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
Command Control and Simulation

Command Control and Simulation >

2023 , Vol. 45 >Issue 4: 57 - 61

DOI: https://doi.org/10.3969/j.issn.1673-3819.2023.04.009

Weapon & Information System

Threat evaluation of targets at sea based on entropy weight-grey correlation method

  • WANG Guangyuan 1 ,
  • LI Haomin 1, 2 ,
  • ZHU Dacheng 1 ,
  • ZHANG Yan 2
Expand
  • 1 Naval Aviation University, Yantai 264001, China
  • 2 Unit 92020 of PLA, Qingdao 266000, China

Received date: 2022-09-21

  Revised date: 2023-02-24

  Online published: 2023-08-17

Fold

Abstract

Threat evaluation of operational targets is an important link when conducting anti-ship missile combat commands. Working on complicated correlation between the attributes of operational targets and lack of objective data support during subject decision-making, combine entropy weight method and grey correlation method to establish the threat evaluation model, rank the threat of targets according to limited operational indicator data, and obtain the sequence of missile attack, which proves the effectiveness and reasonability of this combined method,and provides theoretical support for the attack preference of anti-ship missiles.

Key words： target threat degree; anti-ship missile; operational objectives; assessment

Cite this article

WANG Guangyuan , LI Haomin , ZHU Dacheng , ZHANG Yan . Threat evaluation of targets at sea based on entropy weight-grey correlation method[J]. Command Control and Simulation, 2023 , 45(4) : 57 -61 . DOI: 10.3969/j.issn.1673-3819.2023.04.009

反舰导弹攻击水面舰艇编队,因为不同的作战目标的作战能力、作战价值、作战威胁不同,所以判断目标威胁度大小是一项复杂繁琐的工作,需要综合考虑各种情况,分析各种作战数据。现有的目标威胁度评估方法主要有层次分析法[1-2]、主成分分析法[3-4]、模糊多目标决策法[5]等评估方法,影响评估结果的因素很多,且许多指标具有不确定性,一般需要专家经验给出指标的权重影响因子,其准确性受到专家个人经验影响较大,具有较强的主观性,极易导致评价结果出现偏差,因此,对于作战目标威胁度评估工作应综合考虑主客观因素的共同影响。
本文采用熵权法和灰色关联法[6]相结合的方式,充分利用各自优势,基于有限的战场数据,将定性问题转为定量问题。熵权法是根据各项指标的变异程度来确定指标权重,赋权更加客观,可以有效避免人为的主观偏差[7];灰色关联法可以解决在数据量要求不高且信息不完全的条件下的评估问题,广泛应用于作战目标威胁度评估工作[8]。采用混合评估方法选取威胁度较大的作战目标优先实施火力打击,可以为指挥员及指挥机关的指挥决策提供参考依据。

1 影响目标威胁度的因素

客观世界里事物与事物之间的联系是复杂多变的。各因素在系统中发挥的作用不同,既可以产生积极的推动作用,也会产生消极的抑制作用。各因素之间的关联性程度量化问题是分析目标整体威胁度的关键。有时,在作战行动中获取的战场数据不完整或数据缺失,因此可采用灰色关联分析法结合熵权法综合确定目标威胁度,最后由指挥员定下作战决心。

1.1 目标的速度

一般情况下,目标的速度是判断敌方作战能力的重要属性。不同的作战目标具有不同的机动速度,即使是同一类型的作战目标,速度不同,对我方的威胁程度也会有所差异。一般情况下,目标的机动速度越快,对我方可能造成的威胁程度就越高[9]。

1.2 目标的火力

作战目标的作战能力依托于其自身的火力配置,作战目标不同,其搜索能力、防护能力、命中能力、毁伤能力等作战能力就会不同,目标准备抗击的时间越短,反应越快,则目标的威胁程度就越高。

