基于加权动态云贝叶斯网络空战目标威胁评估
发布时间：2021-12-15 21:23
针对目标威胁评估中信息表达的不确定性和评估指标之间的关联性,以及动态贝叶斯网络推理方法不能满足条件独立性假设的问题,提出了一种基于加权动态云贝叶斯网络的目标威胁评估模型。首先,利用云模型良好的知识表达能力将不确定性信息进行定量描述;其次,基于改进的灰色关联系数极大熵模型求解指标间权重,弱化了贝叶斯网络节点条件独立性假设;最后,利用证据相关法对加权动态云贝叶斯网络进行推理,实现了关联性指标间的评估。仿真结果表明,该模型能够有效地进行超视距空战目标威胁评估。
【文章来源】：飞行力学. 2020,38(04)北大核心CSCD
【文章页数】：8 页
【部分图文】：
加权动态贝叶斯网络推理流程图
在超视距空战中,影响目标威胁等级的关键因素主要有空间态势、作战能力、空情事件和战术意图。空间态势可以分为敌方位角、相对距离、相对速度比和占位高度,相比于近距空战,角度态势的影响程度降低,敌方相对我方的距离和速度以及敌方占位高度影响程度较高。作战能力可以分为攻击能力、通信能力、探测能力、生存能力、电子干扰能力、协同能力和全向告警能力[14]。空情事件可以分为在敌雷达的探测范围内、被敌方雷达锁定、敌方发射导弹等。战术意图可以分为攻击、突击、掩护以及干扰等。通过专家对于空战因素分析和粗糙集理论进行属性约简,确定网络结构中的观测节点变量和输出节点变量。通过有向弧将这些节点变量连接起来,建立了单个时间片下的超视距空战目标威胁评估贝叶斯网络,由单时间片下的贝叶斯网络拓展到相邻时间片下的网络,构建了超视距空战目标威胁评估动态贝叶斯网络结构,如图2所示。图2中方框部分表示离散型变量,椭圆部分表示连续型变量。在超视距空战目标威胁评估网络结构中,空间态势和空情事件是表示状态信息的动态属性,主要通过机载传感器、数据通信等获取空战场实时状态信息经过数据处理得到。作战能力表示特征信息的静态属性,主要通过情报手段或者在对抗过程中根据图像识别、雷达反射面积、射频信号等信息对比目标特征数据库判断敌方机型,进而判断探测能力和武器攻击能力优劣。战术意图表示行为特征,是一个动态的时序过程,通过敌方机动类型以及最后时刻的飞行状态信息作为目标机动特征[15],基于目标机动强度来判断敌方作战意图。
表2 云模型参数Table 2 Cloud model parameters θ/(°) X/km ε h/km 高威胁区间 [0,60]C(0,20,3) [0,80]C(40,20,2) [1,2]C(1.5,0.4,0.03) [4,16]C(10,2,0.2) 中威胁区间 [0,120]C(60,20,3) [0,60]C(20,20,2) [20,100]C(60,20,2) [0.5,1.5]C(1,0.3,0.03) [1.5,2.5]C(2,0.3,0.03) [2,12]C(7,2,0.2) [8,18]C(13,2,0.2) 低威胁区间 [60,180]C(120,20,3) [50,130]C(90,20,2) [0,1]C(0.7,0.3,0.03) [2,3]C(2.5,0.3,0.03) [0,10]C(5,1,0.2) [12,22](17,1,0.2)图3 连续变量云族
【参考文献】：
期刊论文
[1]基于深度神经网络的空中目标作战意图识别[J]. 周旺旺,姚佩阳,张杰勇,王勋,魏帅. 航空学报. 2018(11)
[2]基于小波神经网络的无人机目标威胁评估[J]. 陈侠,乔艳芝. 火力与指挥控制. 2018(08)
[3]改进TOPSIS的多态融合直觉模糊威胁评估[J]. 张浩为,谢军伟,葛佳昂,张昭建,宗彬锋. 系统工程与电子技术. 2018(10)
[4]基于加权贝叶斯网络的海洋灾害风险评估[J]. 李明,张韧,洪梅. 海洋通报. 2018(02)
[5]基于贝叶斯网络云模型的目标毁伤评估方法[J]. 曲婉嘉,徐忠林,张柏林,刘颖. 兵工学报. 2016(11)
[6]基于高斯云贝叶斯网络的空战态势评估[J]. 蒙小飞,杜海文,封普文. 计算机工程与应用. 2016(15)
[7]基于动态贝叶斯网络的空战目标威胁等级评估[J]. 晏师励,李德华. 计算机与数字工程. 2015(12)
[8]基于动态威力场的协同空战态势评估方法研究[J]. 李战武,常一哲,杨海燕,寇英信,徐安. 系统仿真学报. 2015(07)
[9]模糊离散动态贝叶斯网络的目标威胁等级评估[J]. 邸若海,高晓光. 火力与指挥控制. 2012(04)
