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 >

2026 , Vol. 48 >Issue 3: 11 - 17

DOI: https://doi.org/10.3969/j.issn.1673-3819.2026.03.002

指挥控制

面向防守作战的来袭目标威胁评估*

  • 翟明圆 1, 2 ,
  • 应淮冰 3 ,
  • 王武阳 3 ,
  • 何立栋 3
展开
  • 1 中国航空工业集团公司沈阳飞机设计研究所, 辽宁 沈阳 110034
  • 2 东北大学信息科学与工程学院, 辽宁 沈阳 110819
  • 3 南京理工大学自动化学院, 江苏 南京 210094

翟明圆(1984—),男,工学硕士,研究方向为先进飞行控制系统设计与评估。

应淮冰(1999—),男,工学硕士。

收稿日期: 2025-03-26

  修回日期: 2025-04-15

  网络出版日期: 2026-05-25

基金资助

*国家自然科学基金(61973163)

收起

Threat assessment of incoming targets for defensive operations

  • ZHAI Mingyuan 1, 2 ,
  • YING Huaibing 3 ,
  • WANG Wuyang 3 ,
  • HE Lidong 3
Expand
  • 1 Shenyang Aircraft Design Institute, Aviation Industry Corporation of China, Shenyang 110034
  • 2 College of Information Science and Engineering, Northeastern University, Shenyang 110819
  • 3 School of Automation, Nanjing University of Science & Technology, Nanjing 210094

Received date: 2025-03-26

  Revised date: 2025-04-15

  Online published: 2026-05-25

Fold

摘要

针对防守作战中来袭目标的威胁评估问题,提出了一种基于加权动态贝叶斯网络(Weighted Dynamic Bayesian Network,WDBN)和逼近理想解排序法(Technique for Order Preference by Similarity to an Ideal Solution,TOPSIS)的目标威胁评估方法。首先,选取威胁评估指标并对指标之间的内在关联进行分析,将指标进行离散化处理,通过组合赋权法求取指标的综合权重。其次,构建DBN用于威胁等级的推理,并在条件概率表中融入指标综合权重。最后,针对DBN存在的排序困难问题,引入TOPSIS方法对WDBN的推理结果进行排序。仿真结果表明,相比于直接使用DBN,本文方法推理的结果更符合真实战场情形。

关键词： 威胁评估; 加权动态贝叶斯网络; 逼近理想解排序法; 组合赋权; 威胁排序

本文引用格式

翟明圆 , 应淮冰 , 王武阳 , 何立栋 . 面向防守作战的来袭目标威胁评估*[J]. 指挥控制与仿真, 2026 , 48(3) : 11 -17 . DOI: 10.3969/j.issn.1673-3819.2026.03.002

Abstract

A target threat assessment method based on Weighted Dynamic Bayesian Network (WDBN) and Technique for Order Preference by Similarity to an Ideal Solution (TOPSIS) is proposed for threat assessment of incoming targets in defensive operations. First, select threat assessment indicators and analyze the inherent correlation between the indicators. Discretize the indicators and use the combination weighting method to obtain the comprehensive weight of the indicators. Second, construct a DBN for threat level inference and incorporate the comprehensive weights of the indicators into the conditional probability table. Finally, in response to the sorting difficulty of DBN, the TOPSIS method is introduced to sort the inference results of WDBN. Compared with directly using the DBN, simulation results show that the algorithm proposed in this paper is more in line with the actual battlefield situation.

