CN116128361A - 智能侦察系统多级效能计算方法、装置、设备及介质 - Google Patents

智能侦察系统多级效能计算方法、装置、设备及介质 Download PDF

Info

Publication number
CN116128361A
CN116128361A CN202310115319.8A CN202310115319A CN116128361A CN 116128361 A CN116128361 A CN 116128361A CN 202310115319 A CN202310115319 A CN 202310115319A CN 116128361 A CN116128361 A CN 116128361A
Authority
CN
China
Prior art keywords
intelligent
reconnaissance system
gray
evaluation
reconnaissance
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
Application number
CN202310115319.8A
Other languages
English (en)
Inventor
麻舜予
胡超
李贵
黄杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CETC 10 Research Institute
Original Assignee
CETC 10 Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CETC 10 Research Institute filed Critical CETC 10 Research Institute
Priority to CN202310115319.8A priority Critical patent/CN116128361A/zh
Publication of CN116128361A publication Critical patent/CN116128361A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/12—Simultaneous equations, e.g. systems of linear equations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

本发明公开了智能侦察系统多级效能计算方法，所述方法包括：利用层次分析法将智能侦察系统的侦察效能分解为若干组成因素，并按因素间的隶属关系，将因素分层聚合得到侦察系统的基本能力，形成所述智能侦察系统的递阶层次结构；利用模糊评估法初步估计同一层次各个元素之间的重要性，利用判断矩阵计算相邻层次下层元素关于上层元素的权重；确定灰度类的灰数和白化权函数，利用灰度理论评估法计算所述智能侦察系统的灰色评估系数和权矩阵，累积得到智能侦察系统的侦察效能。本发明。

Description

智能侦察系统多级效能计算方法、装置、设备及介质
技术领域
本发明属于智能侦察技术领域，尤其涉及智能侦察系统多级效能计算方法、装置、设备及介质。
背景技术
系统效能是指系统在特定的条件下对既定任务完成程度的度量，对于理解系统的现有能力，发现系统的优势和不足，指导系统的论证、使用及后续发展等有着重要意义。
效能评估计算模型可分为基于专家经验的评估模型、基于静态检测的评估模型、基于度量预测的模型和基于仿真分析的模型等四类评估模型。
其中，由于评估的参数往往不是定义明确的物理量，基于专家经验的评估模型是最广泛应用的评估模型，该类模型能充分利用专家经验和领域知识，可信度较高，但迁移性较弱；基于静态检测的评估模型一般具有严格的数学模型，通过对系统进行抽象和符号表示，确定系统的能力边界，该类模型适用范围较小；基于度量预测的模型一般采用概率论方面模型和统计学方面的手段，利用预测来对系统的效能进行评估，该类模型的难点在于模型建立困难，一般需要大量样本；基于仿真分析的模型则对系统的行为、特征、目标想定等要素进行量化，利用仿真建模来推演系统的运行状态和运行结果，该类模型能较为可靠地反映系统的真实能力，可信度高，但建模过程较为复杂，周期较长。
