中国科技核心期刊      中国指挥与控制学会会刊     军事装备类重点期刊
指挥控制与仿真

指挥控制与仿真 >

2021 , Vol. 43 >Issue 2: 20 - 24

DOI: https://doi.org/10.3969/j.issn.1673-3819.2021.02.004

信息融合

基于神经网络的组网雷达协同探测模式控制

  • 谢金华 1, 2 ,
  • 钮伟 1, 2 ,
  • 王永坤 1, 2
展开
  • 1.中国航空工业集团公司雷华电子技术研究所, 江苏 无锡 214063
  • 2.航空电子系统射频综合仿真航空科技重点实验室, 江苏 无锡 214063

作者简介：谢金华(1962—),男,江苏常熟人,研究员,研究方向为机载雷达系统、多传感器信息融合、雷达数据处理。

钮 伟(1991—),男,工程师。

Copy editor: 张培培

收稿日期: 2020-12-07

  修回日期: 2020-12-27

  网络出版日期: 2022-04-29

收起

Research on Control of Netted Radar Co-detection Mode Based on Neural Network

  • XIE Jin-hua 1, 2 ,
  • NIU Wei 1, 2 ,
  • WANG Yong-kun 1, 2
Expand
  • 1. AVIC LEIHUA Electronic Technology Institute, Wuxi 214063
  • 2. Aviation Key Laboratory of Science and Technology on AISSS, Wuxi 214063, China

Received date: 2020-12-07

  Revised date: 2020-12-27

  Online published: 2022-04-29

Fold

摘要

针对多机编队多雷达协同探测模式的切换选择问题,提出了一种基于神经网络的协同探测模式控制策略。通过利用模糊逻辑理论对战场态势信息进行模糊表征;然后,采用神经网络技术对态势表征因子与协同探测模式之间的映射关系进行数学建模;最后,将实时态势信息输入建立的模型,自主得到协同探测模式的选择建议。通过数值仿真表明,神经网络建模技术可以有效控制协同探测模式的选择切换,并具有较高的切换精度。

关键词： 协同探测; 模式控制; 模糊逻辑; 隶属函数; 神经网络

本文引用格式

谢金华 , 钮伟 , 王永坤 . 基于神经网络的组网雷达协同探测模式控制[J]. 指挥控制与仿真, 2021 , 43(2) : 20 -24 . DOI: 10.3969/j.issn.1673-3819.2021.02.004

Abstract

For the control of multi-radar co-detection mode in airplane formation, a co-detection mode control strategy is proposed based on neural network. Firstly, the fuzzy logic theory is introduced to perform the fuzzy characterizing of battlefield situation. Then, the mathematical model of the mapping relationship between the battlefield situation and co-detection mode based on neural network method. Finally, the choose advise of co-detection mode is obtained with the real time battlefield situation inputting to the model. The simulation results show the neural network can control the co-detection mode switch effectively and have a favorable precision.

Key words： co-detection; mode control; fuzzy logic; membership function; neural network

随着航空科技的发展与军事需求的推动,单架飞机的作战效能已经无法满足未来战场的作战需求,多机协同作战将成为未来主要的作战形式[1]。对于单机作战来说,雷达工作环境相对简单,飞行员只需根据自身平台的作战任务下达雷达操作指令。因此,雷达工作模式的切换一般可以通过飞行员手动操作完成;而对于编队雷达而言,多机协同探测模式种类繁多,包括协同无源侦收、协同猝发探测、协同有源探测、协同有/无源探测和协同抗干扰。因此,为实现多机编队作战效能,需要保证每时每刻各平台操作员能够根据当前战场态势[2]将网内各雷达准确、统一地切换到协同探测模式,从而在体系对抗条件下,保证与敌方编队的制衡能力,获取战场制空权。
目前,多机编队协同探测模式主要是经人工判断后进行手动切换,即操作员根据作战经验以及作战决策知识库查阅后进行选择切换。但是由于各平台飞行员能力和各成员飞机态势之间存在差异,难以保证编队内各雷达同时切换到同一协同探测模式,容易出现误判,且实时性差。这种人工判断方式会大大降低“人在回路”的作战决策效率,导致编队作战效能无法获得本质提升。因此,为适应瞬息万变的战场环境,需要设计一种智能自主的多机雷达协同探测模式控制方法,能够根据战场态势实时给出协同探测模式的选择建议,辅助操作员进行快速作战决策,把握战场主动权。
本文提出了一种基于神经网络[3-4]技术的组网探测模式控制方法,利用神经网络对组网探测模式的决策逻辑进行建模,实现其自主控制。首先,利用模糊逻辑理论[5⇓-7]对战场态势信息进行模糊表征;再通过神经网络技术对态势表征因子与协同探测模式之间的映射关系进行数学建模;最后,将实时态势信息输入建立的模型,自主得到协同探测模式的选择建议。通过数值仿真,表明通过神经网络建模可以自主控制协同探测模式的选择切换,并具有较高的切换精度。该方法可以辅助指挥员快速进行战场指挥决策,减轻操作员决策压力,提升作战决策系统的智能化程度。