1.3 目标的距离

敌方舰船距离我方越近,其威胁程度就越高,因此,我方应优先攻击在武器射程范围内且距离较近,便于我方实施火力打击的敌方舰船。

1.4 目标的航向

通过卫星、飞机、舰船、雷达站或其他技侦手段掌握作战目标信息,情报部门判断其军事意图。若敌方向我主战兵力方向机动,则进攻意图明显;若敌方背离我主战兵力方向机动,则逃离意图明显。因此可以根据海上舰船的航行方向,判断对我方的威胁程度。

1.5 目标的属性

以水面舰艇为例,各型舰艇承担的作战任务不同、性质属性不同,则在战场中所处的位置和作用就不同,因此,它们对我方威胁程度就会不同。在特定的任务背景下,倘若作战目标对作战全局产生重要影响或在战斗部署中起突出作用,则其自身的价值就越大,对我方威胁程度也就越高。

2 方法

2.1 熵权法权重赋值

熵权法[10]是一种客观的赋权方法,是根据各指标观测值所提供的信息大小来确定权重。熵[11]的概念源于热力学,是对系统状态不确定性的一种度量。在信息论中,信息量越大,不确定就越小,熵就越小;相反,信息量越小,不确定性就越大,熵就越大。
以某项指标为例,利用熵值判断指标的离散程度,熵值越小,指标的离散程度越大,提供的信息量就越多,则该指标在评价体系中权重就越大。
步骤一:计算各指标在所属层级中的比值。
指第j个指标在第i个层级中的比重,也就是指计算该指标的变异程度,Pij越大,指标变异的程度就越大。
Pij= x i j ∑ i = 1 m x i j,i=1,…,m;j=1,…,n
步骤二:求各指标的信息熵。
Ej=-ln(m)-1 ∑ i = 1 mPijln Pij
式(2)中,若0≤Ej≤1,即Ej最大为1;若Pij=0,则Ej=0。当Ej趋向1时,就认为可以不考虑该指标在决策中的作用,即权重为0。
步骤三:根据信息熵确定各指标的权重[12]。
wj= 1 - E j ∑ j = 1 n 1 - E j

2.2 灰色关联分析

从几何角度上看,关联程度实质上是参考数列与比较数列曲线形状的相似程度。凡比较数量与参考数列的曲线形状接近,则两者的关联度较大;反之,如果曲线形状相差较大,则两者间的关联度较小。因此,可用曲线间的差值大小作为关联度的衡量标准。
设m个评价对象,每个评价对象有n个评价指标,第i个评价对象第j个指标为
yij(i=1,2…,m;j=1,2,…n)
步骤一:确定最优指标集。
y0j(j=1,2,…n),创建的最优指标集选取的数值为该指标在整个作战过程中威胁程度最高的数值,若最优值的选取数值越大表示的威胁程度越高,则以该指标在各舰艇中的最大值为最优标准;相反如果指标值越小表示的威胁程度越高,则以该指标在各舰艇中的最小值为最优标准。
步骤二:构造原始矩阵。
利用最优指标集和评价目标构造原始矩阵。
Y= y 01 y 02 … y 0 n y 11 y 12 … y 1 n ︙ ︙ ︙ y m 1 y m 2 … y m n
步骤三:对原始矩阵进行无量纲化处理构造评价矩阵。由于各作战数据物理意义不同,无法进行比较,需要对数据进行无量纲处理[13]。
xij= y i j 1 m + 1 ∑ i = 0 m y i j
步骤四:灰色关联系数计算,构造评价矩阵。
rij= m i n i m i n j | x 0 j - x i j | + ρ m a x i m a x j | x 0 j - x i j | | x 0 j - x i j | + ρ m a x i m a x j | x 0 j - x i j |
式(7)中,ρ=0.5, m i n i m i n j|x0j-xij|为两极最小值, m a x i m a x j|x0j-xij|为两极最大值[14]。
各目标综合威胁度评估结果记为V:
V=w*rT

