雷达抗干扰效能评估可信性度量实现方法与流程

本发明涉及的是一种信息处理检测领域的技术，具体是一种雷达抗干扰效能评估可信性度量实现方法。

背景技术：

评估可信性是一个模糊性的定性概念，它代表评估结论的准确性及真实性的满意程度。在仿真系统可信性研究中将不同仿真粒度下产生的数据与真实系统产生的数据比较，根据数据分布、变化趋势、数据大小等，判断与仿真系统的相似性，进而判断仿真系统的可信性。为了提高评估的可信性，学者们从评估方法入手，通过论述评估方法的科学性、合理性，进而阐述评估结果的可信性，因此不断有新的评估理论出现。例如，从最早的层次分析法到后来的模糊层次分析法，就是为了尽可能减少人的主观因素对评估结果的影响，从而提高评估结果的可信性。然而，截止目前，直接对评估结果可信性的研究还很少。

技术实现要素：

本发明针对现有技术无法解决的技术问题包括抽象模型的可信性度量方法及可信性的具体量化等缺陷，提出一种雷达抗干扰效能评估可信性度量实现方法，

本发明是通过以下技术方案实现的：

本发明针对模式分类与效能评估之间的联系，将效能评估看作效能等级分类，从分类可信性出发，研究评估可信性。将不确定性理论引入到该方法中，实现试验数据不确定性处理。根据分类模型性能评价指标，通过计算得到评估模型可信性度量方法。融合多种单样本分类置信度计算方法，得到使用广泛的单样本评估置信度计算方法，进一步通过可信性传播模型，得到综合效能评估可信性度量结果。

本发明通过分析影响雷达抗干扰效能评估可信性的因素，得到影响评估结果的因素主要有评估数据、评估模型以及待测样本自身等。评估数据的可信性受数据来源影响，由效能评估试验活动本身的不确定性决定的；评估模型的可信性受模型准确率的影响；单样本评估置信度受样本分布情况影响，由样本及近邻样本所在高维空间的分布决定。通过分析以上几个因素，并分别解决其可信性量化的问题，解决雷达抗干扰效能评估可信性量化主观性较强的问题，提高雷达抗干扰效能评估可信性的精度，在实际的应用过程中操作简单，实用性强。

本发明具体包括如下步骤：

步骤a：对待评估对象中的不确定性数据按照模糊数据、随机数据及区间数据分别进行处理得到评估数据的不确定性<x,crd(x)>，具体包括：

①由区间值定义可知，区间变量在不确定性空间内的信息是未知的，即其在区间范围内每个抽样点的概率相等。因此可以认为区间变量是在区间范围内均匀分布的；记区间变量为[a,b]，则转换为均匀分布后的分布函数为：

②在得到区间变量的概率密度分布后，得到参数取区间内任意微小区间的概率，进一步得以简单将区间数据离散化，求取参数取某一点值的概率，即：模糊变量a通过转换算子可以将其转化为区间变量，从而可以利用处理区间值的办法解决模糊变量不确定性测度问题。

所述的转换算子为：其中：为区间下限，为区间上限，al(α)及au(α)为模糊变量a的α截集，该转换算子能最大性质保持模糊变量的不确定性。

优选地，在已知模糊变量的隶属度的情况下，也可以直接对模糊变量的不确定性进行描述。当模糊性不确定性数据集合a表示为：其中：μa(xi)表示数据xi的隶属度；数据xi的不确定性测度为：模糊数据xi的可信性为：

优选地，在已知随机变量的概率空间情况下，可以直接将随机变量转换为区间变量。

另外，根据信息系统的信息熵变化情况解决了不完备数据的填充问题，前面本发明也讨论了信息熵的具体内涵，可以看出，信息熵在某种程度上是不确定性的度量方法，信息熵表示消除不确定性的程度，当某试验过程中随机不确定性数据的在论域x上的概率分布为：p＝{px|x∈x}，则定义试验数据x的不确定性测度为：

步骤b：评估模型可信性分析，即采用svm分类器及神经网络模型等进行效能评估计算，实测数据为训练样本进行训练后，对待评估样本数据进行分类预测，并根据模型得到每一类样本分类正确的可能性及必要性，进而得到分类模型的可信性。

