一種基于麻雀搜索算法的空中目標(biāo)意圖預(yù)測(cè)方法*

邱楚楚，熊正祥*，吳廣宇，徐 池

（1.海軍大連艦艇學(xué)院，遼寧 大連 116018；2.解放軍91991 部隊(duì)，浙江 舟山 316041）

0 引言

空中目標(biāo)意圖預(yù)測(cè)作為艦艇防空作戰(zhàn)中態(tài)勢(shì)感知的關(guān)鍵環(huán)節(jié)，是指揮人員評(píng)估目標(biāo)威脅，制定抗擊方案，正確實(shí)施指揮決策的基礎(chǔ)，對(duì)于提高艦艇作戰(zhàn)能力具有重要的作用。同時(shí)，在信息化條件下，隨著戰(zhàn)場(chǎng)信息量劇增，敵我對(duì)抗復(fù)雜化，單純依靠人工方式難以準(zhǔn)確地預(yù)測(cè)敵方目標(biāo)的意圖［1］。因此，需要在作戰(zhàn)系統(tǒng)中嵌入意圖預(yù)測(cè)模塊，輔助指揮人員進(jìn)行對(duì)空防御指揮決策，從而更好地應(yīng)對(duì)空中威脅。

在意圖預(yù)測(cè)研究方面，早期主要通過(guò)邏輯推理和相似度匹配的方式進(jìn)行意圖的分析和預(yù)測(cè)，形成了基于貝葉斯網(wǎng)絡(luò)推理的意圖預(yù)測(cè)方法［2-3］，基于模糊Petri 網(wǎng)推理的意圖預(yù)測(cè)方法［4］，基于D-S 證據(jù)理論組合的意圖預(yù)測(cè)方法［5］和基于特征模板匹配的意圖預(yù)測(cè)方法［6］。這些方法雖然均能直觀、有效地預(yù)測(cè)目標(biāo)意圖，但其推理模型和模板均依靠專家經(jīng)驗(yàn)進(jìn)行構(gòu)建，而在復(fù)雜戰(zhàn)場(chǎng)環(huán)境下，可能存在專家經(jīng)驗(yàn)不足的問(wèn)題，導(dǎo)致這些方法不能夠較好地適用于復(fù)雜戰(zhàn)場(chǎng)環(huán)境下的目標(biāo)意圖預(yù)測(cè)。近年來(lái)，隨著人工智能的發(fā)展，許多新技術(shù)被運(yùn)用到意圖預(yù)測(cè)中。其中，機(jī)器學(xué)習(xí)通過(guò)對(duì)數(shù)據(jù)的自學(xué)習(xí)而不依賴專家經(jīng)驗(yàn)構(gòu)建內(nèi)部參數(shù)框架的特點(diǎn)，較好地克服了傳統(tǒng)預(yù)測(cè)方法的缺陷，形成了以BP 神經(jīng)網(wǎng)絡(luò)為代表的人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型［7-8］和支持向量機(jī)預(yù)測(cè)模型［9-10］。