Key words： threat assessment; weighted dynamic Bayesian network; TOPSIS; combination weighting method; threat sequencing

在战场中,对敌方攻击性武器的威胁评估是现代防御技术的重要一环,指挥员需要在短时间内对由传感器获取的信息进行分析,确定目标的威胁程度并制订防御及反击措施。威胁评估是建立在数据预处理、目标提取、态势估计基础上的高层信息融合过程,需要结合敌方能力以及当前意图综合分析,进行威胁等级计算,并确定威胁排序,从而辅助我方作战决策指挥以及指导火力分配。在威胁评估领域,常用的方法包括:灰色关联法[1]、多属性决策理论[2]、模糊理论[3]、三支决策理论[4]、证据理论[5]、深度学习[6]、强化学习[7]、组合赋权法[8]、贝叶斯网络[9-12]等。在不同场景下,这些方法可以相互组合,以提高威胁评估的准确性。
上述方法中,多属性决策理论无法处理信息缺失且不考虑历史信息;模糊隶属度函数的确定过于主观且不具备动态处理能力;深度学习方法所需训练样本多、结果不可解释。相比之下,BN能较好地应对信息缺失且结果的可解释性较强。付涛等人[9]将威胁因素分为定量、定性两类,采用BN推理定性指标,并通过AHP方法加权计算综合威胁值。针对BN在处理动态信息和不确定信息上的不足,刘诗瑶等人[10]将其拓展到DBN用于对抗性强、目标动态变化快的战场无人车威胁评估中。杨爱武等人[11]基于云模型定量表述不确定性信息,进而通过证据相关法对网络进行推理,但未考虑多目标情况下目标威胁排序困难的问题。刘芳等人[12]将DBN模型用于多目标威胁评估中,通过TOPSIS进行排序,但未考虑不同指标重要性不同的问题。
综合上述分析,本文选用DBN进行威胁评估模型的构建,针对DBN存在条件独立性过强的问题,通过引入组合赋权法对指标进行加权,再将权重融入条件概率表中去弱化条件独立性假设,提高关键指标对于结果的影响。同时,由于CRITIC赋权法相较熵权法能够有效考虑指标间的相关性及冗余信息,本文采用AHP与CRITIC结合的组合赋权法。此外,针对DBN无法直接进行排序的问题,通过引入TOPSIS进行客观排序,同时为满足DBN推理结果概率值的约束,设置绝对正负理想解用于排序计算,一方面能够避免加权排序法权重计算困难的问题;另一方面,比按威胁等级概率值逐级比较排序的方法利用了更多的信息,更加符合实际使用场景。

1 问题描述

在现代多域战场错综复杂的环境下,战场中存在的威胁日益增多,威胁目标类型也各不相同,加大了威胁评估的难度。威胁评估主要反映敌方目标的威胁要素与威胁等级之间的非线性关系,实现目标的属性数据和当前意图到目标威胁程度的映射。
作战场景描述:当敌方目标进入我方监控区域后,雷达系统以及巡逻侦察单位检测目标并将获取到的目标信息上传至指挥处理中心,对目标进行跟踪;指挥处理中心对信息进行处理并进行威胁程度的计算和排序;决策者结合上级命令和威胁排序确定火力打击目标;指挥人员根据打击目标类型分配执行打击任务的对象以实现打击收益最大化。
威胁评估需要分析已获取到的目标信息,并给出目标当前对我方的威胁等级,如存在多个目标则需要对各目标的威胁程度进行排序。威胁评估流程如图1所示,威胁程度的定量计算通常需要对威胁要素进行量化分析,然后设计威胁评估方法对量化后的威胁要素进行计算,得到威胁评估的结果,最后将结果进行排序。
图1 目标威胁评估流程

Fig.1 Assessment process for target threat

2 威胁评估指标体系

本文基于地空战场环境中敌方目标性能参数、状态参数及来袭意图构建威胁评估指标体系,对我方地面单位面临的敌方威胁做具体分析,如图2所示。
图2 威胁评估指标体系

Fig.2 Indicator system for threat assessment

在本场景下目标类型主要包括坦克、战车、侦察车、武装直升机、无人机蜂群、小型侦察无人机等目标对象,不同类型目标的作战任务不同,表现出的威胁程度不同。前进角度是以来袭目标和我方保卫目标连线为基准,与来袭目标形成的夹角,进入角绝对值越小,对我方保卫目标威胁度也越大。目标距离是威胁评估的重要指标,来袭目标离我方保卫目标越近,对我方威胁就越大。敌方战术意图识别需有效发掘敌方作战单元的潜在威胁,基于对敌方作战单元战术意图的判断,我们将其分为进攻、侦察、巡逻、撤离。
对上述威胁因素进行离散化处理,如表1所示,表中Da表示有效打击距离,Dr表示有效侦察距离,Ha表示有效打击高度。根据目标类型的不同,分为进攻型和侦察型,将距离离散化分为两种方式。若同时具备侦察和打击能力,则取较小值。
表1 连续型指标离散化

