一种多目标空对地半监督机器适应自主决策实时攻击方法
【专利摘要】本发明公开了一种多目标空对地半监督机器适应自主决策实时攻击方法，采用火力单元数nh，可靠度K，生存能力S，搜索能力F，毁伤能力H，和抗干扰能力G，这6个主要指标计算目标攻击必要性；采用层次分析法对目标的攻击必要性进行计算；半监督机器适应决策系统对多目标空对地攻击决策；构建半监督机器自适应系统，通过构建的半监督机器自适应系统对目标打击必要性实现自动排序；通过信息均衡权重算法对无人机攻击有效性进行分析；通过信息均衡权重算法，计算综合权重，构建决策矩阵；对多目标无人机攻击策略进行综合考虑，自主决策无人机攻击次序，并派遣无人机进行攻击。本发明的有益效果是对目标必要性大小依次进行多批次精确打击。
【专利说明】一种多目标空对地半监督机器适应自主决策实时攻击方法
【技术领域】
[0001]本发明属于计算机程序控制【技术领域】，涉及一种多目标空对地半监督机器适应自主决策实时攻击方法。
【背景技术】
[0002]无人机是一种由无线电遥控设备或自身程序控制装置操纵的无人驾驶飞行器，其成本低、效费比好、无人员伤亡风险、生存能力强、机动性能好、使用方便，目前世界上各主要军事国家对无人机在军事上的用途十分青睐。面对复杂的战场环境，谁能优先获取信息谁就能掌握战争的主动权。无人机的运用是夺取现代战争的制信息权和制空权的关键，已逐渐演变成为现代战争中空对地攻击的主要手段之一，在战争中利用无人机摧毁敌方地面目标具有非常重要的战略价值。目前，对无人机对地攻击决策的研究过程主要包括两个方面:第一，采用优化算法解决多目标的任务分配问题，忽略了目标危险系数这个重要指标。第二，利用数学分析法解决多目标决策优选问题，但由于人的参与使最终的评估结果往往带有一定的主观性。
[0003]无人机在执行对地攻击任务过程中，必须不停地对大量实时信息进行计算、判断和决策，并做出相应的战术布局。一个正确的决策对无人机能否顺利完成任务以及完成任务的效率至关重要。半监督机器适应决策系统的提出，为解决无人机自主决策攻击提供了新的思路和方法，该方法能够在主动分析地面多攻击目标的危险系数并优先决定攻击目标的同时避免人为原因造成的主观性，且系统计算能力强、反应速度快，能够为攻击决策提供可靠保障，可在最短时间内对敌方进行多批次精确打击。无人机在执行对地多批次多目标的攻击任务过程中，决策是该过程中的重要环节之一，现有的决策系统虽然对多目标的分配问题得到了很好的解决，但往往忽略了目标危险系数这个重要指标，在实时攻击过程中还加入了人为的主观因素，使最终的评估结果带有一定的主观性。
[0004]半监督机器适应决策系统具有很强的动态建模能力和学习能力，具有可实时模拟、建模速度快、反应时间短、泛化能力强等优点。本发明以半监督机器适应决策系统实时建模预测为核心，针对地面攻击目标的危险系数进行量化分析和快速排序，根据预测出的地面目标危险系数大小排序进行有序精确攻击决策。在战争中利用有半监督机器适应决策系统的无人机能够在最短时间内给敌方精确致命的打击。
[0005]无人机地面控制站是无人机系统的重要组成部分，通常由地面控制人员进行遥控操纵，在实际控制过程中存在很大程度上的人为主观性。面对现代战争中复杂的地面站场环境，有大量信息必须不停地进行计算、判断和决策，半监督机器适应决策系统的提出是为了克服人参与危险系数评估带来的主观性，能够在短时间内判断对我方危险系数最大的目标而进行精确打击，提闻作战效率和我方的生存能力。
【发明内容】
[0006]本发明的目的在于提供一种多目标空对地半监督机器适应自主决策实时攻击方法，解决了现有的供给系统不能有效形成对攻击目标的多批次精确打击的问题。
[0007]本发明所采用的技术方案是按照以下步骤进行:
