基于遺傳-支持向量機的偵察無人機作戰(zhàn)效能評估

呂建科 朱靖 王濤

摘 要：偵察無人機作戰(zhàn)效能評估在實際偵察任務(wù)中具有重要意義。針對偵察無人機作戰(zhàn)效能評估過程中影響因素復(fù)雜、小樣本、非線性等問題，引入了支持向量機算法，為了提高評估的效率和有效性，引入遺傳算法對支持向量機的參數(shù)進行了優(yōu)選，提高了整體評估效率。仿真實驗結(jié)果表明遺傳-支持向量機模型可以準(zhǔn)確地對偵察無人機進行作戰(zhàn)效能評估，具有較好的計算精度。

關(guān)鍵詞：偵察無人機;作戰(zhàn)效能評估;遺傳算法;支持向量機

0引言

2019年以來，各國無人機在南海區(qū)域飛行頻次越來越多，其主要是針對南海區(qū)域環(huán)境進行任務(wù)偵察。由于網(wǎng)絡(luò)中心戰(zhàn)理念的不斷加深，新式武器裝備的列裝，南海區(qū)域環(huán)境越來越復(fù)雜，偵察無人機的偵察環(huán)境不盡人意，需要通過有效的手段對偵察無人機的作戰(zhàn)效能進行預(yù)先評估，因此，評估偵察無人機作戰(zhàn)效意義重大。

1 支持向量機回歸模型

在支持向量機模型中[1]，設(shè){（x1，y1），…，（xi，yi）} 表示訓(xùn)練樣本，xi∈Rm 表示樣本數(shù)據(jù)的第i個輸入，yi∈R 表示第i個數(shù)據(jù)輸出，按照支持向量機高維映射構(gòu)建所需要的回歸模型。設(shè)回歸模型為：

在公式（1）中，{}表示為內(nèi)積運算，ω 是運算的復(fù)雜程度，Rm 表示高維映射空間，b是常數(shù)。

當(dāng)求解這個回歸模型時，常常將回歸函數(shù)轉(zhuǎn)化成如下函數(shù)進行求解[1]：

在公式（2）和（3）中，ξ 表示函數(shù)的松弛變量，ξ≥0 ，C表示函數(shù)約束的懲罰參數(shù)，C>0。在求解過程中，需要對參數(shù)C和ξ進行參數(shù)優(yōu)選，優(yōu)選時公式（1）可以轉(zhuǎn)化為下式：

在公式（6）中，K（xi，xj） 表示符合Mercer條件的核函數(shù)，常見的核函數(shù)一般有四種，本文采用高斯核函數(shù)進行回歸評估。

支持向量機回歸效果如何與其所需要優(yōu)化的參數(shù)有極大的關(guān)系，因此為了更好的對偵察無人機的作戰(zhàn)效能進行評估，本文引入遺傳算法對參數(shù)進行優(yōu)化。

2 支持向量機參數(shù)自適應(yīng)遺傳優(yōu)化模型的建立

遺傳算法是一種群體尋優(yōu)算法，引入遺傳算法對懲罰參數(shù) 和核函數(shù)參數(shù) 進行優(yōu)化。優(yōu)化步驟為：

（1）采用實數(shù)編碼將作戰(zhàn)效能評估體系的各特征數(shù)據(jù)作為初始種群;

（2）將方差函數(shù)作為適應(yīng)度函數(shù);

（3）將經(jīng)典的交叉和變異因子來生成新的因子個體。

（4）通過物種的多樣性函數(shù)，以方差的大小設(shè)置閾值控制早熟現(xiàn)象。

（5）當(dāng)?shù)螖?shù)達到設(shè)置值時得到最優(yōu)值。

3 建立評估指標(biāo)體系

為了說明本文所提算法對偵察無人機作戰(zhàn)效能的有效評估，在總結(jié)了各種文獻的基礎(chǔ)上，引入文獻[3]同樣的評估指標(biāo)體系，即無人機的作戰(zhàn)半徑，實用升限，信息的搜集能力，信息的加工能力，人員操作水平和戰(zhàn)場環(huán)境的影響系數(shù)[3]。

（1）作戰(zhàn)半徑：偵察無人機依靠本身的能力，能夠飛行作戰(zhàn)的最大范圍，作戰(zhàn)半徑的大小直接影響著偵察無人機的作戰(zhàn)效能，其為一個定量數(shù)據(jù)。

