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

?

無人系統(tǒng)集群作戰(zhàn)對抗過程中的態(tài)勢理解*

2022-09-14 08:22劉清平
火力與指揮控制 2022年7期
關(guān)鍵詞:學(xué)習(xí)機(jī)群組敵方

張 佳,劉清平,辛 斌

(北京理工大學(xué),北京 100081)

0 引言

態(tài)勢理解在指揮控制與決策、智慧交通、網(wǎng)絡(luò)安全等諸多領(lǐng)域具有廣泛用途,最早用于研究飛行員對當(dāng)前飛行狀態(tài)的認(rèn)知和理解,被定義為飛行員對某一關(guān)注區(qū)域的理解和認(rèn)識。美國國防部實(shí)驗(yàn)室聯(lián)席理事會將態(tài)勢評估描述為:態(tài)勢評估是基于戰(zhàn)場初級數(shù)據(jù)的融合,將觀測到的敵方兵力構(gòu)成、分布及戰(zhàn)斗活動等與戰(zhàn)場環(huán)境、敵作戰(zhàn)意圖和動機(jī)等有效聯(lián)系在一起,估算敵軍作戰(zhàn)模式,預(yù)測作戰(zhàn)意圖,在關(guān)鍵作戰(zhàn)時(shí)刻作出有效預(yù)測,最終形成一張反映敵我雙方作戰(zhàn)情形的綜合態(tài)勢圖,為指揮員高效決策提供強(qiáng)有力的支持。

指揮決策的基本過程是OODA 循環(huán)模型,其中,觀察態(tài)勢和判斷理解即態(tài)勢理解。全面、高水平的態(tài)勢理解是幫助決策者實(shí)現(xiàn)高效決策的前提。在有人/無人平臺協(xié)同作戰(zhàn)過程中,快速準(zhǔn)確的態(tài)勢理解能為提升指揮決策的速度和精準(zhǔn)度提供智能輔助決策支持,實(shí)現(xiàn)人機(jī)高效協(xié)同作戰(zhàn)。同時(shí),在無人系統(tǒng)集群作戰(zhàn)過程中,態(tài)勢理解能大幅提高無人系統(tǒng)的自主性和智能化水平,為指揮信息系統(tǒng)的設(shè)計(jì)、作戰(zhàn)計(jì)劃的制定提供參考依據(jù)。

早期的態(tài)勢理解應(yīng)用產(chǎn)生式規(guī)則,但無法解決診斷性推理問題。文獻(xiàn)[9]用貝葉斯網(wǎng)絡(luò)建立態(tài)勢理解的計(jì)算推理模型,利用變量之間的條件獨(dú)立關(guān)系,減少了表示一組隨機(jī)變量的聯(lián)合概率分布所需的參數(shù)。文獻(xiàn)[10]利用模糊推理方法建立態(tài)勢理解計(jì)算模型,建立和設(shè)計(jì)規(guī)則庫和模糊推理方法。文獻(xiàn)[11]基于案例推理方法,將多個(gè)軍事實(shí)體在不同層次上與案例庫進(jìn)行比對,構(gòu)造對戰(zhàn)場態(tài)勢分析、推理的模型。文獻(xiàn)[12]利用D-S 合成法則將態(tài)勢的影響進(jìn)行綜合,得到態(tài)勢理解的結(jié)果,但該方法需保證態(tài)勢要素獨(dú)立。文獻(xiàn)[13]用神經(jīng)網(wǎng)絡(luò)建立態(tài)勢理解計(jì)算模型,解決了模糊推理方法中知識表示和推理方法不一致、時(shí)空推理能力不足等問題,適用于具有高度非線性、不確定性、涌現(xiàn)性等復(fù)雜性特征的聯(lián)合作戰(zhàn)體系。

