基于粗糙集和神經網絡的無人機偵察效能評估*

何 媛，甘旭升，涂從良，孟祥偉

（1.西京學院，西安 7101231；2.空軍工程大學空管領航學院，西安 710051）

0 引言

信息收集是現代戰爭的關鍵環節。盡快確定對方的兵力、裝備、目標的準確位置，已經成為影響戰爭的因素之一。無人機較強的偵察、機動能力以及較高的成本效益使其受到各國追捧［1-3］。如何在不同環境下正確評估無人機的偵察性能，對于充分發揮無人機的戰斗力具有重要意義。

目前，對于無人機作戰效能的研究比較多，而對于無人機偵察效能的研究比較少，國內外均沒有系統的方法與準則。無人機的偵察能力會受到多種條件的制約和影響。因此，建立一套真實條件下的偵察效能評估模型，有利于在執行偵察任務之前選擇一套較優的偵察方案，從而確保無人機的偵察效果。

當前無人機的效能評估大多是針對作戰效能的研究，對于其偵察效能的研究較少。2016 年，徐冠華等人根據時敏目標的不同特點，分析了察打一體無人機在不同任務模式下的作戰使用，將無人機的偵察能力與打擊能力進行了相關性的分析，并構建了相應的無人機效能評估模型［4］。2018 年，陳俠等人利用粒子群算法來改進支持向量機的偵察無人機的作戰效能評估模型，從而可以準確有效地進行無人機作戰效能評估研究［5］。2019 年，龐強偉等人優化了K-means聚類算法的評價標準，然后利用改進的離散粒子群算法來求解偵察序列，進而降低任務的時間代價，從而生成一條多目標偵察的任務航跡來提高偵察效果［6］。2018 年，張海峰等在分析無人機偵察載荷性能特點基礎上，設計了多種偵察載荷協同使用的方法，并構建了相應的無人機偵察效能評估模型［7］。2017 年，王光輝等人以CCD 攝像機作為機載偵察設備，對無人機在不同導航方式和不同干擾強度情況下，對給定區域的偵察效能進行了評估，并給出了不同導航方式下偵察效能的評估曲線［8］。2015 年，王慶江等人對無人機搭載CCD 攝像機的偵察效能，建立了相應的偵察模型，并改進了無人機光柵式的偵察方式［9］。2014 年，張旺等根據不同偵察設備的偵察特點，分析了影響多載荷協同偵察效能的因素，利用線性加權算法建立了相應的偵察效能模型，最后對兩兩協同的偵察效能進行了計算和分析，驗證了模型的可用性［10］。無人機的偵察效能是多種因素綜合作用的結果。而目前學者是從單一的角度來對無人機的偵察效能作出評估，或者是從某一技術角度來改進無人機的偵察效能，缺乏在多種條件綜合作用下的效能評估研究。

為解決上述問題，本文提出一種基于粗糙集和改進的BP 神經網絡的無人機偵察效能評估模型。由于無人機的偵察效能往往是多種因素共同作用的結果，因此，選用某部無人機近年來的最新案例并咨詢專家，得到影響無人機偵察效能的原因屬性，利用粗糙集來對原因屬性進行約簡找出核元素。在找出主要影響因素的同時進一步簡化神經網絡的結構。將得出的主要因素輸入到神經網絡，通過對神經網絡的不斷訓練，得到最終的無人機偵察效能評估模型。通過兩種方法的結合，解決了神經網絡由于輸入參數過多引起的泛化能力下降的問題。

1 相關理論

1.1 粗糙集理論

粗糙集是一種用來處理不確定、不完整數據的分析工具，是與概率、模糊理論具有一定的互補性。粗糙集是利用信息表來表征論域中的每個對象。利用這些外部信息來進行知識約簡，找出數據內部潛在的規律。相較于其他方法，該方法的最大優勢在于不需要任何額外的信息，進而能夠避免主觀判斷帶來的失誤，使影響無人機偵察效能的因素更加復雜多樣化。同時，利用粗糙集能夠更好地進行數據分類，從而在有限的數據中找出影響偵察效能的主要因素。

