基于云模型推理的目标威胁排序方法

摘要

本发明公开了一种基于云模型推理的目标威胁排序方法，主要解决现有方法无法准确地进行目标威胁排序的问题其实现过程为：(1)选定输入输出变量并设置参数；(2)构建规则库；(3)根据目标数据计算并选取最大和次大确定度以及对应的等级；(4)计算综合最大确定度U1和次大确定度U2；(5)查找得到目标威胁程度的等级；(6)判断是否忽略U2，如果是，根据U1得到两个云滴，选取其中一个云滴的x值作为输出；若否，根据U1和U2得到四个云滴，构造虚拟云，将其期望值作为输出；(7)判断是否完成所有目标的评估，如果是，执行步骤(8)；若否，执行步骤(3)；(8)将目标进行威胁排序本发明具有目标威胁排序准确的优点，可用于及时反映战场态势变化，为指挥员作出决策提供依据。

权利要求

1.一种基于云模型推理的目标威胁排序方法，包括如下步骤：

(1)选择影响目标威胁排序的因素，确定云推理器的输入输出变量；选择目标类型L、目标速度V、目标航向角度Q、目标的高度H、目标干扰能力R和相对距离D六个因素作为输入变量，将目标威胁程度B作为输出变量，并设置输入输出变量的云模型参数和相应的等级以及目标影响因素的权值；

(2)将某个已知目标的各个因素数据和威胁程度数据输入云推理器中，根据步骤(1)中设置的参数和等级，计算并提取激活目标因素和威胁程度的最大确定度对应的等级，作为这个目标的推理规则；学习多个已知目标数据生成相应的推理规则，存储这些目标数据和相应的规则，构建成推理规则库；

(3)将当前目标i的各个因素数据输入云推理器，并根据步骤(1)中设置的参数和等级计算激活目标各个因素所对应的等级和确定度，分别选取激活目标各个因素对应等级的最大确定度和次大确定度以及对应的等级，其中，i∈(1，2，3，...，M)，M表示进行目标威胁排序的目标总个数；

(4)根据选取激活目标各个因素对应等级的最大和次大确定度和步骤(1)中设置的目标因素权值，分别计算激活目标的综合最大确定度U1和综合次大确定度U2：其中，uj是所选取激活目标某个因素的最大确定度，vj是所选取激活目标某个因素的次大确定度，wj是目标某个因素的权值；

(5)根据选取激活目标各个因素的最大确定度和次大确定度对应的等级，在规则库中查找，得到目标威胁程度的等级；

(6)对综合最大确定度U1和综合次大确定度U2进行选择，如果U1＞＞U2，则忽略综合次大确定度U2，根据综合最大确定度U1激活目标威胁程度等级得到两个云滴(x1，U1)和(x2，U1)，经判断选取其中一个云滴的x值作为目标威胁程度输出；否则，根据综合最大确定度U1和综合次大确定度U2分别激活目标威胁程度等级的四个云滴(x1，U1)，(x2，U1)，(x3，U2)和(x4，U2)，选取最外侧的两个云滴，用几何云的方法构造一个虚拟云，并将虚拟云的期望值Ex作为目标威胁程度输础j(7)从当前目标i转入下一目标i+1，并将计算结果赋值给i，若i≤M，执行步骤(3)；

否则，执行步骤(8)；

(8)将每个目标的威胁程度按从大到小排列，得到目标威胁排序。

2.根据权利要求1所述的目标威胁排序方法，其中步骤(3)中所述的目标各个因素激活对应等级的确定度，是指目标的某个因素隶属该规则的确定程度，该确定程度用如下公式计算：

2 2

ui＝exp(-(xi-Ex)/2*(En′i))

其中，xi为目标某个因素的输入数据，Ex，En和He分别为云模型的期望、熵和超熵，2

En′i为正态随机数，该随机数是以En为期望，He 为方差；

3.根据权利要求1所述的目标威胁排序方法，其中步骤(6)中所述的综合最大确定度U1激活威胁程度规则得到两个云滴(x1，U1)和(x2，U1)，用如下公式计算：其中，U1是综合最大确定度，Ex，EN和He分别为云模型期望、熵和超熵，En′为正态随机数，该随机数是以En为期望，He2为方差。

