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 >

2024 , Vol. 46 >Issue 2: 29 - 34

DOI: https://doi.org/10.3969/j.issn.1673-3819.2024.02.005

Intelligent Game

Research on underwater confrontation prediction model based on BP neural network

  • LUO Lifeng 1 ,
  • ZHANG Jingyuan 1 ,
  • HUA Ming 2 ,
  • FENG Haojun 2 ,
  • YU Ying 1
Expand
  • 1 Naval University of Engineering, Wuhan 430033, China
  • 2 Unit 92858 of PLA, Ningbo 315812, China

Received date: 2023-10-12

  Revised date: 2023-12-01

  Online published: 2024-04-01

Fold

Abstract

Aiming at the difficulties in the quantitative verification and evaluation of underwater countermeasures for our underwater platform and the lack of a guided maneuvering evasive combat model, a prediction model of underwater countermeasures based on big data learning is designed. Firstly, the underwater countermeasure modeling of the underwater platform is carried out, and the large data set of avoidance probability is obtained by several rounds of simulation based on Monte Carlo method. At the same time, in order to solve the problem of poor time efficiency under massive simulation, BP neural network prediction algorithm is proposed for big data learning to provide accurate, fast and visual antagonistic results. The test results show that under the test environment set in this paper, the average prediction error of BP neural network prediction algorithm is 7.28% respectively, which can effectively predict the avoidance probability of the underwater platform and provide data support for the commander’s command decision.

Key words： soft confrontation; big data; adversarial prediction model; avoidance probability

Cite this article

LUO Lifeng , ZHANG Jingyuan , HUA Ming , FENG Haojun , YU Ying . Research on underwater confrontation prediction model based on BP neural network[J]. Command Control and Simulation, 2024 , 46(2) : 29 -34 . DOI: 10.3969/j.issn.1673-3819.2024.02.005

水下平台规避鱼雷的方式主要包括三类:一是非杀伤方式,通过铺设消声瓦、机动规避和减振降噪等技术,降低水下平台的声反射强度,使水下平台不容易被水声探测手段发现;二是软杀伤方式,指综合运用声诱饵、噪声干扰器等器材,干扰来袭鱼雷或敌平台的声呐,从而增加水下平台的逃生概率;三是硬杀伤方式,指运用反鱼雷武器摧毁或使来袭鱼雷失去攻击能力。
近年来,针对软杀伤方式,研究人员开展了丰富的研究,大力发展水声对抗器材并建立相关模型以应对快速发展的鱼雷武器与战术战法。周明等人[1]研究提出了高频噪声干扰器干扰距离和干扰角度的计算模型;夏志军等人[2]通过仿真分析得出低频噪声干扰器对抗线导鱼雷攻击效果并不明显的结论,并提出了低频噪声干扰器的使用时机和策略;杨日杰等人[3]研究了噪声干扰器最佳布放深度和位置问题;李文哲等人[4]研究了水下平台声诱饵对抗声自导鱼雷模型。上述研究仅考虑了一种声抗器材的使用,并未建立综合运用声诱饵、噪声干扰器的对抗过程。李明辉[5]提出基于蒙特卡洛法的水下对抗效能推演评估模型,为后续研究提供了思路,但存在计算效率低下等问题。施丹华等人[6]研究了水声对抗的发展历史,并提出了多器材协同、降低频率、运用机器学习、人工智能等发展趋势。
受上述学者启发,本文综合运用声诱饵、噪声干扰器等多种声抗器材建立对抗过程,通过建模和蒙特卡洛法仿真生成数据集,并通过数据学习建立基于BP神经网络的预测模型,解决了推演评估计算效率低的问题。该模型可对规避概率进行实时预测,为指挥员指挥决策提供数据支撑。

