改進(jìn)ELM的毀傷類電磁目標(biāo)威脅評估

高志揚, 祝 利, 安永旺, 范鵬程

(電子工程學(xué)院, 合肥 230037)

0 引言

毀傷類電磁目標(biāo)是指在一定作戰(zhàn)區(qū)域內(nèi),敵方運用電磁輻射引導(dǎo)精確打擊或?qū)嵤╇姶盼锢頁p傷行動,對我方電子信息設(shè)備、系統(tǒng)及相關(guān)武器系統(tǒng)或人員造成戰(zhàn)場生存威脅的武器裝備、系統(tǒng)的統(tǒng)稱。未來強(qiáng)敵作戰(zhàn)背景下,制電磁權(quán)的爭奪必將激烈,毀傷類電磁目標(biāo)將有可能對我方武器裝備與系統(tǒng)構(gòu)成極大威脅,深入分析毀傷類電磁目標(biāo)威脅機(jī)理,評價與估計其對我方構(gòu)成的威脅程度,具有一定的現(xiàn)實意義?，F(xiàn)階段對于毀傷類電磁目標(biāo)威脅評估仍面臨諸多現(xiàn)實問題,通過深入分析目標(biāo)威脅機(jī)理,針對性建立威脅評估指標(biāo)體系;同時,為有效解決主觀性、復(fù)雜性與時間約束性方面的問題,提出了基于云ELM的毀傷類電磁目標(biāo)威脅評估方法,以期能夠解決在未來作戰(zhàn)中面臨的實際問題。

1 毀傷類電磁目標(biāo)威脅評估指標(biāo)體系

威脅評估屬于實驗室聯(lián)席會所定義的數(shù)據(jù)融合模型中的3級數(shù)據(jù)融合過程[1],是以目標(biāo)機(jī)會、能力與意圖[2]為依據(jù),以目標(biāo)狀態(tài)、屬性估計與態(tài)勢評估為基礎(chǔ)的高層級信息融合技術(shù)[3]。

以上述三類要素為基礎(chǔ),對應(yīng)引申為目標(biāo)平臺威脅、目標(biāo)性能威脅與作戰(zhàn)運用威脅三類,其中垂直網(wǎng)格表示定性屬性,斜線網(wǎng)格表示定量屬性,具體評估指標(biāo)體系如圖1所示。

圖1 毀傷類電磁目標(biāo)威脅評估指標(biāo)體系

1.1 目標(biāo)平臺威脅

1)通聯(lián)能力

通聯(lián)能力是目標(biāo)所屬平臺之間、平臺與偵察引導(dǎo)設(shè)備之間以及平臺與指揮控制系統(tǒng)之間相互通信聯(lián)絡(luò)、協(xié)調(diào)配合的能力,為定性屬性。通聯(lián)能力對于目標(biāo)之間協(xié)同毀傷、高效確定作用對象與及時改變作戰(zhàn)意圖和作用對象具有重要意義[4]。

表1 通聯(lián)能力評價標(biāo)準(zhǔn)及定性描述

2)生存能力

生存能力是指目標(biāo)所屬平臺能夠借助假目標(biāo)、誘餌、隱身、超音速、超低空等多種方式[5],實現(xiàn)自身的抗發(fā)現(xiàn)、抗干擾、抗攔截與反摧毀,為定性屬性。

表2 生存能力評價標(biāo)準(zhǔn)及定性描述

3)瞬時速度

瞬時速度是指目標(biāo)被我方偵察裝備或系統(tǒng)發(fā)現(xiàn)時的速度,單位為Ma,為定量屬性。目標(biāo)速度越快意味著突防能力越強(qiáng),對我方防御系統(tǒng)帶來的威脅與挑戰(zhàn)越大,威脅程度越高,歸一化后越接近于1，威脅程度越高。

4)瞬時距離

瞬時距離是指目標(biāo)與可能作用對象之間的空間直線距離,單位為km,為定量屬性。瞬時距離的值越小意味著發(fā)現(xiàn)目標(biāo)的時刻越晚,對我方造成的威脅程度越高,歸一化后,數(shù)值越接近于0，威脅程度越高,反之越低。

5)剩余飛行時間

剩余飛行時間是指目標(biāo)從被我方偵察裝備或系統(tǒng)發(fā)現(xiàn)時刻起的位置到擊中作用對象的飛行時間,單位為s,為定量屬性。剩余飛行時間越短,對我方防御系統(tǒng)的要求越高,威脅越大。歸一化后越接近于0,威脅程度越高,反之越低。

