改進ELM的毀傷類電磁目標威脅評估

高志揚, 祝 利, 安永旺, 范鵬程

(電子工程學院, 合肥 230037)

0 引言

毀傷類電磁目標是指在一定作戰區域內,敵方運用電磁輻射引導精確打擊或實施電磁物理損傷行動,對我方電子信息設備、系統及相關武器系統或人員造成戰場生存威脅的武器裝備、系統的統稱。未來強敵作戰背景下,制電磁權的爭奪必將激烈,毀傷類電磁目標將有可能對我方武器裝備與系統構成極大威脅,深入分析毀傷類電磁目標威脅機理,評價與估計其對我方構成的威脅程度,具有一定的現實意義。現階段對于毀傷類電磁目標威脅評估仍面臨諸多現實問題,通過深入分析目標威脅機理,針對性建立威脅評估指標體系;同時,為有效解決主觀性、復雜性與時間約束性方面的問題,提出了基于云ELM的毀傷類電磁目標威脅評估方法,以期能夠解決在未來作戰中面臨的實際問題。

1 毀傷類電磁目標威脅評估指標體系

威脅評估屬于實驗室聯席會所定義的數據融合模型中的3級數據融合過程[1],是以目標機會、能力與意圖[2]為依據,以目標狀態、屬性估計與態勢評估為基礎的高層級信息融合技術[3]。

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

圖1 毀傷類電磁目標威脅評估指標體系

1.1 目標平臺威脅

1)通聯能力

通聯能力是目標所屬平臺之間、平臺與偵察引導設備之間以及平臺與指揮控制系統之間相互通信聯絡、協調配合的能力,為定性屬性。通聯能力對于目標之間協同毀傷、高效確定作用對象與及時改變作戰意圖和作用對象具有重要意義[4]。

表1 通聯能力評價標準及定性描述

2)生存能力

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

表2 生存能力評價標準及定性描述

3)瞬時速度

瞬時速度是指目標被我方偵察裝備或系統發現時的速度,單位為Ma,為定量屬性。目標速度越快意味著突防能力越強,對我方防御系統帶來的威脅與挑戰越大,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現目標的時刻越晚,對我方造成的威脅程度越高,歸一化后,數值越接近于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從被我方偵察裝備或系統發現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對我方實施毀傷威脅時,能達到預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 目標性能威脅

1)目標類型

目標類型是指目標包含的敵方毀傷類武器裝備與系統的種類和型號,為定性屬性,并且屬于集合概念,按照目標類型對毀傷類電磁目標進一步分類,以便區分單個目標威脅程度上的差異。

表3 目標類型評價標準與定性描述

2)毀傷精度

毀傷精度指毀傷類電磁目標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,單個目標破壞能力就越強,對我方的威脅程度越高,歸一化后數值越接近于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引導所屬平臺打擊、摧毀作用對象的方法,為定性屬性。

表4 毀傷方式評價標準及定性描述

4)毀傷威力

毀傷威力是指目標所攜帶戰斗部的摧毀與殺傷能力,衡量方式為戰斗部重量,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,由于目標電磁波指向性較強,波束較前兩類電磁目標稍窄,因此,來波方位是指目標電磁波主瓣與目標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

目標類型是指目標包含的敵方毀傷類武器裝備與系統的種類與型號,為定性屬性,并且屬于集合概念,考慮到降效類電磁目標在單個目標上的差異,按照目標類型對降效類電磁目標進一步分類,以便區分單個目標威脅程度上的差異。

表5 作用對象類型評價標準與定性描述

3)作用對象防護能力

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

表6 作用對象防護能力評價標準與定性描述

2 基于云ELM的目標威脅評估方法

評估方法主要分為訓練模型構建與目標威脅評估兩部分,核心環節為訓練模型的構建。在某種意義上,由于訓練模型得到的參數直接用于目標威脅評估,因此構建的優劣程度直接決定評估結果能否正確、可靠,基本流程圖如圖2所示。

圖2 訓練模型與評估模型

2.1 云評語集

圖3 云評語集

2.2 極限學習機

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個單元之間的權重向量;bj表示第j個隱層節點的偏置;oi表示與ti相對應的設計輸出向量,若能夠零誤差逼近ti,則達到理想預期:

(2)

