本发明涉及一种无人机作战效能评估方法,具体的说是一种基于贝叶斯网络的侦查无人机作战效能评估方法,属于效能评估领域。
背景技术:
由于现代战场的维度已扩展至海、陆、空等多个维度,且信息对抗越来越复杂,不仅要求侦查机能够多角度、全天时地获取复杂战场信息,而且对侦查机的生存能力、情报的时效性、准确性都提出了新的需求。仅仅依靠有人机已无法满足现代战争需求,因此,使用侦查无人机来获取情报已是主要的侦查手段。侦查无人机具有不惧伤亡、隐蔽性好、成本低廉等特点,不仅可以和有人机协同作战,还能够完成有人机无法完成的特殊任务。毋庸置疑,无人机将在现代战争中得到越来越广泛的应用。无人机侦查过程是一个极为复杂的过程,且有较高的不确定性,所以我们要对侦查无人机的作战效能进行评估,从而获取有用信息,辅助作战人员进行决策,提高作战效率。
我国对作战效能分析评估研究主要是在20世纪70年代中期以后开始,80年代广泛开展,主要有指数法、层次分析法、adc法等方法。指数法可以避开大量不确定性因素的影响,但其缺点是效能指数很难获取,评估准确度比较差。层次分析法是按照思维规律将决策过程层次化,通过专家给出的各影响因素进行量化计算,将定量与定性决策结合起来并给出评估结果,该方法容易受主观因素的影响,缺少有效证据。adc法是通过数学模型来计算效能值,把系统效能effectiveness定义为可用性availability、可信性depend-ability及固有能力c的函数,即e=a*d*c。由于评估要素间的关联性比较复杂,该模型比较难建立,不适合复杂环境下的效能评估。
有鉴于此,确有必要对现有的效能评估方法进行改进,以提高效能评估的效率。
技术实现要素:
本发明的目的在于提供一种基于贝叶斯网络的侦查无人机作战效能评估方法,以提高效能评估的效率。
为实现上述目的,本发明提供了一种基于贝叶斯网络的侦查无人机作战效能评估方法,具体步骤如下:
步骤(1):获得侦查无人机作战效能的备选指标集,利用熵权法对备选指标集进行筛选,以从基本性能、侦查能力、生存能力、指挥控制能力四个方面对侦查无人机作战效能进行评估;
步骤(2):对步骤(1)筛选出的影响侦查无人机作战效能的各评估指标进行量化分析,以确定贝叶斯网络的结构;
步骤(3):设计仿真实验并进行仿真,将采集到的仿真结果用于贝叶斯网络的参数学习;
步骤(4):根据步骤(2)所确定的贝叶斯网络的结构,利用蒙特卡洛算法进行贝叶斯网络的参数学习,确定条件概率表;
步骤(5):将贝叶斯网络转换为团树;
步骤(6):利用团树传播算法对贝叶斯网络进行精确推理。
可选的,步骤(1)具体包括:
步骤(1.1):构建备选指标集;设x个被评估对象、t个指标,指标数据标准化后构成标准化的备选指标集,标准化的备选指标集r为:
步骤(1.2):定义熵和熵权,计算各指标的权重,根据指标权重筛选出评估指标;第j个评估指标的熵hj为:
其中
k=1/ln(x)
式中,f满足0≤f≤1,∑f=1,并且当f=0时,有flnf=0;i为被评估对象,j为评估指标,第j个评估指标的熵权wj为:
可选的,步骤(1)中的基本性能包括最大爬升率、最大续航时间、最小转弯半径、可维护性;侦查能力包括协同作战能力、发现目标能力、指令传输能力;生存能力包括隐身性、火力攻击能力、侦察机尺寸、抗摧毁能力;指挥控制能力包括指挥决策能力、态势感知能力、数据链能力。
可选的,侦查能力中的发现目标能力包括侦查范围、敌方防御能力、抗干扰能力;指挥控制能力中的态势感知能力包括传感器效能、战场环境状况、数据分析能力。
可选的,步骤(2)中的各评估指标包括基本性能、侦查能力、生存能力、指挥控制能力、可维护性、协同作战能力、发现目标能力、指令传输能力、隐身性、火力攻击能力、抗摧毁能力、态势感知能力、数据链能力、敌方防御能力、抗干扰能力、传感器效能、数据分析能力、最大爬升率、最大续航时间、最小转弯半径、侦查范围、侦察机尺寸、战场环境状况、指挥决策效率,且贝叶斯网络中各评估指标的状态集可表示为:
