基于STK的天基信息偵察系統仿真與效能評估

摘" 要：針對天基信息偵察系統在現代軍事作戰中的動態效能評估問題，該文首先通過STK仿真軟件對天基信息偵察系統進行任務場景動態仿真；其次，構建天基信息偵察系統的效能評估指標體系；最后，結合STK動態仿真數據，使用基于遺傳算法改進的BP神經網絡對信息偵察系統進行效能評估。實驗結果表明，動態仿真與神經網絡評估方法結合可以為特定任務中衛星參數組合選擇提供有利指導，能夠為天基信息偵察系統在實戰任務中的系統構成提供技術支撐。

關鍵字：動態場景仿真；效能評估；STK；BP神經網絡；天基信息偵察

中圖分類號：TJ861" " " "文獻標志碼：A" " " " " 文章編號：2095-2945（2023）12-0075-05

Abstract： Aiming at the problem of dynamic effectiveness evaluation of space-based information reconnaissance system in modern military operations， this paper firstly uses the STK simulation tool to dynamically simulate the task scene of space-based information reconnaissance system. Secondly， the effectiveness evaluation index system of space-based information reconnaissance system was constructed. Finally， based on STK dynamic simulation data， the effectiveness of information reconnaissance system is evaluated by BP neural network based on genetic algorithm. The experimental results show that the combination of dynamic simulation and neural network evaluation method can provide favorable guidance for the selection of satellite parameter combination in specific tasks， and can provide technical support for the system composition of space-based information reconnaissance system in actual combat missions.

Keywords： dynamic scene simulation; effectiveness evaluation; STK; BP neural network; space-based information reconnaissance

天基信息偵察系統主要用于對任務場景中海、陸、空和天等多維作戰空間的全天候、全方位實時性監測，由具備實時監測、無線通信等功能的衛星、地面站及指揮控制中心構成。隨著現代化軍事科技的信息化發展，面向復雜任務環境下多域聯合作戰需求，如何發揮出天基信息偵察裝備體系資源的最大化效能成為研究熱點[1]。系統作戰效能是對系統在特定任務環境中完成指定任務時任務滿足程度的度量[2]，通過效能評估可以針對系統在實際作戰任務中可能執行的各類作戰任務場景及整個作戰任務過程，達到根據任務屬性的不同選擇最合適的資源調度分配，實現合理更優利用資源的目的。

目前的效能評估方法主要包括基于解析的靜態評估、基于試驗統計及基于仿真的動態評估3大類[3]，各類別中受廣大學者研究較多的為層次分析法、ADC法、SEA法以及神經網絡法。Singh等[4]、Khan等[7]、何能波等[6]和黃穎等[7]將層次分析法與TOPSIS或ADC模型等相結合，用于對結構優先化參數影響優先級排序、導彈裝備固有能力評估以及對指標權重計算方法優化。孫景云等[8]、宋振之等[9]分別基于ADC模型結合Markov或加入戰術運用，完成星座覆蓋性分析、光電對抗系統效能評估，為系統設計優化提供科學依據。蔣國峰等[10]、何希盈等[11]分別使用SEA方法構建了航空通信系統、UUV偵察系統評估模型，并在典型干擾場景下完成實例驗證。王曉軍等[12]、何文思等[13]和Gao等[14]對BP神經網絡進行改進，解決其易陷入局部最優問題，最終構建評估模型并在無人車集群防空作戰任務下進行驗證；或為機動雷達、武器裝備部署運用提供可靠決策依據。綜上所述，基于神經網絡的效能評估方法可以憑借其權重自適應的學習能力解決傳統效能評估的主觀性問題。除此之外，本文提出使用STK仿真工具對天基信息偵察系統進行可視化可重復性仿真，為神經網絡的訓練提供大量可靠數據驅動，解決基于試驗統計評估方法無法大量重復性問題；最后使用遺傳算法對BP神經網絡初始權值與閾值進行優化，并將優化后的模型用于天基信息偵察系統效能評估。

1" 天基信息偵察系統仿真模型

1.1" 仿真模型建立

偵察衛星模型分為光學成像偵察衛星、雷達成像偵察衛星及電子偵察衛星3類，其在STK仿真軟件中所采用的傳感器類型與參數設置也不相同。由開普勒定律可知，可以用6大軌道參數來確定人造衛星在整個地球空間中的位置，6大軌道參數分別為軌道半長軸、離心率、軌道傾角、近地點幅角、升交點赤經和平均近點角。

而不同偵察類型的衛星所搭載的傳感器類型也不相同，在STK仿真平臺中共有6種傳感器類型可選擇，分別是復雜圓錐體類型、光電與紅外傳感器類型、半功率點類型、矩形探測類型、合成孔徑類型及簡單圓錐體類型，不同傳感器類型所需要設置的參數也不相同。