BP 神經(jīng)網(wǎng)絡(luò)能夠?qū)崿F(xiàn)數(shù)據(jù)的非線性映射，泛化能力強(qiáng)，對(duì)于未知數(shù)據(jù)的分類效果較好，但需要有大量的樣本數(shù)據(jù)作為學(xué)習(xí)基礎(chǔ)。而艦艇防空作戰(zhàn)中空中目標(biāo)的意圖數(shù)據(jù)獲取難度較大，屬于稀疏類數(shù)據(jù)，數(shù)據(jù)規(guī)模以小樣本為主，故無(wú)法滿足BPNN 對(duì)大樣本的需要，難以滿足防空作戰(zhàn)對(duì)意圖預(yù)測(cè)的高準(zhǔn)確性和強(qiáng)穩(wěn)定性的要求。基于小樣本的機(jī)器學(xué)習(xí)方法可較好地解決此類問(wèn)題。目前，常用的小樣本機(jī)器學(xué)習(xí)方法主要有基于支持向量機(jī)和基于極限學(xué)習(xí)機(jī)的方法。其中，基于前饋式網(wǎng)絡(luò)的極限學(xué)習(xí)機(jī)在泛化性上具有一定優(yōu)勢(shì)，而基于統(tǒng)計(jì)學(xué)習(xí)理論的支持向量機(jī)有更高的準(zhǔn)確性和穩(wěn)定性，故綜合考慮支持向量機(jī)更加符合防空作戰(zhàn)中意圖預(yù)測(cè)的需要。但SVM 的預(yù)測(cè)效果主要取決于內(nèi)部懲罰參數(shù)和核參數(shù)的尋優(yōu)情況，而傳統(tǒng)遺傳算法在參數(shù)尋優(yōu)時(shí)存在收斂速度慢，尋優(yōu)結(jié)果差的情況，從而無(wú)法使SVM 的分類性能達(dá)到最佳。針對(duì)上述問(wèn)題，提出一種基于麻雀搜索算法優(yōu)化支持向量機(jī)的空中目標(biāo)意圖預(yù)測(cè)方法，采用SVM 作為意圖預(yù)測(cè)的主體部分，契合樣本規(guī)模實(shí)際，同時(shí)運(yùn)用全新的群智能算法SSA 完善尋優(yōu)機(jī)制，構(gòu)建SSA-SVM 空中目標(biāo)意圖預(yù)測(cè)模型，通過(guò)仿真實(shí)驗(yàn)驗(yàn)證模型的有效性，為艦艇防空作戰(zhàn)中更好地進(jìn)行空中目標(biāo)意圖預(yù)測(cè)提供一種可行的方法。

1 意圖預(yù)測(cè)的描述與分析

目標(biāo)意圖作為一個(gè)抽象事物，不具有可視性，無(wú)法被直接觀測(cè)，需要通過(guò)目標(biāo)的運(yùn)動(dòng)狀態(tài)、屬性等可觀測(cè)到的參數(shù)變量進(jìn)行間接判斷。因此，目標(biāo)意圖預(yù)測(cè)問(wèn)題的實(shí)質(zhì)就是利用觀測(cè)到的信息對(duì)其意圖進(jìn)行推測(cè)［11］。

在艦艇防空作戰(zhàn)中，空中平臺(tái)常見(jiàn)的行動(dòng)意圖一般有偵察、攻擊、掩護(hù)、監(jiān)視和其他。艦艇可通過(guò)自身探測(cè)設(shè)備或外部支援方式獲取空中平臺(tái)的相關(guān)信息，包括平臺(tái)的高度、速度、航向、方位、距離等，并在此基礎(chǔ)上，從中提取與意圖有關(guān)的信息作為特征參數(shù)，輸入到預(yù)測(cè)模型中進(jìn)行意圖推測(cè)。相關(guān)的信息傳輸流程如圖1 所示。

圖1 意圖預(yù)測(cè)的信息傳輸流程圖Fig.1 Information transmission flow chart of Intention Prediction

目標(biāo)信息與意圖間的關(guān)系如下：

1）目標(biāo)高度：戰(zhàn)斗機(jī)在攻擊艦艇時(shí)，通常采用低空突防戰(zhàn)術(shù)，以躲避艦艇雷達(dá)的搜索，此時(shí)目標(biāo)的飛行高度較低，可至幾百米；偵察機(jī)和預(yù)警機(jī)在執(zhí)行偵察和監(jiān)視任務(wù)時(shí)，需要避免受到艦艇防空火力的打擊，此時(shí)目標(biāo)的飛行高度較高，可至幾萬(wàn)米。

2）目標(biāo)速度：戰(zhàn)斗機(jī)在執(zhí)行攻擊任務(wù)時(shí)，通常為達(dá)成壓縮敵方的抗擊時(shí)間，增大敵方抗擊成本的目的，會(huì)以高速接近敵方艦艇，在執(zhí)行掩護(hù)任務(wù)時(shí)，則會(huì)與被掩護(hù)的目標(biāo)保持相近的速度；偵察機(jī)和預(yù)警機(jī)在執(zhí)行偵察和監(jiān)視任務(wù)時(shí)，通常為保證更長(zhǎng)的留空時(shí)間，進(jìn)而發(fā)揮平臺(tái)的最佳性能，會(huì)以經(jīng)濟(jì)航速（中低速）進(jìn)行巡航。