所述的svm分类器，具体是：设有样本集((x1，y1)，(x2，y2)，…，(xn，yn)}，其中xi∈r^d表示输入，y∈{±l}表示目标输出(其中i＝1，…，n)。设最优超平面为ω^txi+b＝0，则权值向量ω和偏置b必须满足约束：yi(ω^txi+b)≥1-εi，其中：εi￡为松弛变最，表示模式与理想线性情况的偏离程度。svm模型的目标是找到一个使训练数据平均错误分类误差最小的超平面，从而可推导出优化问题：其中：c为需指定的正参数(惩罚系数)，表示svm对错分样本的惩罚程度。根据拉格朗日乘子法，最优分类超平面的求解可转化为优化问题：其约束条件为：ai≥0,i＝1,…,n，其中：为拉格朗日乘子。k(xi,xj)为满足mercer定理的核函数，常用的有线性核(linear)、多项式核(polynomial)、sigmoid核与高斯径向基核(rbf)等。

所述的神经网络模型，具体是指：设bp神经网络的训练样本集为其中xi＝[xi1,xi2,…,xim]为一个m维的输入，oi为在输入为xi时神经网络的输出。令η＞0为学习率参数。隐含层中第l个神经元的输出可推导为：输出层输出可推导为：在增量处理方式下，第i个样本对神经网络学习误差函数为：从隐藏层第l个神经元到输出层之间的连接权值，更新增量计算公式为：其中：f2′为激励函数的导数。同样，我们可以得到：输入层第m个神经元到隐藏层第l个神经元的连接权重变化增量，一般采用公式：同样，我们可以得到：根据以上求得的各神经元连接权重值及阈值的增量变化，可以不断更新下一轮网络训练的神经元权重值及阈值，其公式为：和m＝1,2,…,m。在每次迭代后，都要重新进行学习，并计算每次的全局误差，判断网络误差是否在允许范围内。如果误差满足要求或者达到设定学习次数，则停止计算。否则，算法继续。

所述的svm分类器，其分类准确率是指分类器正确地预测新的没有类标号信息的数据样本的类标号的能力，其中：f是判断函数，当g(xi)＝yi时，f(g(xi),yi)＝1，否则为0；a是包含n个样本的数据集，样本的形式为以(xi,yi)存在，xi表示样本属性集，yi表示类标签。

所述的神经网络模型的分类性能通过绘制roc曲线和auc曲线评价得到。

所述的roc曲线以真正率和假正率作为坐标轴，曲线上的点代表着正样本及负样本的分类准确率，可充分利用模型对待测样本预测得到的概率，同时可以直观的表现算法对不同分布情况下样本预测准确率的差别。

样本通过分类模型分类后，被模型预测为正的正样本称之为真正(truepositive,tp)，被模型预测为负的正样本称为假负(falsenegative,fn)，被模型预测为正的负样本称为假正(falsepositive,fp)，被模型预测为负的负样本称为真负(truenegative,tn)。真正率(tpr)＝tp/(tp+fn)，假正率(fpr)＝fp/(fp+tn)。

所述的auc曲线是在roc曲线上进行积分得到的，其值越接近1代表着分类器的性能越好。

所述的分类模型的可信性，即模型对第a类样本分类的可信度为：其中：事件a的可能性pos(a)即a类样本被划分到a类的概率，ta表示a类的准确率，|tsa|代表a类样本被正确划分的个数，|sa|代表a类样本的个数；事件a的必要性nec(a)，即不属于a类的样本被划分到a类的不可能性，|fsa|代表不是a类样本被错误分为a类的个数，对应事件a的可信性为：

步骤c：对未知标签的测样样本按照单样本分类的预测置信度大小进行划分，具体包括：

由于svm分类器的置信度f(x)＝exp(-1/d(x))，其中：d(x)为待测样本到svm分类面的距离，且现有的最近邻分类器的置信度计算公式为：t＝km(x)/k，其中：k为待测样本近邻点的个数，km(x)为待测样本通过模型判断所属类别包含的近邻训练样本点的个数；因此采用最近邻分类器的单样本分类的预测置信度为f1(x)＝1-d1(x)/d2(x)及f2(x)＝(d2(x)-d1(x))/(d2(x)+d1(x))，其中：d1(x)为待测样本x与最近的训练样本xm间的距离，d2(x)为待测样本x与训练样本中与xm属于不同类别的其他训练样本的最近距离；并且d2(x)应大于d1(x)，于是置信度的取值范围是0～1；待测样本x的分类结果置信度为：并且当待测样本邻域内无异类样本时d(y)＝0，其中：km(x)为待测样本的领域样本与其同类的个数，k为待测样本邻域样本的个数，d(x)为待测样本x与邻域样本中所有同类样本的欧氏距离和，d(y)为待测样本x与邻域样本中不同类样本的欧氏距离和。

