基于遺傳-支持向量機的偵察無人機作戰效能評估

呂建科 朱靖 王濤

摘 要：偵察無人機作戰效能評估在實際偵察任務中具有重要意義。針對偵察無人機作戰效能評估過程中影響因素復雜、小樣本、非線性等問題，引入了支持向量機算法，為了提高評估的效率和有效性，引入遺傳算法對支持向量機的參數進行了優選，提高了整體評估效率。仿真實驗結果表明遺傳-支持向量機模型可以準確地對偵察無人機進行作戰效能評估，具有較好的計算精度。

關鍵詞：偵察無人機;作戰效能評估;遺傳算法;支持向量機

0引言

2019年以來，各國無人機在南海區域飛行頻次越來越多，其主要是針對南海區域環境進行任務偵察。由于網絡中心戰理念的不斷加深，新式武器裝備的列裝，南海區域環境越來越復雜，偵察無人機的偵察環境不盡人意，需要通過有效的手段對偵察無人機的作戰效能進行預先評估，因此，評估偵察無人機作戰效意義重大。

1 支持向量機回歸模型

在支持向量機模型中[1]，設{（x1，y1），…，（xi，yi）} 表示訓練樣本，xi∈Rm 表示樣本數據的第i個輸入，yi∈R 表示第i個數據輸出，按照支持向量機高維映射構建所需要的回歸模型。設回歸模型為：

在公式（1）中，{}表示為內積運算，ω 是運算的復雜程度，Rm 表示高維映射空間，b是常數。

當求解這個回歸模型時，常常將回歸函數轉化成如下函數進行求解[1]：

在公式（2）和（3）中，ξ 表示函數的松弛變量，ξ≥0 ，C表示函數約束的懲罰參數，C>0。在求解過程中，需要對參數C和ξ進行參數優選，優選時公式（1）可以轉化為下式：

在公式（6）中，K（xi，xj） 表示符合Mercer條件的核函數，常見的核函數一般有四種，本文采用高斯核函數進行回歸評估。

支持向量機回歸效果如何與其所需要優化的參數有極大的關系，因此為了更好的對偵察無人機的作戰效能進行評估，本文引入遺傳算法對參數進行優化。

2 支持向量機參數自適應遺傳優化模型的建立

遺傳算法是一種群體尋優算法，引入遺傳算法對懲罰參數 和核函數參數 進行優化。優化步驟為：

（1）采用實數編碼將作戰效能評估體系的各特征數據作為初始種群;

（2）將方差函數作為適應度函數;

（3）將經典的交叉和變異因子來生成新的因子個體。

（4）通過物種的多樣性函數，以方差的大小設置閾值控制早熟現象。

（5）當迭代次數達到設置值時得到最優值。

3 建立評估指標體系

為了說明本文所提算法對偵察無人機作戰效能的有效評估，在總結了各種文獻的基礎上，引入文獻[3]同樣的評估指標體系，即無人機的作戰半徑，實用升限，信息的搜集能力，信息的加工能力，人員操作水平和戰場環境的影響系數[3]。

（1）作戰半徑：偵察無人機依靠本身的能力，能夠飛行作戰的最大范圍，作戰半徑的大小直接影響著偵察無人機的作戰效能，其為一個定量數據。

（2）實用升限：偵察無人機能夠有效偵察所在的水平高度，其為一個定量數據。

（3）信息的搜集能力：能夠進行有效偵察任務時，無人機本身設備的性能能力，其為一個定性數據。

（4）信息的加工處理能力：能夠反映無人機情報加工和傳輸的能力，其為一個定性數據。

（5）人員操作水平：當利用無人機進行偵察時，無人機的操作人員操作素質、熟練度都會對作戰效能產生直接影響，其為一個定性數據。

（6）戰場環境系數：偵察無人機執行任務時，其所處的自然環境和人為環境都會直接影響其作戰效能，其為一個定性數據。

在對上述指標數據預處理過程中，定量數據保持原數據不變，定性數據采用從高到低表示強弱的9 級定量化方法進行處理。

4實際算例與分析

本文基于Matlab_R2014a平臺，編程實現了偵察無人機作戰效能評估算法，采用第三部分建立的評估指標體系，利用遺傳-光滑支持向量算法進行作戰效能的評估。實驗數據集為參考文獻[3]中表4.1的數據，選取了前25個數據作為為訓練集，后5條數據為測試集展開實例研究。為了驗證本文算法的預測效果，本文以APSO-SVM[4]和LS-SVM算法[5]進行比較分析。具體結果如圖3所示。

從圖3中可以看出，本文所提算法與原始數據最為吻合，APSO-SVM算法在第26、27和30組預測偏差較大，LS-SVM算法在第26組和30組偏差較大，因此，與其他兩種算法相比，本文算法的預測準確性較高。

為了方便分析，在這里引入相對誤差進行分析，相對誤差數據見如表1所示，其比較分析如圖4所示。

從圖4和表1可以看出，與APSO-SVM算法和最小支持向量機回歸算法相比，本文算法的相對誤差較低，預測誤差絕對值都在4%以內，而且相對比較穩定。

綜上實例分析，本文提出的遺傳-支持向量機算法在作戰效能評估方面有較好的預測準確率，具有較好的魯棒性和快速適應性，可以滿足在復雜場景下偵察無人機作戰效能的評估。

5? 結論

本文構建了遺傳-支持向量機模型對偵察無人機的作戰效能進行了評估。通過遺傳算法對支持向量機的懲罰參數和核參數進行了參數的優選處理，提高了支持向量機回歸算法的計算效率。通過實例證明相較于APSO-SVM算法和LS-SVM算法，本文所提的算法具有較好的預測準確率，同時具有較好的魯棒性和可擴展性，可以對場景復雜、擾動因素較多的作戰效能進行評估，這為不同作戰體系下的效能評估提供了重要的技術支撐，具有較高的實用價值。

參考文獻：

[1] Saunders C，Stitson M O，Weston J， et al. Support vector machine[J]. 2002，1（4）：1-28.

[2]? Kalyanmoy， AGRAWAL， Samir， et al. A fast elitist non-dominated sorting genetic algorithm for multi-objective optimization： NSGA-II [M]. Parallel Problem Solving from Nature PPSN VI. 2000：258-269

[3] 胡乃寬. 神經網絡與支持向量機在無人機效能評估的應用[D].沈陽航空航天大學，2018.

[4] 陳俠， 胡乃寬. 基于改進型支持向量機的偵察無人機作戰效能評估[J]. 火力與指揮控制， 2018， 043（010）：31-34.

[5] 代耀宗， 沈建京， 郭曉峰，等. 基于LS-SVM算法的實兵對抗演習作戰效能評估[J]. 火力與指揮控制， 2019， 44（04）：19-23.

作者簡介：

呂建科（1974-），男，漢，河北省辛集市，本科，高工，研究方向：軟件工程，信息融合.