1.2" 天基信息偵察仿真場景

電子偵察衛星、光學成像偵察衛星和雷達（SAR）成像偵察衛星，依據各類型典型在軌衛星數據資料參考，將3種衛星類型對應軌道參數、傳感器類型及傳感器相應參數設置見表1、表2。

構建的電子偵察、光學成像及雷達成像衛星在STK的三維仿真場景中可視化仿真圖如圖1所示。

為保證偵察探測數據信息的實時性，依據仿真軟件平臺的通信鏈路分析模塊，構建含有發射機、接收機的“地面站—衛星—指揮控制中心”的通信鏈路。發射機、接收機參數設置見表3、表4。

并生成連通性分析報告。在STK對抗仿真場景中3D模型如圖2所示。

通過STK平臺為天基信息偵察衛星依次添加每個傳感器模型并完成參數設置的方式，在3個類別衛星傳感器參數是動態變化范圍時，手動設置的方式沒有辦法窮舉所有參數設置的組合，并且每次仿真中產生的數據量較大。因此，本文在傳統場景手動建模的方式上，使用STK與MATLAB聯合建模仿真的方式對衛星傳感器參數進行隨機采樣用于仿真任務，并自動統計仿真結果數據中的相關指標，用于后續對信息支援體系的效能評估。

1.3" 效能評估指標體系構建

本文基于軍事概念模型建立信息偵察系統效能評估指標體系本質上就是從“實體構成、任務能力以及信息交互”3個層面出發，建立“任務目標—系統能力—任務效果”的映射關系，也就是明確任務目標、系統能力以及系統任務效果三者之間的轉換關系。其效能評估指標體系如圖3所示。

2" GA-BP神經網絡的天基信息偵察系統效能評估

2.1" BP神經網絡

BP算法計算機實現流程分為以下步驟。

1）初始化所有連接權值和閾值，并賦予隨機任意小值

（k=2，3，…，m；i=1，2，…，pk；j=1，2，…，pk-1；t=0）。

2）從N組輸入輸出樣本中取一組樣本

X=[x1，…，xp1]T，D=[d1，…，dpm]T，

并將輸入信息輸入到BP網絡結構中。

3）正向傳播為計算各層節點的輸出

k=2，3，…，m；i=1，2，…，pk）。

4）計算網絡實際輸出與期望輸出間的誤差

1，2，…，pm）。

5）反向傳播為從輸出層方向計算到第一個隱含層，按照連接權值修正公式向誤差減小的方向對網絡的各個連接權值進行調整

6）另t+1→t，重復步驟（2）到（5），直到全部樣本的誤差都達到期望值。

式中：w表示權值；θ表示閾值；X與D表示樣本矩陣；i、j、k、l表示層數。

雖然BP神經網絡具有自適應權重的自學習能力，并且有正向傳播與反向傳播交替的誤差修正機制，但簡單的BP神經網絡仍然存在著容易陷入局部最優最小值、算法學習收斂速度較慢、樣本對網絡訓練結果影響大、初始權值與閾值影響大等應用問題。

2.2" GA-BPNN評估模型

首先，GA算法通過交叉變異的方式擴大了原有的解空間，可以使得BP神經網絡在更大的解空間中尋找最優值，有利于避免陷入局部最優；其次，引入GA算法主要目的是對BP神經網絡初始化階段的初始權值和閾值進行優化，避免初始化時對其賦予任意小值所帶來的隨機性，使得輸出結果更加可靠。GA-BP神經網絡模型的構建主要分為建立與訓練BP神經網絡結構、GA算法優化效能評估指標計算權重及GA-BP的效能結果預測3部分。

1）使用MATLAB建立12-25-1的BP神經網絡模型，BP神經網絡輸入層傳遞函數使用的是S型正切函數tansig（），輸出層的傳遞函數使用的是S型對數函數logsig（），使用默認訓練函數trainln（）完成BP神經網絡訓練，最大迭代訓練次數設置為1 000次、學習速率設置為0.1、誤差精度設置為10-6。

2）本文中GA算法所采用的選擇、交叉及變異算子分別為隨機遍歷采樣、單點交叉算子、隨機概率變異，并將遺傳算法的初始種群大小、最大遺傳迭代數、交叉與變異的概率等參數設置見表5。

3）將STK仿真得到的信息偵察效能評估指標數據集，作為GA-BPNN的輸入進行網絡訓練，訓練輸出的結果值即其最終的效能評估預測值。基于GA改進后的BP神經網絡效能評估流程如圖4所示。

3" 天基信息偵察系統效能評估結果

設定總體仿真時長60 h，仿真步長1 h，得出用于效能評估的評估指標樣本500組。其中1～400組效能指標數據樣本作為改進后神經網絡的訓練樣本，而401～500組效能指標數據則作為網絡的測試樣本。