步骤d：根据可信性的串联和并联情况，将评估过程中不同环节的可信性进行综合，计算综合可信性的测度，即在串联情况下，可信性测度传播模型为：cr(e)＝cr(y)*cr(f(x)；在并联情况下，可信性测度传播模型为：cr(e)＝min{cr(x),cr(f(x))}；通过传播模型，得以将评估过程中不同环节的可信性进行综合，得到总的评估可信性测度。

步骤e：可信性综合分析并计算得到待测样本总的分类可信度，具体包括：

①计算区间变量在某一点区间段内的可信性：设xi＝(xi1,xi2,…,xin)为n维空间的某一样本，当样本分量xi1的值无法通过试验精确获得，但是得以给出其区间范围的估计，即xi1＝[a,b]为区间变量时，在效能评估时分别采用区间上限及区间下限分别进行效能评估，对应会出现两种情况，即采用区间上限和区间下限得到的评估分类结果一致，此时区间数据不影响被评估对象的效能等级划分；或者采用区间上限及区间下限时得到的效能评估分类结果不一致，此时进一步讨论两种效能等级的可能性：当取区间上限b时，通过评估模型对样本的评估分类结果为y1，当取区间的下限a时，通过评估模型对样本的评估分类结果为y2，此时需要分别计算该样本属于y1与y2的可信性：在已知xi1在区间[a,b]内的概率密度函数的情况下，当通过判断xi1取区间中的c点时，样本xi＝(xi1,xi2,…,xin)处在分界面上；此时，将区间值[a,b]分为[a,c]和[c,b]，分别计算[a,c]及[c,b]的概率分布值，此时概率分布可以看作仅考虑试验数据情况下评估分类结果的可信性。

②当同一样本多个分量存在不确定性参数时，将评估指标体系中指标按照“效益型”和“成本性”进行分类，将属于“效益性”和“成本性”的不确定性参数分别取区间的上限和下限，判断最有利情况下被评估对象的效能分类；然后再分别取区间的下限和上限，判断最不利情况下被评估对象的效能分类，当两种情况下的效能分类相同，则暂时不考虑试验数据不确定性的影响，否则需要分别讨论各参数取值不同时效能分类的变化及其可信度。显然指标参数包含少量区间值变量时，在区间值上限和下限时效能分类结果不同的样本是分类边界附近的样本，因此单个或少量的指标变化，引起样本与分界面距离的变化，最终被分为不同的类别。这类样本无论分为哪一类，其结果的可信性都不高，在无法进一步验证区间值参数的具体数值时，可以分别给出不同效能分类的可信度大小，供决策者参考。

③计算待测样本总的分类可信度cr(x)＝crd(x)*crm(f)*crs(x)，其中：crd(x)表示试验数据的置信度，crm(f)表示模型的可信性，crs(x)表示单样本的评估分类的置信度。

技术效果

与现有技术相比，本发明能够处理雷达对抗效能评估可信性综合分析，给出了完整的分析过程及相应的计算公式；本发明可以不受专家知识限制的客观度量方法，给出的运算结果具有较强的稳健性；在大多数武器系统效能评估中，本发明中的效能评估可信性分析方法都能满足评估结果分析的需求。

附图说明

图1可信性测度传播模型示意图；

图2本发明中综合可信性分析流程图。

具体实施方式

如图2所示，本实施例包括以下步骤：

步骤1，采集训练样本及待测样本：

本实施例中是以雷达抗干扰效能评估可信性分析为例，采集到的140组数据如表1所示；

表1，雷抗干扰效能评估数据

步骤2：评估模型可信性分析

步骤2.1：以支持向量机(svm)评估模型为例，训练样本为75组，待测样本为65组，其中：第一类样本15个，第二类样本12个，第三类样本18个，第四类样本20个。采用svm模型进行预测，有10个样本预测结果不正确。预测结果如下表所示。

