国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

基于ELM_AdaBoost強預(yù)測器的空戰(zhàn)目標威脅評估

2018-07-27 03:09徐西蒙楊任農(nóng)
關(guān)鍵詞:空戰(zhàn)權(quán)值威脅

徐西蒙, 楊任農(nóng), 符 穎, 趙 雨

(空軍工程大學(xué)空管領(lǐng)航學(xué)院, 陜西 西安 710038)

0 引 言

空戰(zhàn)目標威脅評估是指在某一空戰(zhàn)環(huán)境中,根據(jù)對當前敵我態(tài)勢和戰(zhàn)場要素的感知推斷敵方目標對我方威脅程度的大小[1]。隨著空戰(zhàn)環(huán)境的日益復(fù)雜和空空導(dǎo)彈等精確制導(dǎo)武器殺傷性能的不斷提升,在空戰(zhàn)中對目標機進行準確、快速地威脅評估不僅是空戰(zhàn)態(tài)勢感知的重要任務(wù)和迫切需求[2],也是戰(zhàn)斗機進行目標分配、武器分配和戰(zhàn)術(shù)機動決策的前提和基礎(chǔ)[3]。

目前主流的目標威脅評估方法可以分為兩類[4]:模型化方法和數(shù)據(jù)化方法。模型化方法通常是對威脅評估的過程進行建模,再設(shè)定一些評估指標函數(shù)對目標的威脅程度進行量化[5]。常用的有模糊推理、D-S(Dempster-shafer)證據(jù)理論、貝葉斯推理和威脅指數(shù)法等。例如文獻[6]和文獻[7]通過構(gòu)建戰(zhàn)斗機威脅評估參數(shù)的隸屬度函數(shù),提出了一種基于模糊邏輯的目標威脅評估方法;文獻[8]針對不確定性條件,提出了一種基于云模型的目標威脅等級評估模型;文獻[9]利用貝葉斯推理網(wǎng)絡(luò)解決了目標威脅評估問題;文獻[10]針對目標威脅評估問題,提出了威脅指數(shù)法。其中,威脅指數(shù)法(又稱多屬性決策法)最具代表性,使用也最為廣泛。這類方法的優(yōu)點在于評估結(jié)果準確可靠,說服力強;而缺陷在于模型比較復(fù)雜、計算量大、算法運行時間較長,在實際應(yīng)用中不容易滿足評估的實時性需求。

數(shù)據(jù)化方法是將目標威脅評估問題等效為非線性多元函數(shù)的預(yù)測問題[11]。通常是設(shè)定一些評估參數(shù)作為輸入,以目標威脅程度作為輸出,然后利用空戰(zhàn)數(shù)據(jù)訓(xùn)練某種機器學(xué)習(xí)算法,對目標威脅程度值進行預(yù)測。例如文獻[12-14]提出采用神經(jīng)網(wǎng)絡(luò)及其改進算法進行目標威脅評估;文獻[15]提出采用回歸型支持向量機進行目標威脅評估。這類方法的優(yōu)點在于不需要對評估過程進行復(fù)雜的建模,而且機器學(xué)習(xí)算法經(jīng)過訓(xùn)練后可以挖掘出目標威脅程度和評估參數(shù)之間的內(nèi)在關(guān)系,使得評估過程的計算得到簡化,進而減少評估時間,顯著提高了評估的實時性;而缺陷在于所用的空戰(zhàn)數(shù)據(jù)都比較少,導(dǎo)致模型訓(xùn)練不夠充分、評估精度不能保證、評估結(jié)果說服力不強。

通過研究發(fā)現(xiàn),模型化方法可以保證評估的準確性,但不能保證評估的實時性;而數(shù)據(jù)化方法可以保證實時性,卻不能保證準確性。所以,尋找更好的目標威脅評估方法,使其具備較高準確性的同時又具備良好的實時性,是一個亟待解決的問題。