[0008]步骤1:目标攻击必要性一般性指标选取；采用火力单元数nh，可靠度K，生存能力S，搜索能力F，毁伤能力H，和抗干扰能力G，这6个主要指标计算目标攻击必要性；
[0009]步骤2:采用层次分析法对目标的攻击必要性进行计算；
[0010]步骤3:半监督机器适应决策系统对多目标空对地攻击决策；构建半监督机器自适应系统，通过构建的半监督机器自适应系统对目标打击必要性实现自动排序；
[0011]步骤4:通过信息均衡权重算法对无人机攻击有效性进行分析；通过信息均衡权重算法，计算综合权重，构建决策矩阵；
[0012]步骤5:根据步骤I至步骤4，对多目标无人机攻击策略进行综合考虑，自主决策无人机攻击次序，并派遣无人机进行攻击。
[0013]进一步，所述步骤2中的计算过程为:
[0014](I)按照层次分析法构造两两比较判断矩阵:A= (Bij)nxn，其中η为评估体系的指标个数，au为第i个指标对第j个指标的重要程度，I表示重要度最小，9表示重要度最大，ill后指标重要性之比存在关系SijXaji = I ；
[0015](2)矩阵A按列进行归一化处理后求和，得权重向量:ω = ((Qi)ixn)1 ；
n / I
[0016](3)判断矩阵A最大特征值:4? =?，将其特征向量W= ((Ui)ixi/作为
j , Yl(X)i
评估指标的权重向量，μ i是矩阵的特征向量；
[0017](4)计算目标攻击必要性指标:F = --.vr.v，，其中X1 = nh，X2 = K, X3 =S，X4 — Fj X5 — H，X6 — G ；
[0018](5)为了便于分析，对目标攻击必要性指标进行归一化处理，归一化方法如下:
Y
1N为总样本数，Y1为目标攻击必要性指标Y归一化后的目标攻击必要性指标。
I U* ?
[0019]进一步，所述步骤3中构建半监督机器自适应系统，通过构建的半监督机器自适应系统对目标打击必要性实现自动排序方法为:
[0020]首先构建半监督机器自适应系统:
[0021]I)构造一元回归方程:
[0022]f (X) = ω.Φ (x) +b,
[0023]其中，Φ (X)为函数映射关系，为在F的特征向量，b为偏参量,构造集合D ={(Xj, Yj) j = I, 2，…，η},其中Xj e Rn表示样本入变量；y」e R表示样本i的预输出变量，η表示自适应数据样本总数目；
[0024]2)为了提高函数f (X)在ε范围内的精度，可进行拉格朗日乘子法进行变换，在KKT (Karush-Kuhn-Tucker, KKT)条件约束下，构造一兀函数:
η
[0025]./■ (-V) = X(G: - a;)人,(-V,.Λ.,).b ,
[0026]其中，拉格朗日乘数aD α乏O，定义系数偏差^，第i个样本Xi的边界函数h (Xi) = f (Xi)-yi，通过上述函数变换，将自适应数据分为3个集合:
[0027]①半监督机器适应决策系统错误集合E:E =UIleiI= C，Ih(Xi) I > ε };
[0028]②半监督机器适应决策系统边界集合S: S = UlO < I Θ J < C，Ih(Xi) I = ε };
[0029]③半监督机器适应决策系统剩余样本集合R:R =UIleiI= O, |h(Xi) I < ε };
[0030]通过构建的半监督机器自适应系统对目标打击必要性实现自动排序过程如下:
[0031]设有k架无人机(编号分别为1，2，…，k)，现对N个地面目标进行攻击，则地面目标的打击必要性排序过程如下:
[0032]I):构建基础样本集{(Xj, Yj) I j = 1，2，...，Μ}，M为基础样本数；
[0033]2):加入第s个样本(xs，ys)，如果基础样本的数量小于设定值M，则转到3)，否则转到4)；