1 建模分析

假设敌方单元发射一条鱼雷对水下平台如何进行打击,水下平台如何利用声诱饵、干扰器等器材诱骗来袭鱼雷并以正确的机动方式逃脱是本文研究的重点。为解决上述问题,本文采用“建模-仿真-训练”三层体系,分析水下平台在不同动作下的规避概率,将该概率作为对抗过程的评价。整个研究分为三个部分:一是建模部分,对真实战场环境近似建模,包括模型假设与对抗过程建模两个模块;二是用蒙特卡洛方法赋能规避概率计算,将若干组对抗过程代入模型量化计算,初步获得水下平台在某种情况、执行某些动作下的规避概率数据集;三是利用BP神经网络算法对上述数据进行预测训练,快速获得某对抗情况下我水下平台的规避概率,高效地完成评价,总体设计思路如图1所示。
图1 模型总体设计思路

Fig.1 Overall design idea of model

1.1 基于蒙特卡洛的对抗过程建模与数据生成

1.1.1 对抗过程建模

水下平台和鱼雷间的软对抗通常包含两种手段:一是水下平台发射声干扰器抑制鱼雷制导能力;二是水下平台发射声诱饵持续欺骗鱼雷。本文假设对抗过程建模先后采用两种手段。
1) 水下平台利用声干扰器抑制鱼雷制导能力,旨在为水下平台转向规避获得有利时机。声干扰器作为一种有源水声对抗器材,通过发射强功率噪声来干扰敌方声呐或声制导鱼雷,降低其声探测作用距离和对目标的跟踪性能,从而提高水下平台生存概率。在该过程中,水下平台首先在一定范围或时间内感应到来袭鱼雷,随即发射一枚自航式声干扰器。此时来袭鱼雷探测搜索能力减弱,无法全时跟踪水下平台转向过程,只能沿原有行进方向继续搜索。
2) 水下平台利用声诱饵持续欺骗鱼雷,旨在为水下平台获得更多逃脱时间。经过一段时间后,来袭鱼雷脱离声干扰器作用范围,将继续搜索水下平台并保持跟踪打击状态,此时水下平台发射一枚声诱饵持续欺骗鱼雷。声诱饵作为一种有源水声对抗器材,广泛应用于多国海军,是目前最有效的软杀伤对抗器材,其关键技术在于对水下平台特征信号进行模拟。水下平台发射声诱饵后,继续转向躲避攻击,鱼雷则在一定范围内追击声诱饵伪装的假目标,直至接近声诱饵并判定其为假目标后,再次搜索并追击。
假设对抗过程如图2所示,对上述过程进行简单建模分析,部分结果如图3所示。
图2 对抗过程建模

Fig.2 Adversarial process modeling

图3 部分建模结果图

Fig.3 Part of the modeling result diagram

1.1.2 模型假设

为提高计算效率,在保证对抗模型正确的前提下,做出如下假设:1) 简化不同武器单元的运动建模,对抗海域是均匀等温层,具有球面声传播特性;2) 鱼雷、干扰器、声诱饵均能正常稳定工作;3) 水下平台可以对所有方位的来袭目标报警;4) 将鱼雷、干扰器、声诱饵看作是运动的质点;5) 鱼雷自导搜索开角及半径保持稳定;6) 鱼雷采用提前角射击方法,导引弹道采用尾追导引法;7) 干扰器和声诱饵发射布放无方向限制;8) 暂不考虑声诱饵尾部盲区。

1.1.3 蒙特卡洛仿真

传统的经验方法由于不能逼近真实的物理过程,很难得到满意的结果,而蒙特卡洛方法[7]能够真实地模拟实际物理过程,广泛应用于军事建模[8-9]等过程,可以适配本文设计的水下对抗环境。蒙特卡洛法核心思想在于使用随机数来模拟现实战场中的若干种情况,并将所求解的问题同一定的概率模型相联系,用计算机实现统计模拟或抽样,以获得问题的近似解。
目标概率设置为水下平台在一定态势下执行一系列动作规避鱼雷的概率p(environment, movement),其中,environment表示战场环境以及敌方鱼雷的相关状态,movement表示水下平台针对该情况采取的规避策略,该值可以用p简化表示,其基本计算公式如式(1)所示。
p=count(success)/count(valid)
其中,count(valid)表示有效的模拟次数(将不符合真实战场情况的模拟剔除),count(success)表示在有效模拟次数下水下平台规避成功的次数,执行大量轮次模拟以逼近真实概率数值。对抗过程部分仿真结果如图3所示(图中坐标轴单位为海里)。