发明内容
本发明的目的在于，为克服现有技术缺陷，提供了智能侦察系统多级效能计算方法、装置、设备及介质,提供了一种可靠性高、适应性强的建模手段，并设计了系统的效能评估指标体系，获得了准确有效的效能评估。
本发明目的通过下述技术方案来实现：
一种智能侦察系统多级效能计算方法，所述方法包括：
利用层次分析法将智能侦察系统的侦察效能分解为若干组成因素，并按因素间的隶属关系，将因素分层聚合得到侦察系统的基本能力，形成所述智能侦察系统的递阶层次结构；
利用模糊评估法初步估计同一层次各个元素之间的重要性，利用判断矩阵计算相邻层次下层元素关于上层元素的权重；
确定灰度类的灰数和白化权函数，利用灰度理论评估法计算所述智能侦察系统的灰色评估系数和权矩阵，累积得到智能侦察系统的侦察效能。
进一步的，所述方法还包括：
模拟侦察过程不断产生仿真数据，并对所述仿真数据进行预处理；
利用预处理后的仿真数据统计聚合得到所述智能侦察系统的可用性向量和可信度矩阵；
利用ADC算法求解所述智能侦察系统的能力向量。
进一步的，所述基本能力包括侦察能力、目标识别能力、定位能力、跟踪能力和协同响应能力。
进一步的，所述侦察能力包含区域覆盖率、雷达频率覆盖率、通信频率覆盖率和最早发现时间；所述目标识别能力包含目标识别时间和识别精度；所述定位能力包含平均定位精度；所述跟踪能力包含航迹连续覆盖性比例、时间覆盖率和连续跟踪时间；所述协同响应能力包含协同控制响应时间。
进一步的，所述利用模糊评估法初步估计同一层次各个元素之间的重要性，利用判断矩阵计算相邻层次下层元素关于上层元素的权重具体包括：
基于模糊综合评判理论，使用模糊矩阵合成运算，根据预设的评价系数建立智能侦察系统的模糊推理机制，利用专家打分法基于模糊推理机制和各项组成因素的历史统计数据，估计各项组成因素的重要性权重向量；
估计所述智能侦察系统的各项基本能力的重要性权重向量，按最大隶属度原则得到智能侦察系统的能力评价值。
进一步的，所述确定灰度类的灰数和白化权函数，利用灰度理论评估法计算所述智能侦察系统的灰色评估系数和权矩阵，累积得到智能侦察系统的侦察效能具体包括：
针对同一项基本能力的各项组成因素，利用模糊评估法的模糊推理机制确定智能侦察系统灰类等级数，利用模糊评估法得到的组成因素重要性权重向量确定评估灰类的灰数和白化权函数；
利用专家打分法基于各项组成因素的实时统计数据得到评估矩阵，计算智能侦察系统的灰色评估系数、评估权向量和评估权矩阵；
将组成因素的权重向量作为组成因素对应的效能向量，利用组成因素的权重向量、评价权矩阵和组成因素的效能向量矩阵相乘，得到对应能力项的侦察效能，利用层次分析法自底向上累加得到智能侦察系统的整体效能。
进一步的，所述利用ADC算法求解所述智能侦察系统的能力向量具体包括：
统计模拟侦察过程中传感器各个组合状态发生的分布，估计所述智能侦察系统的状态向量A和传感器各个组合状态之间的转移概率矩阵D；
利用灰色评估法得到的系统整体效能E，联立方程组(A)T·D·C＝E，求解系统各个状态的能力向量C。
另一方面，本发明还提供了一种智能侦察系统多级效能计算装置，所述装置包括：
基本能力聚合模块，所述基本能力聚合模块利用层次分析法将智能侦察系统的侦察效能分解为若干组成因素，并按因素间的隶属关系，将因素分层聚合得到侦察系统的基本能力，形成所述智能侦察系统的递阶层次结构；
权重计算模块，所述权重计算模块利用模糊评估法初步估计同一层次各个元素之间的重要性，利用判断矩阵计算相邻层次下层元素关于上层元素的权重；
侦察效能计算模块，所述侦察效能计算模块确定灰度类的灰数和白化权函数，利用灰度理论评估法计算所述智能侦察系统的灰色评估系数和权矩阵，累积得到智能侦察系统的侦察效能。
另一方面，本发明还提供了一种计算机设备，计算机设备包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现上述的任意一种智能侦察系统多级效能计算方法。
另一方面，本发明还提供了一种计算机可读存储介质，所述存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行以实现上述的任意一种智能侦察系统多级效能计算方法。
本发明的有益效果在于：