3）目標(biāo)距離：戰(zhàn)斗機(jī)通常會(huì)突防至百公里左右，發(fā)射導(dǎo)彈對(duì)敵方艦艇進(jìn)行攻擊；偵察機(jī)和預(yù)警機(jī)作為空中情報(bào)收集和指揮平臺(tái)，屬于重要戰(zhàn)術(shù)節(jié)點(diǎn)，通常在百公里以外對(duì)敵方編隊(duì)進(jìn)行偵察和監(jiān)視，避免遭受敵方打擊。

4）目標(biāo)航向、方位：目標(biāo)航向和方位與意圖的關(guān)聯(lián)性不強(qiáng)，但由航向和方位可以計(jì)算出目標(biāo)的敵向角，該信息與意圖關(guān)聯(lián)緊密。通常，戰(zhàn)斗機(jī)攻擊艦艇時(shí)，會(huì)直接朝著艦艇的方位接近，此時(shí)敵向角較小，對(duì)艦艇的威脅較大，而在掩護(hù)其他目標(biāo)時(shí)，不會(huì)直接朝著艦艇的方位，敵向角較大，對(duì)艦艇的威脅較??；偵察機(jī)和預(yù)警機(jī)執(zhí)行偵察和監(jiān)視任務(wù)時(shí)，通常不會(huì)朝著艦艇的方向飛行，避免觸發(fā)艦艇的火力反擊，故敵向角較大。

5）目標(biāo)屬性：戰(zhàn)斗機(jī)通常屬于中小型目標(biāo)，而偵察機(jī)和預(yù)警機(jī)通常屬于中大型目標(biāo)。因此，當(dāng)觀測(cè)到目標(biāo)屬性為中小型時(shí)，目標(biāo)意圖為攻擊和掩護(hù)的可能性較大；當(dāng)觀測(cè)到目標(biāo)屬性為中大型時(shí)，目標(biāo)意圖為偵察和監(jiān)視的可能性較大。

綜上分析，確定從目標(biāo)觀測(cè)信息中提取得到的與意圖關(guān)聯(lián)的特征參數(shù)為目標(biāo)高度、速度、距離、敵向角和屬性。

2 SSA-SVM 空中目標(biāo)意圖預(yù)測(cè)模型構(gòu)建

2.1 支持向量機(jī)

支持向量機(jī)（support vector machine，SVM）是建立在統(tǒng)計(jì)學(xué)習(xí)理論、VC 維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理基礎(chǔ)上的機(jī)器學(xué)習(xí)方法［12］。與BPNN 相比，SVM 對(duì)樣本的數(shù)量需求低，能夠較好地對(duì)小樣本、非線性、多緯數(shù)的問(wèn)題進(jìn)行求解。

在對(duì)數(shù)據(jù)進(jìn)行分類時(shí)，SVM 將數(shù)據(jù)由低維空間映射至高維空間，并在高維空間中采用間隔最大化的學(xué)習(xí)策略，求解最優(yōu)分類平面，從而完成對(duì)數(shù)據(jù)的最佳分類，使分類正確率達(dá)到最高。分類平面的函數(shù)表達(dá)式為：

其中，x 為數(shù)據(jù)的特征向量；y 為數(shù)據(jù)標(biāo)簽；wT為分類平面的法向量；b 為分類平面的偏移量。

對(duì)于最優(yōu)分類平面的求解，可引入拉格朗日因子α 和懲罰參數(shù)C，利用拉格朗日對(duì)偶特性，將問(wèn)題轉(zhuǎn)化為式（2）的形式。

求解式（2），可得到最優(yōu)分類平面參數(shù)w*和b*為：

其中，α*為最優(yōu)的拉格朗日因子。同時(shí)，為避免數(shù)據(jù)在空間轉(zhuǎn)化過(guò)程中內(nèi)積產(chǎn)生的龐大計(jì)算量，通常引入核函數(shù)來(lái)替代數(shù)據(jù)特征向量的內(nèi)積，則式（3）可表示為：