1.2 B P 神經網絡

人工神經網絡是利用類似于人腦神經的結構來進行信息加工的數學模型。通常是由訓練過程和測試過程組成，其具有較強的自學習性和魯棒性，能夠逼近任意的非線性函數。因此，在數據挖掘、模式識別、信號處理等多個領域都得到廣泛應用。而BP 神經網絡是一種多層的反饋型前向網絡，其結構較為簡單，并且具有良好的操作性。其主要是通過不斷訓練來改變連接權值的數值，最終使得輸出的結果與期望值之間的誤差最小化。由于無人機偵察效能與影響因素之間的關系是非線性的映射關系，因此，利用BP 神經網絡能夠找出二者之間的相關關系，從而避免人在效能評估中產生的主觀影響。同時，BP 神經網絡較好的魯棒性和自學習性能可更快得到所需評估結果。

2 無人機偵察效能評估模型

為了能夠更好地對無人機進行偵察效能預先評估，本文提出一套評估模型，主要是由3 部分組成。

1）建立影響無人機偵察效能的指標體系。通過與某無人機部隊了解和與專業人員的咨詢，對影響偵察效能的因素進行全面的分析，并按照人- 機-環- 管的理論對其進行分類，確定影響無人機偵察效能的相關因素。

2）結合粗糙集理論來對影響因素進行約簡，篩選出主要因素。通過約簡來簡化網絡結構，進而提高下一步中神經網絡的信息處理能力，提高網絡的泛化能力。

3）利用改進的BP 神經網絡，構建無人機偵察效能的評估模型。由于BP 神經網絡能夠以任意精度來擬合任意函數，因此，利用神經網絡來尋找偵察效能和各因素之間的非線性關系。但由于傳統的神經網絡在訓練過程中容易陷入局部最優解當中，且收斂速度較慢，容錯性差。因此，通過結合遺傳算法來對網絡中的權值進行優化，縮短訓練時間，提高訓練精度。

2.1 無人機偵察效能指標體系的建立

無人機偵察效能通常是多種因素共同作用的結果。本文定義：如果無人機能夠清晰偵察到所有目標的信息，視為此次偵察效果為良好，記作1；如果只能夠偵察到部分目標或者偵察效果模糊，則視此次偵察效果一般，記作0.7；如果無法獲取相關的目標信息，則視為偵察效果不佳，記作0.1。通過對無人機偵察效能的分析，得出影響偵察效果的因素大致可以分為以下幾類：人員因素、機械因素、環境因素、管理因素。通過記錄偵察效果不佳的飛行可以發現：機械因素和環境因素占據了大部分，人員因素次之，管理因素所占比例最小。具體的比例如表1 所示。

表1 影響偵察效果成因比例

分別從人- 機- 環- 管的角度出發，分析統計了在一定時期內飛行實例，選取其中具有代表的飛行作為此次評估的實例，并通過咨詢相關的飛行、管制及機務等相關人員對影響因素進一步細化，篩選出其中具有普遍共性的因素構建評估無人機偵察效能的指標體系。

2.2 基于粗糙集指標體系約簡

無人機的偵察效能是由多種因素共同作用的結果。但在該系統中每個因素并不是同等重要，甚至有些是冗余的。因此，必須對其進行約簡來找尋能夠保證分類正確的最小屬性集。本文中將偵察效能作為決策屬性，而將其影響因素作為條件屬性。通過對條件屬性的約簡來求核。但是要求解論域中所有最小屬性集本質上屬于N P 問題，求解時間和計算復雜度過高，采用定義法求解難度較大，因此，利用分辨函數和分辨矩陣來對問題進行求解。圖1是對影響因素的約簡流程。其中S=（U，A，V，f）為整個信息系統，U 是由飛行實例構成的整個論域；A 是對象的屬性，即偵察效能的影響因素；V 是影響因素a 的值域；f 是一個映射函數，為每個對象的屬性給予屬性值；num 為論域中的對象數。

