基于改進Elman神經網絡的目標威脅度預測評估

徐公國，段修生

(解放軍軍械工程學院，河北 石家莊 050003)

基于改進Elman神經網絡的目標威脅度預測評估

徐公國，段修生

(解放軍軍械工程學院，河北 石家莊 050003)

針對地面防空作戰中目標威脅度難以準確評估的問題，提出了基于改進Elman神經網絡的目標威脅度動態預測評估方法。該方法利用量子粒子群智能優化(QPSO)算法對Elman神經網絡進行了改進，提出了QPSO-Elman神經網絡，并基于優化的QPSO-Elman神經網絡構建了目標威脅度的動態預測評估模型。仿真分析表明，該方法有效解決了目標威脅度的動態評估問題，預測結果更加準確且實用性強，增強了防空系統的作戰能力。

目標威脅度；Elman神經網絡；量子粒子群優化算法；防空作戰

0 引言

在地面防空武器系統中，特別是防空C3I系統中，目標威脅度評估是武器-目標配對問題中的關鍵技術。只有對來襲目標的威脅度進行準確評估，才能為多目標準確配置防空武器，進而實現對重點目標進行精確打擊。目標威脅度評估是涉及多層次的、動態的不確定性知識推理問題，目前主要有模糊推理[1]、層次分析[2]、多屬性決策[3]、專家系統[4]、貝葉斯推理[5]和神經網絡[6]等求解方法。模糊推理方法適用于數據模糊情況，有很強的泛化能力,但結果不夠精確；層次分析和多屬性決策方法簡單，但會耗費大量計算時間；專家系統和貝葉斯推理雖為智能算法，但時需要事先設置固定的模型推理結構，系統的動態適應能力不強。

神經網絡是近年來一種新型智能求解算法，能夠動態自適應建模且具有很強的學習能力，成為新的研究熱點，在模式識別、控制和預測等領域得到了廣泛應用，并取得良好的效果。由于Elman神經網絡強大的適應能力和學習能力，針對戰場環境下數據的動態多變性，相比層次分析、專家系統、模糊推理等方法能夠更好地解決該問題。但是與傳統神經網絡一樣，Elman神經網絡也存在收斂速度慢、容易陷入局部最小值等缺點。現有的改進方法多針對算法原理和網絡結構進行，這兩種改進策略算法復雜度較大，適用性不強且不易工程實現。本文針對上述問題，提出了基于改進Elman神經網絡的目標威脅度預測評估方法。

1 目標威脅度影響因素和基本理論

1.1 目標威脅度影響因素的選取

影響目標威脅度評估的因素有很多，針對不同的作戰任務的側重點也會不一樣。針對地面防空作戰的特點，目標威脅度主要根據目標類型，目標的速度、航向、距離，是否有攻擊意圖以及目標的干擾能力等因素綜合確定的。

目標類型：常見目標類型有轟炸機、戰斗機、偵察機、直升機等各類飛機以及各種導彈等，不同類型的目標對我方的威脅程度截然不同。一般情況下，轟炸機、戰斗機、偵察機、直升機對我方的威脅程度依次減小。

目標速度：目標飛行速度越大，說明處理防御的時間越少，則其威脅程度越高。

目標航向：目標航行的方向與目標和防空區域中心連線的夾角越小，目標的攻擊意圖越明顯，目標的威脅度越大。

目標機動方式：機動方式指相對于防空區域的機動方式，一般分為巡航、盤旋、俯沖。其中俯沖的攻擊意圖最明顯，目標的威脅程度最大，盤旋次之，巡航最小。

目標距離：目標距離是指目標與防空區域邊界的距離，目標距離越小，目標的威脅度越高。

目標飛臨時間：飛臨時間是指目標到達防空火力發射區近界的時間，其值越小，武器系統和戰術決策的準備時間越短，目標的威脅度就越高。

目標的干擾能力：干擾能力是指目標對我方武器裝備實施電子干擾的能力，干擾能力越強，目標威脅程度越高。

目標的抗干擾能力：抗干擾能力是指目標對抵御我方電子干擾的能力，同樣抗干擾能力越強，目標威脅程度越高。

除此之外，為更加符合實際戰場環境，還需要考慮目標攜帶的武器，目標的戰術編隊，打擊目標的火控需求等其他因素。

1.2 Elman神經網絡

Elman神經網絡[7]是一種典型的動態的神經網絡，它是在BP網路的基本結構的基礎上，通過內部存儲狀態使其具備映射動態特征的功能，從而使系統具有適應時變特性的能力。