6)有效射程

有效射程武器是指目標(biāo)對我方實施毀傷威脅時,能達(dá)到預(yù)期的精度和威力要求的距離,單位為km,為定量屬性。有效射程歸一化后,越接近于1，威脅程度越高,反之越低。

1.2 目標(biāo)性能威脅

1)目標(biāo)類型

目標(biāo)類型是指目標(biāo)包含的敵方毀傷類武器裝備與系統(tǒng)的種類和型號,為定性屬性,并且屬于集合概念,按照目標(biāo)類型對毀傷類電磁目標(biāo)進(jìn)一步分類,以便區(qū)分單個目標(biāo)威脅程度上的差異。

表3 目標(biāo)類型評價標(biāo)準(zhǔn)與定性描述

2)毀傷精度

毀傷精度指毀傷類電磁目標(biāo)散布中心相對于作用對象中心的偏差,單位為m,為定量屬性。毀傷精度越高意味著毀傷效率越高,單個目標(biāo)破壞能力就越強(qiáng),對我方的威脅程度越高,歸一化后數(shù)值越接近于0,威脅程度越高。

3)毀傷方式

毀傷方式是指毀傷類電磁目標(biāo)引導(dǎo)所屬平臺打擊、摧毀作用對象的方法,為定性屬性。

表4 毀傷方式評價標(biāo)準(zhǔn)及定性描述

4)毀傷威力

毀傷威力是指目標(biāo)所攜帶戰(zhàn)斗部的摧毀與殺傷能力,衡量方式為戰(zhàn)斗部重量,為定量屬性,單位為kg。屬性值歸一化后越接近于1，威脅程度越高,反之越低。

1.3 作戰(zhàn)運用威脅

1)來波方位

來波方位是指天線接收來波的平面夾角。對于毀傷類電磁目標(biāo),由于目標(biāo)電磁波指向性較強(qiáng),波束較前兩類電磁目標(biāo)稍窄,因此,來波方位是指目標(biāo)電磁波主瓣與目標(biāo)到作用對象連線的夾角,為定量屬性,單位為(°),90°威脅程度最高,0°威脅程度最低。

2)作用對象類型

目標(biāo)類型是指目標(biāo)包含的敵方毀傷類武器裝備與系統(tǒng)的種類與型號,為定性屬性,并且屬于集合概念,考慮到降效類電磁目標(biāo)在單個目標(biāo)上的差異,按照目標(biāo)類型對降效類電磁目標(biāo)進(jìn)一步分類,以便區(qū)分單個目標(biāo)威脅程度上的差異。

表5 作用對象類型評價標(biāo)準(zhǔn)與定性描述

3)作用對象防護(hù)能力

作用對象防護(hù)能力是在前一屬性基礎(chǔ)上分析我方武器裝備與系統(tǒng)的防護(hù)能力[6],為定性屬性,作用對象防護(hù)能力越強(qiáng),遭到毀傷類電磁威脅目標(biāo)壓制與干擾影響的可能性就越小,對我方作戰(zhàn)效能的發(fā)揮影響程度就越低,威脅程度就越低。

表6 作用對象防護(hù)能力評價標(biāo)準(zhǔn)與定性描述

2 基于云ELM的目標(biāo)威脅評估方法

評估方法主要分為訓(xùn)練模型構(gòu)建與目標(biāo)威脅評估兩部分,核心環(huán)節(jié)為訓(xùn)練模型的構(gòu)建。在某種意義上,由于訓(xùn)練模型得到的參數(shù)直接用于目標(biāo)威脅評估,因此構(gòu)建的優(yōu)劣程度直接決定評估結(jié)果能否正確、可靠,基本流程圖如圖2所示。

圖2 訓(xùn)練模型與評估模型

2.1 云評語集

圖3 云評語集

2.2 極限學(xué)習(xí)機(jī)

j=1,2,…,N

(1)

式中:βj=[βj1,βj2,…,βjm]T表示連接隱藏層第j個單元與輸出單元的權(quán)重向量;wj=[wj1,wj2,…,wjn]T表示輸入層與隱藏層第j個單元之間的權(quán)重向量;bj表示第j個隱層節(jié)點的偏置;oi表示與ti相對應(yīng)的設(shè)計輸出向量,若能夠零誤差逼近ti,則達(dá)到理想預(yù)期:

(2)

即存在βj、wj與bj,使得:

j=1,2,…,N

(3)

用矩陣表達(dá)形式簡寫為:Hβ=T,其中:

(4)