無人系統(tǒng)作戰(zhàn)具有實(shí)時(shí)對抗、非完全信息博弈、不確定性大、群體協(xié)作、高動態(tài)等特點(diǎn)。傳統(tǒng)基于專家經(jīng)驗(yàn)或認(rèn)知的指揮模式無法有效應(yīng)對瞬息萬變的戰(zhàn)場態(tài)勢和海量數(shù)據(jù),準(zhǔn)確快速地把握戰(zhàn)略、戰(zhàn)役層面的戰(zhàn)場態(tài)勢是當(dāng)前的難題。本文以無人系統(tǒng)集群為研究對象,針對作戰(zhàn)對抗過程中的態(tài)勢理解開展研究,設(shè)計(jì)了一種層次型態(tài)勢理解框架以提高態(tài)勢理解的效率和準(zhǔn)確性,針對每層信息的數(shù)據(jù)特點(diǎn),分別應(yīng)用極限學(xué)習(xí)機(jī)算法和K 均值聚類算法,實(shí)現(xiàn)對戰(zhàn)場態(tài)勢的深入挖掘。

1 多智能體系統(tǒng)的態(tài)勢理解

1.1 層次型態(tài)勢理解框架

本文構(gòu)建的針對無人系統(tǒng)集群作戰(zhàn)的多層態(tài)勢理解框架如圖1 所示。戰(zhàn)場作戰(zhàn)對抗的態(tài)勢分為個(gè)體、群組和整體3 個(gè)層次,各層信息分別表示個(gè)體威脅信息、群組態(tài)勢信息以及整體態(tài)勢信息。個(gè)體威脅信息是針對敵方個(gè)體信息進(jìn)行的威脅評估;群組態(tài)勢信息是在動態(tài)劃分?jǐn)撤饺航M的基礎(chǔ)上,考慮各個(gè)群組成員的威脅信息和其他群組特征信息,得到敵方各作戰(zhàn)群組的態(tài)勢信息;總體態(tài)勢信息由所有的群組態(tài)勢信息組成,體現(xiàn)為總體態(tài)勢圖的形式。群組層次比個(gè)體層次涉及的敵方單位數(shù)量更多,需要處理的數(shù)據(jù)量大幅增加,數(shù)據(jù)具有復(fù)雜且高度耦合的特點(diǎn)。因此,層次型態(tài)勢理解框架是對復(fù)雜戰(zhàn)場數(shù)據(jù)進(jìn)行不同層次的融合,低層級的融合數(shù)據(jù)作為高層級數(shù)據(jù)融合的輸入,最終得到多層次的戰(zhàn)場態(tài)勢信息。

圖1 層次型態(tài)勢理解框架

1.2 態(tài)勢理解算法

1.2.1 個(gè)體威脅評估

個(gè)體威脅評估利用各平臺傳感器采集的數(shù)據(jù)對敵方個(gè)體單位進(jìn)行威脅評估,以獲取敵方的威脅信息。無人系統(tǒng)集群作戰(zhàn)平臺的個(gè)體威脅評估具有多源輸入的特點(diǎn),本文采用基于神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行實(shí)時(shí)威脅評估。個(gè)體威脅評估輸入信息包括敵方信息和我方信息,其中,敵方信息包括反映敵方作戰(zhàn)能力和敵方作戰(zhàn)意圖的信息,如圖2 所示。輸出為敵方單位的威脅程度,分為無威脅、威脅低、威脅中和威脅大4 個(gè)等級。

圖2 個(gè)體威脅評估的輸入模型

黃廣斌教授提出的非迭代訓(xùn)練方法減少了單隱層神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間,并提升了網(wǎng)絡(luò)泛化能力。極限學(xué)習(xí)機(jī)可從訓(xùn)練樣本中擬合出復(fù)雜的映射關(guān)系,具有學(xué)習(xí)速度快、泛化能力好、數(shù)據(jù)擬合效果好、能直接構(gòu)建單隱藏層反饋神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)。因此,本文采用極限學(xué)習(xí)機(jī)作為個(gè)體威脅評估的推理算法。