[0034]3):利用构建的半监督机器自适应系统增量算法将符合KKT条件的数据更新到自适应数据集合，依据目标打击必要性系数更新自适应攻击决策系统中的数据，转到5)；
[0035]4):利用构建的半监督机器自适应系统删减算法将违背KKT条件的冗余样本删除，转到5)；
[0036]5):定义预测误差^?.=^1—'"ι，根据精度要求，定义IeenJ彡0.05。如果een.小
Ji
于设定值，说明样本调整参数范围有效，基础学习结束，转到步骤6 ;否则，说明样本调整参数范围无效，需要调整，转到3)；
[0037]6):通过构建的半监督机器自适应系统预测目标打击必要性y's;
[0038]7):若样本在边界集合内，即s彡N，转到8);否则，更新边界集合，s = s+Ι，转到
2);进行迭代计算，直到完成所有样本s的计算；
[0039]8):对所出预测出的目标打击必要性排序，> y'2 >...> y'N。
[0040]本发明的有益效果是对目标必要性大小依次进行多批次精确打击。
【具体实施方式】
[0041]下面结合【具体实施方式】对本发明进行详细说明。
[0042]本发明针对无人机在执行对地多批次多目标的攻击任务提出了一种自主攻击决策系统，它是建立在半监督机器适应决策系统基础上的。该决策系统可在各种复杂战争条件下，通过对多攻击目标进行危险系数实时排序，自主判断和选择优先攻击目标，利用无人机可进行重复多批次有效精确打击。
[0043]本发明的技术方案:利用半监督机器适应决策系统对多目标空对地攻击决策过程，本发明主要包括三个阶段:攻击目标决策、无人机攻击过程决策、目标变化后的决策实时调整。本发明方法按照以下步骤进行:
[0044]步骤1:目标攻击必要性一般性指标选取；
[0045]影响空对地攻击目标的因素较多，但是主要有以下6个指标:火力单元数nh，可靠度K，生存能力S，搜索能力F，毁伤能力H，和抗干扰能力G，本发明采用上述6个主要指标计算目标攻击必要性。
[0046](I)综合武器系统nh，是指无人机独立对目标进行追踪并打击的综合武器系统数
Mo
[0047](2)系统可靠度K，在复杂战场条件下，无人机各项性能正常发挥的概率。
[0048](3)生存能力S，在复杂战场条件下，无人机攻击对方与反攻击后各项性能正常的概率。
[0049](4)识别能力F，无人机识别和捕捉目标的能力，此处用无人机发现目标的概率来表不。
[0050](5)打击能力H，正常条件下武器系统对目标的损毁能力。
[0051](6)抗干扰能力G，复杂战场条件下，系统受到干扰后，能正常发挥效力的能力。
[0052]步骤2:对目标的攻击必要性进行计算；
[0053]由于影响目标攻击必要性的因素较多，且各因素之间有不同的干扰和联系，而选用层次分析法可较好的解决上述矛盾，因此采用层次分析法对目标的攻击必要性进行计算，具体计算过程如下。
[0054](I)按照层次分析法构造两两比较判断矩阵:A = (Bij)nxn0其中η为评估体系的指标个数，Bij为第i个指标对第j个指标的重要程度，I表示重要度最小，9表示重要度最大。其中，前后指标重要性之比存在关系auXaji = I。
[0055](2)上述矩阵A按列进行归一化处理后求和，得权重向量:ω = ((Wi)1Xn)T0
n / 4.?))
[0056](3)判断矩阵A最大特征值:可将其特征向量W= ((Ui)ixi/作为评估指标的权重向量。Ui是矩阵的特征向量
[0057](4)计算目标攻击必要性指标:Y = xf-\*f xfxf =其中 X1 = nh，X2 = K, X3 =S，— F，X5 — H，Xg — Go
[0058](6)为了便于分析，对目标攻击必要性指标进行归一化处理，归一化方法如下:γ N为总样本数，Y1为目标攻击必要性指标Y归一化后的目标攻击必要性指标。
I…U.