求解上述最小二乘問題能夠得出網(wǎng)絡(luò)參數(shù):

β=H+T=(HTH)-1HTT

(5)

式中:H+表示隱含層輸出矩陣H的Moore-Penrose廣義陣。

2.3 轉(zhuǎn)換公式

由于定性屬性集的元素?zé)o法被極限學(xué)習(xí)機(jī)識別處理,因此借助前文提到的云發(fā)生器轉(zhuǎn)換輸出為定性處理集(定量屬性),具體表示為:

Sq→sq(x)=xqi·μ(xqi)

(6)

式中:Sq為對第i個屬性的定性評價;xqi為論域內(nèi)對XQi的一次隨機(jī)出現(xiàn);xqi為定性評價落在云族中的隨機(jī)數(shù);μ(xqi)為xqi的確定度,即云族內(nèi)可能取μ(xqi)的概率。借助云模型概念與上述公式將定性屬性轉(zhuǎn)換為定量表示并進(jìn)一步用極限學(xué)習(xí)機(jī)處理。

2.4 威脅度合成公式

(7)

3 案例仿真

3.1 信息采集與處理

某背景下的部分毀傷類電磁目標(biāo)屬性信息如表7所示,要求在盡短時間內(nèi)對表內(nèi)目標(biāo)威脅程度進(jìn)行評估。根據(jù)目標(biāo)屬性信息類別,尋找數(shù)據(jù)庫中先驗信息,如表8、表9所示,將其作為訓(xùn)練集與結(jié)論信息,供調(diào)整模型參數(shù)使用。對于兩表內(nèi)的定性屬性信息對應(yīng)相應(yīng)的云評語集借助轉(zhuǎn)換公式進(jìn)行轉(zhuǎn)換,定量信息按照同屬性歸一化的方式進(jìn)行處理。

表7 目標(biāo)屬性信息

表8 訓(xùn)練集屬性信息

表9 訓(xùn)練集(評估結(jié)論信息)

3.2 模型參數(shù)選擇

調(diào)整適應(yīng)的內(nèi)容主要指極限學(xué)習(xí)機(jī)的隱藏層神經(jīng)元數(shù)目與激勵函數(shù)類型,激勵函數(shù)主要包括Sigmoidal函數(shù)、Sine函數(shù)、Radial Basis函數(shù)與Hardlim函數(shù),圖4依次展示了對應(yīng)上述激勵函數(shù)的訓(xùn)練精度與檢驗精度隨隱藏層神經(jīng)元數(shù)目的變化規(guī)律。通過分析可以發(fā)現(xiàn)在神經(jīng)元數(shù)目達(dá)到一定程度,訓(xùn)練精度與檢驗精度均趨于穩(wěn)定,并且均分別達(dá)到到10-25與10-5以上,但Hardlim函數(shù)能夠得到較高的訓(xùn)練精度,而Sigmoidal函數(shù)能夠得到較高的檢驗精度,考慮到后文的目標(biāo)威脅評估實際上是某種意義上的檢驗集評估,因此選取Sigmoidal函數(shù)作為激勵函數(shù),該激勵函數(shù)條件下神經(jīng)元數(shù)目達(dá)到115以上基本趨于平穩(wěn)[12],為盡可能縮短運算時間而又確保精度的前提下,選取120為隱藏層神經(jīng)元數(shù)目。

3.3 目標(biāo)威脅評估

利用上述模型,對表7中的目標(biāo)進(jìn)行評估,其威脅程度的定量表示與對應(yīng)的云模型定性描述如圖5所示,為了增強(qiáng)比較性,說明改進(jìn)方法的有效性,與云支持向量機(jī)(SVM)評估的結(jié)論進(jìn)行比較,由圖知對于定量表示的目標(biāo)威脅程度具有一定的差異,但對于定性表示的目標(biāo)威脅程度除目標(biāo)4外基本保持一致,目標(biāo)威脅程度排序情況基本一致。

為了進(jìn)一步說明指標(biāo)體系與方法的優(yōu)越性,將目標(biāo)數(shù)目及其屬性數(shù)目增多,分析文中指標(biāo)體系與評估方法的適應(yīng)性,驗證其能否滿足作戰(zhàn)實際需要,借助云SVM[13]對相同對象進(jìn)行了比較驗證。實驗證明,在屬性數(shù)目與目標(biāo)數(shù)較低情況下,上述兩種方法時間復(fù)雜度差異不大,精度方面云ELM稍遜于云SVM[14],隨著屬性數(shù)目與目標(biāo)數(shù)逐步提升,云ELM在保持較高精度的情況下,保持10倍以上的時間優(yōu)勢,因此云ELM對于大量目標(biāo)及其屬性問題具有極高的解決能力。