(1)本发明针对智能侦察系统难以直接定量评估的特点，评估模块根据预设的评价系数综合考虑每个因素的影响建立模糊推理机制，利用专家打分法基于仿真模块得到的各项参数的历史统计数据，对各项参数所对应基本能力进行定性评估，估计各项参数的重要性权重向量及各项基本能力的重要性权重向量，按最大隶属度原则得到智能侦察系统的能力评价。在此基础上利用重要性判断矩阵进行一致性检验，若所有矩阵均通过一致性检验，则说明模糊评估法得到的系统能力评价具有合理性，说明其预设的评价系数可靠性高，可为后续灰色评估算法的灰数设置提供依据，否则，需要重置预设的评价系数，重复上述模糊评估算法和重要性矩阵一致性检验，直到所有矩阵均通过一致性检验，保证了评估体系整体可靠性较高。
(2)本发明融合了层次分析法、模糊评估算法、灰色评估算法及ADC算法对智能侦察系统的侦察效能进行综合评估：首先利用层次分析法将因素分层聚合，形成智能侦察系统的递阶层次结构；接着利用模糊评估算法基于层次分析法所得的评估体系对系统进行初步的定性评估，并利用评估过程中得到的重要性权重向量构造重要性判断矩阵，检验矩阵一致性；一致性检验通过后再利用模糊评估算法所预设的评价系数设计灰色评估算法灰数，构造白化权函数进行智能侦察系统整体的计算；最后利用ADC算法和灰色评估算法所得的整体效能，反推得到各传感器或传感器组的贡献度。通过算法的融合提高了评估模型的计算效率，评估维度多元，使模型可以适应丰富的任务场景。
附图说明
图1是本发明实施例提供的智能侦察系统多级效能计算方法流程示意图；
图2是本发明实施例智能侦察系统评估体系示意图；
图3是本发明实施例模糊评估算法流程示意图；
图4是本发明实施例灰色评估算法流程示意图；
图5是本发明实施例ADC算法流程示意图；
图6是本发明实施例提供的智能侦察系统多级效能计算装置结构框图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
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。
由于评估的参数往往不是定义明确的物理量，基于专家经验的评估模型是最广泛应用的评估模型，该类模型能充分利用专家经验和领域知识，可信度较高，但迁移性较弱；基于静态检测的评估模型一般具有严格的数学模型，通过对系统进行抽象和符号表示，确定系统的能力边界，该类模型适用范围较小；基于度量预测的模型一般采用概率论方面模型和统计学方面的手段，利用预测来对系统的效能进行评估，该类模型的难点在于模型建立困难，一般需要大量样本；基于仿真分析的模型则对系统的行为、特征、目标想定等要素进行量化，利用仿真建模来推演系统的运行状态和运行结果，该类模型能较为可靠地反映系统的真实能力，可信度高，但建模过程较为复杂，周期较长。
为了解决上述技术问题，提出了本发明智能侦察系统多级效能计算方法、装置、设备及介质的下述各个实施例。
实施例1
参照图1，如图1所示是本实施例提供的智能侦察系统多级效能计算方法流程示意图，该方法具体包括以下步骤：
利用层次分析法将智能侦察系统的侦察效能分解为若干组成因素，并按因素间的隶属关系，将因素分层聚合得到侦察系统的基本能力，形成智能侦察系统的递阶层次结构；
利用模糊评估法初步估计同一层次各个元素之间的重要性，利用判断矩阵计算相邻层次下层元素关于上层元素的权重；
确定灰度类的灰数和白化权函数，利用灰度理论评估法计算智能侦察系统的灰色评估系数和权矩阵，累积得到智能侦察系统的侦察效能。
模拟侦察过程不断产生仿真数据，并对仿真数据进行预处理；
利用预处理后的仿真数据统计聚合得到智能侦察系统的可用性向量和可信度矩阵；
利用ADC算法求解智能侦察系统的能力向量。
具体地，参照图2，如图2所示是本实施例智能侦察系统评估体系示意图，评估模块根据系统性和可靠性评估的原则，将智能侦察系统分为侦察能力、目标识别能力、定位能力、跟踪能力、协同响应能力等五项基本能力，记为{u1,u2,u3,u4,u5}。其中，侦察能力包含区域覆盖率、雷达频率覆盖率、通信频率覆盖率、最早发现时间等参数，记为{u11,u12,u13,u14}；目标识别能力包含目标识别时间、识别精度等参数，记为{u21,u22}；定位能力包含平均定位精度等参数，记为{u31}；跟踪能力包含航迹连续覆盖性比例、时间覆盖率、连续跟踪时间等参数，记为{u41,u42,u43}；协同响应能力包含协同控制响应时间等参数，记为{u51}。