3 应用实例

假设反舰导弹对海上4个作战目标实施火力打击,4个作战目标的基本参数如表1所示。根据上级要求,作战单位分析研判战场态势,根据海上目标的威胁度排序情况,优选火力打击对象。确定目标威胁度应综合考虑作战目标的类型及性能,主要包含目标的距离、目标的类型、目标防空导弹的数量、目标的航向、目标雷达的探测距离及目标的速度等各种作战指标。如表2所示,将目标的类型划分为驱逐舰、护卫舰和导弹艇,并对其进行量化赋值。
表1 舰船作战数据

Tab.1 Warship combat data

舰艇
目标		 目标
距离/
km		 目标
类型		 防空
导弹数
量/枚		 目标
航向/
(°)		 探测
距离/
km		 航行
速度/
kn
A 230 10 25 260 400 20
B 305 7 16 70 300 15
C 280 7 14 130 260 15
D 350 4 10 180 200 10
表2 舰艇类型赋值

Tab.2 Ship type assignment

舰艇类型 驱逐舰 护卫舰 导弹艇 ……
赋值 10 7 4 ……

3.1 计算灰色关联度

最优集的创建依据:目标防空导弹的数量、目标雷达探测的距离及目标的速度与目标威胁度呈正比,数值越大则目标的威胁度越大;相反,目标距离与目标威胁度呈反比,数值越小则目标威胁度越大。
根据ABCD四个作战目标的作战能力和作战状态,建立最优指标集y。
1)建立最优指标集:
根据作战目标作战数据,确定最优指标集:y=(230,10,25,260,400,20)。
2)构造原始矩阵:
Y= 230 10 25 260 400 20 230 10 25 260 400 20 305 7 16 70 300 15 280 7 14 130 260 15 350 4 10 180 200 10
3)无量纲处理:
Y= 0.824 1.250 1.389 1.444 1.282 1.250 0.824 1.316 1.389 1.444 1.282 1.250 1.093 0.921 1.000 0.389 0.962 0.938 1.004 0.921 0.875 0.722 0.883 0.938 1.254 0.526 0.556 1.000 0.641 0.568
无量纲处理后,因第一行数据为确定的最优指标集数据,在后续计算灰色关联程度中,最优指标集数据不需要参与权重计算。
4)两极最小值与最大值:

m i n i m i n j|x0j-xij|=0

m a x i m a x j|x0j-xij|=1.056

5)构造评价矩阵为
r= 1.0 0.9 1.0 0.6 1.0 1.0 0.7 0.6 0.6 0.3 0.6 0.6 0.7 0.6 0.6 0.4 0.5 0.6 0.6 0.4 0.4 0.6 0.5 0.4
如图1所示,作战目标A中各项作战指标与创建的最优指标集关联程度最高;其他3个作战目标与创建的最优指标集关联程度相对较低,说明目标A对我方的威胁程度要高于其他作战目标。
图1 目标威胁系数趋势图

Fig.1 Trend chart of target threat coefficient

3.2 指标权重计算

1)计算各指标在所属层级的比值Pij:
Pij= 0.176 0.357 0.385 0.406 0.345 0.333 0.269 0.250 0.246 0.109 0.259 0.250 0.247 0.250 0.215 0.203 0.224 0.250 0.308 0.143 0.154 0.281 0.172 0.167
2)计算各指标的信息熵Ej:
Ej=(0.986, 0.966,0.960, 0.929,0.978, 0.980)
3)计算各指标作战威胁的权重ωj:
ωj=(0.07,0.17, 0.2, 0.35, 0.11,0.1)
即目标航向>防空导弹的数量>目标类型>探测距离>航行速度>目标距离。
4)各指标综合威胁度评估结果V:
V=(0.981, 0.514,0.528,0.497)
即A目标>C目标>B目标>D目标。
采用混合评估方法对海上作战目标威胁情况进行评估,结果表明目标A的威胁度最高,目标D的威胁度最低,目标C和目标B威胁度情况相近。数据量化的情况与主观定性基本一致,目标A是敌方的驱逐舰,综合作战能力最强;目标B和目标C属于相同类型的护卫舰,攻击时优先选择距离我方较近且便于实施攻击的敌方舰船;目标D为敌方导弹艇,其防空能力偏弱,对我方威胁较低。因此,导弹在选择海上攻击目标时应综合考虑作战目标在战场中所起到的作用及导弹攻击的难易程度,图2为敌我双方海上舰船活动情况。
图2 作战态势图