errorrateis：0.153846

wronglypredicteddataindexis：4，wronglypredictedlabelis：2

wronglypredicteddataindexis：13，wronglypredictedlabelis：2

wronglypredicteddataindexis：18，wronglypredictedlabelis：1

wronglypredicteddataindexis：22，wronglypredictedlabelis：4

wronglypredicteddataindexis：30，wronglypredictedlabelis：2

wronglypredicteddataindexis：39，wronglypredictedlabelis：4

wronglypredicteddataindexis：40，wronglypredictedlabelis：3

wronglypredicteddataindexis：47，wronglypredictedlabelis：2

wronglypredicteddataindexis：52，wronglypredictedlabelis：3

wronglypredicteddataindexis：62，wronglypredictedlabelis：3

表2，采用svm评估算法对待测样本的评估结果。

将第一类分为第二类的2个，将第二类分为第一类及第四类均为1个，将第三类分为第一类、第二类及第四类均为1个，将第四类分为第二类及第三类的分别为1个和2个。

步骤2.2：根据模型得到每一类样本分类正确的可能性及必要性分别为：

步骤2.3：根据模型得到每类样本分类结果的可信性为：

步骤3：待测样本置信度分析

步骤3.1：表3为试验采集的待测装备的3组指标数据，其中部分数据无法获取准确的数据，但是得以获得取值的范围(如表3所示)。

表3，待测样本信息

步骤3.2：t3中平均虚假航迹改善因子以及t2中抗干扰扇面有效度两个指标的试验数据并不精确值而是区间范围。再无法通过试验进一步获取精确值的情况下，本发明要讨论区间数据对效能评估工作的影响。通过前面的分析，本发明将首先考虑区间上限及下限情况下，分别作为两组数据进行评估。判断两组数据的下的效能等级是否一致。经过分析，t3中取区间下限时，效能等级为3，取区间上限时，效能等级为4。t2中，取区间上限及下限效能等级结果相同。因此，本发明需要对t3数据进一步分析，通过区间搜索的方法，本发明发现当取值为8.81时，效能等级为3，取值为8.82时，效能等级为4，因此本发明近似的认为8.815为效能的分界点。

步骤3.3：当该参数在区间内取每一点值的可能性相同，由均匀分布区间值概率密度函数，于是本发明得到结论为：当平均虚假航迹改善因子取值为[8.79,8.815]时，效能等级为3，其概率大小为0.42；当平均虚假航迹改善因子取值为[8.815,8.85]时，效能等级为4，其概率大小为0.58。

步骤3.4：表4中的样本通过svm进行了评估，其结果是否正确本发明并不知道，但是本发明根据模型对样本分类的准确率计算得到了模型的可信性，模型的可信性一定程度上代表了模型对上面三组样本效能划分结果的可信性。但是上述步骤的描述可以看出，仅仅知道模型的可信性是不够的，因此，需要进一步分析单样本的置信度。

表4，t1样本的最近邻样本及相关信息

步骤3.5：计算单样本的置信度需要分别计算样本与邻域样本的欧氏距离以及邻域样本的类别与自身类别的关系。表3给出了t1样本的最近样本及距离信息。由表4得到，t1样本的分类置信度为：

步骤3.6：本发明对t2和t3两组数据进行分析。以t2的区间下限值作为指标的精确值时的样本记为t21，以区间上限值作为指标的精确值时的样本记为t22，分别计算t21和t22的邻域样本及其距离，经计算t21和t22的邻近样本相同，距离信息如表5所示。

表5，t2样本的最近邻样本及相关信息

由表5得到t21及t22样本的分类置信度分别为：

可以看出，t2样本取区间上限和下限对样本的分类影响很小，在该样本中，基本可以不用考虑区间值(不确定数据)的影响。

对于t3样本的情况可采用同样的方法进行分析，求得其分类置信度。这里不再赘述。

从图2给出的可信性分析流程可以看出，在综合分析样本评估结果的可信性时，根据试验中不确定性度量数据类型的不同，将其转化为区间值或者给出可信性测度，这两种方法都可以处理试验中的数据不确定性。转换为区间值的处理方式实际上是将不确定性数据分为多个精确数据的思想。在计算得到评估模型可信性及单样本可信性后，通过可信性传播模型，将试验数据的可信性、模型的可信性及单样本的置信度进行综合，即可以得到样本评估结果的可信性测量值。

上述的传播模型具体指的是步骤d中描述的传播模型，即为：cr(e)＝cr(y)*cr(f(x)。

步骤4，综合可信性计算：

步骤4.1：通过上述步骤，获得了模型对每一类样本分类的可信性，同时给出了单样本的置信度。因此，通过步骤d的方法，可以得到总的评估可信性为：cr(t1)＝cr(a2)*f(t1)＝0.88*0.68＝0.60，cr(t2)＝cr(a2)*f(t2)＝0.89*0.84＝0.75。

步骤4.2：至此，本实施例计算得到了样本t1和t2所代表的装备效能评估结果为等级2和等级3的可信性分别为60％和75％。本实施例中并不需要专家参与打分，对人力要求低。该结果清楚的表明了效能评估人员给出的雷达抗干扰效能评估结果的可信程度，为评估结论的使用提供切实可靠的依据，且该结果不受使用本发明人员知识水平限制，可信度更高。

上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。