1.2 预测模型设计

1.2.1 训练数据预处理

面对可能出现的海量对抗过程,穷尽仿真难以兼顾时间与计算成本,有时可能需要根据已仿真情况下的水下平台规避概率外推新情况下的概率。而水下平台规避概率预测本质是一个多因素预测问题,通常需要大量优质数据训练才能具备真实模拟能力。本文提出简单数据增强(Data Augmentation, DA)方法,通过“人工核实增加”方式解决训练集数据不足的问题。该方法对已有数据添加微小改动或从已有数据创建合成新数据,以增加训练集规模,避免过拟合情况。新数据集的创建过程遵循通识原则,基于已经完成的两组参数①与参数②,当其中除某个参数外其余参数均一致时,可以构造参数③的相关数据集,且在该参数下的规避概率应在参数①规避概率与参数②规避概率之间。

1.2.2 BP神经网络方法

BP神经网络[10]虽结构简单,但却解决了简单感知器不能解决的异或等问题。该网络与其他神经网络一致,具有输入、隐藏和输出三层结构,本文将输入设置为各平台/单元的运动参数,输出设置为规避概率;区别在于该网络按误差反向传播训练多层前馈网络,并以网络误差平方为目标函数,采用梯度下降法计算目标函数的最小值。
BP神经网络常用的Sigmoid激活函数在输入处于[-1,1]之间时,函数值变化敏感,一旦接近或者超出区间就失去敏感性,影响神经网络预测的精度值。而Tanh函数的输出和输入能够保持非线性单调上升和下降关系,符合BP网络的梯度求解,容错性好,两激活函数对比如图4所示,因此,本模型采用Tanh函数作为激活函数。
图4 Tanh函数与Sigmoid函数对比

Fig.4 Tanh function is compared with the Sigmoid function

网络输入层设置为影响规避概率的几个可变因素,包括水下平台的机动速度、转向角度与探测距离,隐层个数设置为10,输出层设置为规避概率,BP神经网络使用有监督学习,网络设计如图5所示(以三个影响因素为例)。
图5 BP神经网络设计

Fig.5 BP neural network design

规避概率可看作已经完成归一化处理,范围在[0,1]之间。但需要将三项影响因素按最大-最小归一化方法限制在[0,1]之间,便于神经网络输入,如式(2)所示。
x ^ i k= x i k - m i n ( x i ) m a x ( x i ) - m i n ( x i )
将仿真获得的训练数据“水下平台机动参数-水下平台规避概率”代入模型,学习得到相关映射关系,方便在实际作战过程中快速获得当前态势下的规避概率。

2 试验分析与验证

影响水下平台-鱼雷对抗过程成败的因素有两方面:一是敌方鱼雷的性能参数,包括机动速度、航程、搜索半径等,在仿真中设置为不变量;二是水下平台以及携带干扰弹、声诱饵的性能参数,包括三者的机动速度、水下平台转向角度、水下平台探测距离等,为仿真试验中的自变量。以某型水下平台为例,假设在某海域突然遭遇敌方释放的某型鱼雷,在该鱼雷的既定参数下,水下平台采用相关规避手段完成规避行为,并以规避概率作为评价。

2.1 试验环境

本试验相关程序主要开发语言为Python,主要开发平台为Pycharm,试验硬件环境为Windows10操作系统,CPU为i5-10500/16GB,GPU为GTX1050Ti,后续试验结论皆在此环境下产生。

2.2 仿真试验与分析

通过开展多轮蒙特卡洛仿真,计算来袭鱼雷方向以及来袭方向随机情况下水下平台采取相关对抗动作的规避概率,进而构建几种参数下的总体关系表。
以90°来袭的某鱼雷为例(即鱼雷向我正横方向来袭,鱼雷来袭方向的延长线与我水下平台目前航向的延长线夹角为90°),以水下平台规避时的机动速度与转向角度为研究变量,可以获得机动速度、转向角度与规避概率的总体关系,机动速度与转向角度用v、w符号表示,总体关系如表1所示。
表1 机动速度、转向角度与规避概率的总体关系(方向已知)