圖4 模型訓(xùn)練精度與檢驗精度隨不同激勵函數(shù)的變化

圖5 目標(biāo)威脅評估結(jié)論

圖6 時間復(fù)雜度比較分析

圖7 精確度比較分析

4 結(jié)束語

針對毀傷類電磁目標(biāo)威脅評估領(lǐng)域存在的現(xiàn)實問題,構(gòu)建了與之相適應(yīng)的指標(biāo)體系,提出了基于云ELM的毀傷類電磁目標(biāo)威脅評估方法,以案例仿真的形式驗證指標(biāo)體系與方法的可行性,并與云SVM[15]對相同對象進(jìn)行評估,比較其精確度與時間復(fù)雜度。仿真結(jié)果表明,運用文中的指標(biāo)體系與評估方法,能夠?qū)哂行颖?、高時效性要求的毀傷類電磁目標(biāo)進(jìn)行評估,具備定量表示、目標(biāo)排序表示與定性表示三種目標(biāo)威脅程度的表示方法,較云SVM能夠更為省時、高效的實現(xiàn)評估。

參考文獻(xiàn):

[1] WHITE F. A model for data fusion [C]∥Proceedings of the First National Symposium on Sensor Fusion.[S.l.:s.n.] 1988: 143-158.

[2] STEINBERG A N, BOWMAN C L, WHITE F E. Revisions to the JDL data fusion model [C]∥DASARATHY B V. Proc. SPIE 3719. [S.l.:s.n.], 1998: 430-441.

[3] ZHANG Yinyan, LI Bicheng, CUI Jiawei. Method of target threat assessment based on cloudy bayesian network [J]. Computer Science, 2013(10): 127-131.

[4] 張克, 劉永才. 關(guān)于導(dǎo)彈武器系統(tǒng)作戰(zhàn)效能評估問題的探討 [J]. 宇航學(xué)報, 2002, 23(2): 58-66.

[5] 孫一杰, 曾靜, 楊先德. 基于變權(quán)重的多因子來襲導(dǎo)彈威脅評估 [J]. 艦船電子工程, 2010, 30(7): 45-48.

[6] 倪鵬, 張納溫, 李景濤, 等. 反導(dǎo)作戰(zhàn)中多TBM威脅評估模型研究 [J]. 現(xiàn)代防御技術(shù), 2011, 39(5): 35-41.

[7] 張鑫, 萬新敏, 李爭, 等. 運用AHP和云重心評價法的彈道導(dǎo)彈威脅評估 [J]. 空軍雷達(dá)學(xué)院學(xué)報, 2010, 24(5): 340-343.

[8] 王守信, 張莉, 王帥, 等. 一種目標(biāo)可滿足性定性、定量表示與推理方法 [J]. 軟件學(xué)報, 2011, 22(4): 593-608.

[9] 陳昊, 李兵, 路艷麗. 基于自適應(yīng)直覺模糊推理的威脅評估方法 [J]. 電子與信息學(xué)報, 2007, 29(12): 2805-2809.

[10] 張銀燕, 李弼程, 崔家瑋. 基于云貝葉斯網(wǎng)絡(luò)的目標(biāo)威脅評估方法 [J]. 計算機(jī)科學(xué), 2013(10): 127-131.

[11] HUANG Guangbin, ZHOU Hongming, DING Xiaojian, et al. Extreme learning machine for regression and multiclass classification [J]. IEEE Transactions on Systems, MAN, and Cybernetics:Part B( Cybernetics), 2012, 42(2): 513-529.

[12] YANG Yimin, JONATHAN Q M， WU. Extreme learning machine with subnetwork hidden nodes for regression and classification [J]. IEEE Transactions on Cybernetics, 2016, 46(12): 2885-2898.

[13] 王定成, 方廷健, 唐毅, 等. 支持向量機(jī)回歸理論與控制的綜述 [J]. 模式識別與人工智能, 2003, 16(2): 192-197.

[14] 張芬, 陶亮. 一種改進(jìn)的SVM回歸估計算法 [J]. 計算機(jī)技術(shù)與發(fā)展, 2008, 18(9): 57-59.

[15] 王利偉, 王姣. 云-SVM模型及在數(shù)控機(jī)床刀具磨損狀態(tài)預(yù)測中的應(yīng)用 [J]. 組合機(jī)床與自動化加工技術(shù), 2012(9): 25-27.