基本性能,侦查能力,生存能力,指挥控制能力,可维护性,协同作战能力,发现目标能力,指令传输能力,隐身性,火力攻击能力,抗摧毁能力,态势感知能力,数据链能力,敌方防御能力,抗干扰能力,传感器效能,数据分析能力={强,中,差};
最大爬升率={快,较慢,慢};
最大续航时间={长,短};
最小转弯半径,侦查范围={大,较小,小};
侦察机尺寸={大型,中型,小型};
战场环境状况={复杂,简单};
指挥决策效率={高,低}。
可选的,步骤(3)具体包括:
步骤(3.1):选取仿真实验设计方法,并进行仿真实验设计;
步骤(3.2):设计仿真实验数据采集清单,所述仿真实验数据为备选指标集中的指标节点;
步骤(3.3):运行仿真实验,并采集仿真结果,将采集到的仿真结果收集、整理,以用于贝叶斯网络的参数学习。
可选的,步骤(4)具体包括:
步骤(4.1):将仿真结果增加到初始数据中,以得到完整的数据集d;
步骤(4.2):在数据集d中选取一个没有被观测到的数据xij(即变量xi在j中的情况,xi为利用蒙特卡洛算法进行参数学习还未使用到的数据,j为评估指标),然后计算:
式中,x’ij表示已经存在的某种状态,sk为第s个参数的信息,d\xij表示除去xij后d的剩余量,p(x’ij,d\xij\sk)和
步骤(4.3):根据概率分布对仿真结果进行修正,直到得到新的完整的数据集d’;
步骤(4.4):返回步骤(4.2),用新的数据集d’对下一轮迭代进行参数估计,每次迭代的参数估计p(θs|d’,sk)均值作为最终的参数估计值,其中θs表示第s个参数的后验概率。
可选的,步骤(5)具体包括:
步骤(5.1):建立贝叶斯网络道德图;将原贝叶斯网络中的所有节点和边保留,若原贝叶斯网络中的某个节点有多于两个的父节点,则在道德图中,将该节点的所有父节点两两相连;
步骤(5.2):三角剖分贝叶斯网络道德图;若道德图中有多于3个节点的环,则加入一条无向边,以连接环中两个非相邻节点,若仍有多于3个节点的环,则继续进行剖分,直至构成三角化图;
步骤(5.3):确定团节点;所述团节点为三角化图中的极大完全子图;
步骤(5.4):生成团树;所述团树中的每个节点对应一个团节点,两个团节点的交集作为分隔节点。
可选的,步骤(6)具体包括:
步骤(6.1):初始化算法参数;对步骤(5.4)中的每个团节点和分隔节点定义σ(x),设σ(x)的初始值为1,对于贝叶斯网络中的每个节点v,若
σ(x)=σ(x)*p(v|p(v));
步骤(6.2):吸收消息;设团节点x传递消息至相邻的团节点y,中间经过分隔节点b,则:
步骤(6.3):计算边缘概率;若v是贝叶斯网络中的一个节点,则p(v)可由下式计算:
与现有技术相比,本发明具有以下技术效果:
(1)利用熵权法对备选指标集进行筛选,使得指标体系更加简单、合理。
(2)利用蒙特卡洛算法进行贝叶斯网络的参数学习,从而确定条件概率表,避免了手工输入条件概率表的麻烦,大大提高了效率。
(3)利用团树传播算法进行贝叶斯网络的精确推理,节省了推理的时间,提高了推理的准确性。
附图说明
图1是本发明基于贝叶斯网络的侦查无人机作战效能评估方法的整体流程图。
图2是本发明基于贝叶斯网络的侦查无人机作战效能评估方法的指标体系图。
图3是本发明基于贝叶斯网络的侦查无人机作战效能评估方法的贝叶斯网络的模型图。
图4是本发明基于贝叶斯网络的侦查无人机作战效能评估方法的贝叶斯网络转换后的团树。
具体实施方式
以下结合附图具体说明本发明的技术方案。