参照图3，如图3所示是本实施例模糊评估算法流程示意图，评估模块基于模糊综合评判理论，预设的评价系数为{p1,p2,p3,p4}，利用专家打分法基于模糊推理机制和仿真模块得到的各项参数的历史统计数据，对各项参数所对应基本能力进行定性评估，不妨以侦察能力为例，记专家人数为N，记cijk表示参数uij被专家评价为pk的次数，i＝1,j＝1…4,k＝1…4，则
Figure BDA0004078393150000081
记rijk表示参数uij被专家评价为pk的隶属度，则rijk＝cijk/n，得到各项参数的评价矩阵Rij，记参数的重要性权重向量为Qi＝{qij}i＝1,j＝1…4，Qi为之前的专家评价，初始值为{1/4,1/4,1/4,1/4}，使用模糊矩阵合成运算
Figure BDA0004078393150000087
对Qi进行估计：
Figure BDA0004078393150000086
其中，Qi'为Qi的估计，
Figure BDA0004078393150000082
并对qij'进行归一化，这样就得到了侦察能力的各项参数的重要性权重向量；类似的，可对智能侦察系统的其他能力进行上述操作，按最大隶属度原则得到各项基本能力的定性评估，同法可得各项基本能力的重要性权重向量，并得到智能侦察系统的能力评价。利用上述得到的参数重要性权重向量和能力重要性权重向量，分别构造参数重要性判断矩阵和能力重要性判断矩阵，仍以侦察能力为例，记侦察能力的参数重要性判断矩阵为
Figure BDA0004078393150000083
其中，
Figure BDA0004078393150000084
对Xi进行归一化处理：
Figure BDA0004078393150000085
求解判断矩阵的特征向量w和最大特征根λmax，并求解判断矩阵的一致性指标：CI＝(λmax-4)/(4-1)，查找一致性指标表的RI值，若一致性比例值CR＝CI/RI<0.1则说明重要性判断矩阵通过一致性检验，说明模糊评估法得到的系统能力评价具有合理性，其预设的权重系数可靠性高，可为后续灰色评估算法的灰数设置提供依据，对特征向量wi进行归一化得到wi'，则wi'即为各个参数的权重值；否则，需要重置预设的权重系数，重复上述模糊评估算法和重要性矩阵一致性检验，直到所有矩阵均通过一致性检验。
[1]参照图4，如图4所示是本实施例灰色评估算法流程示意图，评估模块利用模糊评估法的模糊推理机制确定智能侦察系统灰类等级数。仍以侦察能力为例，在所有重要性判决矩阵通过一致性检验后，说明模糊评估法所预设的评价系数{p1,p2,p3,p4}是合理的，可为评估灰类设置四个等级类，记灰数为
Figure BDA0004078393150000091
则对应的灰数分别为：
Figure BDA0004078393150000092
和对应的白化权函数如下：
Figure BDA0004078393150000093
Figure BDA0004078393150000094
Figure BDA0004078393150000095
Figure BDA0004078393150000096
再次利用专家打分法基于仿真模块得到的各项参数的历史统计数据，对侦察能力的各项参数进行评估，得到原始评价矩阵Pijk＝(pijn)4,N，其中，pijk表示第k个专家对系统的第i＝1个能力的第j项参数的评分，利用Dijk和白化权函数计算第j项参数属于第h级灰类的灰色评估系数，记灰色评估系数为ηijk，则
Figure BDA0004078393150000101
记第j项参数的总灰色评估系数为ηij，则
Figure BDA0004078393150000102
可计算第j项参数属于第h级灰类的评估权，记为γijh，则γijh＝ηijh/ηij，由此得到侦察能力各项参数的灰色评估权矩阵Vi＝(vijh)4,4，再利用模糊评估算法得到的参数权重值wi'，并取参数效能向量为wi，则可计算侦察能力的效能为：Ei＝wi'·Vi·(wi)T，其中，(wi)T表示wi的转置。类似的，重复上述步骤可计算智能侦察系统各项能力的效能，自底向上计算即可得到系统的整体效能E。
