一种基于机器学习的协同探测控制方法与流程
本发明涉及机载雷达系统技术和雷达资源管理领域，特别是涉及一种基于机器学习的协同探测控制方法。
背景技术：
随着航空科技的发展与军事需求的推动，单架飞机探测信息已经无法满足需求，多机协同探测将成为未来主要探测形式。对于单机探测来说，雷达工作环境相对简单，飞行员只需考虑自身平台的作战任务来下达雷达操作指令，因此，雷达工作模式的切换一般可以通过飞行员手动操作完成；而对于多机编队雷达组网而言，多机协同探测模式种类繁多，包括协同无源帧收、协同猝发探测、协同有源探测、协同有/无源探测和协同抗干扰等，对于每种探测模式，还包含多种子模式。因此，为实现多机编队信息探测效能，需要保证每时每刻各平台操作员能够根据当前环境态势准确、统一地将网内各雷达切换到同一种探测模式，从而保证获取信息获取的同步性。
目前，多机编队协同探测模式主要是经人工判断后进行手动切换，即操作员根据作战经验以及作战决策知识库查阅进行选择切换。但是由于各平台飞行员能力和各成员飞机态势之间存在差异，难以保证编队内各雷达同时切换到同一协同模式，容易出现误判且实时性差，因此，如何设计一种智能自主地协同探测模式控制方法，能够根据探测环境实时给出协同探测模式选择判断，提高多机协同探测信息的同步性。
技术实现要素：
本发明为了解决现有多机编队协同探测模式主要是经人工判断后进行手动切换，难以保证编队内各雷达同时切换到同一协同模式，容易出现误判且实时性差的技术问题，提出了一种基于机器学习的协同探测控制方法，可以解决上述问题。
为了解决上述技术问题，本发明采用以下技术方案予以实现：
一种基于机器学习的协同探测控制方法，包括以下步骤：
对态势因子与协同探测模式之间的映射关系建模步骤，建立态势因子与协同探测模式之间的映射关系模型；
目标态势信息提取步骤，获取目标的态势因子x，共m个态势因子，m为正整数；
协同探测模式获取步骤，将标态势信息提取步骤中获取的态势因子输入所述态势因子与协同探测模式之间的映射关系模型，输出得到当前态势下协同探测模式；
协同探测控制步骤，将当前态势下协同探测模式发送至编队中的各飞行装置，统一切换至所述当前态势下协同探测模式。
进一步的，对态势因子与协同探测模式之间的映射关系建模步骤中，包括以下子步骤：
a1、样本数据获取步骤，获取目标的态势因子样本数据；
a2、态势因子样本数据模糊表征步骤，将所述态势因子样本数据与获取该态势因子样本数据的时刻值相对应，得到态势因子样本数据对于时间t的具体值x′(t)，并将其映射为模糊集合所具有的隶属函数μ(x′(t))；
a3、训练态势因子与协同探测模式之间的触发逻辑步骤，针对所述隶属函数μ(x′(t))值，根据经验判断隶属函数μ(x′(t))值所对应的协同探测模式，并以该协同探测模式作为输出，目标的态势因子样本数据作为输入，采用前向神经网络与bp神经网络结合进行映射关系建模，训练确定模型参数。
进一步的，步骤a3中所建立的模型为：
其中k表示数据编号；ai为隐含层节点，i表示节点编号，共p个节点，p为大于1的自然数；vih为隐含层与输入层之间的连接权值，h表示输入层节点编号，输入层节点的数量与态势因子的数量一致；θi表示阈值；σ(z)是单调有界的激活函数，取σ(z)＝1/(1+e-z)，z表示函数自变量，
进一步的，目标态势信息提取步骤中，获取目标的态势因子x的方法包括以下子步骤：
b1、编队中的各飞行装置分别获取目标的各态势因子；
b2、计算各态势因子的平均值作为目标的态势因子。
进一步的，步骤a2中，隶属函数μ(x′(t))为：
其中，n1、n2为常系数，0＜a1＜a2＜a3。