（2）實用升限：偵察無人機能夠有效偵察所在的水平高度，其為一個定量數(shù)據(jù)。

（3）信息的搜集能力：能夠進行有效偵察任務(wù)時，無人機本身設(shè)備的性能能力，其為一個定性數(shù)據(jù)。

（4）信息的加工處理能力：能夠反映無人機情報加工和傳輸?shù)哪芰?，其為一個定性數(shù)據(jù)。

（5）人員操作水平：當(dāng)利用無人機進行偵察時，無人機的操作人員操作素質(zhì)、熟練度都會對作戰(zhàn)效能產(chǎn)生直接影響，其為一個定性數(shù)據(jù)。

（6）戰(zhàn)場環(huán)境系數(shù)：偵察無人機執(zhí)行任務(wù)時，其所處的自然環(huán)境和人為環(huán)境都會直接影響其作戰(zhàn)效能，其為一個定性數(shù)據(jù)。

在對上述指標(biāo)數(shù)據(jù)預(yù)處理過程中，定量數(shù)據(jù)保持原數(shù)據(jù)不變，定性數(shù)據(jù)采用從高到低表示強弱的9 級定量化方法進行處理。

4實際算例與分析

本文基于Matlab_R2014a平臺，編程實現(xiàn)了偵察無人機作戰(zhàn)效能評估算法，采用第三部分建立的評估指標(biāo)體系，利用遺傳-光滑支持向量算法進行作戰(zhàn)效能的評估。實驗數(shù)據(jù)集為參考文獻[3]中表4.1的數(shù)據(jù)，選取了前25個數(shù)據(jù)作為為訓(xùn)練集，后5條數(shù)據(jù)為測試集展開實例研究。為了驗證本文算法的預(yù)測效果，本文以APSO-SVM[4]和LS-SVM算法[5]進行比較分析。具體結(jié)果如圖3所示。

從圖3中可以看出，本文所提算法與原始數(shù)據(jù)最為吻合，APSO-SVM算法在第26、27和30組預(yù)測偏差較大，LS-SVM算法在第26組和30組偏差較大，因此，與其他兩種算法相比，本文算法的預(yù)測準(zhǔn)確性較高。

為了方便分析，在這里引入相對誤差進行分析，相對誤差數(shù)據(jù)見如表1所示，其比較分析如圖4所示。

從圖4和表1可以看出，與APSO-SVM算法和最小支持向量機回歸算法相比，本文算法的相對誤差較低，預(yù)測誤差絕對值都在4%以內(nèi)，而且相對比較穩(wěn)定。

綜上實例分析，本文提出的遺傳-支持向量機算法在作戰(zhàn)效能評估方面有較好的預(yù)測準(zhǔn)確率，具有較好的魯棒性和快速適應(yīng)性，可以滿足在復(fù)雜場景下偵察無人機作戰(zhàn)效能的評估。

5? 結(jié)論

本文構(gòu)建了遺傳-支持向量機模型對偵察無人機的作戰(zhàn)效能進行了評估。通過遺傳算法對支持向量機的懲罰參數(shù)和核參數(shù)進行了參數(shù)的優(yōu)選處理，提高了支持向量機回歸算法的計算效率。通過實例證明相較于APSO-SVM算法和LS-SVM算法，本文所提的算法具有較好的預(yù)測準(zhǔn)確率，同時具有較好的魯棒性和可擴展性，可以對場景復(fù)雜、擾動因素較多的作戰(zhàn)效能進行評估，這為不同作戰(zhàn)體系下的效能評估提供了重要的技術(shù)支撐，具有較高的實用價值。

參考文獻：

[1] Saunders C，Stitson M O，Weston J， et al. Support vector machine[J]. 2002，1（4）：1-28.

[2]? Kalyanmoy， AGRAWAL， Samir， et al. A fast elitist non-dominated sorting genetic algorithm for multi-objective optimization： NSGA-II [M]. Parallel Problem Solving from Nature PPSN VI. 2000：258-269

[3] 胡乃寬. 神經(jīng)網(wǎng)絡(luò)與支持向量機在無人機效能評估的應(yīng)用[D].沈陽航空航天大學(xué)，2018.

[4] 陳俠， 胡乃寬. 基于改進型支持向量機的偵察無人機作戰(zhàn)效能評估[J]. 火力與指揮控制， 2018， 043（010）：31-34.

[5] 代耀宗， 沈建京， 郭曉峰，等. 基于LS-SVM算法的實兵對抗演習(xí)作戰(zhàn)效能評估[J]. 火力與指揮控制， 2019， 44（04）：19-23.

作者簡介：

呂建科（1974-），男，漢，河北省辛集市，本科，高工，研究方向：軟件工程，信息融合.