楊露菁,彭業(yè)飛,周恭謙

(海軍工程大學(xué)電子工程學(xué)院,湖北武漢　430033)

?

基于混沌雙擾動(dòng)的CDDPSO-BP目標(biāo)威脅估計(jì)方法*

楊露菁,彭業(yè)飛,周恭謙

(海軍工程大學(xué)電子工程學(xué)院,湖北武漢430033)

摘要:信息化條件下的戰(zhàn)場(chǎng)環(huán)境對(duì)目標(biāo)威脅估計(jì)技術(shù)提出了越來(lái)越高的要求。提出一種基于混沌雙擾動(dòng)的CDDPSO-BP目標(biāo)威脅估計(jì)方法,該方法針對(duì)粒子群算法在進(jìn)化過(guò)程中易出現(xiàn)早熟和尋優(yōu)結(jié)果不穩(wěn)定的缺陷,基于Tent映射提出混沌雙擾動(dòng)的思想,并加入粒子群算法的進(jìn)化過(guò)程,實(shí)現(xiàn)對(duì)粒子群算法的改進(jìn);之后,利用該新算法訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值,建立目標(biāo)威脅估計(jì)模型和算法;最后,將該方法應(yīng)用于實(shí)例中進(jìn)行仿真,結(jié)果表明該目標(biāo)威脅估計(jì)新算法具有較高的準(zhǔn)確度。

關(guān)鍵詞:目標(biāo)威脅估計(jì);Tent映射;粒子群;神經(jīng)網(wǎng)絡(luò);混沌

目標(biāo)威脅估計(jì)是信息融合過(guò)程中的一個(gè)子過(guò)程,在JDL信息融合功能模型中處于第三級(jí)。它是在底層傳感器完成對(duì)目標(biāo)的一級(jí)處理后,再經(jīng)過(guò)二級(jí)處理,將結(jié)果進(jìn)一步分析處理,確定敵方目標(biāo)威脅等級(jí)的高級(jí)信息融合過(guò)程。作為作戰(zhàn)決策過(guò)程中的重要一環(huán),威脅估計(jì)是指揮信息系統(tǒng)進(jìn)行火力分配和戰(zhàn)術(shù)決策的前提條件。一方面可以為指揮員實(shí)施指揮決策提供技術(shù)支持,另一方面也是進(jìn)行多目標(biāo)打擊的基礎(chǔ),因此戰(zhàn)場(chǎng)威脅估計(jì)能力直接影響到我方指揮員的決策質(zhì)量和目標(biāo)打擊效果。

目前,在目標(biāo)威脅估計(jì)方面已有很多方法,如決策理論[1]、模糊邏輯[2]、貝葉斯網(wǎng)絡(luò)[3]等。近年來(lái),以神經(jīng)網(wǎng)絡(luò)為代表的智能技術(shù)在模式識(shí)別、控制和預(yù)測(cè)等領(lǐng)域得到了廣泛應(yīng)用。文獻(xiàn)[4]采用神經(jīng)網(wǎng)絡(luò)解決目標(biāo)威脅評(píng)估問(wèn)題,取得了較好的結(jié)果。但是,神經(jīng)網(wǎng)絡(luò)存在一些不可避免的缺陷,如網(wǎng)絡(luò)結(jié)構(gòu)選擇困難、過(guò)學(xué)習(xí)、局部極值以及泛化能力差等。目前在理論上很難求得網(wǎng)絡(luò)的最佳結(jié)構(gòu)和權(quán)閾值,如何獲得BP網(wǎng)絡(luò)的最佳結(jié)構(gòu)和權(quán)閾值是一個(gè)值得深入研究的問(wèn)題。隨著以粒子群為代表的群智能算法的研究應(yīng)用不斷深入,基于群智能算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)已有較多應(yīng)用,如文獻(xiàn)[5]和文獻(xiàn)[6]等。本文針對(duì)粒子群算法易陷入局部極值的問(wèn)題,利用Tent映射在PSO進(jìn)化過(guò)程中加入了混沌雙擾動(dòng)的思想,提出混沌雙擾動(dòng)粒子群算法(Chaotic Double Disturbance Particle Swarm Optimization,CDDPSO),并通過(guò)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)建立了一種CDDPSO-BP目標(biāo)威脅估計(jì)方法。

