一种基于极限学习机的地面目标动态威胁评估方法与流程

本发明属于数据融合处理中的威胁估计领域，涉及一种地面目标威胁评估方法，更具体地，涉及一种基于极限学习机(extremelearningmachine,elm)的地面目标动态威胁评估方法。
背景技术：
：随着计算机技术、网络及通信技术和人工智能技术的快速发展，传统的作战形态、作战方式都已经发生了极大的改变。信息化战争已经逐步演化为现代战争的主要形式，各种新技术和新武器被运用到实际作战系统中。在信息化作战过程中，面对海量的战场数据，做到“知己知彼”是夺取胜利的关键条件，而威胁评估的目的就是对敌方的兵力部署情况对我方构成威胁大小作量化评估。只有准确地评估目标的威胁程度，才能进行科学合理的兵力部署和作战规划。目前针对威胁评估的方法大体分为两类：模型推理型方法和数据驱动型方法。典型的模型推理型方法有：模糊推理、多属性决策、ds(dempster-shafer)证据理论、云模型、贝叶斯推理等方法。模型推理型方法的共性是对威胁评估的过程进行建模，这类方法准确可靠，但由于模型复杂、运算时间长，导致实时性较差。典型的数据驱动型方法有：神经网络、svm(支持向量机)等隐式算法，这类方法将威胁评估看作非线性多元函数的预测问题，利用作战数据训练某种预测模型，在评估过程中，输入各评估参数，输出目标威胁值的大小。此类方法在保证样本可靠的情况下，可以实现快速且准确的威胁评估过程。极限学习机是一种简单高效的单隐层前馈神经网络，该算法的核心思想是随机初始化网络的输入权重和偏置，构建无需迭代的单隐层神经网络，与传统的基于梯度的前馈神经网络学习算法相比，通过进一步计算即可得到网络的输出权重。elm具有实现简单，学习速度快和人为干预较少等显著优势，已成为当前人工智能领域热门的研究方向之一。技术实现要素：有鉴于此，针对传统威胁评估方法无法同时满足准确性和实时性要求的问题，本发明公开一种基于极限学习机的地面目标动态威胁评估方法，针对敌方地面目标，综合考虑敌方作战能力和作战意图，实时计算敌方单位的威胁程度，辅助指挥员在快速变化的复杂作战情形中快速决策。为了解决上述技术问题，本发明是这样实现的：一种基于极限学习机的地面目标动态威胁评估方法，包括：获取敌方的作战意图和作战能力两方面的7类评估指标；其中，反映作战能力的评估指标包括敌方目标的打击能力、打击半径、探测半径；反映作战意图的评估指标包括敌方目标朝向、与我方作战群的距离、敌方目标速度和加速度；所述敌方目标朝向的评估指标是指：以敌方目标朝向角为中轴线、半径为探测半径的半圆范围内我方作战单位的数量；将所述7类评估指标输入预先训练好的极限学习机，极限学习机输出威胁评估结果。优选地，输入极限学习机的7类评估指标是经过预处理的数据；所述预处理使用min-max标准化方法。优选地，敌方的威胁程度分为“无威胁”、“威胁低”、“威胁中等”、“威胁大”、“威胁极大”，将其转化为0、1、2、3、4共五个威胁等级；极限学习机输出为1维，将输出数值归为整数值，根据整数值大小确定威胁等级。优选地，该方法进一步包括信息显示：将得到地面目标对我方作战群体的威胁程度的整数值转换为对应的语言描述值显示在交互界面中。优选地，通过不断地提取评估指标输入极限学习机获得评估结果，实现动态地评估敌方目标的威胁程度，直到敌方目标消失或被消灭为止。有益效果：第一、对敌方地面目标威胁评估的模型结构复杂，需要考虑多种影响威胁评估结果的因素。本发明结合作战实际，基于敌方的作战能力和作战意图建立了评估指标体系，评估指标的选取兼顾了完整性、无冗余性和可计算性。该评估指标体系结合elm网络，在保证评估准确性的同时能保证评估的快速性，适用于快速变化的战场动态，为帮助作战人员把握战场形势、做出合理作战规划具有一定参考意义。第二、本发明改进了敌方目标朝向表达方式，采用敌方目标朝向角为中轴线的半圆范围内我方作战单位的数量来表达敌方目标朝向，这种方式避免了直接处理敌方目标的朝向角度信息，可以更加直观地展示敌方目标的作战意图，进而体现对我方作战群体的威胁，同时，这种处理方式还有利于输入数据的归一化，方便极限学习机处理，提升评估的准确度。附图说明图1为本发明的方案流程图；图2为评估指标示意图；图3为用于威胁评估的elm网络结构图。具体实施方式下面结合附图并举实施例，对本发明进行详细描述。