圖1 影響因素約簡流程

2.3 遺傳算法優化的BP 神經網絡模型

采用遺傳算法優化BP 神經網絡的參數的訓練過程如下。

基于此，本文主要采用“過程—事件”的分析方法，通過對江蘇省A市J、X、S社區征地拆遷過程中三種類型釘子戶抗爭事件的實踐考察，以“策略主義”為分析視角，側重于探討地方政府回應釘子戶抗爭的行動邏輯究竟為何？對地方政府應對抗爭行為的內在機制展開深入的理論解釋，包括三個問題：一是分析地方政府“軟化”釘子戶抗爭的策略和手段是怎樣的？二是主要關注抗爭事件的背后，地方政府采用“軟策略”這種行動邏輯的內在機制是什么？三是這種“軟策略”本質上反映的是何種治理技術？這些構成本文重要的研究動機。

1）神經網絡輸入節點數的確定：為保證神經網絡的泛化能力，將經過粗糙集約簡后的主要影響因素的維數作為網絡的輸入節點數。

2）網絡輸出參數的確定。將無人機的偵察效能分為1、0.7、0.1 這3 個等級，分別代表獲得全部目標信息、獲得部分目標信息以及無法獲得目標信息。

3）網絡的構建。利用一個三層的神經網絡來預測無人機的偵察效果。隱含層的節點數一般選擇遵從Kolmogorov 定理，即s=2n+1。本文中隱含層節點數的安排主要是根據經驗式（1）以及運用試湊法來確定個數。其中，n 為輸入層的節點數，m 為輸出層的節點數，本文將偵察效果作為輸出結果，因此，m=1。

圖2 BP 神經網絡結構圖

具體的網絡結構圖如圖2 所示。其中，p 為輸入參數，wij為輸入層與隱含層之間的連接權值；vj為隱含層與輸出層之間的連接權值；θ2j為隱含層中第j個神經元的閾值；θ3為輸出層中神經元的閾值；y 為最后的輸出結果，即對偵察效果的預測結果。

4）神經網絡的訓練。將統計到的40 組飛行數據作為訓練樣本來訓練神經網絡，得到相應的偵察效果預測模型。

5）神經網絡的精度驗證。利用已經得到的偵察效果預測模型對3 組訓練樣本進行預測研究，進而驗證利用神經網絡得出的預測結果與實際結果的誤差，如果誤差過大，則需要對神經網絡進行改動至滿意的吻合度。

6）結合遺傳算法來對神經網絡中各層之間連接權值與閾值進行優化。主要分為以下步驟：a）個體的編碼：將神經網絡中各層之間的連接權值與閾值編作一組實數碼，作為一條染色體。b）初始種群的生成：隨機生成20 條染色體作為初始種群。c）適應度的計算：將每條染色體對應的連接值和閾值解碼到神經網絡當中，計算所有個體的平均總誤差作為該條染色體的適應度值。即

3 仿真算例

為使預測更能貼合實際情況，跟蹤統計了2019年5 月-11 月之間某無人機部偵察飛行情況，并對每次的飛行情況作了細致的分析，同時通過咨詢相關專業人員，確定出了與無人機偵察效果有關的17個因素。圖3 為影響無人機偵察效果的指標體系。

對于指標體系中的各個要素，記作p1~p17，其中包括定性因素和定量因素。針對定性因素，規定如果對偵察效果有利則屬性值為1，反之為0。如機組人員的身體狀況良好為1，不佳為0；機組人員操縱水平熟練為1，反之為0。針對定量因素，無法直接判定該因素與偵察結果之間的關系，故用整數來表示實際情況。如無人機的偵察導航方式可以分為GPS，無線電、慣性導航。用1~3 之間的整數來表示偵察飛行時可用的導航方式數。分析每次偵察飛行的實施情況得到下面的決策表，如下頁表2 所示。