参照图5，如图5所示是本实施例ADC算法流程示意图，评估模块利用灰色评估法得到侦察系统的整体效能E和ADC算法，可将传感器或传感器组的贡献度转化为线性方程组的求解问题。其中，A表示初始时系统的状态向量，D表示在任务执行过程中传感器各个组合状态之间的转移概率，C表示传感器各个组合状态对应的效能，即贡献度。记M为智能侦察系统的传感器个数，则
Figure BDA0004078393150000103
a代表传感器的一种组合状态，
Figure BDA0004078393150000104
dyz代表从传感器的组合状态ay转移到az的概率，
Figure BDA0004078393150000105
c代表某种传感器组合状态所对应的效能。由大数定律，令智能侦察系统进行足够多次试验，利用仿真模块统计任务执行过程中传感器各个组合状态发生的分布，用剔除野值后的均值即可估计系统的状态向量A和传感器各个组合状态之间的转移概率矩阵D。由于在任务执行的过程中，不一定会出现所有的传感器组合，因此在ADC算法中可取A的子集A'，及对应的状态转移矩阵子矩阵D'，联立方程组(A')T·D'·C'＝E，求解C'即得传感器各个组合状态对应的贡献度。
本实施例采用策略模式来管理层次分析法、模糊评估算法、灰色评估算法及ADC算法等评估算法，将算法抽象为一系列算子，为评估体系框架提供调用算子的接口，并将算子拆分为各个组件，层次分析法拆分为层次结构构建组件，模糊评估法拆分为权重预设组件和一致性判别组件，灰色评估法拆分为灰数组件和白化权函数设计组件，可根据具体任务场景灵活地调整各项算子；又因为评估框架需要线性地调用这些算子，在数据管理上采用责任链模式，各项算子在评估体系里形成一条数据处理链，避免了算子间的耦合，使得评估框架可以根据需求灵活调整算子顺序，扩展性良好。
实施例2
参照图6，如图6所示是本实施例提供的智能侦察系统多级效能计算装置结构框图，该装置具体包括以下结构：
基本能力聚合模块，基本能力聚合模块利用层次分析法将智能侦察系统的侦察效能分解为若干组成因素，并按因素间的隶属关系，将因素分层聚合得到侦察系统的基本能力，形成智能侦察系统的递阶层次结构；
权重计算模块，权重计算模块利用模糊评估法初步估计同一层次各个元素之间的重要性，利用判断矩阵计算相邻层次下层元素关于上层元素的权重；
侦察效能计算模块，侦察效能计算模块确定灰度类的灰数和白化权函数，利用灰度理论评估法计算智能侦察系统的灰色评估系数和权矩阵，累积得到智能侦察系统的侦察效能。
实施例3
本优选实施例提供了一种计算机设备，该计算机设备可以实现本申请实施例所提供的智能侦察系统多级效能计算方法任一实施例中的步骤，因此，可以实现本申请实施例所提供的智能侦察系统多级效能计算方法的有益效果，详见前面的实施例，在此不再赘述。
实施例4
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。为此，本发明实施例提供一种存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本发明实施例所提供的智能侦察系统多级效能计算方法中任一实施例的步骤。
其中，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令，可以执行本发明实施例所提供的任一智能侦察系统多级效能计算方法实施例中的步骤，因此，可以实现本发明实施例所提供的任一智能侦察系统多级效能计算方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种智能侦察系统多级效能计算方法，其特征在于，所述方法包括：
利用层次分析法将智能侦察系统的侦察效能分解为若干组成因素，并按因素间的隶属关系，将因素分层聚合得到侦察系统的基本能力，形成所述智能侦察系统的递阶层次结构；
利用模糊评估法初步估计同一层次各个元素之间的重要性，利用判断矩阵计算相邻层次下层元素关于上层元素的权重；
确定灰度类的灰数和白化权函数，利用灰度理论评估法计算所述智能侦察系统的灰色评估系数和权矩阵，累积得到智能侦察系统的侦察效能。
2.如权利要求1所述的智能侦察系统多级效能计算方法，其特征在于，所述方法还包括：
模拟侦察过程不断产生仿真数据，并对所述仿真数据进行预处理；