说明书

基于云模型推理的目标威胁排序方法

技术领域

[0001] 本发明属于信息融合技术领域，特别是一种目标排序方法，用于对目标威胁程度进行排序和评估。

背景技术

[0002] 随着信息技术的不断发展，现代战争更加强调信息的高度共享、实时获取、处理、传输和融合能力。信息融合技术的发展，使得如何根据复杂多变的战场态势迅速准确地进行合理的指挥决策，成为当今世界各国军队普遍关注的热点和难点。

[0003] 现代战争特别是防空作战变得越来越复杂，主要表现为来袭目标的多样化，高速化，远程化、机动化以及精确制导等。这就需要作战平台系统能够准确、有效、及时地反映战场态势变化，并对空中目标威胁程度进行科学的评估与排序，从而为指挥员进行战斗火力分配提供依据。

[0004] 战场态势与威胁评估属于决策级信息融合，其输出结果将给目标优化分配、武器装备配置、兵力部署、作战行动等军事指挥决策提供依据，从而实现信息优势到决策优势进而到全维优势的转化，提高军事决策效能和作战效果。威胁评估重在推理敌方的意图和目的，量化判断敌方对我方的威胁程度，它涉及到众多因素，包括目标类型、速度、距离等，这些因素既有定性又有定量，并且威胁等级与各个因素之间又存在着复杂的非线性关系，很难用精确的数学模型来描述。目前采用的方法主要有贝叶斯推理、模糊推理、多属性决策理论，D-S证据理论等。这些方法都对态势评估的解决作出了贡献，但是它们存在着共同的弱点，即只考虑事物的模糊性，而忽视了它的随机性。如空军工程大学的周林运用多属性决策理论来进行目标威胁评估，对目标的各个属性采用G.A.Miller的9级量化理论进行量化来建立模型，参见周林，基于MADM威胁评估排序模型[J]，系统工程与电子技术，第23卷第1期，2001，18-19。该方法只能体现不同级别目标的威胁差异，而对于同一级别的目标得到的威胁评估是相同的。海军大连舰艇学院的高军亮运用模糊多目标决策理论来进行目标威胁评估，参见高军亮，基于模糊MODM的空袭目标威胁评估，指挥控制与仿真，第28卷第3期，2006，44-46。该方法通过建立影响目标威胁程度因素的数学模型来进行评估，其中的隶属函数能很好地反应出模糊性，而对于随机性则没有体现。

[0005] 由于威胁评估本身就是一个不确定的推理过程，它的不确定性包括模糊性和随机性。只有结合两者，才能得出符合实际的推理。以上方法都只考虑了模糊性方面，而没能体现随机性，因此会造成目标威胁排序的不准确性。同时，实时性也是应用中需要考虑的一个重要方面，而以上方法都没有涉及运行时间，从而无法体现运行时间的快慢，不能对每个时刻获取的目标信息进行处理以实现目标的威胁排序。

发明内容

[0006] 本发明的目的在于克服传统目标威胁评估方法只考虑事物的模糊性，而忽略了随机性的不足，提出了一种基于云模型推理的目标威胁排序方法，以实现对每个时刻获取的目标信息进行合理的威胁排序。

[0007] 本发明的技术方案是：基于李德毅教授提出的云模型理论，建立不确定性推理器，进行目标的威胁度估计和排序。具体实现过程包括如下：

[0008] (1)选择影响目标威胁排序的因素，确定云推理器的输入输出变量；选择目标类型L、目标速度V、目标航向角度Q、目标的高度H、目标干扰能力R和相对距离D六个因素作为输入变量，将目标威胁程度B作为输出变量，并设置输入输出变量的云模型参数和相应的等级以及目标影响因素的权值；

[0009] (2)将某个已知目标的各个因素数据和威胁程度数据输入云推理器中，根据步骤(1)中设置的参数和等级，计算并提取激活目标因素和威胁程度的最大确定度对应的等级，作为这个目标的推理规则；学习多个已知目标数据生成相应的推理规则，存储这些目标数据和相应的规则，构建成推理规则库；

[0010] (3)将当前目标i的各个因素数据输入云推理器，并根据步骤(1)中设置的参数和等级计算激活目标各个因素所对应的等级和确定度，分别选取激活目标各个因素对应等级的最大确定度和次大确定度以及对应的等级，其中，i∈(1，2，3，...，M)，M表示进行目标威胁排序的目标总个数；

[0011] (4)根据选取激活目标各个因素对应等级的最大和次大确定度和步骤(1)中设置的目标因素权值，分别计算激活目标的综合最大确定度U1和综合次大确定度U2：