Tab.1 Overall relationship between maneuvering speed, steering Angle and avoidance probability (Direction known) 单位:%

速度 角度
w1 w2 w3 w4 w5 w6 w7 w8 w9 w10 w11 w12 w13 w14
v1 0.0 12.5 99.9
v2 0.0 23.5 99.9
v3 0.0 99.9
v4 0.0 66.2 99.9
v5 0.0 17.8 99.9
v6 0.0 99.9
v7 0.0 12.9 99.9
v8 0.0 2.5 35.1 99.9
v9 0.0 99.9
v10 99.9
当鱼雷来袭方向未知时,机动速度、转向角度与规避概率总体关系如表2所示。
表2 机动速度、转向角度与规避概率的总体关系(方向未知)

Tab.2 Overall relationship between maneuvering speed, steering Angle and avoidance probability (Direction unknown) 单位:%

速度 角度
w1 w2 w3 w4 w5 w6 w7 w8 w9 w10 w11 w12 w13 w14 w15 w16
v1 0.0 1.7
v2 0.0 21.2 27.3 33.3 37.6 37.9 38.3
v3 0.0 26.1 38.1 44.1 46.1 47.8 52.0 54.7 55.1
v4 0.0 21.3 37.2 44.9 48.5 57.3 58.1 61.0 65.4 65.6 65.8
v5 0.0 24.9 39.0 45.7 52.0 58.0 60.9 68.7 69.4 71.9 72.3 73.4
v6 0.0 24.0 37.3 47.0 59.8 60.2 64.7 67.7 72.6 74.2 78.8 80.2 82.3
v7 0.0 11.9 38.8 47.1 56.0 62.4 69.8 71.4 77.1 80.5 83.0 86.1 89.3 91.3
v8 0.0 33.2 47.1 55.8 62.1 69.3 73.4 78.0 83.5 86.7 95.1 98.7 99.2 99.6
v9 0.0 22.0 42.2 50.2 61.3 69.1 71.8 76.6 83.2 87.8 98.6 98.7 98.9 99.2 99.3
v10 0.0 35.7 52.2 56.1 65.5 68.8 77.0 83.4 87.3 99.0 99.1 99.2 99.3 99.4 99.5
v11 0.0 14.4 41.7 55.3 60.5 69.1 73.2 80.7 86.0 97.2 99.1 99.2 99.3 99.4 99.5 99.8
v12 14.6 30.6 50.1 56.8 64.6 72.6 76.7 84.9 90.1 98.5 99.2 99.3 99.4 99.5 99.8 99.9
依据仿真得出的相关关系表,在真实战场环境中,指挥员可以高效决策,迅速调整水下平台机动速度或转向角度,使得规避概率最大。

2.3 预测模型试验与分析

海量的蒙特卡洛仿真可以获得较为准确的规避概率,但时间效率不佳。随机生成符合作战态势的12种规避情况,对每种规避情况进行10万轮仿真,记录总的仿真时间,结果如表3所示。由试验结果知,每10万轮仿真平均用时接近40 min,很难满足瞬息万变的战场需求。
表3 十万轮仿真时间效率分析

Tab.3 100,000 rounds simulation time efficiency analysis 单位:min

情况1 情况2 情况3 情况4 平均用时
35 39 40 32 37.3
情况5 情况6 情况7 情况8
42 42 35 37
情况9 情况10 情况11 情况12
38 40 31 36
设计预测模型的初衷是更快更好地获得某行为参数下的预测结果。本文利用模型预测值与实际值差绝对值的平均值对训练过程进行分析,该值的计算公式如式(3)所示。
eval= ∑ i = 1 n | p r e d i c t i - r e a l i | n
将BP神经网络预测与蒙特卡洛仿真预测能力进行比较,随机验证五组相同参数下的水下平台规避概率,结果如表4所示,并利用eval计算方法对能力进行评估。
表4 蒙特卡洛仿真与神经网络预测值比较