極限學(xué)習(xí)機(jī)的學(xué)習(xí)目標(biāo)是通過最小化預(yù)測誤差損失函數(shù)之和求解輸出權(quán)重β,目標(biāo)函數(shù)為:

式(1)第1 項(xiàng)是防止參數(shù)過擬合的正則項(xiàng),C 為預(yù)測誤差項(xiàng)的懲罰系數(shù)。求解該目標(biāo)函數(shù)可視為最小二乘優(yōu)化問題,令目標(biāo)函數(shù)對于β 的梯度為零:

根據(jù)Moore-Penrose 廣義逆矩陣,可求β 的最優(yōu)解。當(dāng)訓(xùn)練樣本數(shù)量n 和隱含層神經(jīng)元個(gè)數(shù)L 大小不同時(shí),求解存在兩種情況:

其中,I和I分別表示L 維和n 維的單位矩陣。當(dāng)計(jì)算出β時(shí),完成對極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)的訓(xùn)練。對于一個(gè)標(biāo)簽未知的測試樣本x,可用式(4)預(yù)測其標(biāo)簽y。

其次,線路傳輸方面減少損耗。在線路傳輸中,導(dǎo)線的長度、材質(zhì)、粗細(xì)度等都會對傳輸功率產(chǎn)生直接的影響。因此在線路的設(shè)計(jì)上,要盡量避免線路過長的現(xiàn)象,以免造成電力資源的浪費(fèi);在線路的選擇上,宜選擇電阻低、性質(zhì)穩(wěn)定的導(dǎo)線,來節(jié)省電力資源。

構(gòu)建如圖3 所示的網(wǎng)絡(luò)結(jié)構(gòu)。輸入層節(jié)點(diǎn)個(gè)數(shù)為6,隱含層節(jié)點(diǎn)個(gè)數(shù)選取訓(xùn)練結(jié)果的最佳值,輸出層節(jié)點(diǎn)個(gè)數(shù)為1,隱含層神經(jīng)元閾值為a,輸出神經(jīng)元閾值為b,輸入層到隱含層的輸入權(quán)重為W,隱含層到輸出層的輸入權(quán)重為β。激活函數(shù)選用Sigmoid 函數(shù)。

圖3 個(gè)體威脅評估的極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)結(jié)構(gòu)

個(gè)體威脅評估的流程如圖4 所示。

圖4 個(gè)體威脅評估流程圖

1.2.2 群組態(tài)勢理解

在戰(zhàn)場環(huán)境中,敵方目標(biāo)往往集群協(xié)同作戰(zhàn)。在獲得敵方每個(gè)單位的威脅信息后,需對多智能體系統(tǒng)探測到的戰(zhàn)場數(shù)據(jù)進(jìn)行處理,進(jìn)而劃分?jǐn)撤饺航M,最終得到全局態(tài)勢分析。

基于敵方單位的位置和朝向角信息,應(yīng)用K 均值聚類算法對敵方進(jìn)行群組劃分。位置信息用經(jīng)緯度坐標(biāo)表示,記為(x,y),朝向角記作α。敵方第i 個(gè)單位和第j 個(gè)單位的相似性距離表示為d。

1)在樣本中隨機(jī)選取K 個(gè)樣本點(diǎn),構(gòu)建K 個(gè)初始群組和聚類中心;

3)重復(fù)步驟2),直至新的質(zhì)心與原質(zhì)心相等或小于指定閾值,完成分類。

在該聚類準(zhǔn)則的指引下,距離和朝向相近的敵方單位被劃分到同一群組中??紤]群組成員的分布密度、朝向一致性、威脅度以及到我方作戰(zhàn)群的距離等指標(biāo),對每個(gè)群組對象進(jìn)行態(tài)勢分析。第i 組群組成員的分布密度D定義為該群組內(nèi)的成員數(shù)量N/敵方總成員數(shù)量N 的比值,則