圖3 無人機偵察效果影響因素

利用分辨矩陣和分辨函數對影響無人機偵察效果的因素進行約簡和求核，得到影響偵察效果的主要因素是p1，p4，p5，p6，p7，p8，p11，p12，p13，p16，分別代表：機組人員的操作水平，無人機的偵察方式，無人機的導航方式，無人機搭載的傳感器，無人機的飛機狀況，無人機的數據傳輸能力，周邊的電磁干擾情況，目標區域的天氣情況，目標周圍的植被情況，各任務組溝通的順暢性。

針對定量因素，為了確保不同屬性值之間的可比性，防止小值的信息被掩蓋，因此，需要對其進行歸一化處理，本文采用的是最小最大歸一化方法來進行處理。由于變化是線性的，因此，可以較好地體現原始意義。具體公式如下：

經過約簡后，主要因素為10 個，因此，輸入神經元個數為10 個。根據2.3 節中的方法，可以確定隱含層神經元的個數為7 個。而輸出結果為此次飛行的偵察效果，因此，輸出的神經元個數為1 個。BP神經網絡構建完成以后，需要利用統計的數據對網絡進行訓練以得到最終的模型，本文用前50 組數據來進行訓練，用后面3 組數據來進行預測。選取的訓練參數為：Sigmoid 函數作為傳遞函數；Traingdx作為訓練函數；各層之間的初始連接權值和閾值均為［0，1］之間的隨機數；最大訓練次數為500 次，訓練誤差為10-4。表3 是經過歸一化處理以后得到用于訓練神經網絡的樣本數據。

表2 偵察效果影響因素屬性表

表3 偵察效果訓練樣本屬性決策表

結合上述50 個實例，使用MATLAB 神經網絡工具箱來對設計好的神經網絡進行訓練。通過訓練發現：在經過117 次訓練以后，BP 神經網絡預測值與實際值之間的誤差開始滿足訓練要求，即認為已經獲得了較為合理的預測模型。圖4 是訓練過程中的誤差變化曲線。

圖4 訓練過程誤差曲線圖

圖5 檢驗結果示意圖

將51~53 號實例輸入到得出的神經網絡進行檢驗，檢驗結果如圖5 所示，得到預測值與實際值基本重合。而具體的驗證數據如表4 所示。可以看出，誤差均小于10-3，因此，說明得到的神經網絡是有效可行的。

表4 預測結果及其誤差

為驗證改進BP 神經網絡的有效性，利用傳統的BP 神經網絡來進行訓練，結果如圖6 所示。通過與圖4 比較可知，利用遺傳算法改進后的神經網絡收斂速度更快。而利用51~53 號實例獲得的檢驗結果如表5 所示。通過比較發現，改進后的網絡得出預測值誤差在10-3以內，而傳統算法在10-2以內，因此，利用改進后網絡預測的精度更高。

4 結論

1）提出的基于粗糙集和改進BP 神經網絡無人機偵察效能預測模型，能夠充分發揮兩種方法的優點。該模型能夠在眾多影響無人機偵察效能的因素中去除冗余因素，找到影響的主要因素。通過實例證明該模型能夠較為準確地預測無人機的偵察效果。

圖6 傳統BP 神經網絡訓練誤差圖

表5 同種方法的檢驗結果

2）相較于傳統神經網絡，改進后的方法能夠更加快速準確地進行無人機偵察效能的預測評估，能夠幫助無人機部隊在實戰中選擇更為合理的偵察方案，具有一定的應用前景。

3）由于無人機應用部隊時間較短，可供研究的數據較少，且在調查中會受到個人思維局限性的影響，在下一步的研究中需要尋找更多的數據來研究，同時也要多向專家請教，尋找被忽略的影響因素。