極限學(xué)習(xí)機(extreme learning machine,ELM)是一種單隱含層前饋神經(jīng)網(wǎng)絡(luò),與一般前饋型神經(jīng)網(wǎng)絡(luò)不同,其用求解線性方程組的方式替代傳統(tǒng)參數(shù)優(yōu)化的迭代過程,解得具有最小范數(shù)的最小二乘解作為輸出層網(wǎng)絡(luò)權(quán)值,使網(wǎng)絡(luò)訓(xùn)練可一次完成而無需迭代。而且網(wǎng)絡(luò)輸入權(quán)值和隱含層閾值隨機設(shè)定且在訓(xùn)練過程中無需調(diào)整,使得ELM算法的參數(shù)選擇比較簡單,可以克服傳統(tǒng)反向傳播(back propagation, BP)神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度慢、容易陷入局部極小值等缺點[16]。本文為了進一步提高算法的預(yù)測精度,借鑒了AdaBoost(adaptive Boosting)分類算法的思想,在ELM算法的基礎(chǔ)上提出了一種ELM_AdaBoost算法,構(gòu)造了ELM_AdaBoost強預(yù)測器。另外,針對傳統(tǒng)數(shù)據(jù)化方法所用空戰(zhàn)數(shù)據(jù)較少的問題,本文利用了空戰(zhàn)訓(xùn)練測量儀(air combat maneuvering instrument, ACMI)中的空戰(zhàn)數(shù)據(jù),并用威脅指數(shù)法構(gòu)造了目標威脅評估的樣本數(shù)據(jù)。其中,ACMI是一種空戰(zhàn)數(shù)據(jù)記錄設(shè)備,可以實時采集、傳輸并保存戰(zhàn)斗機的時間、位置、速度和姿態(tài)等數(shù)據(jù),可為空戰(zhàn)問題的研究提供大量客觀真實的數(shù)據(jù)[17]。

基于以上考慮,本文在利用ACMI空戰(zhàn)數(shù)據(jù)和威脅指數(shù)法的基礎(chǔ)上,提出了一種基于ELM_AdaBoost強預(yù)測器的空戰(zhàn)目標威脅評估新方法。該方法融合了傳統(tǒng)模型化方法和數(shù)據(jù)化方法的優(yōu)點,可以準確、快速地進行空戰(zhàn)目標威脅評估。

1 ELM算法

(1)

式中,wi=[wi1,wi2,…,win]為輸入節(jié)點和第i個隱含層節(jié)點之間的權(quán)值;βi為輸出節(jié)點和第i個隱含層節(jié)點之間的權(quán)值;bi為第i個隱含層節(jié)點的閾值。

(2)

其矩陣形式可以表示為

Hβ=T

(3)

H(w1,…,wL,b1,…,bL,x1,…,xN)=

(4)

式中,H為隱含層輸出矩陣,其第i列對應(yīng)第i個隱含層節(jié)點的輸出;β=[β1,β2,…,βL]T;T=[t1,t2,…,tN]T。

通過求解式(5)的最小二乘解來獲得輸出權(quán)值矩陣。

(5)

(6)

式中,H?為H的Moore-Penrose廣義逆。

綜上所述,ELM算法的基本步驟[19]如下:

步驟2隨機設(shè)定輸入層權(quán)值w和隱含層閾值β;

步驟3計算隱含層輸出矩陣H;

2 ELM_AdaBoost算法

AdaBoost分類算法是由Freund和Schapire于1995年在改進Boosting算法的基礎(chǔ)上提出的,其核心思想是合并多個弱分類器的輸出形成強分類器,以實現(xiàn)更加精確的分類[20]。本文為了提高ELM算法的預(yù)測精度,在借鑒強分類器設(shè)計原理的基礎(chǔ)上,將AdaBoost算法用于預(yù)測,選用ELM神經(jīng)網(wǎng)絡(luò)作為弱預(yù)測器,構(gòu)造了基于ELM_AdaBoost算法的強預(yù)測器。

基本方法是設(shè)定一個閾值φ,用訓(xùn)練樣本對ELM弱預(yù)測器進行訓(xùn)練,然后根據(jù)預(yù)測結(jié)果更新訓(xùn)練樣本的權(quán)值分布,預(yù)測誤差大于φ的樣本增大其權(quán)值,預(yù)測誤差小于φ的樣本降低其權(quán)值,這樣可以增加樣本間的區(qū)分度,使預(yù)測誤差較大的樣本更加突出,在下一輪迭代中得到更多關(guān)注。保持訓(xùn)練樣本數(shù)量不變,在新的權(quán)值分布下再次對ELM弱預(yù)測器進行訓(xùn)練,依此類推,訓(xùn)練M輪得到M個弱預(yù)測函數(shù),給每個函數(shù)賦予一個權(quán)值,預(yù)測結(jié)果越好的對應(yīng)權(quán)值越大,最終的強預(yù)測函數(shù)由弱預(yù)測函數(shù)加權(quán)得到。ELM_AdaBoost算法的具體步驟如下:

步驟2初始化訓(xùn)練樣本的分布權(quán)值D0(j)=1/N,j=1,2,…,N,設(shè)定初始預(yù)測誤差閾值φ0和初始預(yù)測誤差和e0;

步驟3訓(xùn)練ELM弱預(yù)測器。訓(xùn)練第1個弱預(yù)測器時,用訓(xùn)練樣本訓(xùn)練ELM神經(jīng)網(wǎng)絡(luò)并預(yù)測訓(xùn)練輸出,得到預(yù)測序列h(1)的預(yù)測誤差和e1。誤差和e1的計算公式為

e1=∑D0(j),j:|h1(xj)-tj|>φ0

(7)

式中,h1(xj)為訓(xùn)練樣本xj的預(yù)測值;tj為真實值。

步驟4更新訓(xùn)練樣本權(quán)值。更新第2輪訓(xùn)練樣本的權(quán)值,更新公式為

(8)

式中,B0是歸一化因子,目的是在權(quán)值比例不變的情況下使分布權(quán)值和為1。

步驟5更新預(yù)測誤差閾值。根據(jù)預(yù)測誤差和自適應(yīng)地更新預(yù)測誤差閾值φ,更新公式為

(9)

這種方法的作用是隨著預(yù)測誤差的增大或減小,閾值φ也相應(yīng)地增大或減小,使預(yù)測誤差較大的樣本在下一輪訓(xùn)練中可以獲得更大的權(quán)值,預(yù)測器可以更加關(guān)注這些樣本,進一步提高訓(xùn)練精度。

步驟6構(gòu)造強預(yù)測函數(shù)。按照以上流程依次訓(xùn)練M輪,得到M組弱預(yù)測函數(shù)fi(x)(i=1,2,…,M),進而加權(quán)疊加得到強預(yù)測函數(shù)為

(10)

3 基于ELM_AdaBoost強預(yù)測器的目標威脅評估

3.1 威脅評估指標的確定

以一對一空戰(zhàn)為例,雙機態(tài)勢如圖1所示[21]。選取飛機坐標系OXYZ,以飛機質(zhì)心為原點O;以機體縱軸為X軸,指向機頭方向為正;以機體所在對稱面垂直機體縱軸方向為Z軸,豎直向下方向為正;Y軸按照右手定則確定。其中,F和T分別代表我機和目標機,目標線FT是指我機到目標機的連線;R為相對距離;H為相對高度,規(guī)定為目標機高度值與我機高度值之差;VF和VT分別代表我機和目標機的速度矢量;φF為我機方位角;qT為目標機進入角;方位角與進入角的方向一致規(guī)定右偏為正,左偏為負,取值范圍[-180°,180°]。

圖1 雙機空戰(zhàn)態(tài)勢圖Fig.1 Dual air combat situation map

在瞬息萬變的空戰(zhàn)環(huán)境中,對目標機進行威脅評估需要考慮多方面的因素,例如天氣、戰(zhàn)場環(huán)境、敵我態(tài)勢、武器性能、電子干擾等。因此,目標威脅評估是一個復(fù)雜的、非線性的多屬性決策問題。本文為了將目標機對我機的威脅程度進行量化,選取了空戰(zhàn)態(tài)勢威脅指數(shù)和空戰(zhàn)能力威脅指數(shù)兩項指標。其中,空戰(zhàn)態(tài)勢威脅指數(shù)又包括角度威脅指數(shù)、速度威脅指數(shù)、高度威脅指數(shù)和距離威脅指數(shù)[22]。

(1) 角度威脅指數(shù)TA

(11)

(2) 速度威脅指數(shù)TV

(12)

(3) 高度威脅指數(shù)TH

(13)

(4) 距離威脅指數(shù)TR

計算目標機的距離威脅指數(shù)時,需要考慮敵我雙方的機載雷達探測距離和空空導(dǎo)彈射程。本文用RrF和RrT分別代表我機和目標機的機載雷達最大探測距離,用RmF和RmT分別代表我機和目標機掛載空空導(dǎo)彈的最大射程。然后,分4種情況進行討論:

①RrT,RrF,RmT>RmF

(14)

②RrF>RrT,RmT>RmF

(15)

③RrT>RrF,RmF>RmT

(16)

④RrF>RrT,RmF>RmT

(17)

(5) 空戰(zhàn)能力威脅指數(shù)TC

由文獻[23]可知,一般情況下戰(zhàn)斗機的空戰(zhàn)能力參數(shù)主要有7個,分別為機動性能、火力性能、探測性能、操縱性能、生存性能、航程系數(shù)和電子對抗性能,本文用ε1~ε7分別代表這7個參數(shù)??諔?zhàn)能力威脅指數(shù)TC可以表示為

TC=[lnε1+ln(∑ε2+1)+ln(∑ε3+1)]ε4ε5ε6ε7

(18)

由威脅指數(shù)法可知,目標機的威脅程度值T可以表示為各威脅指數(shù)的加權(quán)求和,即T=ωATA+ωVTV+ωHTH+ωRTR+ωCTC,其中,ω=(ωA,ωV,ωH,ωR,ωC)為5個威脅指數(shù)的權(quán)重。

確定了威脅評估指標后,本文采用模糊層次分析法得到各威脅指數(shù)的權(quán)重為ω=(0.16,0.14,0.17,0.23,0.30),具體計算方法參考文獻[24],這里不再詳述。

3.2 目標威脅評估樣本數(shù)據(jù)的構(gòu)造

本文在ACMI中選取了一段一對一空戰(zhàn)數(shù)據(jù),時長84 s,采樣間隔0.25 s,共計336組數(shù)據(jù)。在慣性坐標系中繪制這一空戰(zhàn)過程的雙機軌跡,如圖2所示,其中,假定藍機代表我機,紅機代表目標機。

這些數(shù)據(jù)中,每組都包含我機和目標機的機型、姿態(tài)、位置、速度和時間等參數(shù)。利用這些參數(shù)可以計算得到雙機的空戰(zhàn)態(tài)勢參數(shù)。然后利用式(11)~式(18)可以計算出威脅指數(shù)TA,TV,TH,TR和TC,再結(jié)合各威脅指數(shù)的權(quán)重,就可以計算出每組數(shù)據(jù)中目標機對我機的威脅程度值T。由此,可以得到以空戰(zhàn)態(tài)勢參數(shù)R,H,VF,VT,φF和qT為輸入,目標威脅程度值T為輸出的336組新數(shù)據(jù),將這些數(shù)據(jù)作為目標威脅評估的樣本數(shù)據(jù)。

1.8 蛋白質(zhì)印跡分析 收集細胞,用含蛋白酶抑制劑的 RIPA 細胞裂解液裂解,提取蛋白并定量。取 40 μL 總蛋白進行十二烷基硫酸鈉-聚丙烯酰胺凝膠電泳,轉(zhuǎn)膜后以 5% 脫脂牛奶溶液封閉 1 h,加入一抗于 4 ℃ 下孵育過夜,再加入二抗常溫孵育 1 h。用 TBST 洗膜 3 次,每次 10 min。曝光,以內(nèi)參 β-actin 為標準分析目的蛋白的相對表達量。

圖2 空戰(zhàn)數(shù)據(jù)軌跡圖Fig.2 Track chart of air combat data

3.3 目標威脅評估模型

根據(jù)樣本數(shù)據(jù)的輸入和輸出維數(shù),可以確定ELM網(wǎng)絡(luò)的輸入層節(jié)點數(shù)為6,輸出層節(jié)點數(shù)為1。然后,選取一定的訓(xùn)練樣本對ELM弱預(yù)測器進行M輪訓(xùn)練,構(gòu)造ELM_AdaBoost強預(yù)測器;再選取一定的測試樣本,并利用強預(yù)測器進行目標威脅評估的仿真。這一方法的模型如圖3所示。

由樣本數(shù)據(jù)的構(gòu)造過程和目標威脅評估模型可以看出,本文提出的方法是一種建立在威脅指數(shù)法基礎(chǔ)上的數(shù)據(jù)化方法,但相比威脅指數(shù)法和傳統(tǒng)數(shù)據(jù)化方法有了很大的改進。