1基于混沌雙擾動(dòng)的粒子群算法

1.1PSO算法基本思想

設(shè)搜索空間為D維,總粒子數(shù)為n。第i個(gè)粒子位置表示為向量Xi=(xi1,xi2,…,xiD);第i個(gè)粒子的歷史最優(yōu)位置為Pi=(pi1,pi2,…,piD),即Pbest;種群的群體極值為Pg=(pg1,pg2,…,pgD),即Gbest;第i個(gè)粒子的速度表示為Vi=(vi1,vi2,…,viD)。每個(gè)粒子的位置按如下公式進(jìn)行變化:

vid(t+1)=vid(t)+c1·r1·(pid(t)-xid(t))+c2·r2·

(pgd(t)-xid(t))

(1)

xid(t+1)=xid(t)+vid(t)

(2)

其中,i=1,2…m,d=1,2…D。c1和c2為學(xué)習(xí)因子,r1和r2為兩個(gè)介于(0,1)范圍內(nèi)變化的相互獨(dú)立的隨機(jī)函數(shù),ω為慣性權(quán)重。

1.2混沌雙擾動(dòng)粒子群

混沌為非線性系統(tǒng)的一種演變現(xiàn)象,是由確定性規(guī)則導(dǎo)致的對(duì)初始條件非常敏感的無(wú)固定周期的長(zhǎng)期行為,具有規(guī)律性、偽隨機(jī)性和遍歷性。針對(duì)粒子群算法在進(jìn)化過(guò)程中易出現(xiàn)早熟和尋優(yōu)結(jié)果不穩(wěn)定的缺陷,本文在基于Tent映射的混沌粒子群算法[7]基礎(chǔ)上,加入雙擾動(dòng)的思想,提出混沌雙擾動(dòng)粒子群算法。Tent映射也稱帳篷映射,其表達(dá)式為

xn+1=xn/μ, 0

(3)

其中,μ∈(0,1),x∈[0,1]。

基于混沌雙擾動(dòng)的粒子群算法主要步驟為:

xij=xmin,j+(xmax,j-xmin,j)·zij

(4)

xij即為m個(gè)初始粒子種群。

步驟2計(jì)算種群適應(yīng)度。將粒子的目前位置記為Pbest,群體中適應(yīng)度最優(yōu)的粒子位置記為Gbest。

步驟3根據(jù)式(1)和式(2)更新粒子速度和位置,重新計(jì)算新粒子的適應(yīng)度,并判斷是否更新粒子的個(gè)體極值以及群體的全局極值。

步驟4公告板記錄。記錄每次迭代產(chǎn)生的群體極值,稱為公告板。并設(shè)定一個(gè)閾值T,如果公告板連續(xù)T次迭代沒(méi)有更新,則轉(zhuǎn)步驟5;否則轉(zhuǎn)步驟6。

步驟5混沌一次擾動(dòng)。當(dāng)前群體極值的混沌擾動(dòng)公式為[8]:

(5)

(6)

步驟6判斷是否滿足迭代結(jié)束條件(達(dá)到最大迭代次數(shù)),若滿足,輸出結(jié)果,終止算法;否則,轉(zhuǎn)步驟7。

步驟7早熟收斂判決。判決公式為

(7)

步驟8混沌二次擾動(dòng)。利用式(8)和式(9)對(duì)早熟的粒子進(jìn)行混沌擾動(dòng),有

(8)

X*=ψ*(xmax,j-xmin,j)+xmin,j

(9)

2基于CDDPSO-BP的目標(biāo)威脅估計(jì)

2.1CDDPSO-BP目標(biāo)威脅估計(jì)模型

首先,對(duì)原始數(shù)據(jù)量化和歸一化處理,并輸入CDDPSO-BP神經(jīng)網(wǎng)絡(luò);其次,采用本文提出的CDDPSO算法優(yōu)化 BP 神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值,根據(jù)訓(xùn)練得到的最優(yōu)權(quán)值和閾值構(gòu)造CDDPSO-BP目標(biāo)威脅估計(jì)模型;最后,利用該模型對(duì)目標(biāo)威脅值進(jìn)行預(yù)測(cè)。上述模型如圖1所示。

圖1　CDDPSO-BP目標(biāo)威脅估計(jì)模型

2.2CDDPSO-BP目標(biāo)威脅估計(jì)算法

算法主要步驟如下:

步驟1對(duì)數(shù)據(jù)進(jìn)行量化和歸一化;

步驟2設(shè)定訓(xùn)練目標(biāo)、學(xué)習(xí)率和隱含神經(jīng)元個(gè)數(shù),初始化BP網(wǎng)絡(luò)的權(quán)值和閾值;

步驟4根據(jù)CDDPSO算法得到最優(yōu)權(quán)值和閾值后,構(gòu)造CDDPSO-BP 神經(jīng)網(wǎng)絡(luò)。采用訓(xùn)練集對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,計(jì)算訓(xùn)練誤差,訓(xùn)練誤差滿足要求時(shí),停止訓(xùn)練。