进一步的，步骤b1与b2之间，还包括各飞行装置将其所获取目标的各态势因子发送给地面控制中心的步骤，步骤b2中，地面控制中心计算各态势因子的平均值作为目标的态势因子。
进一步的，协同探测模式获取步骤中，地面控制中心将标态势信息提取步骤中获取的态势因子输入所述态势因子与协同探测模式之间的映射关系模型，输出得到当前态势下协同探测模式。
进一步的，协同探测模式获取步骤与协同探测控制步骤之间，还包括地面控制中心将计算所得的目标的态势因子发送给编队中的各飞行装置的步骤，协同探测控制步骤中由各飞行装置完成各自的探测模式切换。
与现有技术相比，本发明的优点和积极效果是：本发明的一种基于机器学习的协同探测控制方法，先利用模糊逻辑理论对战场态势信息进行模糊表征；再通过神经网络技术对态势表征因子与协同探测模式之间的映射关系进行数学建模；最后将实时态势信息输入建立的模型，自主得到协同探测模式选择建议。通过该方法可以辅助指挥员快速进行战场指挥决策，减轻操作员决策压力，提升作战决策系统的智能化程度。
结合附图阅读本发明实施方式的详细描述后，本发明的其他特点和优点将变得更加清楚。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明所提出的基于机器学习的协同探测控制方法的一种实施例流程图；
图2是本发明所提出的基于机器学习的协同探测控制方法的一种实施例中编队目标平均距离的隶属度函数表征结果；
图3是本发明所提出的基于机器学习的协同探测控制方法的一种实施例中编队目标平均速度因子的隶属度函数表征结果。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一，本实施例提出了一种基于机器学习的协同探测控制方法，包括以下步骤：
对态势因子与协同探测模式之间的映射关系建模步骤，建立态势因子与协同探测模式之间的映射关系模型；
目标态势信息提取步骤，获取目标的态势因子x，共m个态势因子，m为正整数；
目标态势包括单目标态势信息和总体态势信息。在一些情况下，目标通常是以编队形式来袭，因此，可以将目标编队作为态势评估的基本单位。以编队作为基本单位具有两大优势：首先，可以大大减少操作员关注的焦点数目，从而减轻指挥人员面临的认知压力；其次，编队更多地反映了实体间的关系，也更直接地反映了目标意图及威胁等更深层次的态势信息。本实施例的基于机器学习的协同探测控制方法首先借助专家知识，提取影响战场态势的主要因素，如编队目标平均距离、编队目标平均速度、编队目标航迹质量、电磁环境等，此外还包括己方编队体系和任务等因素。
协同探测模式获取步骤，将标态势信息提取步骤中获取的态势因子输入所述态势因子与协同探测模式之间的映射关系模型，输出得到当前态势下协同探测模式；
协同探测控制步骤，将当前态势下协同探测模式发送至编队中的各飞行装置，统一切换至所述当前态势下协同探测模式。
针对多机协同探测模式的决策选择问题，本算法通过引入神经网络技术对协同探测模式的决策规则进行数学建模，从而自主输出协同探测模式选择建议，提升“人在回路”的决策效率，大大加快了作战反应速度，作战决策指挥系统的智能化程度也得到有力提升。
本方法具有良好的扩展性和适应性，可广泛应用于有人机编队、无人机编队和有人机/无人机编队等作战场景。
对态势因子与协同探测模式之间的映射关系建模步骤中，包括以下子步骤：
a1、样本数据获取步骤，获取目标的态势因子样本数据；
a2、态势因子样本数据模糊表征步骤，将所述态势因子样本数据与获取该态势因子样本数据的时刻值相对应，得到态势因子样本数据对于时间t的具体值x′(t)，并将其映射为模糊集合所具有的隶属函数μ(x′(t))；