得到群組的各參數(shù)后,對各參數(shù)值進(jìn)行歸一化處理,作為最終輸入到極限學(xué)習(xí)機(jī)中的參數(shù)值。群組態(tài)勢理解的輸入包括分布密度、朝向一致性、威脅度和距離;輸出分為敵方正在進(jìn)行偵察任務(wù)和敵方意圖進(jìn)攻我方兩類,是一個(gè)二分類問題,網(wǎng)絡(luò)結(jié)構(gòu)如圖5 所示。輸入層的輸入節(jié)點(diǎn)個(gè)數(shù)為4,輸出層的節(jié)點(diǎn)個(gè)數(shù)為1,激活函數(shù)為Sigmoid 函數(shù)。

圖5 群組態(tài)勢理解的極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)結(jié)構(gòu)

在AnyLogic 軟件中半自動生成樣本,搭建敵我交火場景。記錄每個(gè)場景的模型輸入和輸出信息,將上述數(shù)據(jù)做歸一化處理后,把生成的樣本隨機(jī)分成訓(xùn)練樣本和測試樣本。群組態(tài)勢理解的過程如圖6 所示。

圖6 群組態(tài)勢理解流程圖

2 仿真驗(yàn)證

2.1 個(gè)體威脅評估算法的仿真驗(yàn)證

為驗(yàn)證個(gè)體威脅評估算法的有效性,本文隨機(jī)選定作戰(zhàn)情形并用定性分析方法進(jìn)行驗(yàn)證。戰(zhàn)場大小為10 km×6 km,考慮河流等障礙物。我方在戰(zhàn)場中用紅色表示,由15 輛坦克組成,每個(gè)成員都具有偵察和打擊能力,但探測打擊范圍和打擊能力各不相同。敵方在戰(zhàn)場中用藍(lán)色表示,由坦克、無人機(jī)、偵察車和反坦克導(dǎo)彈車組成,共計(jì)12 個(gè)。偵察車不具備打擊能力,無人機(jī)和反坦克導(dǎo)彈車對我方坦克形成克制關(guān)系。

在作戰(zhàn)場景中采集戰(zhàn)場數(shù)據(jù),計(jì)算得到個(gè)體威脅評估的結(jié)果如下頁圖7 所示。

圖7 威脅度值

圖7 中,敵導(dǎo)彈車0、敵坦克2、敵坦克4 的威脅度都較高。對應(yīng)在場景圖圖8 中,敵方坦克2 離我方坦克7 的距離相對較近,且朝向角指向我方單位;敵方坦克4 距離我方坦克較近,但朝向角偏離我方單位,計(jì)算可知此時(shí)坦克2 比坦克4 的威脅度高。導(dǎo)彈車雖然距離我方單位相對較遠(yuǎn),但其打擊能力相對坦克車強(qiáng),所以導(dǎo)彈車的威脅值也較高。

圖8 個(gè)體威脅評估仿真場景圖

如此經(jīng)過100 次實(shí)驗(yàn)證明,個(gè)體威脅評估算法能有效對各敵方個(gè)體進(jìn)行快速、實(shí)時(shí)的威脅評估,為準(zhǔn)確進(jìn)行態(tài)勢理解提供基礎(chǔ)。

2.2 聚類算法的仿真驗(yàn)證

在隨機(jī)生成的作戰(zhàn)場景中驗(yàn)證聚類劃分效果。任務(wù)場景如圖9 所示,敵方單位被劃分為3 個(gè)作戰(zhàn)群(藍(lán)色圈),分布在戰(zhàn)場的左、中和右部,劃分結(jié)果符合作戰(zhàn)情形。實(shí)驗(yàn)證明,聚類算法可以有效對敵方各單位進(jìn)行戰(zhàn)斗群組劃分。