威脅指數(shù)法作為典型的模型化方法,在進行目標威脅評估時,需要先利用當前獲取的態(tài)勢參數(shù)計算相應(yīng)的威脅指數(shù),再利用威脅指數(shù)計算目標機的威脅程度值;而ELM_AdaBoost強預(yù)測器經(jīng)過訓(xùn)練后,可以把當前獲取的態(tài)勢參數(shù)作為輸入,直接計算輸出目標機的威脅程度值。因此,該方法可以簡化目標威脅評估的計算過程,減少評估所用時間,進而提高了評估的效率和實時性。

傳統(tǒng)數(shù)據(jù)化方法用于訓(xùn)練算法模型的樣本數(shù)據(jù)數(shù)量很少,而且數(shù)據(jù)中目標的威脅程度值通常是利用一些比較簡單的量化方法計算得到的,這樣以來樣本數(shù)據(jù)的可信度也不夠高,導(dǎo)致模型訓(xùn)練不夠充分,預(yù)測精度也比較低,評估結(jié)果說服力不強。而本文在ACMI中選取空戰(zhàn)數(shù)據(jù),并利用威脅指數(shù)法計算數(shù)據(jù)中目標的威脅程度值,這樣既增加了樣本數(shù)據(jù)的數(shù)量,也提高了樣本數(shù)據(jù)的質(zhì)量,使得算法模型得到很好地訓(xùn)練,保證了評估的準確性。

圖3 目標威脅評估模型Fig.3 Target threat assessment model

4 仿真實驗與分析

4.1 實驗設(shè)置

根據(jù)圖3所示模型進行空戰(zhàn)目標威脅評估的仿真,將336組樣本數(shù)據(jù)劃分為訓(xùn)練樣本和測試樣本,其中,前236組數(shù)據(jù)作為訓(xùn)練樣本,剩余100組數(shù)據(jù)作為測試樣本。

另外,為了獲取預(yù)測精度較好的ELM_AdaBoost強預(yù)測器,需要對ELM弱預(yù)測器的隱含層節(jié)點數(shù)L和弱預(yù)測器個數(shù)M進行選擇。為此,本文將100組測試樣本分為兩部分,分別設(shè)定為測試樣本1和測試樣本2,且樣本數(shù)都為50。測試樣本1用于進行測試實驗,以確定參數(shù)L和M;測試樣本2用于對最終獲得的強預(yù)測器進行測試,以觀察其進行目標威脅評估的效果。與圖2對應(yīng)的各部分樣本的空戰(zhàn)階段劃分情況如圖4所示。

圖4 樣本空戰(zhàn)階段劃分Fig.4 Air combat division of the samples

樣本劃分后,為了避免各參數(shù)取值范圍差異較大帶來的預(yù)測誤差,對所有數(shù)據(jù)進行歸一化處理。仿真實驗在PC上進行,運行環(huán)境為:Intel(R) Core(TM) i5-4590 3.3 GHz處理器,4 GB內(nèi)存,Win7 32位操作系統(tǒng),運行平臺為Matlab 2010a。為了使實驗更具說服力,以下各仿真結(jié)果均為30次計算的平均值。

4.2 ELM網(wǎng)絡(luò)隱含層節(jié)點數(shù)設(shè)定

ELM神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點數(shù)對網(wǎng)絡(luò)的預(yù)測精度有較大影響。如果隱含層節(jié)點數(shù)過少,ELM網(wǎng)絡(luò)不能很好地學(xué)習(xí),預(yù)測誤差較大;如果節(jié)點數(shù)過多,網(wǎng)絡(luò)訓(xùn)練時間增加,而且容易出現(xiàn)過擬合的現(xiàn)象[25]。在實際應(yīng)用中,最佳的隱含層節(jié)點數(shù)通常用測試實驗的方法確定[26]。由Kolmogorov定理可知[27],對于單隱含層神經(jīng)網(wǎng)絡(luò)而言,若輸入層節(jié)點數(shù)為,則隱含層節(jié)點數(shù)至少應(yīng)設(shè)定為。為了兼顧網(wǎng)絡(luò)的性能與訓(xùn)練成本,本文采用測試實驗的方法,利用測試樣本1在[13,30]區(qū)間內(nèi)尋找可以使ELM網(wǎng)絡(luò)預(yù)測精度相對較好的隱含層節(jié)點數(shù)L。