[0059]步骤3:半监督机器适应决策系统对多目标空对地攻击决策:
[0060]为了快速的判断地面目标的攻击必要性指标，可以建立半监督机器自适应系统，对地面目标攻击必要性进行自主判断。
[0061](I)构建半监督机器自适应系统:
[0062]I)构造一元回归方程:
[0063]f (X) = ω.Φ (x) +b,式(I)
[0064]其中，Φ (X)为函数映射关系，为在F的特征向量,b为偏参量。构造集合D ={(Xj, Yj) j = I, 2，…，η},其中Xj e Rn表示样本入变量；y」e R表示样本i的预输出变量，η表示自适应数据样本总数目。
[0065]2)为了提高函数f (X)在ε范围内的精度，可进行拉格朗日乘子法进行变换。在KKT (Karush-Kuhn-Tucker, KKT)条件约束下，构造一兀函数:
η
[0066]./'(ν) = Σ(α, — α丨)I< (.ν,.Λ.,)..b式⑵
[0067]其中，拉格朗H乘数ai, a* > O。定义系数偏差供Ht，第i个样本xi的边界函数 Ii(Xi) = f (Xi)-Y1
[0068]通过上述函数变换，将自适应数据分为3个集合:
[0069]①半监督机器适应决策系统错误集合E:E =UIleiI= C，|h(Xi) I > ε };
[0070]②半监督机器适应决策系统边界集合S: S = UlO < I Θ J < C，Ih(Xi) I = ε };
[0071]③半监督机器适应决策系统剩余样本集合R:R = {i|| QiI = O, Ih(Xi) | < ε }。
[0072](2)通过(I)构建的半监督机器自适应系统对目标打击必要性实现自动排序，具体实现过程如下:
[0073]设有k架无人机(编号分别为1，2，…，k)，现对N个地面目标进行攻击，则地面目标的打击必要性排序过程如下:
[0074]I):构建基础样本集{(Xj, Yj) I j = 1，2，...，Μ}，M为基础样本数；
[0075]2):加入第s个样本(xs，ys)，如果基础样本的数量小于设定值M，则转到步骤3 ;否贝U，转到步骤4;
[0076]3):利用(I)构建的半监督机器自适应系统增量算法将符合KKT条件的数据更新到自适应数据集合，依据目标打击必要性系数更新自适应攻击决策系统中的数据，转到步骤5 ;
[0077]4):利用(I)构建的半监督机器自适应系统删减算法将违背KKT条件的冗余样本删除，转到步骤5;
[0078]5):定义预测误差ear=ys'-ys/ys根据精度要求，定义k」≤ 0.05。如果ee?小
于设定值，说明样本调整参数范围有效，基础学习结束，转到步骤6 ;否则，说明样本调整参数范围无效，需要调整，转到步骤3 ;
[0079]6):通过(I)构建的半监督机器自适应系统预测目标打击必要性y's
[0080]7):若样本在边界集合内，即s ^ N，转到步骤8 ;否则，更新边界集合，s = s+1，转到步骤2 ;进行迭代计算，直到完成所有样本s的计算。
[0081]8):对所出预测出的目标打击必要性排序，y'i > y'2 >...> y'N ；
[0082]步骤4:通过信息均衡权重算法对无人机攻击有效性进行分析。
[0083](I)通过信息均衡权重算法，计算综合权重:
[0084]I):对于多属性信息决策问题,设方案集X = {χ1； χ2,..., χρ}属性集U= Iu1, U2，…
，UtJ ,构建决策矩阵 B = (IDij)pxtl,即
【权利要求】
1.一种多目标空对地半监督机器适应自主决策实时攻击方法，其特征在于按照以下步骤进行: 步骤1:目标攻击必要性一般性指标选取；采用火力单元数nh，可靠度K，生存能力S，搜索能力F，毁伤能力H，和抗干扰能力G，这6个主要指标计算目标攻击必要性； 步骤2:采用层次分析法对目标的攻击必要性进行计算； 步骤3:半监督机器适应决策系统对多目标空对地攻击决策；构建半监督机器自适应系统，通过构建的半监督机器自适应系统对目标打击必要性实现自动排序； 步骤4:通过信息均衡权重算法对无人机攻击有效性进行分析；通过信息均衡权重算法，计算综合权重，构建决策矩阵； 步骤5:根据步骤I至步骤4，对多目标无人机攻击策略进行综合考虑，自主决策无人机攻击次序，并派遣无人机进行攻击。