本发明针对地面目标威胁评估问题，综合考虑敌方作战单元的作战能力与作战意图，提出了一种基于elm网络的地面目标动态威胁评估方法，该方法在保证评估的准确性的同时能保证评估的快速性，适用于快速变化的战场形势，为帮助作战人员把握战场动态、做出合理作战规划具有一定参考意义。本发明的基于elm网络的地面目标动态威胁评估方法，包括如下步骤：步骤1、评估指标的选取：对敌方地面目标威胁评估的模型结构复杂，需要考虑多种影响威胁评估结果的因素。为了尽可能地确保威胁评估的准确性，按照完整性、无冗余性和可计算性的原则选取评估指标。如图2所示，本发明从敌方地面目标的作战能力和作战意图这两大方面选取相应的评估指标，更具体地，作战能力主要根据敌方目标类型而定，具体是根据敌方目标所配备武器和探测设备将其细化为敌方目标的探测半径、打击半径和打击能力；作战意图主要反映敌我双方之间的位置、运动关系，可细化为目标距我方战斗群的距离、目标朝向、速度和加速度。本发明所构建的指标体系内容完整，能较好地反映在地面敌我双方对抗环境中敌方目标的威胁程度信息；而且该指标体系冗余度低，与极限学习机配合后能够实现快速、准确的威胁评估。步骤2、样本数据的预处理：从历史作战数据中提取上述7种指标，并获取威胁信息作为标签，组成训练样本。选择归一化方法作为数据预处理的手段，更具体地，选择min-max标准化方法处理各项评估指标的初始数据，并将威胁程度标签信息转化为方便elm网络处理的整数值，具体如下：①打击能力：将样本中敌方所有单位中打击能力的最大值记为amax，最小值记为amin，敌方目标(或者称为评估单位)的打击能力记为a，则该单位的打击能力经归一化后的值为：在实际进行威胁评估时，amax和amin采用根据样本所确定的数值即可。②打击半径：将敌方所有单位中打击半径的最大值记为rmax，最小值记为rmin，评估单位的打击半径记为r，则该单位的打击半径经归一化后的值为：在实际进行威胁评估时，rmax和rmin采用根据样本所确定的数值即可。③探测半径：将样本中敌方所有单位中探测半径的最大值记为rmax，最小值记为rmin，评估单位的探测半径记为r，则该单位的探测半径经归一化后的值为：在实际进行威胁评估时，rmax和rmin采用根据样本所确定的数值即可。④速度和加速度：将样本中敌方所有单位中速度和加速度的最大值记为vmax和amax，最小值记为vmin和amin，评估单位的速度和加速度记为v和a，则该单位的速度和加速度经归一化后的值为：在实际进行威胁评估时，vmax和amax、vmin和amin采用根据样本所确定的数值即可。⑤距离：在本实施例中，将战场限定在长x＝10公里，宽y＝6公里的矩形区域内，以矩形区域的左下角作为坐标原点建立笛卡尔坐标系，以坐标原点到矩形区域右下角的连线作为x轴正方向，以坐标原点到矩形区域左上角的连线作为y轴正方向。敌我双方单位的坐标由其几何中心确定。读取评估单位的坐标信息，计算其到我方第j个单位的距离，该距离用欧式距离表示，计算方法为：其中，(xe,ye)代表评估单位的坐标，(xj,yj)代表我方第j个单位的坐标。计算评估单位到我方单位最近的距离作为评估单位到我方作战群体的距离指标，算式表达为：对于样本中的每个敌方单位计算上述d值，取最大值记为dmax，则评估单位到我方作战群体的距离归一化后的值为：在实际进行威胁评估时，dmax采用根据样本所确定的数值即可。⑥目标朝向：评估单位的朝向角定义为其朝向与坐标系x轴正方向的夹角。考虑评估单位朝向角正负90度范围内，即以朝向方向为中轴线，半径为其探测半径的半圆范围内我方作战单位的数量来反映敌方的作战意图。设评估单位的朝向角为α，坐标为(xp,yp)，我方单位j的坐标为(xj,yj)，则评估单位指向我方单位j的向量的坐标表示为(xj-xp,yj-yp)。将评估单位的朝向角信息转化为向量形式：设评估单位的朝向角为α，其中α∈[-π,π)，朝向向量设为起点在原点的单位向量。则终点坐标(xv,yv)为：yv＝sinα则评估单位的朝向向量的坐标表示为(xv,yv)。则：其中nj为1表示我方单位j在评估单位朝向角正负90度范围内，0表示不在该范围内。其中，r表示评估单位的探测半径，表示向量的点乘运算，具体计算方法为：则在敌方目标朝向角正负90度范围内我方单位数量np为：设我方单位的总数量为n，则在敌方目标朝向角正负90度范围内我方单位数量经归一化后的值为：⑦威胁程度：敌方的威胁程度分为“无威胁”、“威胁低”、“威胁中等”、“威胁大”、“威胁极大”一共五个等级，将其转化为0、1、2、3、4共五个威胁等级。