如圖1所示， Elman神經網絡的結構與BP神經網絡不同的是Elman神經網絡分為了四層即輸入層、隱含層、承接層和輸出層。其中隱含層單元的傳遞函數可以采用線性或非線性函數，承接層用來記憶隱含層單元前一時刻的輸出值并返回給網絡的輸入，可以認為是一個演示算子。Elman神經網絡這種自聯式的結構使其對歷史狀態的數據具有敏感性，內部反饋網絡的加入增加了網絡本身處理動態信息的能力，從而達到動態建模的目的。

Elman神經網絡的非線性狀態表達式為：

y(k)=g(w3·x(k-1))

(1)

(2)

(3)

其中，w1為承接層與隱含層之間的連接權值，w2為輸入層與隱含層之間的連接權值，w3為隱含層與輸出層之間的連接權值，且一般情況下權值w1取單位陣。Elman神經網絡權值修正算法與BP神經網絡相同，均為梯度下降法，誤差函數則為：

(4)

1.3QPSO優化算法

與BP神經網絡一樣，Elman神經網絡仍然采用梯度下降法進行權值、閾值的誤差修正，容易陷入局部最小值，且對初始權值、閾值的依賴性很強。然而，實際算法中，初始權值、閾值的設置是隨機產生的，對測試數據的適應性無法得到保證，從而會影響到最終的訓練結果。因此引入QPSO智能優化算法對Elman神經網絡初始權值、閾值進行優化，從而使神經網絡有更好的預測效果。

針對普通粒子群優化(PSO)算法全局尋優能力不佳的缺陷，SunJun等[8]在量子理論的基礎之上，提出了具有量子行為的粒子群優化(QPSO)算法。與普通PSO算法相比，QPSO算法因引入量子特性，粒子以概率的方式出現在某個位置上，沒有了固定的運動軌跡和限制區域，這就使得粒子可以在整個解空間中進行搜索，極大地提高了粒子的全局尋優能力。 該模型中粒子的位置由波函數來描述，粒子的狀態變化則由薛定諤方程決定。通過蒙特卡羅隨機模擬的方法得到粒子的位置方程為：

x(t)=Q±L/2ln(1/μ)

(5)

其中，μ是在[0,1]上服從均勻分布的隨機數，L、Q則由下面的公式計算而來。

(6)

Q(t)=φpib(t)+(1-φ)pgb(t)

(7)

其中，β為收縮擴張因子，通常情況下隨著迭代次數線性地從1遞減到0.5，計算公式為：β=1-0.5(iter/iterm)，式中iter是當前迭代次數，iterm是最大迭代次數。mbest是粒子群pbest的中間位置，即平均值，計算公式為：

(8)

其中，φ是在[0,1]上服從均勻分布的隨機數，pib(t)表示第t次迭代時第i個粒子的當前最優位置，pgb(t)表示第t次迭代時所有粒子的全局最優位置。進而粒子的位置更新方程為：

(9)

其中，rand(t)的取值如下式所示：

(10)

其中，λ是隨機產生的隨機數，且在[0,1]上服從均勻分布。

2 基于QPSO-Elman神經網絡的目標威脅度預測評估方法

2.1 基于QPSO的改進Elman神經網絡

現階段，對神經網絡的改進主要集中在算法原理和網絡結構的改進，復雜度高且不易實現。因此，本文利用QPSO算法對Elman神經網絡的參數選擇進行優化，該優化策略原理簡單易于工程實現，有很大的工程應用價值。之所以采用QPSO智能優化算法，是因為QPSO算法有更好的尋優性能。而傳統PSO算法有收斂速度較慢，全局尋優能力不強，易陷入局部最優等缺點[9-12]。