即存在βj、wj與bj,使得:

j=1,2,…,N

(3)

用矩陣表達形式簡寫為:Hβ=T,其中:

(4)

求解上述最小二乘問題能夠得出網絡參數:

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 轉換公式

由于定性屬性集的元素無法被極限學習機識別處理,因此借助前文提到的云發生器轉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為論域內對XQi的一次隨機出現;xqi為定性評價落在云族中的隨機數;μ(xqi)為xqi的確定度,即云族內可能取μ(xqi)的概率。借助云模型概念與上述公式將定性屬性轉換為定量表示并進一步用極限學習機處理。

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屬性信息如表7所示,要求在盡短時間內對表內目標威脅程度進行評估。根據目標屬性信息類別,尋找數據庫中先驗信息,如表8、表9所示,將其作為訓練集與結論信息,供調整模型參數使用。對于兩表內的定性屬性信息對應相應的云評語集借助轉換公式進行轉換,定量信息按照同屬性歸一化的方式進行處理。

表7 目標屬性信息

表8 訓練集屬性信息

表9 訓練集(評估結論信息)

3.2 模型參數選擇

調整適應的內容主要指極限學習機的隱藏層神經元數目與激勵函數類型,激勵函數主要包括Sigmoidal函數、Sine函數、Radial Basis函數與Hardlim函數,圖4依次展示了對應上述激勵函數的訓練精度與檢驗精度隨隱藏層神經元數目的變化規律。通過分析可以發現在神經元數目達到一定程度,訓練精度與檢驗精度均趨于穩定,并且均分別達到到10-25與10-5以上,但Hardlim函數能夠得到較高的訓練精度,而Sigmoidal函數能夠得到較高的檢驗精度,考慮到后文的目標威脅評估實際上是某種意義上的檢驗集評估,因此選取Sigmoidal函數作為激勵函數,該激勵函數條件下神經元數目達到115以上基本趨于平穩[12],為盡可能縮短運算時間而又確保精度的前提下,選取120為隱藏層神經元數目。

3.3 目標威脅評估

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

為了進一步說明指標體系與方法的優越性,將目標數目及其屬性數目增多,分析文中指標體系與評估方法的適應性,驗證其能否滿足作戰實際需要,借助云SVM[13]對相同對象進行了比較驗證。實驗證明,在屬性數目與目標數較低情況下,上述兩種方法時間復雜度差異不大,精度方面云ELM稍遜于云SVM[14],隨著屬性數目與目標數逐步提升,云ELM在保持較高精度的情況下,保持10倍以上的時間優勢,因此云ELM對于大量目標及其屬性問題具有極高的解決能力。

圖4 模型訓練精度與檢驗精度隨不同激勵函數的變化

圖5 目標威脅評估結論

圖6 時間復雜度比較分析

圖7 精確度比較分析

4 結束語

針對毀傷類電磁目標威脅評估領域存在的現實問題,構建了與之相適應的指標體系,提出了基于云ELM的毀傷類電磁目標威脅評估方法,以案例仿真的形式驗證指標體系與方法的可行性,并與云SVM[15]對相同對象進行評估,比較其精確度與時間復雜度。仿真結果表明,運用文中的指標體系與評估方法,能夠對具有小樣本、高時效性要求的毀傷類電磁目標進行評估,具備定量表示、目標排序表示與定性表示三種目標威脅程度的表示方法,較云SVM能夠更為省時、高效的實現評估。

參考文獻:

[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. 關于導彈武器系統作戰效能評估問題的探討 [J]. 宇航學報, 2002, 23(2): 58-66.

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

[6] 倪鵬, 張納溫, 李景濤, 等. 反導作戰中多TBM威脅評估模型研究 [J]. 現代防御技術, 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彈威脅評估 [J]. 空軍雷達學院學報, 2010, 24(5): 340-343.

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

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

[10] 張銀燕, 李弼程, 崔家瑋. 基于云貝葉斯網絡的目標威脅評估方法 [J]. 計算機科學, 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. 一種改進的SVM回歸估計算法 [J]. 計算機技術與發展, 2008, 18(9): 57-59.

[15] 王利偉, 王姣. 云-SVM模型及在數控機床刀具磨損狀態預測中的應用 [J]. 組合機床與自動化加工技術, 2012(9): 25-27.