Tab.4 Comparison of Monte Carlo simulation and BP neural network

情况 规避概率仿真值/% 预测值/%
参数① 90.3 97.4
参数② 58.7 56.6
参数③ 54.2 48.9
参数④ 64.2 67.3
参数⑤ 44.6 30.8
由试验结果知,eval在BP神经网络预测试验的结果为7.28%,表明该预测模型可较好地对水下平台规避概率进行预测。

3 结束语

本文围绕水下平台水下软对抗展开研究,分析并建立了对抗过程模型,基于蒙特卡洛法仿真获得了相应态势下的规避概率,并将仿真结果代入BP神经网络进行训练,获得规避概率的预测模型,有效解决了时效性问题,并设计试验验证了模型的可行性。本文研究、设计的模型将辅助指挥员完成水下防御作战的高效决策,满足未来智能化作战的主流趋势。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
周明, 初磊. 高频噪声干扰器干扰主动声自导鱼雷仿真研究[J]. 兵工学报, 2010, 31(3): 327-330.

ZHOU M, CHU L. Simulation on active acoustic homing torpedo jammed by the high-frequent noise jammer[J]. Acta Armamentarii, 2010, 31(3): 327-330.

[2]
夏志军, 肖继刚, 王肖, 等. 噪声干扰器对抗主动声呐有效干扰压制区计算方法[J]. 系统工程与电子技术, 2012, 34(9): 1 813-1 816.

XIA Z J, XIAO J G, WANG X, et al. Calculation of effective jamming suppression zone of noise-jammer against active sonar[J]. Systems Engineering and Electronics, 2012, 34(9): 1 813-1 816.

[3]
杨日杰, 苗康乐, 韩建辉, 等. 噪声干扰器最佳布放位置与深度研究[J]. 兵工学报, 2014, 35(4): 484-488.

DOI

YANG R J, MIAO K L, HAN J H, et al. Research on optimum location and depth of noise jammer[J]. Acta Armamentarii, 2014, 35(4): 484-488.

[4]
李文哲, 郑亚波, 周明, 等. 潜艇规避对抗条件下的火箭助飞鱼雷射击方法[J]. 指挥控制与仿真, 2019, 41(2): 121-124.

DOI

LI W Z, ZHENG Y B, ZHOU M, et al. Fire method of rocket assisted torpedo on condition of submarine maneuver[J]. Command Control & Simulation, 2019, 41(2): 121-124.

[5]
李明辉. 基于蒙特卡洛法的水下对抗效能推演评估研究[D]. 北京: 中国舰船研究院, 2015.

LI M H. Research on Evaluation of Underwater countermeasure Effectiveness based on Monte Carlo Method[D]. Beijing: China Ship Research Institute, 2015.

[6]
施丹华, 胡必楠, 黄俊希. 水声对抗器材发展及其趋势分析[J]. 舰船科学技术, 2020, 42(9): 174-180.

SHI D H, HU B N, HUANG J X. State-of-the-art of foreign underwater acoustic countermeasures and their development trends[J]. Ship Science and Technology, 2020, 42(9): 174-180.

[7]
邵伟. 蒙特卡洛方法及在一些统计模型中的应用[D]. 济南: 山东大学, 2012.

SHAO W. Monte Carlo methods and their applications in some statistical model[D]. Jinan: Shandong University, 2012.

[8]
张迎新. 不确定环境下军事任务计划建模与优化方法研究[D]. 长沙: 国防科学技术大学, 2014.

ZHANG Y X. Research on modeling and optimization methods of military mission planning under uncertain environment[D]. Changsha: National University of Defense Technology, 2014.

[9]
许霄. 面向CGF战术决策的蒙特卡洛树搜索方法研究[D]. 长沙: 国防科技大学, 2020.

XU X. Tactical decisions CGF oriented monte carlo tree search method research[D]. Changsha: University of defense technology, 2020.

[10]
夏玫. BP神经网络泛化能力改进研究[D]. 太原: 太原科技大学, 2009.

XIA M. Research on improving generalization of BP neural network[D]. Taiyuan: Taiyuan University of Science and Technology, 2009.

Options
Outlines

/

〈 〉