Tab.1 Discretization of continuous indicator

指标类型 离散化处理方式
机动能力 强:vmax≥150 km/h
中:150 km/h>vmax≥100 km/h
弱:vmax<100 km/h
武器性能 强:Da≥2 km
中:2 km>Da≥1 km
弱:Da<1 km
探测能力 强:Da≥50 km
中:50 km>Dr≥10 km
弱:Dr<10 km
速度 高速:v>$\frac{5}{6}$vmax
中速:$\frac{5}{6}$vmax≥v≥$\frac{1}{2}$vmax
低速:v<$\frac{1}{2}$vmax
角度 大:180°>a≥120°
中:120°>a≥60°
小:60°>a≥0°
距离 超远:D≥Da+$\frac{1}{6}$vmax or Dr+$\frac{1}{6}$vmax
远:Da+$\frac{1}{6}$vmax or Dr+$\frac{1}{6}$vmax>D≥Dr
中:Dr or 2Da>D≥Da
近:Da>D≥0
高度 高:Hmax≥H≥$\frac{1}{2}$Hmax
中:$\frac{1}{2}$Hmax>H≥Ha
低:Ha>H≥0

3 基于WDBN-TOPSIS的地空目标威胁评估模型

本文构建基于WDBN-TOPSIS的威胁评估模型,结构如图3所示。首先需要基于威胁评估指标体系设计DBN结构,然后基于专家先验知识以及历史数据确定网络中的条件概率表,并对指标重要性进行分析用以确定网络结构中各指标的权重。然后对条件概率表进行加权处理,构建加权网络模型。最后使用WDBN对目标威胁等级进行推理,将推理结果通过TOPSIS方法进行威胁程度排序。
图3 威胁评估结构图

Fig.3 Threat assessment structure diagram

3.1 基于组合赋权法计算指标权重

(1)客观CRITIC赋权法[13]
通过观测数据构造原始评估矩阵,矩阵的行表示评价对象,列表示评价对象属性:
X=$\left[\begin{array}{llll}{x}_{11}& {x}_{12}& \dots & {x}_{1m}\\ {x}_{21}& {x}_{22}& \dots & {x}_{2m}\\ ︙& ︙& \ddots & ︙\\ {x}_{n1}& {x}_{n2}& \dots & {x}_{nm}\end{array}\right]$
将原始数据进行正向化处理,所有指标转换为数值越大越优。对于效益型指标,利用式(2)进行计算;对于成本型指标,利用式(3)进行计算。
x'ij=$\frac{max\left({x}_{j}\right)-{x}_{ij}}{max\left({x}_{j}\right)-min\left({x}_{j}\right)}$
x'ij=$\frac{{x}_{ij}-min\left({x}_{j}\right)}{max\left({x}_{j}\right)-min\left({x}_{j}\right)}$
式中,max(xj)表示X中第j列最大值,min(xj)表示X中第j列最小值。
对比强度计算:
Sj=$\sqrt{\frac{\sum _{i=1}^{m}\left(x\right.\text{'}{ }_{ij}-\stackrel{-}{x}\text{'}{ }_{j}{)}^{2}}{n-1}}$
式中,$\stackrel{-}{x}$'j为每个影响因素的均值,n为目标数量,m为指标数量。
相关系数计算:
Rj= $\sum _{i=1}^{p}$(1-rij)
式中:rij表示第i个影响因素和第j个影响因素的相关系数,可取皮尔逊系数。
信息量为对比强度和冲突性相乘:
Cj=Sj×Rj
因此,第j个影响因素的客观权重αj为
αj=$\frac{{C}_{j}}{\sum _{i=1}^{p}{C}_{i}}$
(2)主观层次分析赋权法[14]
基于表2,将威胁指标进行两两对比确定相对重要程度并进行赋值,得到判断矩阵A中的元素,例如指标1稍微重要于指标2,则a12为2,a21为0.5,A的元素满足下式:
aij=$\frac{1}{{a}_{ji}}$
表2 指标重要程度比较量化表