a3、训练态势因子与协同探测模式之间的触发逻辑步骤，针对所述隶属函数μ(x′(t))值，根据经验判断隶属函数μ(x′(t))值所对应的协同探测模式，并以该协同探测模式作为输出，目标的态势因子样本数据作为输入，采用前向神经网络与bp神经网络结合进行映射关系建模，训练确定模型参数。
首先借助专家知识，提取影响战场态势的主要因素，如编队目标平均距离、编队目标平均速度、编队目标航迹质量、电磁环境等，此外还包括己方编队体系和作战任务等因素。
根据上一步骤提取到的战场态势信息，利用模糊逻辑技术，建立各态势因子的隶属度函数，将各态势因素转换成具体的归一化模糊值，模糊值表示该态势因子的威胁权重。具体描述为：将态势因子真实变量值变换为相应论域模糊值对于时间t的具体值x(t)，并将其映射为模糊集合所具有的隶属函数μ(x(t))，各态势因子的隶属函数值构成的集合为后续映射关系建模提供输入。以编队目标平均距离态势因子为例，结合作战使用流程将目标距离进行如下划分：远距：大于125％r；中远距：100％r-125％r；中距：20％r-100％r；近距：小于20％r，其中r表示雷达最大探测距离。距离隶属函数应满足距离越小，函数值(威胁权重)越大的要求，因此，步骤a3中所建立的模型为：
其中k表示数据编号；ai为隐含层节点，i表示节点编号，共p个节点，p为大于1的自然数；vih为隐含层与输入层之间的连接权值，h表示输入层节点编号，输入层节点的数量与态势因子的数量一致；θi表示阈值；σ(z)是单调有界的激活函数，取σ(z)＝1/(1+e-z)，z表示函数自变量，
目标态势信息提取步骤中，获取目标的态势因子x的方法包括以下子步骤：
b1、编队中的各飞行装置分别获取目标的各态势因子；
b2、计算各态势因子的平均值作为目标的态势因子。
例如编队目标平均距离可表示为：
其中，i表示目标编队编号，di为目标编队i的平均距离，dj为第i个目标编队中的第j个目标与我方战机的距离，m为第i个用于探测的编队中目标的个数，n为编队个数。
步骤a2中，隶属函数μ(x′(t))为：
其中，n1、n2为常系数，0＜a1＜a2＜a3。
步骤b1与b2之间，还包括各飞行装置将其所获取目标的各态势因子发送给地面控制中心的步骤，步骤b2中，地面控制中心计算各态势因子的平均值作为目标的态势因子。
协同探测模式获取步骤中，地面控制中心将标态势信息提取步骤中获取的态势因子输入所述态势因子与协同探测模式之间的映射关系模型，输出得到当前态势下协同探测模式。
为实现协同探测模式的智能控制，需要对以上样本数据进行数学模型，本发明拟采用前向神经网络与bp神经网络结合的策略进行映射关系建模。如图1所示。
协同探测模式获取步骤与协同探测控制步骤之间，还包括地面控制中心将计算所得的目标的态势因子发送给编队中的各飞行装置的步骤，协同探测控制步骤中由各飞行装置完成各自的探测模式切换。
本实施例基于机器学习的协同探测控制方法，先利用模糊逻辑理论对战场态势信息进行模糊表征；再通过神经网络技术对态势表征因子与协同探测模式之间的映射关系进行数学建模；最后将实时态势信息输入建立的模型，自主得到协同探测模式选择建议。通过该方法可以辅助指挥员快速进行战场指挥决策，减轻操作员决策压力，提升作战决策系统的智能化程度。
针对态势因子的模糊表征技术，以编队目标平均距离和平均速度因子为例，其隶属度函数表征结果分别如图2和图3所示。从目标距离因子隶属函数曲线可以看出，目标距离越近，其隶属函数之越大，表示威胁度越高；从速度因子隶属函数曲线可以看出，目标速度在1.5ma到2.5ma之间，威胁度最高。
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。
- 还没有人留言评论。精彩留言会获得点赞！