(19)

圖5 隱含層節(jié)點數(shù)測試結(jié)果Fig.5 Testing results of the hidden layer nodes

由圖5可以看出,在該區(qū)間內(nèi),當隱含層節(jié)點數(shù)為18時,ELM網(wǎng)絡(luò)具有相對較好的預(yù)測精度。因此,在進行ELM弱預(yù)測器的訓(xùn)練時,設(shè)定隱含層節(jié)點數(shù)L=18。

4.3 ELM弱預(yù)測器個數(shù)設(shè)定

ELM_AdaBoost強預(yù)測器是由若干個ELM弱預(yù)測器疊加而成的,而弱預(yù)測器的個數(shù)同樣對強預(yù)測器的預(yù)測精度有較大影響。如果弱預(yù)測器個數(shù)過少,則強預(yù)測器的泛化能力不會有明顯的提高;如果個數(shù)過多,不僅會增加訓(xùn)練成本,也容易出現(xiàn)過擬合的現(xiàn)象。因此,本文為了構(gòu)造預(yù)測精度較好的強預(yù)測器,且不耗費過大的訓(xùn)練成本,同樣采用測試實驗的方法,在[6,20]區(qū)間內(nèi)尋找使ELM_AdaBoost強預(yù)測器預(yù)測精度相對較好的弱預(yù)測器個數(shù)M。

測試實驗中,ELM弱預(yù)測器的參數(shù)設(shè)定同第4.2節(jié),另外,設(shè)定初始預(yù)測誤差閾值φ0=0.1,初始預(yù)測誤差和e0=1。然后,在不同的弱預(yù)測器個數(shù)下,用訓(xùn)練樣本訓(xùn)練ELM_AdaBoost強預(yù)測器,并對測試樣本1進行預(yù)測,輸出預(yù)測MSE。實驗結(jié)果如圖6所示。

圖6 弱預(yù)測器個數(shù)測試結(jié)果Fig.6 Testing results of the weaker predictor numbers

由圖6可以看出,在本文實驗條件下,ELM_AdaBoost強預(yù)測器的預(yù)測精度與弱預(yù)測器個數(shù)并沒有直接的線性關(guān)系,即并不是弱預(yù)測器個數(shù)越多,預(yù)測精度越好,這與實際情況相符。在該區(qū)間內(nèi),當弱預(yù)測器個數(shù)為15時,強預(yù)測器具有相對較好的預(yù)測精度。因此,在進行ELM_AdaBoost強預(yù)測器的訓(xùn)練時,設(shè)定ELM弱預(yù)測器個數(shù)M=15。

4.4 目標威脅評估精度分析

在上述參數(shù)設(shè)定下,利用測試樣本2分別對BP神經(jīng)網(wǎng)絡(luò)、ELM弱預(yù)測器和ELM_AdaBoost強預(yù)測器的評估精度進行測試,其中,BP網(wǎng)絡(luò)的隱含層節(jié)點數(shù)也設(shè)定為18。實驗結(jié)果如圖7和圖8所示。

圖7 測試樣本2評估結(jié)果Fig.7 Assessment results of test sample 2

圖8 測試樣本2預(yù)測誤差Fig.8 Prediction error of test sample 2

由圖7和圖8可以看出,在3種算法中,ELM_AdaBoost強預(yù)測器的評估效果最好,預(yù)測誤差最小,不超過0.02,而另外兩種算法預(yù)測誤差相對較大,評估效果不夠理想;ELM弱預(yù)測器的預(yù)測精度相比于BP神經(jīng)網(wǎng)絡(luò)并沒有明顯差別,而構(gòu)造的ELM_AdaBoost強預(yù)測器在預(yù)測精度上有明顯提升,可以對目標威脅程度值進行準確地評估。

4.5 目標威脅評估實時性分析

利用測試樣本2分別計算BP神經(jīng)網(wǎng)絡(luò)、ELM弱預(yù)測器和ELM_AdaBoost強預(yù)測器3種算法在不同評估次數(shù)下的運行時間,并與威脅指數(shù)法進行比較,實驗結(jié)果如圖9所示。