利用QPSO優化Elman神經網絡首先要解決的是如何用粒子來表示神經網絡的權值和閾值，以便進行優化搜索。考慮到Elman有w1、w2、w3三類連接權值，除此之外還需要設置隱含層和輸出層的閾值，取隱含層閾值數組為φ1，輸出層閾值數組為φ2。則粒子位置編碼可表示為：

x=[w1,w2,w3,φ1,φ2]

(11)

若輸入層、隱含層和輸出層的數目分別為n1、n2、n3，則經計算粒子的維數為n1·(n1+n2+n3)+n2+n3。QPSO-Elman神經網絡算法的具體流程如圖2所示。

2.2 目標威脅度預測評估方法的求解步驟

至此，進行目標威脅度評估的核心算法已經設計完畢，下面給出基于QPSO-Elman神經網絡進行目標目標威脅度評估預測的具體步驟。

步驟1：依據歷史作戰數據，獲得目標威脅度評估的經驗數據，即訓練數據和測試數據；

步驟2：Elman神經初始化設置，網絡結構的搭建，輸入層、隱含層、輸出層數目的確定，誤差迭代次數、迭代精度及傳輸函數的設置；

步驟3：QPSO的初始化，包括粒子群的數目與初始值，初始收縮擴張因子β，最大迭代次數iterm，全局最優pgb(t)和當前最優pib(t)的初始值；

步驟5：判斷適應值是否達到精度要求，迭代步數是否達到最大迭代次數iterm，否則利用式(9)對粒子進行更新，并返回步驟3對下一代粒子進行適應值判斷；

步驟6：迭代結束，將最優粒子值賦給神經網絡權值和閾值，再用全部測試數據進行大規模的訓練，最后得出優化訓練的神經網絡；

步驟7:利用訓練后的神經網絡進行目標威脅度預測，當有新的目標出現時，只需將目標的參數值輸入訓練后的神經網絡即可得到目標威脅度值。

3 仿真實驗與分析

在上文研究的基礎上，我們了解了影響目標威脅度的各種因素，并設計了目標威脅度的預測評估求解算法。下面將通過實例詳細分析目標威脅度評估預測的過程，并對QPSO-Elman神經網絡改進算法進行性能評估。

采集20組數據來訓練神經網絡，數據如表1所示，考慮的目標威脅度影響因素有目標類型、目標速度、目標航向、目標距離以及目標干擾能力。此外，表中目標威脅度值獲取于參考文獻[11]，一般根據歷史經驗由各影響因素線性加權得來。針對目標類型和干擾能力非定量屬性，需設定相應的量化標準，以便于數據處理。對于目標類型轟炸機、戰斗機、直升機、偵察機，依次量化為8,6，4，2；干擾能力強、中、弱則依次量化為9，6，3。

神經網絡隱含層的激活函數多采用sigmoid函數，凈輸入數據的絕對值過大會使神經元輸出飽和，進而使權值調整進入誤差曲面的平坦區。因此，為了保證神經網絡的穩定運行、提高網絡的學習速度和網絡精度，對樣本數據進行歸一化處理。本文采用將輸入輸出數據變換到0至1之間的處理方法，計算方法式(12)所示。

X*=(X-Xmin)/(Xmax-Xmin)

(12)

其中，Xmax為輸入數據的最大值，Xmin為輸入數據的最小值，X為原始數據，X*為歸一化后的數據。

表1 訓練數據

(13)

表2 測試數據

此外，神經網絡訓練迭代次數為1 000次，重復運行次數100次。QPSO-Elman神經網絡中，粒子群的數目取為100，最大迭代數為100，收縮擴張因子β=1-0.5(iter/iterm)，短期訓練迭代步數為100。實驗結果如表3所示，預測誤差適應值收斂曲線如圖3所示。

表3 QPSO-Elman神經網絡目標威脅度預測值

由表3易得在誤差允許范圍內，QPSO-Elman神經網絡能夠實現快速準確地對目標威脅度的準確預測評估，能夠滿足防空作戰的需求，由此說明構建的模型是行之有效的。

由圖3可見，通過引入QPSO優化算法使得Elman神經網絡的預測誤差得到有效的收斂，且能在較短迭代步數內達到誤差精度要求。此外，通過實驗發現，相較于標準粒子群算法，QPSO優化算法有更強的全局搜索能力，對于Elman神經網絡的優化效果更好。