本发明提供了一种基于贝叶斯网络的侦查无人机作战效能评估方法,主要用于解决侦查无人机作战效能评估的问题。
本发明采用贝叶斯网络模型对侦查无人机作战效能进行评估。贝叶斯网络模型是一个概率推理的数学模型,它以有向边表示变量之间的因果关系,以条件概率表表示变量之间关系的强弱,具有复杂关联关系表示能力、学习能力以及因果推理能力。近年来贝叶斯网络模型在无人机作战效能评估领域得到了广泛应用。
本发明的基于贝叶斯网络的侦查无人机作战效能评估方法,主要包括:建立效能评估指标体系、建立贝叶斯网络效能评估模型、贝叶斯网络推理三个部分,其中:
建立效能评估指标体系:该阶段的主要任务是分析侦查无人机的作战过程,利用熵权法对影响侦查无人机作战效能的评估指标进行筛选,并对各评估指标进行量化分析,最终确立效能评估指标体系;
建立贝叶斯网络效能评估模型:该阶段的主要任务是确定贝叶斯网络的结构和条件概率表,通过仿真实验生成参数(即贝叶斯网络中各节点的条件概率表)所需要的数据,利用蒙特卡洛算法进行贝叶斯网络的参数学习,以确定贝叶斯网络的结构和条件概率表;
贝叶斯网络推理:该阶段的主要任务是利用团树传播算法对贝叶斯网络进行精确推理,分析作战效能以及影响因素。
如图1所示,本发明的基于贝叶斯网络的侦查无人机作战效能评估方法,具体步骤包括:
步骤(1):获得侦查无人机作战效能的备选指标集,利用熵权法对备选指标集进行筛选,以从基本性能、侦查能力、生存能力、指挥控制能力四个方面对侦查无人机作战效能进行评估;
步骤(2):对步骤(1)筛选出的影响侦查无人机作战效能的各评估指标进行量化分析,以确定贝叶斯网络的结构;
步骤(3):设计仿真实验并进行仿真,将采集到的仿真结果用于贝叶斯网络的参数学习;
步骤(4):根据步骤(2)所确定的贝叶斯网络的结构,利用蒙特卡洛算法进行贝叶斯网络的参数学习,确定条件概率表;
步骤(5):将贝叶斯网络转换为团树;
步骤(6):利用团树传播算法对贝叶斯网络进行精确推理。
以下说明书部分将对上述步骤(1)~步骤(6)进行详细描述。
步骤(1)中的基本性能包括最大爬升率、最大续航时间、最小转弯半径、可维护性。侦查能力主要包括协同作战能力、发现目标能力、指令传输能力;其中,发现目标能力包括侦查范围、敌方防御能力、抗干扰能力。生存能力主要包括隐身性、火力攻击能力、侦察机尺寸、抗摧毁能力。指挥控制能力主要包括指挥决策能力、态势感知能力、数据链能力;其中,态势感知能力包括传感器效能、战场环境状况、数据分析能力。
步骤(1)具体包括:
步骤(1.1):构建备选指标集;设x个被评估对象、t个指标,指标数据标准化后构成标准化的备选指标集,标准化的备选指标集r为:
步骤(1.2):定义熵和熵权,计算各指标的权重,根据指标权重筛选出评估指标,第j个评估指标的熵hj为:
其中
k=1/ln(x)
式中,f满足0≤f≤1,∑f=1,并且当f=0时,有flnf=0;i为被评估对象,j为评估指标,第j个评估指标的熵权wj为:
如图2和图3所示,为了描述方便,步骤(2)中的各评估指标可用英文首字母缩写来简写;
对于基本性能(bp)、侦查能力(ia)、生存能力(sa)、指挥控制能力(ccc)、可维护性(ma)、协同作战能力(cc)、发现目标能力(tfa)、指令传输能力(ctc)、隐身性(ss)、火力攻击能力(fp)、抗摧毁能力(dr)、态势感知能力(sa)、数据链能力(dlc)、敌方防御能力(ldc)、抗干扰能力(aic)、传感器效能(sp)、数据分析能力(daa),可用强、中、差三个等级来表示;
对于最大爬升率(mcr),可用快、较慢、慢来表示;
对于最大续航时间(me),可用长、短来表示;
对于最小转弯半径(mtr)、侦查范围(soi),可用大、较小、小来表示;
对于侦察机尺寸(sps),可用大型、中型、小型来表示;