圖9 群組劃分仿真場景

2.3 群組態(tài)勢理解算法驗(yàn)證

本文將BP 神經(jīng)網(wǎng)絡(luò)與極限學(xué)習(xí)機(jī)算法進(jìn)行對比,采用相同的訓(xùn)練樣本和測試樣本訓(xùn)練并測試算法模型,訓(xùn)練樣本量N為1 000 個(gè),測試樣本數(shù)量N為200 個(gè)。極限學(xué)習(xí)機(jī)的隱層神經(jīng)元個(gè)數(shù)經(jīng)多次實(shí)驗(yàn)設(shè)定為500;依據(jù)Kolmogorov 經(jīng)驗(yàn)公式和多次實(shí)驗(yàn),BP 神經(jīng)網(wǎng)絡(luò)的隱層神經(jīng)元個(gè)數(shù)設(shè)定為10,學(xué)習(xí)率為0.2,訓(xùn)練目標(biāo)為均方誤差mse≤0.01。

表1 兩種態(tài)勢理解算法樣本訓(xùn)練和測試結(jié)果

群組態(tài)勢理解的仿真任務(wù)場景如圖10 所示,敵方單位被劃分為3 個(gè)作戰(zhàn)群(藍(lán)色圈)。左起第1個(gè)作戰(zhàn)群有6 個(gè)作戰(zhàn)單元,包括坦克和無人機(jī),對我方作戰(zhàn)單元形成包圍局勢。群組態(tài)勢理解輸出結(jié)果為該群組意圖進(jìn)攻我方。左起第2 個(gè)和第3 個(gè)作戰(zhàn)群距我方作戰(zhàn)群較遠(yuǎn),輸出結(jié)果為進(jìn)行偵察活動。群組態(tài)勢理解結(jié)果均符合作戰(zhàn)情形。

圖10 群組態(tài)勢理解仿真場景

實(shí)驗(yàn)證明,群組態(tài)勢理解能有效識別敵方作戰(zhàn)群的動態(tài),所有群組態(tài)勢動態(tài)可組成整體態(tài)勢情況,從而輔助指揮員更好地理解戰(zhàn)場態(tài)勢,進(jìn)行高效準(zhǔn)確決策。

3 結(jié)論

本文以戰(zhàn)場指揮決策的智能化為目標(biāo),針對無人系統(tǒng)集群作戰(zhàn)對抗過程中的戰(zhàn)場態(tài)勢理解開展研究。構(gòu)建了層次型態(tài)勢理解框架,并按照不同的態(tài)勢層次,對戰(zhàn)場數(shù)據(jù)進(jìn)行不同層次的融合,分層次處理動態(tài)的戰(zhàn)場信息,最終得到多層次的戰(zhàn)場態(tài)勢信息。通過仿真實(shí)驗(yàn),驗(yàn)證了該態(tài)勢理解框架可有效地處理復(fù)雜的戰(zhàn)場信息,幫助指揮員更好地把握戰(zhàn)場態(tài)勢并作出決策。

猜你喜歡
學(xué)習(xí)機(jī)群組敵方
少林韋陀十八手
警惕平板學(xué)習(xí)機(jī)騙局
“機(jī)”關(guān)
水果大作戰(zhàn)
小羅漢拳技擊術(shù)(上)
羅漢神打 (下)
從學(xué)習(xí)機(jī)到上網(wǎng)本
云林县| 卓资县| 太和县| 崇义县| 雷山县| 建德市| 治多县| 东城区| 绥化市| 东阿县| 都兰县| 扎囊县| 黄平县| 五指山市| 曲水县| 茂名市| 进贤县| 互助| 威远县| 淮阳县| 台州市| 盈江县| 盱眙县| 宜川县| 佳木斯市| 巧家县| 武平县| 孟村| 航空| 集安市| 大邑县| 成安县| 烟台市| 楚雄市| 油尖旺区| 缙云县| 正阳县| 平湖市| 长宁区| 河西区| 全州县|