[10]基于导弹攻击区的超视距空战态势评估改进[J]. 吴文海,周思羽,高丽,刘锦涛. 系统工程与电子技术. 2011(12)
博士论文
[1]基于贝叶斯网络的洪水灾害风险评估与建模研究[D]. 刘瑞.华东师范大学 2016
本文编号：3537164
【文章来源】：飞行力学. 2020,38(04)北大核心CSCD
【文章页数】：8 页
【部分图文】：
加权动态贝叶斯网络推理流程图
在超视距空战中,影响目标威胁等级的关键因素主要有空间态势、作战能力、空情事件和战术意图。空间态势可以分为敌方位角、相对距离、相对速度比和占位高度,相比于近距空战,角度态势的影响程度降低,敌方相对我方的距离和速度以及敌方占位高度影响程度较高。作战能力可以分为攻击能力、通信能力、探测能力、生存能力、电子干扰能力、协同能力和全向告警能力[14]。空情事件可以分为在敌雷达的探测范围内、被敌方雷达锁定、敌方发射导弹等。战术意图可以分为攻击、突击、掩护以及干扰等。通过专家对于空战因素分析和粗糙集理论进行属性约简,确定网络结构中的观测节点变量和输出节点变量。通过有向弧将这些节点变量连接起来,建立了单个时间片下的超视距空战目标威胁评估贝叶斯网络,由单时间片下的贝叶斯网络拓展到相邻时间片下的网络,构建了超视距空战目标威胁评估动态贝叶斯网络结构,如图2所示。图2中方框部分表示离散型变量,椭圆部分表示连续型变量。在超视距空战目标威胁评估网络结构中,空间态势和空情事件是表示状态信息的动态属性,主要通过机载传感器、数据通信等获取空战场实时状态信息经过数据处理得到。作战能力表示特征信息的静态属性,主要通过情报手段或者在对抗过程中根据图像识别、雷达反射面积、射频信号等信息对比目标特征数据库判断敌方机型,进而判断探测能力和武器攻击能力优劣。战术意图表示行为特征,是一个动态的时序过程,通过敌方机动类型以及最后时刻的飞行状态信息作为目标机动特征[15],基于目标机动强度来判断敌方作战意图。
表2 云模型参数Table 2 Cloud model parameters θ/(°) X/km ε h/km 高威胁区间 [0,60]C(0,20,3) [0,80]C(40,20,2) [1,2]C(1.5,0.4,0.03) [4,16]C(10,2,0.2) 中威胁区间 [0,120]C(60,20,3) [0,60]C(20,20,2) [20,100]C(60,20,2) [0.5,1.5]C(1,0.3,0.03) [1.5,2.5]C(2,0.3,0.03) [2,12]C(7,2,0.2) [8,18]C(13,2,0.2) 低威胁区间 [60,180]C(120,20,3) [50,130]C(90,20,2) [0,1]C(0.7,0.3,0.03) [2,3]C(2.5,0.3,0.03) [0,10]C(5,1,0.2) [12,22](17,1,0.2)图3 连续变量云族
【参考文献】：
期刊论文
[1]基于深度神经网络的空中目标作战意图识别[J]. 周旺旺,姚佩阳,张杰勇,王勋,魏帅. 航空学报. 2018(11)
[2]基于小波神经网络的无人机目标威胁评估[J]. 陈侠,乔艳芝. 火力与指挥控制. 2018(08)
[3]改进TOPSIS的多态融合直觉模糊威胁评估[J]. 张浩为,谢军伟,葛佳昂,张昭建,宗彬锋. 系统工程与电子技术. 2018(10)
[4]基于加权贝叶斯网络的海洋灾害风险评估[J]. 李明,张韧,洪梅. 海洋通报. 2018(02)
[5]基于贝叶斯网络云模型的目标毁伤评估方法[J]. 曲婉嘉,徐忠林,张柏林,刘颖. 兵工学报. 2016(11)
[6]基于高斯云贝叶斯网络的空战态势评估[J]. 蒙小飞,杜海文,封普文. 计算机工程与应用. 2016(15)
[7]基于动态贝叶斯网络的空战目标威胁等级评估[J]. 晏师励,李德华. 计算机与数字工程. 2015(12)
[8]基于动态威力场的协同空战态势评估方法研究[J]. 李战武,常一哲,杨海燕,寇英信,徐安. 系统仿真学报. 2015(07)
[9]模糊离散动态贝叶斯网络的目标威胁等级评估[J]. 邸若海,高晓光. 火力与指挥控制. 2012(04)
[10]基于导弹攻击区的超视距空战态势评估改进[J]. 吴文海,周思羽,高丽,刘锦涛. 系统工程与电子技术. 2011(12)
博士论文
[1]基于贝叶斯网络的洪水灾害风险评估与建模研究[D]. 刘瑞.华东师范大学 2016
本文编号：3537164
本文链接：https://www.wllwen.com/kejilunwen/jingguansheji/3537164.html