Fig.2 Combat situation diagram

综合分析以上情况,对目标威胁度评估如果仅依靠客观评估,实际并不可靠,面对复杂的战场态势,仍然需要融入指挥员的主观决策。可以采取以下两种方法:一是对作战目标各因素权重进行主观赋权;二是对最终威胁度排序情况进行主观赋权,目的是修正完全客观评估带来的片面影响。在这里我们可以采用层次分析法赋权或专家打分等主观评价方法对4个作战目标威胁程度进行排序,从而确定各目标的威胁程度。主观赋权后的结果,即

ω=(0.35,0.2,0.3,0.15)

V*ω=(0.343,0.103,0.159, 0.075)

经归一化处理:
V*ω=(0.51,0.15, 0.23,0.11)
即A目标>C目标>B目标>D目标。
结果表明:通过指挥员决策或者专家评分的方式可以对目标威胁度评估结果进行修正,避免过于客观带来的评估偏差。在各作战指标中,目标类型、目标航向及防空导弹的数量是决定目标威胁度的重要因素。由于打击目标较为分散,对作战类型相近的舰艇进行威胁度评估,更加侧重考虑目标航向及防空导弹数量的影响;航行速度的权重要大于目标距离的权重,这样的评判有时可能不够准确,在考虑敌方具体作战任务时,需指挥员临机进行处置,通过主观赋权的方式对指标的权重进行调整,最终确定优先攻击的目标。

4 结束语

本文采用混合评估方法确定目标威胁度,判别方法不受样本多少、样本数据是否有规律的约束,计算量小,方法简便,出现量化结果与定性分析结果不一样的可能较小。本模型适用于海上目标分散、攻击型舰艇的威胁度评估,对于多类型舰艇的威胁度评估并不适用。下一步将深入研究对不同作战任务背景,担负不同作战任务、不同类型舰艇的目标威胁度评估工作,从而为指挥员作战决策提供参考依据。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
谢常达, 范玺斌, 王雪峰. 基于层次分析法对舰队防空威胁度研究[J]. 舰船电子工程, 2022, 42(1): 23-27, 32.

XIE C D, FAN X B, WANG X F. Research on threat degree of fleet air defense based on analytic hierarchy process[J]. Ship Electronic Engineering, 2022, 42(1): 23-27, 32.

[2]
孙鲁云, 王力. 基于层次分析法-熵权法的中国棉花质量综合评价与分析[J]. 江苏农业学报, 2022, 38(3): 642-649.

SUN L Y, WANG L. Comprehensive evaluation and analysis of Chinese cotton quality based on analytic hierarchy process and entropy weight method[J]. Jiangsu Journal of Agricultural Sciences, 2022, 38(3): 642-649.

[3]
黄力伟, 穆杨. 基于主成分分析法的护航行动海面目标威胁评估[J]. 火力与指挥控制, 2018, 43(8): 147-150, 155.

HUANG L W, MU Y. Assessment of sea surface target menace during escort operation based on principal components analysis[J]. Fire Control & Command Control, 2018, 43(8): 147-150, 155.

[4]
王迎磊, 李复名, 谢爱平, 等. 电磁频谱作战方案评估中的主成分分析方法[J]. 电子信息对抗技术, 2021, 36(1): 55-58.

WANG Y L, LI F M, XIE A P, et al. PCA in electromagnetic spectrum operation plan evaluation[J]. Electronic Information Warfare Technology, 2021, 36(1): 55-58.