則最優(yōu)分類平面的函數(shù)表達(dá)式為：

由式（2）～式（5）可知，最優(yōu)分類平面實(shí)際上取決于懲罰參數(shù)C 和核函數(shù)K 中參數(shù)。因此，C 和K中參數(shù)的好壞就決定了SVM 分類性能的強(qiáng)弱。

2.2 麻雀搜索算法

麻雀搜索算法（sparrow search algorithm，SSA）是一種全新群智能優(yōu)化算法，根據(jù)麻雀種群的捕食和反捕食的覓食策略進(jìn)行迭代尋優(yōu)，找到空間中能量最高的位置［13］，則該位置參數(shù)即為所求解問(wèn)題的最優(yōu)解。

通常，麻雀進(jìn)行覓食時(shí)，種群中存在3 類角色，分別是發(fā)現(xiàn)者、加入者和警戒者。發(fā)現(xiàn)者所處位置好，擁有的能量高，負(fù)責(zé)為加入者提供高能食物的區(qū)域和方向；加入者所處位置較差，擁有的能量低，但具有較強(qiáng)的感知能力，能夠感知發(fā)現(xiàn)者的位置，并向其接近，獲取更多的能量；警戒者由一定數(shù)量的發(fā)現(xiàn)者和加入者擔(dān)負(fù)，負(fù)責(zé)種群覓食過(guò)程中的反捕食工作，發(fā)現(xiàn)危險(xiǎn)時(shí)及時(shí)發(fā)出警報(bào)，并在發(fā)現(xiàn)者的帶領(lǐng)下逃脫［14］。假設(shè)各麻雀的位置Xi為d 維行向量，其中，i 為麻雀編號(hào)，則種群中發(fā)現(xiàn)者、加入者和警戒者的位置變換分別表示為式（6）～式（8）：的隨機(jī)數(shù)；η 為［-1，1］中的一個(gè)隨機(jī)數(shù)；ε 為一極小常數(shù)。

SSA 的尋優(yōu)步驟如下：

Step 1 初始化種群，設(shè)置種群規(guī)模Num，發(fā)現(xiàn)者、加入者、警戒者的數(shù)量Dr、Fr、Ar，最大迭代次數(shù)Tmax，初始位置X0，警戒閾值S；

Step 2 將種群中各麻雀的初始位置代入SVM中，計(jì)算各麻雀適應(yīng)度值（能量值），并對(duì)適應(yīng)度值由大至小排序，找到最大和最小適應(yīng)度值的麻雀；

Step 3 選取適應(yīng)度值排序前Dr 只的麻雀作為種群中的發(fā)現(xiàn)者，按式（6）進(jìn)行位置變換；

Step 4 選取剩余的Fr 只麻雀作為種群中的加入者，按式（7）進(jìn)行位置變換；

Step 5 隨機(jī)選取Ar 只麻雀作為種群中的警戒者，按式（8）進(jìn)行位置變換；

Step 6 計(jì)算種群中各麻雀位置變換后的適應(yīng)度值，并由大至小排序，找到最大和最小適應(yīng)度值的麻雀；

Step 7 對(duì)比位置變換前后的最大適應(yīng)度值，若變換后的大于變換前的，則此代種群的最優(yōu)位置為變換后的位置，反之，則為變換前的位置；

Step 8 若當(dāng)前代數(shù)t＜Tmax，則返回Step 3 執(zhí)行；反之，則輸出最優(yōu)位置參數(shù)。

SSA 的尋優(yōu)流程如圖2 所示。

圖2 SSA 的尋優(yōu)流程圖Fig.2 Optimization flow chart of SSA

2.3 模型組成和運(yùn)行

SSA-SVM 空中目標(biāo)意圖預(yù)測(cè)模型由數(shù)據(jù)處理模塊、參數(shù)尋優(yōu)模塊、機(jī)器訓(xùn)練模塊和機(jī)器識(shí)別模塊組成。各模塊間的信息傳遞情況如圖3 所示。

圖3 模型各組成模塊間信息傳遞情況Fig.3 Information transmission status among each component module of the model