1 态势信息的结构化表征

战场态势由多维不确定、不完全、模糊的信息共同决定,对这些信息的表示和处理过程是实现战场态势评估的关键所在。本文首先对目标态势信息进行分析和提取,然后对提取的态势因子进行模糊表征,作为多机协同组网探测模式控制的输入因素。

1.1 态势信息提取

战场态势包括单目标态势信息和总体态势信息。在现代空中战场上,敌机通常是以编队形式来袭,以编队作为基本单位可以大大减少操作员关注的焦点数目,减轻指挥参谋人员面临的认知压力,而且也更直接地反映了作战意图及威胁等更深层次的态势信息。因此,可以将目标编队作为态势评估[8-9]的基本单位。
本文首先借助专家知识,提取影响战场态势的主要因素,主要包括五类因子,即
X=[x1,x2,x3,x4,x5]Τ
其中,x1表示编队目标平均距离,x2表示编队目标平均速度,x3表示编队目标航迹质量,x4表示电磁环境,x5表示作战任务。编队目标平均距离态势因子可通过下式获取:
x1= ∑ i = 1 mx1,i/m
其中,x1,i表示敌方编队中第i个目标的距离,m表示敌方编队中目标的个数,因此,x1表示编队目标平均距离。同理,编队目标的平均速度和航迹质量为
x 2 = ∑ i = 1 m x 2 , i / m x 3 = ∑ i = 1 m x 3 , i / m
而电磁环境x4和作战任务x5态势因子无须进行平均化处理,可直接进行模糊表征[10-11]。

1.2 态势因子模糊表征

利用模糊逻辑技术,建立各态势因子的隶属度函数[12⇓-14],将各态势因素转换成具体的归一化模糊值,模糊值表示该态势因子的威胁权重。具体描述为:将态势因子真实变量值变换为相应论域(模糊值/语言值)对于时间t的具体值xi(t),并将其映射为模糊集合Aij(xi)具有的隶属函数μ(Aij(xi)),各态势因子的隶属函数值构成的集合为后续映射关系建模提供输入。
以编队目标平均距离态势因子为例,结合作战使用流程将目标距离进行如下划分:远距,大于125%R;中远距,100%R~125%R;中距,20%R~100%R;近距,小于20%R,其中,R表示雷达探测距离。距离隶属函数应满足距离越小,函数值(威胁权重)越大的要求,因此,建立其隶属度函数为
μ1(x1(t))= 1 　 　 　 　 　 　 　 　 　 0 ≤ x 1 ≤ a 1 1 - x 1 - a 1 a 2 - a 1 2 · 0.3 　 a 1 < x 1 ≤ a 2 a 3 - x 1 a 3 - a 2 2 · 0.7 　 a 2 < x 1 ≤ a 3 0 x 1 > a 3
其中,a1=0.2R,a2=R,a3=1.25R。其他态势因子的模糊隶属度函数不再一一描述,最终模糊表征后的态势因子集为 μ -=[μ1,μ2,μ3,μ4,μ5]Τ。

2 编队目标态势因子对协同探测模式的触发逻辑

为实现战场态势因子与协同探测工作模式的映射关系建模,首先,需要梳理出不同的态势因子组合对多机协同探测模式的触发逻辑,即态势因子与协同探测模式的映射关系,从而建立样本数据。态势因子的类型如上所述,协同探测模式主要包括协同无源侦收、协同猝发探测、协同有源探测、协同抗干扰等。
典型态势因子对协同探测工作模式触发示意图如图1所示。从图中可以看出,在协同无源侦收、协同有源探测以及协同被动抗干扰方面,有很大的重叠部分。以目标距离为中远距120%R的情况为例(距离态势因子μ1=0.03),若表征后的态势因子状态集为
μ -=[μ1,μ2,μ3,μ4,μ5]Τ=[0.03, 1, 0.1, 0.5,0.5]Τ
图1 战场态势因子与协同探测模式触发示意图
即战场态势为:编队目标平均距离120%R,编队目标平均速度Ma=1.5,编队目标航迹精度中等,电磁环境中等,作战任务为隐蔽接敌,此时,结合战场态势、作战任务与作战流程应选择协同无源侦收工作模式。基于以上触发逻辑,建立态势因子集与协同探测工作模式映射关系的样本数据。