Tab.2 Quantitative comparison for the importance of indicators

重要性程度值 因素i和因素j
1 i同等重要
2 i稍微重要
3 i明显重要
4 i强烈重要
5 i极端重要
通过式(9)计算判断矩阵A各行的几何平均值${\stackrel{-}{c}}_{i}$(i=1,2,…,n),得到判断矩阵A的特征向量$\stackrel{-}{C}$=($\stackrel{-}{c}$,${\stackrel{-}{c}}_{2}$,…,${\stackrel{-}{c}}_{n}$)T
${\stackrel{-}{c}}_{i}$=($\prod _{j=1}^{n}$aij)${ }^{\frac{1}{n}}$
对特征向量$\stackrel{-}{C}$进行归一化处理,得到权重向量B=(β1,β2,…βn)T,其中
βi=$\frac{{\stackrel{-}{c}}_{i}}{\sum _{j=1}^{n}{\stackrel{-}{c}}_{j}}$
通过式(11)计算判断矩阵A的最大特征值。一致性检验CR值计算需要用到一致性指标CI和平均随机一致性指标RI,其中CI通过式(11)计算,RI值采用Franek and Kresta[15]的方式,查表得到
λmax=$\sum _{j=1}^{n}\frac{{\left(AB\right)}_{i}}{n{\beta }_{i}}$
式中,(AB)i表示向量AB的第i个分量。
CI=$\frac{{\lambda }_{max}-n}{n-1}$
然后计算CR值:
CR=$\frac{CI}{RI}$
如果CR值小于0.1,则满足一致性检验,若不满足,则回到第一步,对判断矩阵A进行调整。
(3)综合权重计算
将主客观权重相结合,计算指标的综合权重:
wj=$\frac{\sqrt{{\alpha }_{j}{\beta }_{j}}}{\sum _{j=1}^{n}\sqrt{{\alpha }_{i}{\beta }_{i}}}$
式中:αj为CRITIC计算所得权重,βj为AHP计算所得的权重。

3.2 基于WDBN-TOPSIS的威胁评估

3.2.1 加权动态贝叶斯网络

BN可以通过一个二元组B=<G,P>表示,其中G为网络结构,P为条件概率表。DBN是在BN的基础上加入了时间的影响因素,从而刻画相邻时间片中随机变量的依赖关系。DBN通过一个二元组<B0,B→>进行定义,其中B0表示初始时刻k=0时的BN模型,B→表示相邻两时刻BN的转移网络,那么将DBN展开到第K个时间片,得到的联合概率分布计算如式(15)所示:
P(I0,I1,…,Ik)=PB0(I0)$\prod _{k=1}^{K}{P}_{{B}_{\to }}$(Ik+1|Ik)=$\prod _{k=0}^{K}\prod _{n=1}^{N}$P(${I}_{k}^{n}$|Pa(${I}_{k}^{n}$))
式中:${I}_{k}^{n}$表示k时刻第n个节点的状态,Pa(${I}_{k+1}^{n}$)表示${I}_{k+1}^{n}$节点的父节点。B→表示跨两个时间片的BN,因此Pa(${I}_{k}^{n}$)节点在两个时间片中都有可能存在。
贝叶斯网络认为子节点间满足条件独立性假设,而在实际战场环境中,子节点表示指标之间带有一定相关性,因此需要弱化条件独立性假设。通过对节点变量进行加权的方式能够弱化条件独立性假设,同时反映不同指标信息量间的差异。那么可将式(15)改为式(16)
P(I0,I1,…,IK)=PB0(I0) $\prod _{k=0}^{K}{P}_{{B}_{\to }}$(Ik+1}Ik)= $\prod _{k=0}^{K}\prod _{n=1}^{N}$P(${I}_{k}^{n}$|Pa(${I}_{k}^{n}$))wn
式中:wn为子节点相对于根节点的权重。