1）數(shù)據(jù)處理模塊：該模塊用于對(duì)目標(biāo)樣本數(shù)據(jù)進(jìn)行標(biāo)簽化和歸一化處理，得到符合機(jī)器使用的無(wú)量綱數(shù)據(jù)，并將其中的訓(xùn)練樣本數(shù)據(jù)傳輸給參數(shù)尋優(yōu)模塊和機(jī)器訓(xùn)練模塊，將測(cè)試樣本數(shù)據(jù)傳輸給機(jī)器預(yù)測(cè)模塊。

2）參數(shù)尋優(yōu)模塊：該模塊用于尋找SVM 中懲罰參數(shù)C 和核參數(shù)的最優(yōu)值。通過(guò)接收數(shù)據(jù)處理模塊傳輸?shù)挠?xùn)練樣本數(shù)據(jù)和機(jī)器訓(xùn)練模塊傳輸?shù)膽土P參數(shù)C 和核參數(shù)的區(qū)間范圍，運(yùn)用SSA 找出最優(yōu)懲罰參數(shù)C 和核參數(shù)，并返回給機(jī)器訓(xùn)練模塊。

3）機(jī)器訓(xùn)練模塊：該模塊用于確定SVM 的最優(yōu)分類平面參數(shù)。通過(guò)接收數(shù)據(jù)處理模塊傳輸?shù)挠?xùn)練樣本數(shù)據(jù)和參數(shù)尋優(yōu)模塊返回的最優(yōu)懲罰參數(shù)C和核參數(shù)，進(jìn)行機(jī)器自學(xué)習(xí)，得到最優(yōu)分類平面參數(shù)w*和b*，并傳輸給機(jī)器預(yù)測(cè)模塊。

4）機(jī)器預(yù)測(cè)模塊：該模塊用于預(yù)測(cè)目標(biāo)意圖。通過(guò)接收機(jī)器訓(xùn)練模塊傳輸?shù)淖顑?yōu)平面參數(shù)w*和b*，生成最優(yōu)分類平面，對(duì)數(shù)據(jù)處理模塊傳輸?shù)臏y(cè)試樣本數(shù)據(jù)進(jìn)行目標(biāo)意圖預(yù)測(cè)，并與目標(biāo)真實(shí)意圖進(jìn)行對(duì)比，檢驗(yàn)?zāi)Ｐ偷念A(yù)測(cè)準(zhǔn)確性。

SSA-SVM 空中目標(biāo)意圖預(yù)測(cè)模型的運(yùn)行流程如圖4 所示。

圖4 模型運(yùn)行流程圖Fig.4 Flow chart of model operation

模型運(yùn)行的主要步驟如下：

Step 1 數(shù)據(jù)處理：將目標(biāo)樣本數(shù)據(jù)中的離散型特征參數(shù)和目標(biāo)意圖轉(zhuǎn)化為數(shù)值標(biāo)簽，再對(duì)同類特征參數(shù)進(jìn)行歸一化處理；

Step 2 確定SVM 結(jié)構(gòu)：確定SVM 的核函數(shù)類型，設(shè)置懲罰參數(shù)C 和核參數(shù)的區(qū)間范圍；

Step 3 SSA 參數(shù)尋優(yōu)：將懲罰參數(shù)C 和核參數(shù)作為種群的位置參數(shù)，求參數(shù)最優(yōu)解；

Step 4 機(jī)器訓(xùn)練：根據(jù)最優(yōu)的懲罰參數(shù)C 和核參數(shù)，利用訓(xùn)練樣本數(shù)據(jù)進(jìn)行機(jī)器自學(xué)習(xí)，得到SVM 的最優(yōu)分類平面參數(shù)w*和b*；

Step 5 意圖預(yù)測(cè)和準(zhǔn)確性檢驗(yàn)：根據(jù)最優(yōu)分類平面參數(shù)w*和b*，生成SVM 的最優(yōu)分類平面，將測(cè)試樣本數(shù)據(jù)中的特征參數(shù)輸入SVM 中，輸出目標(biāo)的意圖預(yù)測(cè)數(shù)值標(biāo)簽，得到目標(biāo)對(duì)應(yīng)意圖，并與目標(biāo)真實(shí)意圖進(jìn)行對(duì)比，檢驗(yàn)預(yù)測(cè)的準(zhǔn)確性。