步驟5將測(cè)試集輸入訓(xùn)練好的CDDPSO-BP網(wǎng)絡(luò),預(yù)測(cè)輸出目標(biāo)威脅值。

該算法流程圖如圖2所示。

圖2　CDDPSO-BP算法流程

3模型仿真與測(cè)試

3.1數(shù)據(jù)預(yù)處理

本文的數(shù)據(jù)來(lái)源于參考文獻(xiàn)[9]。共有70組數(shù)據(jù),其中訓(xùn)練集60組,測(cè)試集15組。部分測(cè)試集數(shù)據(jù)如表1所示。

根據(jù)G.A.Miller的 9 級(jí)量化理論,對(duì)數(shù)據(jù)進(jìn)行量化,1-9 分別表示威脅程度極小、非常小、較小、小、中、大、較大、非常大、極大;對(duì)定量屬性采用區(qū)間量化,并對(duì)其進(jìn)行歸一化處理。具體過(guò)程如下所示。

1) 目標(biāo)類型:按直升機(jī)、大型目標(biāo)、小型目標(biāo)依次量化為 3、5、8;

2) 目標(biāo)速度:按 0-1800m/s 等間隔(200m/s)依次量化為 1～9;

3) 目標(biāo)航向角:按 0～36°等間隔(4°)依次量化為 9～1;

4) 目標(biāo)干擾能力:有強(qiáng)、中、弱、無(wú)四個(gè)級(jí)別,依次量化為 2、4、6、8;

5) 目標(biāo)高度:有超低、低、中、高四個(gè)級(jí)別,依次量化為 2、4、6、8;

6) 目標(biāo)距離:按0-450km 等間隔(50km)依次量化為 9～1。

對(duì)量化后的數(shù)據(jù),目標(biāo)速度、目標(biāo)高度和目標(biāo)距離等屬性則可以直接進(jìn)行歸一化。

3.2仿真結(jié)果

CDDPSO算法基本參數(shù)設(shè)置:最大迭代次數(shù)Gmax=100,種群規(guī)模m=20,學(xué)習(xí)因子c1=c2=2,慣性權(quán)重ω=0.64,變量范圍[0,1],變量維數(shù)D的取值與神經(jīng)網(wǎng)絡(luò)的參數(shù)有關(guān),計(jì)算方法為:變量維數(shù)=輸入層×隱含層+隱含層×輸出層+閾值。

BP網(wǎng)絡(luò)參數(shù)設(shè)置:學(xué)習(xí)率為0.1,訓(xùn)練目標(biāo)為0.00001。根據(jù)文獻(xiàn)來(lái)源的數(shù)據(jù),威脅因素有6個(gè),即網(wǎng)絡(luò)輸入層有6個(gè)節(jié)點(diǎn),而估計(jì)結(jié)果只有一個(gè),即威脅值,所以網(wǎng)絡(luò)輸出層有1個(gè)節(jié)點(diǎn)。隱含層分別取3、8、10、15,仿真結(jié)果如圖3-6所示。

表1　測(cè)試樣本

圖3　隱含層節(jié)點(diǎn)為3的預(yù)測(cè)結(jié)果

圖5　隱含層節(jié)點(diǎn)為10的預(yù)測(cè)結(jié)果

圖4　隱含層節(jié)點(diǎn)為8的預(yù)測(cè)結(jié)果

圖6　隱含層節(jié)點(diǎn)為15的預(yù)測(cè)結(jié)果

由圖3-6可以看出,當(dāng)神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)為10時(shí),算法有最好的預(yù)測(cè)結(jié)果。本文采用上面已經(jīng)訓(xùn)練好的網(wǎng)絡(luò),并將隱含層的節(jié)點(diǎn)數(shù)設(shè)置為10,與文獻(xiàn)[9]提出的GSO-BP算法、已經(jīng)訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行比較,如圖7～8所示。

圖7　三種算法預(yù)測(cè)結(jié)果比較

圖8　三種算法預(yù)測(cè)絕對(duì)誤差

為消除偶然誤差的影響,將CDDPSO-BP和GSO-BP算法各自運(yùn)行10次,取訓(xùn)練最好的一次作為最優(yōu)預(yù)測(cè)結(jié)果,如表2所示。

表2　目標(biāo)威脅值預(yù)測(cè)結(jié)果比較

由圖7、圖8及表2可以得出,基本的BP神經(jīng)網(wǎng)絡(luò)由于誤差波動(dòng)較大,已不適于模型的預(yù)測(cè);相比于文獻(xiàn)[9]提出的GSO-BP算法,本文提出的CDDPSO-BP算法在預(yù)測(cè)結(jié)果上更加準(zhǔn)確穩(wěn)定。