3.2.2 基于WDBN-TOPSIS的威胁评估方法

在使用DBN进行威胁评估时,最终输出为目标威胁等级的概率值,并没有对结果进行排序。而对于实际情况,当目标数量过多时,呈现出的推理结果过于混乱,指挥员很难直观判断出每个目标具体的威胁程度。在对DBN推理得到的威胁评估结果进行排序时,本文采用了TOPSIS方法进行综合威胁程度值的计算。相比于常规加权求和得到威胁程度值的方法,避免了权重值的计算,且能够得到更加客观的排序;而与使用DBN推理得到的威胁等级概率值进行逐级比较排序的方法相比[16-17],其能够充分考虑所有的威胁等级概率值,避免信息的丢失。使用TOPSIS方法进行相对理想解的自动构建时,并没有任何约束条件,而DBN推理结果中的概率值具有和为1的约束,因此本文使用高威胁等级概率值为1作为TOPSIS方法的绝对正理想解,低威胁等级概率值为1作为TOPSIS方法的绝对负理想解,在实现问题需求的同时也能满足DBN带来的约束,详细流程如算法1所示。
算法1 基于WDBN-TOPSIS的威胁评估
输入:当前时刻目标观测数据;
输出:目标威胁程度以及排序;
1:通过组合赋权法计算指标权重;
2:初始化动态贝叶斯网络参数,对条件概率表进行加权;
3:for k=0 to K:
4: 对目标观测数据进行离散化处理;
5: 使用WDBN对各目标威胁等级概率值进行推理;
6: 将推理结果作为TOPSIS方法的评估矩阵;
7: 通过TOPSIS方法计算目标综合威胁度并进行排序;
8: 输出当前时刻威胁评估结果;
9:end for;

4 仿真实验

为验证威胁评估模型的有效性,以我方基地防御敌方进攻为例。假定雷达已经发现若干目标同时向我方来袭,选择6个连续时间片进行仿真实验。目标离散化处理后的部分数据如表3所示,其中所有目标角度全为小,在此情形下,目标处于高威胁等级的条件概率较大。而随着角度增加,高威胁等级概率呈降低趋势。动态贝叶斯网络中状态转移概率表为相邻两个时间片中的威胁程度节点由一个状态变为另一个状态的概率,如下式所示:
P(Ik+1=a|Ik=b)=$\left\{\begin{array}{l}\lambda,　　　若a=b\\ \frac{1-\lambda }{n-1},若a\ne b\end{array}\right.$
表3 时刻1来袭目标指标信息

Tab.3 Indicators for incoming target at time 1

目标
ID		 目标类型 速度 距离 高度 意图
1 坦克 高速 超远 进攻
3 坦克 高速 远 进攻
5 战车 高速 远 进攻
6 战车 高速 超远 巡逻
7 侦察车 高速 超远 侦察
9 侦察车 高速 远 侦察
10 武装直升机 高速 超远 高 侦察
12 武装直升机 中速 远 中 进攻
13 无人机蜂群 高速 超远 中 侦察
15 无人机蜂群 中速 超远 高 巡逻
16 小型侦察无人机 高速 超远 高 巡逻
18 小型侦察无人机 中速 远 高 巡逻
式中,λ为相邻两个时间片相同状态的概率,可以通过样本数据对的值进行调整,得到合适的状态转移概率,以提高推理结果的可靠度。本文将相邻时间片威胁程度保持原有等级的概率设为0.8。