对于战场环境状况(be),可用复杂、简单来表示;
对于指挥决策效率(cde),可用高、低来表示。
从而,可将贝叶斯网络中各评估指标的状态集归纳如下:
bp,ia,sa,ccc,ma,cc,tfa,ctc,ss,fp,dr,sa,dlc,ldc,aic,sp,daa={强,中,差};
mcr={快,较慢,慢};
me={长,短};
mtr,soi={大,较小,小};
sps={大型,中型,小型};
be={复杂,简单};
cde={高,低}。
步骤(3)具体包括:
步骤(3.1):选取仿真实验设计方法,并进行仿真实验设计;由于实验因子的组合数比较多,这里采用正交设计方法;
步骤(3.2):设计仿真实验数据采集清单,所述仿真实验数据为备选指标集中的指标节点;
步骤(3.3):运行仿真实验,并采集仿真结果,将采集到的仿真结果收集、整理,以用于贝叶斯网络的参数学习。
步骤(4)具体包括:
步骤(4.1):将仿真结果增加到初始数据中,以得到完整的数据集d;该步骤中,初始数据是指在进行仿真实验之前,根据经验收集到的一些实验数据,但是这些实验数据并不全面,有缺失的情况,所以结合仿真结果,可以进行数据的弥补;
步骤(4.2):在数据集d中选取一个没有被观测到的数据xij(即变量xi在j中的情况,xi为利用蒙特卡洛算法进行参数学习还未使用到的数据,j为评估指标),然后计算:
式中:x’ij表示已经存在的某种状态;sk为第s个参数的信息;d\xij表示除去xij后d的剩余量;p(x’ij,d\xij\sk)和
步骤(4.3):根据概率分布对仿真结果进行修正,直到得到新的完整数据集d’;
步骤(4.4):返回步骤(4.2),用新的数据集d’对下一轮迭代进行估计,每次迭代的参数估计p(θs|d’,sk)均值作为最终的参数估计值,其中θs表示第s个参数的后验概率。
步骤(5)具体包括:
步骤(5.1):建立贝叶斯网络道德图;将原贝叶斯网络中的所有节点和边保留,若原贝叶斯网络中的某个节点有多于两个的父节点,则在道德图中,将该节点的所有父节点两两相连;
步骤(5.2):三角剖分贝叶斯网络道德图;若道德图中有多于3个节点的环,则加入一条无向边,以连接环中两个非相邻节点,若仍有多于3个节点的环,则继续进行剖分,直至构成三角化图;
步骤(5.3):确定团节点;团节点是三角化图中的极大完全子图,不被其它任何完全子图包含;
步骤(5.4):生成团树;团树中的每个节点对应一个团节点,两个团节点的交集作为分隔节点。
如图4所示,为步骤(5.4)生成的团树,其中,贝叶斯网络中的节点由上到下、由左到右依次编号为a、b、c....y。
步骤(6)具体包括:
步骤(6.1):初始化算法参数;对步骤(5.4)中的每个团节点和分隔节点,定义σ(x),设σ(x)的初始值为1,对于贝叶斯网络中的每个节点v,若
σ(x)=σ(x)*p(v|p(v));
步骤(6.2):吸收消息;设团节点x传递消息至相邻的团节点y,中间经过分隔节点b,则:
步骤(6.3):计算边缘概率;若v是贝叶斯网络中的一个节点,则p(v)可由下式计算:
综上所述,本发明通过分析作战体系结构和基本作战流程,利用熵权法对备选指标集进行筛选,以构建侦查无人机作战的效能评估指标体系,使得指标体系更加简单、合理,大大提高了效率;利用蒙特卡洛算法进行贝叶斯网络的参数学习,从而确定条件概率表,避免了手工输入条件概率表的麻烦,大大提高了效率;利用团树传播算法进行贝叶斯网络的精确推理,节省了推理的时间,提高了推理的准确性。
以上所述,仅为本发明中的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可理解想到的变换或替换,都应涵盖在本发明的包含范围之内,因此,本发明的保护范围应该以权利要求书的保护范围为准。