3 模型仿真分析比較

通過(guò)SSA-SVM 與GA-SVM 和BPNN 意圖預(yù)測(cè)情況的仿真分析比較，檢驗(yàn)SSA-SVM 的預(yù)測(cè)性能。

3.1 數(shù)據(jù)準(zhǔn)備

目標(biāo)樣本數(shù)據(jù)采用文獻(xiàn)［15］中的數(shù)據(jù)，并根據(jù)特征參數(shù)的設(shè)置，將目標(biāo)數(shù)據(jù)中的航向角和方位角轉(zhuǎn)化為敵向角，則得到的訓(xùn)練樣本數(shù)據(jù)和測(cè)試樣本數(shù)據(jù)分別如表1 和表2 所示。

表1 訓(xùn)練樣本數(shù)據(jù)Table 1 Data of training samples

表2 測(cè)試樣本數(shù)據(jù)Table 2 Data of test samples

其中，目標(biāo)的離散型特征參數(shù)屬性和目標(biāo)意圖按照表1、表2 中的標(biāo)注轉(zhuǎn)化為對(duì)應(yīng)數(shù)值標(biāo)簽。

3.2 仿真參數(shù)設(shè)置

參照GA 算法和SSA 算法常用的典型參數(shù)設(shè)置，具體如下：

GA 參數(shù)設(shè)置：種群規(guī)模Num=20，最大迭代次數(shù)Tmax=50，代溝gap=0.9，種群初始位置由系統(tǒng)隨機(jī)生成。

BPNN 參數(shù)設(shè)置：輸入層、輸出層、隱含層節(jié)點(diǎn)數(shù)in=5，out=5，hid=10，最大迭代次數(shù)Tmax=50，初始權(quán)值和閾值由系統(tǒng)隨機(jī)生成。

SSA 參數(shù)設(shè)置：種群規(guī)模Num=20，最大迭代次數(shù)Tmax=50，發(fā)現(xiàn)者數(shù)量Dr=4，加入者數(shù)量Fr=16，警戒者數(shù)量Ar=4，警戒閾值S=0.8，種群初始位置由系統(tǒng)隨機(jī)生成。

SVM 參數(shù)設(shè)置：選取應(yīng)用最廣泛的徑向基函數(shù)（RBF）作為SVM 的核函數(shù)，則其核參數(shù)為g。設(shè)置懲罰參數(shù)C 的區(qū)間范圍為［10-6，102］，核參數(shù)g 的區(qū)間范圍為［10-6，103］。

3.3 仿真分析比較

3.3.1 SSA-SVM 和GA-SVM 對(duì)比

運(yùn)用MATLAB R2016a 軟件對(duì)SSA-SVM 和GA-SVM 進(jìn)行仿真實(shí)驗(yàn)，得到SSA-SVM 和GASVM 參數(shù)尋優(yōu)的收斂情況，如圖5 所示。

圖5 SSA-SVM 和GA-SVM 參數(shù)尋優(yōu)的收斂曲線Fig.5 Convergence curve of parameter optimization of SSA-SVM and GA-SVM

由圖5 可知，SSA-SVM 相比GA-SVM 具有更快的收斂速度和更高的適應(yīng)度值。因此，SSA-SVM的參數(shù)尋優(yōu)能力更強(qiáng)，能夠?qū)ふ业礁鼉?yōu)的懲罰參數(shù)C 和核參數(shù)，從而提高模型的預(yù)測(cè)準(zhǔn)確性。

3.3.2 SSA-SVM 和BPNN 對(duì)比

運(yùn)用MATLAB R2016a 軟件對(duì)SSA-SVM 和BPNN 進(jìn)行6 次獨(dú)立重復(fù)實(shí)驗(yàn)，得到SSA-SVM 和BPNN 的意圖預(yù)測(cè)結(jié)果，如圖6 所示。

圖6 SSA-SVM 和BPNN 意圖預(yù)測(cè)結(jié)果Fig.6 Intention prediction results of SSA-SVM and GA-SVM