4.1 实验结果

将离散化处理后的数据按时刻输入WDBN,对时间片中的所有目标进行威胁程度的推理与威胁排序。加权法中权重按高威胁等级>中威胁等级>低威胁等级的原则设为[0.6,0.3,0.1],TOPSIS方法中将各威胁等级作为评估指标,将加权DBN推理结果作为TOPSIS方法中的评估矩阵。由于DBN对评估指标带有约束,即指标和为1,通过TOPSIS算法自动构建的正负理想解不满足此约束,手动构建正理想解为[1,0,0],表示威胁最大的情况;负理想解为[0,0,1],表示威胁最小的情况。表4为时刻1的威胁评估结果。威胁等级概率值为加权动态贝叶斯网络的推理结果,通过TOPSIS将威胁等级概率值向量转换为综合威胁值,综合威胁值越大的目标对我方的威胁性越大。
表4 时刻1威胁评估结果

Tab.4 Threat assessment at time 1

目标
ID		 威胁等级概率值 加权法
威胁值		 TOPSIS
威胁值
1 [0.305 5, 0.333, 0.361 5] 0.319 4 0.524 4
3 [0.402 4, 0.357 8, 0.239 8] 0.372 8 0.595 2
5 [0.353 7, 0.401 5, 0.244 9] 0.357 2 0.570 4
6 [0.157, 0.354 6, 0.488 4] 0.249 4 0.433 9
7 [0.192 7, 0.361 3, 0.446] 0.268 6 0.458 1
9 [0.270 6, 0.413 9, 0.315 5] 0.318 1 0.520 7
10 [0.273 4, 0.367 6, 0.359] 0.310 2 0.511 6
12 [0.434 8, 0.351 9, 0.213 3] 0.387 8 0.616 1
13 [0.175 1, 0.396 5, 0.428 4] 0.266 8 0.458
15 [0.122 9, 0.319 3, 0.557 8] 0.225 3 0.400 8
16 [0.148 8, 0.319 1, 0.532 1] 0.238 2 0.416 7
18 [0.197 4, 0.367 9, 0.434 7] 0.272 3 0.463 1

4.2 对比实验

将本文所使用的WDBN与DBN和加权BN进行对比,分析WDBN在威胁等级推理上的有效性;将本文所使用加权DBN与TOPSIS结合的排序方法与只使用TOPSIS进行排序的方法进行比较,分析本文方法的合理性。
(1)DBN和WDBN
DBN的推理结果将直接影响后续对目标进行威胁度排序的准确性。当使用DBN进行推理时,由于不同威胁因素对推理结果的影响相同,容易出现本身破坏性大但动态威胁小的目标高威胁等级概率值过大的情况。对于5号目标,DBN的推理结果如图4所示,WDBN的结果如图5所示。
图4 5号目标DBN推理结果

Fig.4 Inference results for target 5 via DBN

图5 5号目标WDBN推理结果

Fig.5 Inference results for target 5 via WDBN

5号目标机动能力和探测能力弱,武器性能强。在初始时刻,动态属性表现出的进攻性强,但是距离较远,DBN推理结果给出了高威胁等级接近1的概率值,并且在后续时刻距离发生变化时,推理结果的变化不大,对于距离的变化不敏感。而WDBN模型中给予了距离属性较大的权重,在初始时刻距离较远时,推理结果呈现高中威胁等级的概率值相近,随着距离靠近,高威胁等级的概率逐渐升高,更加符合逻辑。此外,使用WDBN进行推理所得到的结果区分度较高,有利于后续排序。
(2)加权BN和WDBN
对于5号目标,加权BN的推理结果如图6所示。相比于WDBN,加权BN在输入不变的情况下输出也保持不变,没有考虑历史信息,不具有动态性。而WDBN能够建模时间依赖关系,表示目标威胁等级在时间上的变化,对于描述动态变化的目标威胁程度非常有效,并且通过给定当前状态和历史观察,可以使用WDBN进行概率推理和预测未来的变量状态。
图6 5号目标加权BN推理结果