改進后的QPSO-Elman神經網絡與BP神經網絡和標準Elman神經網絡預測誤差對比如表4和圖4所示，可以看出改進后的QPSO-Elman神經網絡預測誤差更小，且有更強的穩定性。

表4 預測誤差比較

4 結論

本文提出了基于改進QPSO-Elman神經網絡的目標威脅度預測評估求解辦法。該方法利用QPSO智能尋優算法對Elman神經網絡進行了改進，提出了QPSO-Elman神經網絡，并基于優化的QPSO-Elman神經網絡構建了目標威脅度預測評估模型。仿真分析表明，QPSO-Elman神經網絡的初始參數設置更加合理，預測結果也更加準確；相較于傳統的目標威脅度評估辦法，所建模型有著很強的動態適應能力，比較符合戰場需求且易于工程實現，對優化整個地面防空武器系統的作戰性能有著重要的作用。

[1]童俊,單甘霖. 基于Vague集的TOPSIS法求解目標優先級[J]. 火力與指揮控制, 2012(5):140-143.

[2]陳秀真,鄭慶華,管曉宏，等.層次化網絡安全威脅態勢量化評估方法[J].軟件學報, 2006, 17(4):885-897.

[3]魯華,周德云. 基于灰色分析的對地多目標攻擊戰術規劃研究[J].計算機工程與應用, 2011(4):239-241.

[4]劉順利,陳亞生,陳琳. 基于Agent的空中目標威脅度評估模型[J].彈箭與制導學報, 2010(6):212-215.

[5]楊健,高文逸,劉軍.一種基于貝葉斯網絡的威脅評估方法[J].解放軍理工大學學報(自然科學版), 2010, 11(1):43-48.

[6]江克宇,馮根生,龔建輝. 坦克火力運用智能系統目標威脅度評估模塊[J]. 火力與指揮控制, 2013(7):135-137.

[7]郭嬌嬌.基于改進Elman神經網絡的短期電力負荷預測[D].沈陽：沈陽工業大學，2015.

[8]Sun J. A global search strategy of quantum behaved particle swarm optimization[C]//Proceedings of IEEE conference on Cybernetics and Intelligent Systems, 2004: 111-116.

[9]田路,張煒,楊正偉. Elman型神經網絡在液體火箭發動機故障預測中的應用[J]. 彈箭與制導學報, 2009(1):191-194.

[10]劉實,閆巖,徐立新. 靜電探測器信號采集與目標特性預測方法研究[J]. 探測與控制學報, 2007,29(2),20-22.

[11]王改革,郭立紅,段紅,等. 基于Elman_AdaBoost強預測器的目標威脅評估模型及算法[J]. 電子學報, 2012(5):901-906.

[12]宋玉琴,章衛國. 基于混合粒子群算法的小波神經網絡故障診斷[J]. 測控技術, 2011(1):112-116.

Target Threat Prediction Assessment Based on Improved Elman Neural Network

XU Gongguo, DUAN Xiusheng

(Ordnance Engineering College of PLA, Shijiazhuang 050003, China)

Aiming at the problem that target threat is hard to assess in ground air defense operation, a method of target threat assessment was proposed based on the improved Elman neural network. The Elman neural network was improved based on the quantum particle swarm optimization (QPSQ), and the QPSO-Elman neural network was proposed. Besides, a assessment model was proposed based on QPSO-Elman neural network. The simulation results showed that this method could effectively solved the problem, the prediction results were more accurate and practicable, and it could enhance the operational capability of the air defense system.

target threat assessment; Elman neural network; quantum particle swarm optimization; air defense operation

2017-01-11

軍內科研基金重點項目資助(ZS2015070132A12009)

徐公國(1990-)，男，山東滕州人，碩士研究生，研究方向：傳感器管理、多源信息融合、防空武器系統仿真與應用。E-mail：xugguo@yeah.net。

TP183

A

1008-1194(2017)03-0101-06