[0012]

[0013] 其中，uj是所选取激活目标某个因素的最大确定度，vj是所选取激活目标某个因素的次大确定度，wj是目标某个因素的权值；

[0014] (5)根据选取激活目标各个因素的最大确定度和次大确定度对应的等级，在规则库中查找，得到目标威胁程度的等级；

[0015] (6)对综合最大确定度U1和综合次大确定度U2进行选择，如果U1＞＞U2，则忽略综合次大确定度U2，根据综合最大确定度U1激活目标威胁程度等级得到两个云滴(x1，U1)和(x2，U1)，经判断选取其中一个云滴的x值作为目标威胁程度输出；否则，根据综合最大确定度U1和综合次大确定度U2分别激活目标威胁程度等级的四个云滴(x1，U1)，(x2，U1)，(x3，U2)和(x4，U2)，选取最外侧的两个云滴，用几何云的方法构造一个虚拟云，并将虚拟云的期望值Ex作为目标威胁程度输出；

[0016] (7)从当前目标i转入下一目标i+1，并将计算结果赋值给i，若i≤M，执行步骤(3)；否则，执行步骤(8)；

[0017] (8)将每个目标的威胁程度按从大到小排列，得到目标威胁排序。

[0018] 步骤(3)中所述的目标各个因素激活对应等级的确定度，是指目标的某个因素隶属该等级的确定程度，该确定程度用如下公式计算：

[0019] ui＝exp(-(xi-Ex)2/2*(En′i)2)

[0020] 其中，xi为目标某个因素的输入数据，Ex，En和He分别为云模型的期望、熵和超2
熵，En′i为正态随机数，该随机数是以En为期望，He 为方差；

[0021] 步骤(6)中所述的综合最大确定度U1激活威胁程度规则得到两个云滴(x1，U1)和(x2，U1)，用如下公式计算：

[0022]

[0023] 其中，U1是综合最大确定度，Ex，En和He分别为云模型期望、熵和超熵，En′为正2
态随机数，该随机数是以En为期望，He 为方差。

[0024] 本发明与现有的技术相比具有以下优点：

[0025] 1)本发明由于基于云模型理论，设置了目标因素和威胁程度的云模型参数和相应的等级，目标因素和威胁程度的确定度的计算体现了模糊性，云滴的计算涉及到随机性，与传统方法相比，云模型综合了态势的模糊性和随机性，使得威胁评估结果更准确。

[0026] 2)本发明由于构建了推理规则库，能够根据实际情况添加推理规则，具有不断更新功能，能够对目标进行更全面的评估。

[0027] 3)仿真结果表明，本发明的运行时间小于一个雷达采样周期，能对每个时刻获取的目标信息进行处理得到目标威胁排序，符合现代战争中实时性的要求。

附图说明

[0028] 图1是本发明的实现流程图；

[0029] 图2是现有的目标威胁评估模型图；

[0030] 图3是现有的云模型示意图；

[0031] 图4是本发明的云推理器示意图。

具体实施方式

[0032] 参照图1，本发明的具体实现步骤如下：

[0033] 步骤1，选择影响目标威胁评估的因素，确定云推理器的输入输出变量，并设置输入输出变量的云模型参数和相应的等级以及目标影响因素的权值。

[0034] 首先，参照图2的目标威胁评估模型，选择目标类型L、目标速度V、目标航向角度Q、目标的高度H、目标干扰能力R和相对距离D六个因素作为输入变量，目标威胁程度B作为输出变量，根据经验设置输入输出变量的云模型参数和相应的等级，如表1～表7，云模型参照图3。

[0035] 表1 目标类型参数及等级

[0036]小型目标L1 大型目标L2 其他目标L3
Ex 0.1 0.5 0.9
En 0.1 0.1 0.1
He 0.001 0.001 0.001

[0037] 表2 目标速度参数及等级

[0038]慢速V1 低速V2 中速V3 快速V4 高速V5 超高速V6
Ex 0.0 0.9 1.8 3.0 4.0 5.0
En 0.2 0.13 0.2 0.3 0.3 0.3
He 0.001 0.001 0.001 0.001 0.001 0.001

[0039] 表3 目标高度参数及等级

[0040]超低空H1 低空H2 中空H3 高空H4 超高空H5
Ex 0.0 0.6 4.0 11.0 19.0
En 0.18 0.18 1.1 1.6 1.6
He 0.001 0.001 0.001 0.001 0.001