Fig.6 Inference results for target 5 via weighted BN

(3)WDBN-TOPSIS和TOPSIS
TOPSIS方法不考虑问题的不确定性和潜在的隐含变量,无法充分评估威胁的概率和不确定性,也无法处理有缺失数据的目标。相比于直接使用TOPSIS进行威胁度的排序,通过WDBN进行威胁等级的推理,再使用TOPSIS排序,可以有效避免数据缺失带来的影响,并且能够考虑目标的状态变化带来的影响。WDBN-TOPSIS和TOPSIS排序结果对比如表5所示。
表5 加权DBN-TOPSIS和TOPSIS排序结果对比

Tab.5 Ordered output for weighted DBN-TOPSIS versus TOPSIS

时刻 TOPSIS 加权DBN-TOPSIS
1 12>3>5>1>10>9>13>7>15>6>18>16 12>3>5>1>9>10>18>7>13>6>16>15
2 12>5>3>1>10>9>13>7>15>6>18>16 12>3>5>1>>9>10>13>7>18>15>6>16
3 12>3>5>1>10>9>13>7>15>6>16>18 12>3>5>1>9>10>13>7>18>15>6>16
4 12>5>3>1>10>13>7>9>15>6>16>18 12>3>5>13>9>1>10>7>15>18>6>16
5 12>5>3>1>10>13>7>9>15>6>16>18 12>3>13>5>9>1>10>7>15>6>18>16
6 12>5>3>1>10>7>9>15>6>16>18 12>3>5>13>9>1>7>10>15>6>16>18
18号目标在初始时刻意图为巡逻,并且处于靠近状态,而后意图转变为撤离,因此该目标的威胁度应该是逐步下降的,而在TOPSIS的排序中该目标一直处于威胁度较低的状态。13号目标在时刻1-5中,距离越来越近,威胁度应该是逐步上升的,而TOPSIS的排序中该目标的威胁度比较平稳,并且在时刻6丢失该目标信息的情况下无法进行排序。因此,本文方法在信息动态变化和数据缺失情况下的处理能力明显优于TOPSIS方法。

5 结束语

本文研究了目标威胁评估问题。首先对评估指标的选取进行了分析,使用能够体现目标属性的混合指标建立威胁评估体系,然后结合主观AHP和客观CRITIC方法确定指标的综合权重,基于加权DBN模型进行威胁等级的推理,再结合TOPSIS方法通过手动构建理想解进行威胁度的计算和排序。实验结果表明,本文所使用的方法充分利用了DBN在不确定性问题推理上的优势以及TOPSIS在多目标综合评估上的优势,并且结合主观专家经验以及客观数据间特征确定指标权重融入DBN的条件概率表用于推理,使得推理结果更加符合实际战场情况,最终的排序结果更加合理和科学。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
奚之飞, 徐安, 寇英信, 等. 基于改进GRA-TOPSIS的空战威胁评估[J]. 北京航空航天大学学报, 2020, 46(2):388-397.

XI Z F, XU A, KOU Y X, et al. Air combat threat assessment based on improved GRA-TOPSlS[J]. Journal of Beijing University of Aeronautics and Astronautics, 2020, 46(2): 388-397.

[2]
苏倩, 钟元芾, 曹志钦, 等. 基于作战态势和改进CRITIC-TOPSIS的目标威胁评估模型[J]. 系统工程与电子技术, 2023, 45(8): 2 343-2 352.

SU Q, ZHONG Y F, CAO Z Q, et al. Target threat assessment model based on operational situation and improved CRITIC-TOPSIS[J]. Systems Engineering and Electronics, 2023, 45(8): 2 343-2 352.

[3]
JIA Q L, HU J Y, ZHANG W G, et al. A new situation assessment method for aerial targets based on linguistic fuzzy sets and trapezium clouds[J]. Engineering Applications of Artificial Intelligence, 2023(117): 105 610.

[4]
GAO Y, LI D S, ZHONG H. A novel target threat assessment method based on three-way decisions under intuitionistic fuzzy multi-attribute decision making environment[J]. Engineering Applications of Artificial Intelligence, 2020(87): 103 276.

[5]
李智, 齐莹莹, 王莉. 基于DBN和证据网络的目标威胁评估方法研究[J]. 航天电子对抗, 2022, 38(2): 38-43.