4結(jié)束語(yǔ)

為提高目標(biāo)威脅估計(jì)的準(zhǔn)確性和實(shí)用性,本文利用CDDPSO算法建立了CDDPSO-BP目標(biāo)威脅估計(jì)模型和算法,并運(yùn)用實(shí)例進(jìn)行了仿真實(shí)驗(yàn)。仿真結(jié)果證明,采用CDDPSO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值,能較好地提高目標(biāo)威脅估計(jì)的準(zhǔn)確性和實(shí)用性?，F(xiàn)代戰(zhàn)爭(zhēng)要求威脅估計(jì)越來(lái)越精確,如何進(jìn)一步提高威脅估計(jì)的精度,使其能夠進(jìn)一步適應(yīng)未來(lái)高科技戰(zhàn)爭(zhēng)的要求,也將是下一步應(yīng)該進(jìn)行的工作。

參考文獻(xiàn):

[1]Y. Yao, J. Zhao, Y. Wang, J. Sun. MADM of Threat Assessment with Attempt of Target[J]. Advances in Technology and Management, 2012, 171-179.

[2]雷英杰.基于直覺(jué)模糊推理的態(tài)勢(shì)與威脅評(píng)估研究[D].西安:西安電子科技大學(xué),2005.

[3]楊健,高文逸,劉軍.一種基于貝葉斯網(wǎng)絡(luò)的威脅評(píng)估方法[J].解放軍理工大學(xué)學(xué)報(bào)(自然科學(xué)版),2010,11(1):43-48.

[4]羅艷春,郭立紅,姜曉蓮,等.基于模糊神經(jīng)網(wǎng)絡(luò)的空中目標(biāo)威脅評(píng)估[J].微計(jì)算機(jī)信息,2007,23(34):268-270.

[5]田旭光,宋彤,劉宇新.結(jié)合遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)[J].計(jì)算機(jī)應(yīng)用與軟件,2004,21(6):69-71.

[6]寧東方,章衛(wèi)國(guó),田娜.基于改進(jìn)粒子群優(yōu)化算法的神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)[J].計(jì)算機(jī)應(yīng)用研究,2008,25(11):3343-3345.

[7]Hong li Xu,XuQian, liang Zhang. Study of ACO Algorithm Optimization Algorithm Based on Improved Tent Chaotic Mapping[J].Journal of Information &Computational Science,2012,9(6):1653-1660.

[8]楊俊杰,周建中,喻菁,等.基于混沌搜索的粒子群優(yōu)化算法[J].計(jì)算機(jī)工程與應(yīng)用, 2005, 41(16): 69-71.

[9]王改革, 郭立紅. 基于智能算法的目標(biāo)威脅估計(jì)[D].北京：中國(guó)科學(xué)院大學(xué),2013.

CDDPSO-BP Target Threat Estimation MethodBased on Chaos Double Disturbance

YANG Lu-jing, PENG Ye-fei, ZHOU Gong-qian

(Naval University of Engineering, Wuhan 430033, China)

Abstract:Target threat assessment technology has been proposed higher and higher request by battlefield environment under information condition. A kind of CDDPSO-BP target threat estimation method based on chaotic double disturbance is put forward. Focusing on the defect of particle swarm algorithm easy to falling into precocious and unstable in searching the best value, a chaotic double disturbance thinking based on Tent map is proposed and applied to the evolutionary process of particle swarm algorithm to improve the PSO algorithm. Then, the initial weights and thresholds of the BP neural network have been trained with the new algorithm, so that the target threat assessment model and algorithm is established. Finally, the simulation result proves that the proposed target threat estimation algorithm has higher accuracy.

Key words:target threat assessment; Tent map; particle swarm; Neural Networks; Chaos

中圖分類號(hào):E911

文獻(xiàn)標(biāo)志碼:A

DOI:10.3969/j.issn.1673-3819.2016.02.003

作者簡(jiǎn)介：楊露菁(1966-),女,廣東大埔人,博士,教授,研究方向?yàn)閼?zhàn)場(chǎng)情報(bào)信息處理。彭業(yè)飛(1993-),男,本科。周恭謙(1988-),男,博士研究生。

*基金項(xiàng)目：總裝預(yù)研基金(9140A01060113JB11012)

收稿日期：2015-10-15

文章編號(hào)：1673-3819(2016)02-0010-05

修回日期： 2015-11-11