[0041] 表4 目标航向角参数及等级

[0042]很小Q1 小Q2 中等Q3 大Q4 很大Q5
Ex 0.0 6.0 12.0 20.0 30.0
En 2.0 1.0 2.0 2.0 2.0
He 0.01 0.01 0.01 0.01 0.01

[0043] 表5 目标相对距离参数及等级

[0044]很近D1 近D2 中等D3 远D4 很远D5
Ex 0.0 150.0 240.0 320.0 450.0
En 40.0 20.0 20.0 20.0 40.0
He 0.1 0.1 0.1 0.1 0.1

[0045] 表6 目标干扰能力参数及等级

[0046]无R1 弱R2 中R3 强R4
Ex 0.1 0.4 0.7 1.0
En 0.1 0.1 0.1 0.1
He 0.001 0.001 0.001 0.001

[0047] 表7 目标威胁程度参数及等级

[0048]极小 非常 较小 小 中 大 较大 非常大 极大
B1 小B2 B3 B4 B5 B6 B7 B8 B9
Ex 0.0 0.2 0.3 0.4 0.3 0.6 0.7 0.8 1.0
En 0.06 0.02 0.02 0.02 0.02 0.02 0.02 0.02 0.02
He 0.001 0.001 0.001 0.001 0.001 0.001 0.001 0.001 0.001[0049] 其次，采用相邻比较法设置目标各个因素的权值，如表8。

[0050] 表8 相邻比较法

[0051]

[0052] 其中，bj+1，j＝wj+1/wj，f1～f6分别表示目标的速度、类型、角度、高度、干扰能力和距离。

[0053] 步骤2，构建推理规则库。

[0054] 本发明通过学习多个已知目标数据生成相应的推理规则，存储这些目标数据和相应的规则，构建成推理规则库。获取推理规则方法如下：将某个已知目标的各个因素数据和威胁程度数据输入云推理器中，根据步骤1中设置的参数和等级，计算并提取激活目标因素和威胁程度的最大确定度对应的等级，作为这个目标的推理规则；例如某一目标各因素激活规则和威胁程度激活规则分别为L1，V2，Q2，R4，H3，D1和B6，则生成推理规则If L1，V2，Q2，R4，H3，D1，then B6；

[0055] 按照各个因素的论域范围并根据实际情况，如目标为直升机，则其飞行高度必为低空或超低空，速度不会超过0.9马赫，能够生成1447个目标，用多属性决策方法求得这些目标的威胁程度值。本发明提取了1447个目标的推理规则，并连同1447个目标数据存储于规则库中，构建成推理规则库。同样，对推理规则库根据实际情况进行及时更新或扩充。

[0056] 步骤3，将当前目标i的各个因素数据输入云推理器，参照图4的云推理器示意图，并根据步骤1中设置的参数和等级计算激活目标各个因素所对应的等级和确定度，分别选取激活目标各个因素对应等级的最大确定度和次大确定度以及对应的等级，其中，i∈(1，2，3，...，M)，M表示进行目标威胁排序的目标总个数。

[0057] 激活目标各个因素对应等级的确定度，其计算公式如下：

[0058] ui＝exp(-(xi-Ex)2/2*(En′i)2) (1)

[0059] 其中，xi为目标某个因素的输入数据，Ex，En和He分别为云模型的期望、熵和超2
熵，En′i为正态随机数，该随机数是以En为期望，He 为方差。

[0060] 步骤4，计算激活目标的综合最大确定度U1和综合次大确定度U2。

[0061] 激活目标的综合最大确定度U1和次大确定度U2，其计算公式如下：

[0062]

[0063] 其中，uj是所选取激活目标某个因素的最大确定度，vj是所选取激活目标某个因素的次大确定度，wj是某个因素的权值。

[0064] 步骤5，在推理规则库中查找，得到目标威胁程度的等级。

[0065] 将选取激活目标各个因素的最大确定度和次大确定度对应的等级，在推理规则库中查找，得到匹配目标数据和目标威胁程度的等级。例如，激活目标各个因素最大确定度对应的等级分别为L1，V2，Q2，R4，H3，D1，在规则库中查找得到匹配规则If L1，V2，Q2，R4，H3，D1，then B6和相应的匹配目标数据，则目标威胁程度的等级为B6。如果没有找到完全匹配的，则查找匹配其中五个因素的规则，以此类推直到找到为止。