LI Z, QI Y Y, WANG L. Research on target threat assessment method based on DBN and evidence network[J]. Aerospace Electronic Warfare, 2022, 38(2): 38-43.

[6]
WANG X, LIU J, HOU T, et al. The SSA-BP-based potential threat prediction for aerial target considering commander emotion[J]. Defence Technology, 2022, 18(11): 2 097-2 106.

DOI

[7]
梁复台, 周焰, 张晨浩, 等. 对抗条件下空中目标威胁评估方法[J]. 现代防御技术, 2024, 52(1): 147-154.

DOI

LIANG F T, ZHOU Y, ZHANG C H, et al. Threat assessment method of aerial targets under confrontational conditions[J]. Modern Defence Technology, 2024, 52(1): 147-154.

[8]
蒲海鹏, 王凤山, 郑自强. 基于无人机突袭的指挥所威胁TOPSIS评估方法[J]. 指挥控制与仿真, 2022, 44(6): 29-34.

DOI

PU H P, WANG F S, ZHENG Z Q. TOPSIS method of command post threat assessment based on UAV raid[J]. Command Control & Simulation, 2022, 44(6): 29-34.

[9]
付涛, 王军. 防空系统中空中目标威胁评估方法研究[J]. 指挥控制与仿真, 2016, 38(3): 63-69.

FU T, WANG J. Threat assessment of aerial targets in air-defense[J]. Command Control & Simulation, 2016, 38(3): 63-69.

[10]
刘诗瑶, 王明, 习朝辉, 等. 基于动态贝叶斯网络的无人战车目标威胁评估[J]. 火力与指挥控制, 2021, 46(4): 59-64.

LIU S Y, WANG M, XI Z H, et al. Threat assessment of unmanned combat vehicle target based on dynamic Bayesian network[J]. Fire Control & Command Control, 2021, 46(4): 59-64.

[11]
杨爱武, 李战武, 徐安, 等. 基于加权动态云贝叶斯网络空战目标威胁评估[J]. 飞行力学, 2020, 38(4): 87-94.

YANG A W, LI Z W, XU A, et al. Threat level assessment of the air combat target based on weighted cloud dynamic Bayesian network[J]. Flight Dynamics, 2020, 38(4): 87-94.

[12]
刘芳, 张勇, 宫华, 等. 基于DBN-TOPSIS法的空中目标融合威胁评估[J]. 兵器装备工程学报, 2023, 44(1): 136-143.

LIU F, ZHANG Y, GONG H, et al. Threat assessment of air target fusion based on DBN-TOPSIS[J]. Journal of Ordnance Equipment Engineering, 2023, 44(1): 136-143.

[13]
DIAKOULAKI D, MAVROTAS G, PAPAYANNAKIS L. Determining objective weights in multiple criteria problems: The critic method[J]. Computers & Operations Research, 1995, 22(7): 763-770.

DOI

[14]
SAATY T L. How to make a decision: the analytic hierarchy process[J]. European Journal of Operational Research, 1990, 48(1): 9-26.

DOI

[15]
FRANEK J, KRESTA A. Judgment scales and consistency measure in AHP[J]. Procedia Economics and Finance, 2014(12): 164-173.

[16]
孟光磊, 龚光红. 基于混合贝叶斯网的空域目标威胁评估方法[J]. 系统工程与电子技术, 2010, 32(11): 2 398-2 401.

MENG G L, GONG G H. Threat assessment of aerial targets based on hybrid Bayesian network[J]. Systems Engineering and Electronics, 2010, 32(11): 2 398-2 401.

[17]
李山, 权文, 李昉, 等. 基于改进D-S理论的多时刻空中目标威胁评估[J]. 电光与控制, 2024, 31(3):48-52.

LI S, QUAN W, LI F, et al. Multi-moment aerial target threat assessment based on improved D-S theory[J]. Electronics Optics & Control, 2024, 31(3):48-52.

Options
文章导航

/

〈 〉