3 基于神经网络的态势到协同探测模式映射关系建模

上节梳理了态势因子到协同探测模式的触发逻辑关系,建立了二者映射关系的样本数据。基于输入输出的样本数据,本节采用神经网络技术对上述离散映射关系进行建模,具体建模流程为:
步骤1:梳理态势因子集(输入)到组网探测模式(输出)的触发逻辑(即二者之间的离散映射关系),制定样本数据;
步骤2:建立神经网络模型结构,本文采用单隐含层建模技术;
步骤3:根据样本数据,计算隐含层的输出值以及输出层输出值,并采用BP神经网络[15]算法对模型的连接权重因子进行优化学习,建立态势因子与协同探测模式的映射模型;
步骤4:针对建立的上述模型,输入实时的态势信息数据,自主得到当前战场环境下组网探测模式的选择建议;
步骤5:操作员通过人机交互接口实现对机器拟定方案的人工干预和选择,实现“人在回路”的作战组织控制,生成最终的多机协同探测模式决策指令。
拟采用前向神经网络与BP神经网络结合的策略对映射关系进行建模,网络示意图如图2所示。
图2 基于神经网络的映射关系建模示意图
给定一组样本 X ˙(k)=[ x ˙ 1(k), x ˙ 2(k),..., x ˙ 5(k)]T为输入X层的相应单元,则A层各单元的激活值为
ai(k)=σ ∑ h = 1 5 v i h x ˙ h ( k ) + θ i, i=1,...,p
其中,θi为隐含层各单元的阈值,vih为隐含层与输入层之间的连接权值,V=[vih]∈Rp×5,σ(·)是单调有界函数,通常取
σ(x)=1/(1+e-x)
R层各单元的输出值为
yj(k)= ∑ i = 1 pwjiai(k)+rj, j=1,...,q
其中,rj为输出层各单元的阈值,wji为输出层与隐含层之间的连接权值,W=[wji]∈Rq×p,以上即为采用前向神经网络建立的映射关系模型。
给定参考信号D(k)=[d1(k),...,dq(k)]T, k=1,...,N,学习算法为
w j i ( k + 1 ) = w j i ( k ) + η ∂ E ∂ w j i v i h ( k + 1 ) = v i h ( k ) + η ∂ E ∂ v i h
目标函数为
E(k)= 1 2 ∑ j = 1 q[dj(k)-yj(k)]2
然后,基于式(10)采用BP算法对模型中的权值vih和wji进行优化学习,建立态势因子状态集X(k)与工作模式yj的映射模型,实现多机协同探测工作模式的智能控制。

4 仿真分析

4.1 样本数据选取

为进行态势因子与协同探测模式映射关系的建模仿真分析,首先需要构建映射关系的输入输出数据。依次从归一化的态势因子集中选取样本点,如表1所示:依次从表征后的归一化编队目标平均距离态势因子中选取5个样本点、速度态势因子选取6个样本点、航迹质量态势因子选取4个样本点、电磁环境态势因子选取3个样本点、作战任务态势因子选取2个样本点,进而构建720组样本数据。R=200 km表示单部雷达最远探测距离,V=314 m/s。
表1 态势因子样本选取
态势因子 样本点
目标距离 0.4R 0.6R 0.8R R 1.1R \
目标
速度		 1.2V 1.1V V 0.8V 0.6V \
航迹
质量/m		 300 200 100 80 30 \
电磁
环境		 压制
干扰		 弱干扰 静默
环境		 \ \ \
作战
任务		 抵近
侦察		 协同
攻击		 \ \ \ \

4.2 参数设置

本文采用BP神经网络算法对上述样本数据进行建模训练,实现探测模式自主控制。算法参数设置为:输入层节点个数nx=5,隐含层节点数ni=60,输出层节点数ny=5,迭代学习次数为100,仿真步长T=0.05 s。此外,720组样本数据随机分布后,设定训练样本600组,测试样本120组。

