh) | 日志异常检测系统 | |
CN112364560A (zh) | 矿山凿岩装备作业工时智能预测方法 | |
CN116684878B (zh) | 一种5g信息传输数据安全监测系统 | |
CN115236616A (zh) | 基于组合赋权灰色云模型的雷达系统质量确定方法及系统 | |
CN110428191B (zh) | 配电网脆弱节点辨识的方法 | |
CN116227786A (zh) | 一种无人机综合效能评估系统 | |
CN117421684B (zh) | 基于数据挖掘和神经网络的异常数据监测与分析方法 | |
CN111932081B (zh) | 一种电力信息系统运行状态评估方法及系统 | |
CN110210154B (zh) | 利用大坝测点数据判断测点表征大坝性态相似度的方法 |
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 |