利用预处理后的仿真数据统计聚合得到所述智能侦察系统的可用性向量和可信度矩阵；
利用ADC算法求解所述智能侦察系统的能力向量。
3.如权利要求1所述的智能侦察系统多级效能计算方法，其特征在于，所述基本能力包括侦察能力、目标识别能力、定位能力、跟踪能力和协同响应能力。
4.如权利要求3所述的智能侦察系统多级效能计算方法，其特征在于，所述侦察能力包含区域覆盖率、雷达频率覆盖率、通信频率覆盖率和最早发现时间；所述目标识别能力包含目标识别时间和识别精度；所述定位能力包含平均定位精度；所述跟踪能力包含航迹连续覆盖性比例、时间覆盖率和连续跟踪时间；所述协同响应能力包含协同控制响应时间。
5.如权利要求1所述的智能侦察系统多级效能计算方法，其特征在于，所述利用模糊评估法初步估计同一层次各个元素之间的重要性，利用判断矩阵计算相邻层次下层元素关于上层元素的权重具体包括：
基于模糊综合评判理论，使用模糊矩阵合成运算，根据预设的评价系数建立智能侦察系统的模糊推理机制，利用专家打分法基于模糊推理机制和各项组成因素的历史统计数据，估计各项组成因素的重要性权重向量；
估计所述智能侦察系统的各项基本能力的重要性权重向量，按最大隶属度原则得到智能侦察系统的能力评价值。
6.如权利要求5所述的智能侦察系统多级效能计算方法，其特征在于，所述确定灰度类的灰数和白化权函数，利用灰度理论评估法计算所述智能侦察系统的灰色评估系数和权矩阵，累积得到智能侦察系统的侦察效能具体包括：
针对同一项基本能力的各项组成因素，利用模糊评估法的模糊推理机制确定智能侦察系统灰类等级数，利用模糊评估法得到的组成因素重要性权重向量确定评估灰类的灰数和白化权函数；
利用专家打分法基于各项组成因素的实时统计数据得到评估矩阵，计算智能侦察系统的灰色评估系数、评估权向量和评估权矩阵；
将组成因素的权重向量作为组成因素对应的效能向量，利用组成因素的权重向量、评价权矩阵和组成因素的效能向量矩阵相乘，得到对应能力项的侦察效能，利用层次分析法自底向上累加得到智能侦察系统的整体效能。
7.如权利要求2所述的智能侦察系统多级效能计算方法，其特征在于，所述利用ADC算法求解所述智能侦察系统的能力向量具体包括：
统计模拟侦察过程中传感器各个组合状态发生的分布，估计所述智能侦察系统的状态向量A和传感器各个组合状态之间的转移概率矩阵D；
利用灰色评估法得到的系统整体效能E，联立方程组(A)T·D·C＝E，求解系统各个状态的能力向量C。
8.一种智能侦察系统多级效能计算装置，其特征在于，所述装置包括：
基本能力聚合模块，所述基本能力聚合模块利用层次分析法将智能侦察系统的侦察效能分解为若干组成因素，并按因素间的隶属关系，将因素分层聚合得到侦察系统的基本能力，形成所述智能侦察系统的递阶层次结构；
权重计算模块，所述权重计算模块利用模糊评估法初步估计同一层次各个元素之间的重要性，利用判断矩阵计算相邻层次下层元素关于上层元素的权重；
侦察效能计算模块，所述侦察效能计算模块确定灰度类的灰数和白化权函数，利用灰度理论评估法计算所述智能侦察系统的灰色评估系数和权矩阵，累积得到智能侦察系统的侦察效能。
9.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现如权利要求1至7任一项所述的智能侦察系统多级效能计算方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行以实现如权利要求1至7任一项所述的智能侦察系统多级效能计算方法。
CN202310115319.8A 2023-02-13 2023-02-13 智能侦察系统多级效能计算方法、装置、设备及介质 Pending CN116128361A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310115319.8A CN116128361A (zh) 2023-02-13 2023-02-13 智能侦察系统多级效能计算方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310115319.8A CN116128361A (zh) 2023-02-13 2023-02-13 智能侦察系统多级效能计算方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN116128361A true CN116128361A (zh) 2023-05-16