2.按照权利要求1所述一种多目标空对地半监督机器适应自主决策实时攻击方法，其特征在于:所述步骤2中的计算过程为: (1)按照层次分析法构造两两比较判断矩阵:A=(au)nXn，其中η为评估体系的指标个数，au为第i个指标对第j个指标的重要程度，I表示重要度最小，9表示重要度最大，前后指标重要性之比存在关系SijXaji = I ； (2)矩阵A按列进行归一化处理后求和，得权重向量:ω= ((Qi)ixn)1; ? / j4€0 ) (3)判断矩阵A最大特征值:疋--= Σ-，将其特征向量W= ((Ui)ixn)1作为评估
r:-1 --(?-指标的权重向量，μ i是矩阵的特征向量； (4)计算目标攻击必要性指标:,= --?，其中X1 = nh，X2 = K，X3 = S，X4=F, X5 = H, x6 = G ； (5)为了便于分析，对目标攻击必要性指标进行归一化处理，归一化方法如下:
Y, ^ 1^7 N为总样本数，Y1为目标攻击必要性指标Y归一化后的目标攻击必要性指标。
1
3.按照权利要求1所述一种多目标空对地半监督机器适应自主决策实时攻击方法，其特征在于:所述步骤3中构建半监督机器自适应系统，通过构建的半监督机器自适应系统对目标打击必要性实现自动排序方法为: 首先构建半监督机器自适应系统: 1)构造一元回归方程:
f (X) = ω.Φ (X) +b, 其中，Φ (X)为函数映射关系，Of为在F的特征向量，b为偏参量，构造集合D ={(Xj, Yj) j = I, 2，…，η},其中Xj e Rn表示样本入变量；y」e R表示样本i的预输出变量，η表示自适应数据样本总数目； 2)为了提高函数f(x)在ε范围内的精度，可进行拉格朗日乘子法进行变换，在KKT (Karush-Kuhn-Tucker, KKT)条件约束下，构造一兀函数:
η
f(x) = Σ(汉厂 ai )κ (χ,'x.1 ) + b，
ι=Ι..其中，拉格朗日乘数CIi, 2 O，定义系数偏差4=第i个样本Xi的边界函数h (Xi) = f (Xi)-yi，通过上述函数变换，将自适应数据分为3个集合: ①半监督机器适应决策系统错误集合E:E=UlIeiI=C, Ih(Xi) I > ε }; ②半监督机器适应决策系统边界集合S:S = U I O < I Θ i I < C，I h (Xi) I = ε}; ③半监督机器适应决策系统剩余样本集合R:R= {i I I Θ i I = O, Ih(Xi) I < ε }; 通过构建的半监督机器自适应系统对目标打击必要性实现自动排序过程如下: 设有k架无人机(编号分别为1，2，…，k)，现对N个地面目标进行攻击，则地面目标的打击必要性排序过程如下: 1):构建基础样本集{(Xj,Yj) I j = 1，2，...，Μ}，M为基础样本数； 2):加入第s个样本(xs，ys)，如果基础样本的数量小于设定值M，则转到3)，否则转到4)； 3):利用构建的半监督机器自适应系统增量算法将符合KKT条件的数据更新到自适应数据集合，依据目标打击必要性系数更新自适应攻击决策系统中的数据，转到5)； 4):利用构建的半监督机器自适应系统删减算法将违背KKT条件的冗余样本删除，转到5)； 5):定义预测误差[，根据精度要求，定义IemJ< 0.05,如果小于设定
yt值em(l，说明样本调整参数范围有效，基础学习结束，转到步骤6 ;否则，说明样本调整参数范围无效，需要调整，转到3)； 6):通过构建的半监督机器自适应系统预测目标打击必要性y's； 7):若样本在边界集合内，即s彡N，转到8);否则，更新边界集合，S= s+1，转到2);进行迭代计算，直到完成所有样本s的计算； 8):对所出预测出的目标打击必要性排序，y'i>y'2>...>y'N。
【文档编号】G06F13/10GK104199788SQ201410307175
【公开日】2014年12月10日 申请日期:2014年6月30日 优先权日:2014年6月30日
【发明者】冯怀义, 钱勇生, 曾俊伟, 张晓龙, 张锦龙, 钱龙 申请人:兰州交通大学