圖9 各算法運行時間Fig.9 Elapsed time of the algorithms

由圖9可以看出,在一定評估次數(shù)下,各算法運行時間的排序為ELM弱預(yù)測器<威脅指數(shù)法

對于威脅指數(shù)法,模型不需要訓(xùn)練,算法的運行時間就是對樣本的評估時間。但是對于3種神經(jīng)網(wǎng)絡(luò)而言,算法運行時間中除了對樣本的評估時間外,還包含了模型的訓(xùn)練時間,而且由圖9可以看出評估次數(shù)的變化對運行時間的影響很小,說明模型訓(xùn)練時間在運行時間中的比重很大,評估時間的比重卻很小。由于本文所用神經(jīng)網(wǎng)絡(luò)算法可以經(jīng)過離線訓(xùn)練后再使用,所以模型的訓(xùn)練時間長短并不影響后續(xù)評估的進行。因此,本文以評估時間為指標比較了BP神經(jīng)網(wǎng)絡(luò)、ELM弱預(yù)測器和ELM_AdaBoost強預(yù)測器進行目標威脅評估的實時性,實驗結(jié)果如圖10所示。

由圖10(a)可以看出,隨著評估次數(shù)的增加, BP神經(jīng)網(wǎng)絡(luò)、ELM弱預(yù)測器和ELM_AdaBoost強預(yù)測器的評估時間都很短且變化不大,這也說明了算法的運行時間中大部分都是模型的訓(xùn)練時間,而用訓(xùn)練好的模型進行評估的時間很短;由圖10(b)可以看出,在一定評估次數(shù)下,3種神經(jīng)網(wǎng)絡(luò)算法的評估時間都明顯小于威脅指數(shù)法,說明本文所用方法可以顯著提高評估的效率和實時性。

圖10 各算法評估時間Fig.10 Assessment time of the algorithms

5 結(jié) 論

針對傳統(tǒng)空戰(zhàn)目標威脅評估方法的不足,提出了基于ELM_AdaBoost強預(yù)測器的空戰(zhàn)目標威脅評估新方法:

(1)在ELM算法的基礎(chǔ)上進行改進,提出了ELM_AdaBoost算法,通過ELM弱預(yù)測器的訓(xùn)練構(gòu)造了ELM_AdaBoost強預(yù)測器,提高了模型的預(yù)測精度;

(2)選取ACMI中的空戰(zhàn)數(shù)據(jù)并利用威脅指數(shù)法構(gòu)造樣本數(shù)據(jù),拓展了數(shù)據(jù)選擇的范圍和數(shù)量也保證了數(shù)據(jù)的質(zhì)量,克服了傳統(tǒng)數(shù)據(jù)化目標威脅評估方法樣本數(shù)據(jù)過少、模型訓(xùn)練不充分、評估結(jié)果說服力不強的缺陷;

(3)進行了目標威脅評估的精度分析和實時性分析,仿真結(jié)果表明ELM_AdaBoost強預(yù)測器的預(yù)測精度較高,且模型訓(xùn)練后進行評估所用的時間很短;

(4) 與傳統(tǒng)方法相比,本文提出的方法兼具了準確性和實時性的優(yōu)點,可以準確、快速地進行空戰(zhàn)目標威脅評估。

猜你喜歡
空戰(zhàn)權(quán)值威脅
一種融合時間權(quán)值和用戶行為序列的電影推薦模型
最強空戰(zhàn)王
CONTENTS
人類的威脅
基于MATLAB的LTE智能天線廣播波束仿真與權(quán)值優(yōu)化
受到威脅的生命
空戰(zhàn)之城
基于權(quán)值動量的RBM加速學(xué)習(xí)算法研究
“85:0”的敘以空戰(zhàn)
搞笑圖片
五指山市| 林口县| 鲜城| 临清市| 邳州市| 栾城县| 思茅市| 湘潭县| 互助| 松原市| 页游| 古田县| 勐海县| 彰武县| 延津县| 高要市| 衡东县| 项城市| 江门市| 明溪县| 锡林浩特市| 灵宝市| 绥中县| 澳门| 荆门市| 望江县| 仙居县| 滦南县| 合江县| 新巴尔虎右旗| 雷波县| 广平县| 惠来县| 嘉黎县| 利津县| 商南县| 万全县| 广宗县| 城步| 新田县| 庆元县|