[5]
孙宝琛, 刘郭辉, 侯彦彪, 等. 一种基于犹豫模糊决策的战术目标分析方法[J]. 兵工自动化, 2020, 39(12): 21-24.

SUN B C, LIU G H, HOU Y B, et al. A method of tactical target analysis based on hesitant fuzzy decision making[J]. Ordnance Industry Automation, 2020, 39(12): 21-24.

[6]
齐长兴, 毕义明, 李勇, 等. 弹道导弹突防效能灰色综合评估[J]. 火力与指挥控制, 2018, 43(9): 76-80.

QI C X, BI Y M, LI Y, et al. Penetration effectiveness of ballistic missile based on gray comprehensive evaluation[J]. Fire Control & Command Control, 2018, 43(9): 76-80.

[7]
冯军星, 马亚龙, 王论丛. 基于熵权理想点的反坦克导弹作战效能评估[J]. 四川兵工学报, 2014, 35(12): 67-70.

FENG J X, MA Y L, WANG L C. Operational effectiveness evaluating of anti-tank missile weapon system based on entropy and ideal point methods[J]. Journal of Sichuan Ordnance, 2014, 35(12): 67-70.

[8]
朱英贵, 赵建江, 吕新. 熵权灰色关联分析法的坦克夜间射击目标选择[J]. 火力与指挥控制, 2013, 38(8): 76-78, 88.

ZHU Y G, ZHAO J J, L X. Tank night firing target selection based on entropy weight and grey relation analysis process[J]. Fire Control & Command Control, 2013, 38(8): 76-78, 88.

[9]
王志勇, 冯杰. 基于灰色聚类的海上目标威胁等级评估[J]. 四川兵工学报, 2009, 30(3): 46-49.

WANG Z Y, FENG J. Evaluation of threat level of maritime targets based on grey clustering[J]. Journal of Ordnance Equipment Engineering, 2009, 30(3): 46-49.

[10]
高阳阳, 余敏建, 王子博琳. 基于云模型和改进熵权的空战多目标威胁等级评估[J]. 火力与指挥控制, 2018, 43(9): 35-39.

GAO Y Y, YU M J, WANG Z. Target threat assessment technology for UAV air combat based on cloud model and improved entropy weight[J]. Fire Control & Command Control, 2018, 43(9): 35-39.

[11]
冯仕猛. 热学中统计熵的一种理论解析[J]. 物理与工程, 2021, 31(3): 33-35, 38.

FENG S M. A theoretical analysis of statistical entropy in heat[J]. Physics and Engineering, 2021, 31(3): 33-35, 38.

[12]
张海峰, 于忠琳, 谢宇鹏. 基于贝叶斯——熵权法的岸舰导弹作战效能研究[J]. 海军航空工程学院学报, 2020, 35(4): 310-315.

ZHANG H F, YU Z L, XIE Y P. Research on the operational effectiveness of shore-ship missiles based on Bayesian-entropy weight method[J]. Journal of Naval Aeronautical and Astronautical University, 2020, 35(4): 310-315.

[13]
张永利, 计文平, 刘楠楠. 基于熵权-TOPSIS-灰色关联的目标威胁评估研究[J]. 现代防御技术, 2016, 44(1): 72-78.

ZHANG Y L, JI W P, LIU N N. Target threat evaluation based on entropy weight-TOPSIS-grey correlation[J]. Modern Defence Technology, 2016, 44(1): 72-78.

[14]
张浩为, 谢军伟, 盛川, 等. 基于改进灰色关联算法的目标威胁评估[J]. 计算机工程与科学, 2017, 39(10): 1908-1914.

ZHANG H W, XIE J W, SHENG C, et al. Target threat assessment based on improved grey correlation algorithm[J]. Computer Engineering & Science, 2017, 39(10): 1908-1914.

Options
Outlines

/

〈 〉