Family

ID=86295359

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310115319.8A Pending CN116128361A (zh) 2023-02-13 2023-02-13 智能侦察系统多级效能计算方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN116128361A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7541692B1 (ja) 2023-12-11 2024-08-29 大連海事大学 学習能力を有するニューロ・ファジィシステムのネットワーク評価方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7541692B1 (ja) 2023-12-11 2024-08-29 大連海事大学 学習能力を有するニューロ・ファジィシステムのネットワーク評価方法

Similar Documents

Publication Publication Date Title
US11650968B2 (en) Systems and methods for predictive early stopping in neural network training
CN111539515B (zh) 一种基于故障预测的复杂装备维修决策方法
CN112990556A (zh) 一种基于Prophet-LSTM模型的用户用电能耗预测方法
CN115098330A (zh) 基于云边协同模式的设备异常检测系统及方法
CN111144552B (zh) 一种粮食品质多指标预测方法及装置
CN113822499B (zh) 一种基于模型融合的列车备件损耗预测方法
CN111767517A (zh) 一种应用于洪水预测的BiGRU多步预测方法、系统及存储介质
CN116562514B (zh) 基于神经网络的企业生产状况即时分析方法及系统
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
CN111931983A (zh) 一种降水量预测方法及系统
CN116303786B (zh) 一种基于多维数据融合算法的区块链金融大数据管理系统
CN115545334B (zh) 土地利用类型预测方法、装置、电子设备及存储介质
CN113868957B (zh) 贝叶斯深度学习下剩余寿命预测及不确定性量化校准方法
CN116128361A (zh) 智能侦察系统多级效能计算方法、装置、设备及介质
CN115982141A (zh) 一种针对时序数据预测的特征优化方法
CN116610416A (zh) 基于Kubernetes的负载预测型弹性伸缩系统及方法
CN115963420A (zh) 一种电池soh影响因素分析方法
CN117540938B (zh) 基于td3强化学习优化的集成式建筑能耗预测方法及系统
CN118134288A (zh) 一种基于高斯模型的群集电动车灵活性刻画方法及系统
CN118017482A (zh) 基于预测误差特征提取的灵活性爬坡容量需求分析方法
CN113742178A (zh) 一种基于lstm的网络节点健康状态监测方法
Dong et al. Prognostics 102: efficient Bayesian-based prognostics algorithm in Matlab
Zong et al. Embedded software fault prediction based on back propagation neural network
CN117233638A (zh) 锂电池soh的检测方法、装置、电子设备及存储介质
CN117076887A (zh) 一种泵站机组运行状态预测和健康评估方法及系统

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