由圖6 可知，SSA-SVM 各次的預(yù)測(cè)結(jié)果均一致，預(yù)測(cè)正確率為90%；而BPNN 各次的預(yù)測(cè)結(jié)果均不一致，預(yù)測(cè)正確率分別為30%、80%、40%、70%、50%、60%，相互間差異明顯，且最高的正確率低于SSA-SVM。因此，SSA-SVM 相比BPNN 具有更高的預(yù)測(cè)準(zhǔn)確性，且預(yù)測(cè)結(jié)果穩(wěn)定，無(wú)波動(dòng)情況。

綜合上述實(shí)驗(yàn)結(jié)果分析可知，在進(jìn)行意圖預(yù)測(cè)時(shí)，GA-SVM 的參數(shù)尋優(yōu)收斂較慢，適應(yīng)度值較低，導(dǎo)致尋優(yōu)能力較弱，無(wú)法獲取SVM 最優(yōu)的懲罰參數(shù)C 和核參數(shù)，使得預(yù)測(cè)準(zhǔn)確性無(wú)法達(dá)到最佳；而BPNN 在小樣本數(shù)據(jù)預(yù)測(cè)中，由于樣本數(shù)量較少，使得各次實(shí)驗(yàn)中網(wǎng)絡(luò)的權(quán)值和閾值差異較大，導(dǎo)致預(yù)測(cè)結(jié)果不穩(wěn)定，隨機(jī)性較強(qiáng)且準(zhǔn)確性高低差異較大。因此，GA-SVM 和BPNN 均不利于艦艇防空作戰(zhàn)中指揮人員對(duì)空中目標(biāo)意圖準(zhǔn)確和穩(wěn)定的掌握，無(wú)法滿足防空作戰(zhàn)意圖預(yù)測(cè)對(duì)高準(zhǔn)確性和強(qiáng)穩(wěn)定性的需求，將影響指揮決策的實(shí)施。與上述兩模型相比，SSA-SVM 在利用SSA 克服了GA 參數(shù)尋優(yōu)能力不足的同時(shí)，以SVM 作為意圖預(yù)測(cè)的主體部分，克服了BPNN 在小樣本數(shù)據(jù)下預(yù)測(cè)穩(wěn)定性和準(zhǔn)確性的缺陷，提高了對(duì)空中目標(biāo)意圖預(yù)測(cè)的準(zhǔn)確性，保證了預(yù)測(cè)結(jié)果的穩(wěn)定，從而提升了預(yù)測(cè)性能，將有利于艦艇防空作戰(zhàn)中指揮人員更有效地掌握空中目標(biāo)意圖，為輔助指揮人員實(shí)施指揮決策提供了更有力的保障。

4 結(jié)論

本文提出了一種基于SSA-SVM 的空中目標(biāo)意圖預(yù)測(cè)方法，構(gòu)建了SSA-SVM 空中目標(biāo)意圖預(yù)測(cè)模型，并通過(guò)仿真實(shí)驗(yàn)對(duì)該模型性能進(jìn)行了檢驗(yàn)。結(jié)果表明，在艦艇防空作戰(zhàn)空中目標(biāo)意圖預(yù)測(cè)中，SSA-SVM 相比GA-SVM 的參數(shù)尋優(yōu)能力更強(qiáng)，相比BPNN 具有更高的預(yù)測(cè)準(zhǔn)確性和更穩(wěn)定的預(yù)測(cè)結(jié)果。因此，模型的預(yù)測(cè)性能得到了較大的提升，可以滿足空中目標(biāo)意圖預(yù)測(cè)對(duì)高準(zhǔn)確性和強(qiáng)穩(wěn)定性的需求，為艦艇防空作戰(zhàn)中更好地進(jìn)行空中目標(biāo)意圖預(yù)測(cè)提供了一種可行的方法，從而為更有效地輔助指揮人員掌握空中態(tài)勢(shì)，實(shí)施指揮決策提供了有力的支持。下一步在此基礎(chǔ)上對(duì)參數(shù)的學(xué)習(xí)效果進(jìn)行分析研究，以更加完善地對(duì)SSA-SVM 算法進(jìn)行學(xué)習(xí)。