[0066] 步骤6，对综合最大确定度U1和综合次大确定度U2进行选择。

[0067] (6a)如果U1≥5U2，则忽略综合次大确定度U2，根据综合最大确定度U1激活目标威胁程度等级得到两个云滴(x1，U1)和(x2，U1)，用如下公式计算：

[0068]

[0069] 其中，U1是综合最大确定度，Ex，En和He分别为云模型的期望、熵和超熵，En′为2
正态随机数，该随机数是以En为期望，He 为方差。

[0070] 经过判断选取其中一个云滴的x值作为目标威胁程度输出，其判断过程是：如果匹配目标的威胁程度值在x1和x2之间，比较当前目标与匹配目标的速度值的大小；若当前目标的速度值大于等于匹配目标的速度值，则选取x1；否则，选取x2；反之，匹配目标的威胁程度值在x1和x2之外，则取最接近威胁程度值的x值；

[0071] (6b)如果U1＜5U2，保留综合最大确定度U1和综合次大确定度U2，根据U1和U2分别激活目标威胁程度等级的四个云滴(x1，U1)，(x2，U1)，(x3，U2)和(x4，U2)；判断选取最外侧的两个云滴，若|x1-x4|＞|x2-x3|，选取(x1，U1)和(x4，U2)，否则，选取(x2，U1)和(x3，U2)；根据所选的两个云滴用几何云的方法构造一个虚拟云，并将虚拟云的期望值Ex作为目标威胁程度输出。

[0072] 虚拟云的期望值Ex，其计算公式如下：

[0073]

[0074] 其中，(xi，Uj)和(xn，Um)所选取的两个云滴。

[0075] 步骤7，从当前目标i转入下一目标i+1，并将计算结果赋值给i，若i≤M，执行步骤(3)；否则，执行步骤(8)。

[0076] 步骤8，将每个目标的威胁程度按从大到小排列，得到目标威胁排序。

[0077] 本发明的效果可通过以下验证进一步说明：

[0078] 1)实验条件

[0079] 实验中，16个目标数据来源于文献《基于MADM威胁评估排序模型[J]》，如表10；实验运行环境为Visual C++6.0。

[0080] 表10 16个目标数据

[0081]

[0082] 2)实验内容

[0083] 将本发明分别与周林的基于G.A.Miller的9级量化理论的MADM方法和高军亮的基于模糊理论的MODM方法进行比较。

[0084] 3)实验结果

[0085] 表11为本发明与周林的MADM方法、高军亮的MODM方法对16个目标进行威胁评估所得的威胁程度。

[0086] 表12为本发明与周林的MADM方法、高军亮的MODM方法对16个目标进行威胁评估所得的威胁排序。

[0087] 表11 16个目标威胁程度

[0088]目标 MADM MODM 本发明 目标 MADM MODM 本发明
1 0.6430 0.5638 0.6226 9 0.6067 0.5521 0.6194
2 0.6436 0.5867 0.6233 10 0.3589 0.3081 0.3788
3 0.8117 0.6972 0.8185 11 0.4622 0.4141 0.4739
4 0.7428 0.6444 0.7187 12 0.5306 0.4625 0.4750
5 0.5831 0.5216 0.5867 13 0.4808 0.4444 0.4805
6 0.4728 0.4154 0.4783 14 0.5722 0.5068 0.5748
7 0.5111 0.4605 0.5046 15 0.5643 0.5223 0.5838
8 0.5264 0.4822 0.5198 16 0.5739 0.4924 0.4786

[0089] 表12 16个目标威胁程度从大到小排序

[0090]MADM 3 4 2 1 9 5 16 14 15 12 8 7 13 6 11 10
MODM 3 4 2 1 9 15 5 14 16 8 12 7 13 6 11 10
本发明 3 4 2 1 9 5 15 14 8 7 13 16 6 12 11 10[0091] 从表12可见，本发明与现有两种方法的排序结果基本一致，并和周林的MADM方法排序结果较接近，但也有不同之处，如目标12和目标16，相比较而言本发明的排序更加合理。

[0092] 本发明对目标的运行时间为0.015秒，明显小于雷达的一个采样周期，这说明本发明能对每个时刻获取的目标信息进行威胁排序，满足现代战争对实时性的需求，具有一定的实用性。