基于非规则识别无监督学习的空袭目标分簇打击系统

本发明涉及空战对抗分簇打击策略与无监督学习，尤其涉及一种基于非规则识别无监督学习的空袭目标分簇打击系统。

背景技术：

1、在现代空战的作战体系中，对空袭目标的智能分簇打击的任务分配结果是防空任务决策的重要参考信息之一。防空战场对抗环境实时变化剧烈，准确快速地做出最优打击任务分配决策是作战取胜的法宝，在未来高强度对抗条件下，战场态势复杂多变，我方防守要素不仅需要相互配合协同作战，有时单个要素也需要兼顾多个空战任务。尤其是在对战双方要素近似的情况下，防御防常常无法满足所有任务需求。因此，如何将我方多防御要素协同任务分配与对敌空袭目标的分簇打击进行最优决策，是对抗的关键之一。

2、而针对上诉需求背景，目前大部分无监督学习算法都无法实现对空战战场的作战要素的非规则信息进行快速、精确的识别，因此难以在防空作战中给出准确的打击决策辅助。

技术实现思路

1、本发明的目的在于针对当前空战作战中对空袭目标分簇打击任务分配速度慢、精度低以及分配结果鲁棒性差等问题，提供一种快速、精确、鲁棒的基于非规则识别无监督学习的空袭目标分簇打击系统。本发明通过空战对抗仿真模块对作战要素进行数字化分析，构建信息矩阵；通过目标非规则分布识别模块提取信息矩阵中的非凸、高维、流形信息，保证分簇时的合理性；通过无监督学习分类模块对信息进行处理，实现分簇打击的收益最大化；通过最优分簇打击策略输出模块将结果分配到所有防御要素中，指导防御要素相互配合完成打击任务，解决了传统空袭目标分簇打击难以实现最优化的问题。

2、本发明的目的是通过以下技术方案来实现的：一种基于非规则识别无监督学习的空袭目标分簇打击系统，其特征在于：包括空战对抗仿真模块、目标非规则分布识别模块、无监督学习分类模块、最优分簇打击策略输出模块。

3、所述空战对抗仿真模块根据敌方来袭目标的参数与突袭方位和我方防御要素的参数与防御部署，构建完整的仿真模型与信息矩阵。在空战的分簇打击任务分配中需要的考虑的要素包括：

4、(1)考虑地球曲率，即远距离高空飞行物受地心引力影响轨迹变化的问题。

5、(2)武器系统拦截远界/近界、多目标能力，设定我方目标同时在拦对方目标数量最大为8个。

6、(3)考虑来袭目标与武器系统的距离，目标飞行角度，武器系统拦截半径等因素对杀伤概率的影响；

7、(4)考虑武器拦截过程以及航路捷径，武器系统反应时间等。

8、根据以上所述的要素，构建的敌我双方目标的特征信息矩阵主要需要把双方目标的位置变化、战力要素以及覆盖范围等融入无监督算法的考虑中，以实现打击任务的分簇结果能够最大可能地提高打击效率。

9、在此背景下，构建拦截对方空袭目标场景如下：敌方共100个目标从不同的发射位置向红方5个目标进攻，具体包括了10个来袭i类目标，10架飞机，10架无人机，进攻目标的具体参数与分别打击的我方目标如表1所示：

10、表1：蓝方进攻要素表

11、

12、

13、我方部署装备与防区信息如下表2和表3所示：

14、表2：我方防御要素表

15、 节点类型 节点数量 最大探测距离 最大拦截距离 备注 k型雷达 10 200 — — i型武器系统 70 50 30 每个系统剩余导弹5枚 ii型武器系统 30 — 100 每个系统剩余导弹10枚

16、表3：我方防守信息表

17、 我方防御信息 导弹价值 i型武器系统 0.1 ii型武器系统 0.05

18、在此基础上，目标非规则分布识别模块根据空战战场双方要素分布的非规则信息，采用非凸学习方法，首先对样本点之间的相似度进行流形评估，计算流形相似度mdij：

19、

20、其中，是数据点之间所有的路径，h是路径上的任意两点，dij是数据点之间的欧几里得距离。在获得流形相似度信息之后，对数据点之间的连通性进行评估：

21、tij＝tr*dij                                  (2)

22、

23、

24、disbasic＝max(dismean)                                (5)

25、numij＝min(length(pointfound))                        (6)

26、

27、其中，tij是均值距离的计算阈值，tr是一个自由参数，用于计算tij的阈值比率，dij是数据点之间的欧几里得距离。n是数据集的规模，dismean是点与其近邻的均值距离而disbasic为基础距离，用于后续判定连通性。disadaptive是适应性距离与基础距离一起划定了数据点之间的连通性。numij定义了两点之间的联通点个数，pointfound即为路径上的联通点。而pr是另一个自由参数决定了适应性距离的计算阈值，以这种方式计算相似度，能够有效的对目标之间的联通关系进行估计，从而避免了对信息强制赋予高斯分布关系。连通性评估的整体流程如下表4：

28、表4

29、

30、进一步地，无监督学习分类模块以密度峰值聚类算法为基础，将目标非规则分布识别模块得到的数据点之间的流形相似度与连通性信息融入无监督聚类的非规则分布识别中，能够针对空战作战过程中的不规则分布信息实现最优的分簇打击分配。首先算法的基础思路如下：

31、

32、

33、其中，ρi是密度峰值聚类提出的数据点的局部密度，dij同上节一致为数据点之间的欧氏距离，dc为截断距离，一般设置为大于欧氏距离矩阵数值末位2％的值。δi为数据点之间的相对距离，用以判定数据的聚类中心不仅是局部密度较大的点，同时这些聚类中心之间也保持了相对较远的位置。

34、之后，在密度峰值聚类算法的基础上，将目标非规则分布识别模块得到的数据点之间的流形相似度与连通性信息引入数据点的相对距离与局部密度中，实现算法能够对非规则尤其是流形分布的数据特征的识别，有效地获取到双方目标间地链接关系。完整流程如下表5和表6所示：

35、表5

36、

37、表6

38、

39、最后，最优分簇打击策略输出模块将非规则识别无监督学习方法得到的最优数据解，即最优分簇打击策略，输出我方战场要素执行。

40、本发明的技术构思为：通过空战对抗仿真模块对作战要素进行数字化分析，构建信息矩阵；通过目标非规则分布识别模块提取信息矩阵中的非凸、高维、流形信息，保证分簇时的合理性；通过无监督学习分类模块对信息进行处理，实现分簇打击的收益最大化；通过最优分簇打击策略输出模块将结果分配到所有防御要素中，指导防御要素相互配合完成打击任务。解决了传统空袭目标分簇打击难以实现最优化的问题，提供了一种快速、精确、鲁棒的空袭目标分簇打击系统。

41、本发明的有益效果主要表现在：1、空战对抗仿真模块与目标非规则分布识别模块对空战作战中的要素信息进行了数字化建模并提取了其中的非凸高维信息，实现了接近真实的空战对抗的信息矩阵。2、无监督学习分类模块能够有效的将提取的信息矩阵进行分簇处理，并确任务分配的合理性，从而最大化空袭目标分簇打击的收益。