4.3 仿真结果

首先给出态势因子隶属度函数仿真结果,编队目标平均距离态势因子的隶属函数曲线如图3所示,目标距离越近,对应函数值越大,表明威胁权重越大。编队目标平均速度态势因子的隶属函数符合中间型分布函数形式,其函数选择非对称梯形分布,隶属函数曲线如图4所示。
图3 距离态势因子隶属函数曲线
图4 速度态势因子隶属函数曲线
基于神经网络的组网雷达协同探测模式控制仿真结果如图5所示,纵坐标数值1~9分别表示9种协同探测工作模式,横坐标表示120组测试样本数据。经统计,120组测试数据相对于标准输出的正确率为86.7%,在当前样本容量下该误差率处在可接受范围内。
图5 基于神经网络的映射关系建模仿真结果
为进一步说明本文提出算法的有效性,采用经典模糊贝叶斯技术与BP神经网络算法进行对比仿真,工作模式控制精度统计如表2所示。BP神经网络较模糊贝叶斯算法,具有较高的协同探测模式控制精度。表3给出了训练耗时统计,在算法实时性方面,后者更具优势,而BP算法进行网络建模过程占据较多时间资源。因此,可考虑离线对训练样本进行建模,在线控制,从而在保证实时性要求下,实现较高的工作模式控制正确率。
表2 工作模式控制正确率对比
算法 正确率
(120组)		 正确率
(150组)		 正确率
(180组)
BP神经网络 86.7% 88.3% 76.5%
模糊贝叶斯 79.2% 77.4% 69.7%
表3 算法耗时对比单位:s
算法 训练样本
(540组)		 训练样本
(570组)		 训练样本
(600组)
BP神经网络 9.5 9.9 10.6
模糊贝叶斯 7.3 8.1 8.8s

5 结束语

本文针对多机编队协同探测模式的切换选择问题,提出了一种基于神经网络技术的协同探测模式控制方法,采用模糊逻辑理论对战场态势信息进行模糊表征,进而通过神经网络技术对表征态势因子与协同探测模式之间的映射关系进行数学建模,实现协同探测模式的自主控制。通过数值仿真,表明通过神经网络建模可以自主控制协同探测模式的选择切换,并具有较高的切换精度。在多机编队协同作战过程中,实时将态势信息输入建立的模型,自主得到协同探测模式的选择建议,辅助指挥员快速进行战场指挥决策,减轻操作员决策压力,提升作战决策系统的智能化程度。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
黄国庆, 王明绪. 基于ADC模型的多机协同作战效能评估[J]. 火力与指挥控制, 2013, 38(10):126-129.

[2]
肖圣龙, 石章松, 吴中红. 现代信息条件下的战场态势感知概念与技术[J]. 舰船电子工程, 2014, 34(11):13-16.

[3]
Haykin S. Neural Networks: A Comprehensive Foundation[M]. New York: Macmillan College Publishing Company, 1998.

[4]
Ding S F and Su C Y. An Optimizing BP Neural Network Algorithm Based on Genetic Algorithm[J]. Artificial Intelligence Review, 2011, 36(2):153-162.

DOI

[5]
Wang Y, Chen L, and Mei J P. Incremental Fuzzy Clustering with Multiple Medoids For Large Data[J]. IEEE Transactions on Fuzzy Systems, 2014, 22(6):1557-1568.

DOI

[6]
Nayak P and Devulapalli A. A Fuzzy Logic-based Clustering Algorithm For WSN to Extend The Network Lifetime[J]. IEEE Sensors Journal, 2016, 16(1):137-144.

DOI

[7]
Bezdek C B. Pattern Recognition with Fuzzy Objective Function Algorithms[M]. New York: Springer Science & Business Media, 2013.

[8]
朱丰, 胡晓峰. 基于深度学习的战场态势评估综述与研究展望[J]. 军事运筹与系统工程, 2016, 30(3):22-27.

[9]
Jeung W C, Jae W J, and Dong L C. Situation/Threat Assessment Fusion System(STA-FS)[C]// The Proceedings of The 5th International Conference on Information Fusion Annapolis: International Society of Information Fusion, 2002.

[10]
Li M H, Dong M, and Yan Z. Power Transformer Fault Diagnosis Model Based on Rough Set Theory with Fuzzy Representation[J]. Academic Journal of Xi'an Jiaotong University, 2007, 19(1):9-13.

[11]
赵鑫业. 联合作战指挥控制过程模糊表示与决策方法[D]. 长沙: 国防科学技术大学, 2014.

[12]
刘开旻, 吴小俊. 一种基于新隶属度函数的模糊支持向量机[J]. 计算机工程, 2016, 42(4):155-159.

[13]
Jiang X F, Yi Z, and Lu J C. Fuzzy SVM with A New Fuzzy Membership Function[J]. Neural Computation and Applications, 2006, 15(3/4):268-276.

[14]
Narimani M, Lam H K, and Dilmaghani R. LMI-based Stability Analysis of Fuzzy-model-based Control Systems Using Approximated Polynomial Membership Functions[J]. IEEE Transactions on Systems, Man and Cybernetics, 2011, 41(3):713-724.

[15]
Haykin S. Neural Networks: A Comprehensive Foundation[M]. London: Prentice Hall, 1999:20-25.

Options
文章导航

/

〈 〉