步骤3、elm网络的构建、训练与测试的具体步骤如下：s301、网络的构建：如图3所示，由于评估敌方目标的指标总数为7，最终输出结果为敌方的威胁程度，则将elm网络的输入神经元个数定为7，输出神经元个数定为1，隐含层神经元的个数经由实验确定最佳个数。激活函数g(x)采用sigmoid函数，即：本实施例中，输出神经元个数为1，则根据其值的不同，来表达不同的威胁程度。在实际中，还可以将输出神经元个数设计为与威胁程度个数相同，例如这里为5个，则每个输出神经元表示一种威胁。s302、网络的训练：采用已经数据预处理完毕的样本作为训练和测试样本，其中训练样本和测试样本的比例为4:1。给定n个训练样本x＝(x1,x2,...,xn)∈rn×7，其标签为y＝(y1,y2,...,yn)∈rn×1。elm网络的输入权重w＝(wij)∈r7×l是随机选取的，其中l表示隐含层神经元的个数。隐含层的输入h与计算传统的前向传播网络相同：h＝g(w,x)，其中，h∈rn×l，网络的输出为y'＝hβ，其中β为待求的输出权重。elm网络的训练目标是通过最小化预测误差损失函数之和来求解输出权重β，目标函数为：其中，第一项是防止参数过拟合的正则项，第二项中的c为预测误差项的惩罚系数。求解上述目标函数可视为最小二乘优化问题，令目标函数对于β的梯度为零可得：β+cht(y-hβ)＝0根据moore-penrose广义逆矩阵，可以求出β的最优解。考虑到训练样本数量大于等于隐含层神经元数量，则β的最优解为：其中，i20表示20维的单位矩阵。s303、网络的测试：给定m个测试样本，测试所训练网络的预测准确率，用以评价模型的性能和分类能力。其中，测试准确度的计算方法为：其中mc代表预测正确的测试样本个数，测试准确度越高，表明该模型的性能和分类能力越强。当测试准确度不能达到要求的准确度时，重新训练网络直到达到要求为止。步骤4、数据预处理：将实时战场数据，包括敌方目标的坐标、打击能力、打击半径、探测半径、速度大小、加速度大小、朝向角和我方各单位的坐标等，按照步骤2中所述的方式进行数据预处理，并将处理后的数据按照样本数据的格式存储在数组中，用x∈rq×7表示，其中q表示评估单位的个数。步骤5、基于elm网络的威胁评估：将经过预处理后的数据输入到训练好的且满足测试精度的elm网络中，得到在实际战场中地面目标对我方作战群体的威胁程度。步骤6、信息显示：将得到地面目标对我方作战群体的威胁程度的整数值转换为语言描述值显示在交互界面中，转换方式为：0、1、2、3、4分别对应“无威胁”、“威胁低”、“威胁中等”、“威胁大”、“威胁极大”。通过不断地进行步骤4到步骤6，以实现动态地评估敌方各单位的威胁程度，直到目标单位消失或被消灭为止。下面结合仿真实验结果对一种基于极限学习机的地面目标动态威胁评估方法进行说明；选取300个威胁评估样本作为样本集，其中240个作为训练集，60个作为测试集。elm网络的结构为：输入层神经元的个数为7，输出层神经元的个数为1，隐含层神经元的个数依实验确定最佳个数为20。训练结果为：训练时间训练精度测试时间测试精度0.947s91.25％0.012s93.30％测试精度满足高于90％的要求，说明具有较强的分类能力。注：该运算结果是在配置为intel(r)xeon(r)cpue5-2620v4@2.10ghz,32gb内存的pc机上得到的。在动态威胁评估仿真过程中，设敌我双方均有5个地面作战平台，在某一时刻的各项参数参见表1为：表1将各项参数按照步骤2中的标准化步骤后得到的结果参见表2为：表2将上表中经标准化后的数据存在矩阵x∈r5×7中，并输入到elm网络的输入层中，得到实时的威胁评估结果参见表3：表3单位名称elm网络输出结果威胁评估结果敌方单位11“威胁低”敌方单位20“无威胁”敌方单位34“威胁极大”敌方单位42“威胁中等”敌方单位50“无威胁”以上公开的实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于所述的实施例。通过以上所述可知，本发明中的许多内容可作修改和替换，本实施例固定了某些取值只是为了更好地说明本发明的原理和应用，从而更易理解和运用。凡在本发明的技术方案的基础上所做的局部改动、等同替换、改进等均应包含在本发明的保护范围之内。当前第1页12