3.1" 基于STK的仿真數據統計

通過計算分析模塊獲取偵察衛星的訪問報告，統計隨機一組衛星傳感器參數組合的偵察監測結果見表6。

3.2" 數據樣本歸一化

各個評估指標是不同類型、不同計量單位的值，因此需要將500組仿真數據進行歸一化無量綱處理，本文使用MATLAB的map minmax（）數據歸一化函數完成所有仿真數據的無量綱處理，表7展示了部分數據的歸一化處理結果。

3.3" GA-BPNN評估結果

將同樣的訓練與測試樣本數據、同樣的網絡訓練參數，分別使用BPNN、ElmanNN、PSO-BPNN、GA-BPNN進行信息偵察系統的效能評估，并與真實效能值進行對比，結果如圖5所示。結果表明，用本文方法對系統效能值的預測更為接近真實值。

在傳統神經網絡方法預測的效能值與真實值進行對比的基礎上，計算幾種方法對信息支援體系效能評估預測值與真實值之間的絕對誤差，并形成對比曲線，如圖6所示。結果表明，GA-BP評估模型的絕對誤差更加穩定并趨近于0，驗證了該方法用于天基信息偵察系統效能評估的可靠性。

4" 結論

本文基于STK仿真軟件構建天基信息偵察系統的3D模型可視化仿真，實現大量可重復性仿真，為天基信息偵察系統的效能評估提供充足可靠數據樣本。其次，結合軍事概念模型構建了更貼合實際任務需求的效能評估指標體系。最后，提出將基于GA改進的神經網絡方法應用于天基信息偵察系統的效能評估，該神經網絡模型利用權重自適應的學習能力，避免了評估過程中的人為主觀因素影響。除此之外，此方法適用于將龐大的過往經驗值作為輸入數據，利用對大量數據的自學習，實現快速并準確的效能值預測，為系統作戰方案的制定提供可靠的數據依據支撐。

參考文獻：

[1] 劉帥，郭英，張宏江，等.一種裝備體系組分系統作戰效能評估方法[J].裝甲兵學報，2022，1（2）：50-57.

[2] 郭鋮飛.基于體系建模的裝備體系效能評估方法研究[D].成都：電子科技大學，2022.

[3] 柯宏發.電子裝備體系效能評估理論及應用[M].北京：國防工業出版社，2018.

[4] SINGH V， KUMAR V， SINGH V B. A hybrid novel fuzzy AHP-TOPSIS technique for selecting parameter-influencing testing in software development[J].Decision Analytics Journal，2023（6）：100159.

[5] KHAN H U， NAZIR S. Assessing the Role of AI-Based Smart Sensors in Smart Cities Using AHP and MOORA[J]. Sensors，2023，23（1）：494.

[6] 何能波，吳紅樸，孫金，等.基于模糊層次分析法的ADC模型導彈部隊裝備保障效能評估[J].指揮控制與仿真，2022，44（6）：41-45.

[7] 黃穎，段繼琨.基于改進層次分析法的藍軍空中編隊相似度評估[J].指揮信息系統與技術，2022，13（4）：58-62.

[8] 孫景云，張國亭，柳震，等.基于Markov-ADC模型的星座覆蓋性能分析[J/OL].中國空間科學技術：1-11[2023-03-04].http：//kns.cnki.net/kcms/detail/11.1859.V.20230222.1633.006.html.

[9] 宋振之，韓道文，鮑俊臣，等.基于改進ADC模型光電對抗系統作戰效能評估方法[J].現代防御技術，2023，51（1）：26-34.

[10] 蔣國峰，白紅.基于SEA和ADC的航空通信系統效能評估[J].火力與指揮控制，2022，47（4）：69-74.

[11] 何希盈，黃凡，朱璟，等.基于SEA法的水下無人航行器偵察效能評估[J].艦船電子工程，2016，36（12）：161-164.

[12] 王曉軍.基于APSO-BP神經網絡的防空無人車作戰效能評估[C]//2022年無人系統高峰論壇（USS2022）論文集，2022：31-36.

[13] 何文思，李宏權，張晨浩，等.基于人工神經網絡的機動雷達探測能力評估研究[J].艦船電子工程，2022，42（8）：89-93，108.

[14] GAO F， SONG F， HUANG G Q. Study on the Effectiveness Evaluation of the Weapon Equipment Based on Artificial Neural Network[C]//Progress in Applied Sciences， Engineering and Technology， Part 4： Selected， peer reviewed papers from the 2014 International Conference on Materials Science and Computational Engineering（ICMSCE 2014）， May 20-21， 2014， Qingdao， China.：Trans Tech Publications， 2014：3262-3265.