基于自回歸小波神經網絡的空中目標威脅評估

白玉 李筱琳

摘要：針對空戰中目標威脅評估系統非線性、評估難度大等特點，提出了自回歸小波神經網絡（Self-recurrent Wavelet Neural Network， SRWNN）的空中目標威脅評估方法。通過分析SRWNN結合遞歸神經網絡（Recurrent Neural Net RNN）的吸引子動力學和WNN快速收斂的特點，建立了SRWNN模型，提出了SRWNN的參數優化學習算法，以實現增強自學習能力的目的，然后分析了威脅評估的影響因素，給出了基于SRWNN的空中目標威脅評估算法的程序設計。仿真實驗結果表明，與WNN相比，該算法提高了系統的穩定性，加快了收斂速度，增強了預測精度。

關鍵詞：目標威脅評估;神經網絡;小波神經網絡;自回歸小波神經網絡

中圖分類號：TP183 文獻標識碼：A 文章編號：1007-9416（2020）03-0084-02

0 引言

隨著航空科學技術的迅速發展，空戰環境變得復雜多變，來襲目標類型的多樣性，精確的多目標攔截能力已經成為決定空戰優勢的重要指標。目前常見的目標威脅評估方法有直覺模糊集[1]，TOPSIS法[2]，貝葉斯推斷[3]等，但這些方法大多依靠專家經驗確定各因素之間的權值，主觀性較強，而對于快速變化的戰場環境來說，往往專家很難確定各種情況下的因素之間的權值大小。

近年來，以神經網絡為代表的智能技術在預測領域得到了廣泛的發展。目標威脅評估是一個很復雜的多因素決策問題，具有非線性、評估難度大等特點，很難找到適合的評估函數，因此，只能采用人工智能神經網絡方法來解決這個難題。WNN是結合了小波分析和神經網絡的一類神經網絡，小波分析是短時傅里葉變換局部化分析的一種發展，它既能捕捉到頻率，又能定位到時間，能聚集到函數的每一個細節。因此，WNN有小波變換的時頻兩維信號的多分辨率分析特性和神經網絡的自學習能力與適應環境的能力，能很好地處理線性非線性問題，容錯性好，訓練時間短，訓練速度快，被成功應用于很多領域。但小波神經網絡屬于前饋網絡結構，不能很好的處理動態問題，網絡易出現過擬合或欠擬合現象[4]。自回歸小波神經網絡（Self-recurrent wavelet neural networks，SRWNN）是在小波神經網絡基礎上發展出來的反饋網絡，泛化能力和動態仿真能力更好，收斂速度更快，且能以較高的精度實現函數逼近和系統辨識。基于以上分析，本文采用自回歸小波神經網絡建立目標威脅評估模型，使網絡輸出不斷逼近期望輸出。仿真結果表明，與WNN相比，本文提出的算法在威脅評估上具有更好的可靠性和準確性。

1 SRWNN模型

自回歸小波神經網絡（SRWNN）將遞歸神經網絡（Recurrent Neural Net RNN）和WNN相結合，在識別、評估和控制非線性系統方面，具有穩定性高及收斂速度快等優勢。SRWNN網絡結構共為四層，輸入層、乘積層、輸出層及由自反饋神經元組成的母小波層，由于能儲存小波上一步信息與控制環境的快速變化，因此SRWNN結構簡單于WNN。自回歸小波神經網絡輸入端有個節點，輸出端有一個節點，母小波的個數為個。第一層是輸入層，把輸入進來的變量直接傳遞到下一層，第二層是母小波層，每個節點包含一個母小波和自反饋環，小波母函數選擇高斯小波為：

2 SRWNN學習算法

神經網絡在學習過程中，為了使得實際輸出更接近期望輸出，需要不停的調整網絡權值，本文使用動態梯度下降法對SRWNN的權值進行調整。當網絡在離散時間時，令期望輸出和實際輸出分別為和，可計算其網絡誤差為：

3 仿真結果與驗證

SRWNN一共有四層，輸入與輸出分別為六維和一維，所以SRWNN結構為6-5-5-1，即輸入層為6個節點，分別對應目標的類型、速度、航向角、干擾能力、相對高度、相對距離6個因素的隸屬度數值，小波層有5個神經元，每個神經元有6個節點，乘積層有5個節點，輸出層為1個節點，輸出為預測目標威脅值。學習速率設置為0.01，迭代次數設置為100次。

因為小波算法的初始輸入是隨機的，因此每一次仿真的結果都不一樣。為驗證SRWNN比WNN優越，本文采用兩種建模方法分別進行MATLAB仿真，目標威脅值的預測結果見表1。

從表1經計算得知，SRWNN與WNN兩種結構的平均誤差分別為0.0977和0.1440，通過圖1和圖2也可以看出，SRWNN比WNN絕對誤差值與絕對百分比誤差更小，因此，SRWNN具有更好的預測效果。通過圖3可以看出，SRWNN能更好的逼近期望輸出，而且性能更穩定，再一次證明了自回歸小波神經網絡目標威脅評估模型的優越性和準確性。

4 結語

空中目標威脅度評估是未來空戰數據融合亟需解決的重要問題，隨著電子、控制等技術的迅速發展，武器設備復雜性越來越高，戰場環境瞬息萬變，傳統評估方法多為依據專家經驗的定性分析，較大程度上引入了人為因素，無法反應出實際情況。本文采用自回歸小波神經網絡對目標威脅的主要性能指標進行建模，在最大程度上反映了戰時環境下的真實情況，仿真結果表明，SRWNN算法提高了系統的穩定性，加快了收斂速度，增強了預測精度，可以作為空中目標威脅評估技術的一種嘗試。

參考文獻

[1] Yongchun Wang，Xudong Miao.Intuitionistic Fuzzy Perceiving Methods for Situation and Threat Assessment[C]∥Proc of IEEE Int Conf on Fuzzy Systems and Knowledge Discovery Sichuan，2012：578-582.

[2] 張永利，計文平，劉楠楠.基于熵權-TOPSIS-灰色關聯的目標威脅評估研究[J].現代防御技術，2016，44（01）：72-78.

[3] Yi Wang，Yuan Sun，JiYing Li，et al.Air Defense Threat Assessment Based on Dynamic Bayesian Network[C]Proc of IEEE IntConf on Systems and Informatics，Yantai，2012：721-724.

[4] Sung Jin Yoo，Jin Bae Park，Yoon Ho Chio.Indirect adaptive learning rates[J].Information Sciences，2007，177（15）：3074-3098.

Abstract：Aiming at the characteristics of the non-linearity of the target threat assessment system in air combat and the difficulty of evaluation， an aerial target threat assessment method based on self-recurrent wavelet neural network was proposed. The SRWNN model is combined with the attractor dynamics of recursive neural network and the characteristics of fast convergence of WNN. The SRWNN model was established， and the parameter optimization learning algorithm of SRWNN was proposed to achieve the purpose of enhancing the self-learning ability. By analyzing the influencing factors of threat assessment， the program design of air target threat assessment algorithm based on SRWNN is given. Simulation results show that compared with WNN， this algorithm improves the stability of the system， speeds up the convergence speed， and enhances the prediction accuracy.

Key words：target threat assessment; neural network; wavelet neural network; self-recurrent wavelet neural network