本发明属于数据融合领域,特别涉及一种多目标态势估计方法。
背景技术:
数据融合技术是指利用计算机对按时序获得的若干观测信息,在一定准则下加以自动分析、综合,以完成所需的决策和评估任务而进行的信息处理技术。其是信息科学领域内的一项技术,是新一代智能信息技术的重要基础,该技术最早应用于军事领域。而态势估计是数据融合研究中重要的组成部分。我方飞行器受到敌方大量不同态势的飞行器干扰时,如何做出合理的干扰程度排序,对于我方的指挥决策是非常重要的。因此,态势估计是进行合理指挥决策的前提,研究意义重大。
目前,对于多目标态势估计问题,学者们进行了一些研究。常用的多目标态势估计方法有层次分析法,直觉模糊集、贝叶斯推理、专家系统等。现有技术中,层次分析法、专家系统、贝叶斯推理等大多会受到主观因素的影响,可靠性较低,topsis方法忽略了备选方案距理想方案的距离与负理想方案的距离,即认为所有距正理想解的距离小于距负理想解距离的方案均优于距正理想解距离等于距负理想解距离的方案,故获得的理想解不一定是最接近理想点的解,因而采用topsis方法得到的排序结果可信度不高;多准则妥协解排序法克服了topsis法的局限,但是决策因子的选择比较困难。当我方飞行器遭遇对方大规模集群飞行器干扰时,依据对方各个飞行器态势变化及时调整干扰排序是相当重要的,而上述方法计算复杂,灵敏度低,不适合我方遭遇敌方大规模集群飞行器干扰的情况,不能及时反映各目标态势变化带来的影响。另外,对于复杂比例评价方法在态势估计中的应用,目前研究较少。
技术实现要素:
为了克服现有技术的不足,本发明提供一种基于复杂比例评价方法的多目标态势估计方法,利用复杂比例评价方法灵敏度高的优势,将复杂比例评价方法引进到态势估计中,并结合熵权法确定权重,避免主观随意性,保证得到的理想解为最佳理想解。
本发明解决其技术问题所采用的技术方案包括以下步骤:
步骤一,构造目标属性决策矩阵
步骤二,采用熵权法确定第j个目标属性的权重
步骤三,采用复杂比例评价方法进行干扰程度计算,具体步骤如下:
(1)计算归一化后的目标属性决策矩阵t′=(t′ij)m×3,
(2)计算加权后的标准化的决策矩阵t″=(t″ij)m×3,t″ij=ωj×t′ij;
(3)计算效益型属性下的加权标准化属性值和
(4)计算各目标的相对重要性
(5)根据qi值进行排序,qi值越大,对应的目标对我方的干扰越大,威胁就越大,排序就越靠前。
本发明的有益效果是:
本发明结合熵权法和复杂比例评价方法,对目标干扰程度进行排序。即采用熵权法处理客观信息,得到各目标属性权重,将权重应用到复杂比例评价方法中,计算多目标干扰程度。本发明灵敏度高,适用于我方遭遇大规模集群飞行器干扰情况,并以客观信息为基础,避免贝叶斯网络、层次分析法等的主观随意性问题,提高目标干扰程度排序的合理性与准确性。
本发明提出的复杂比例评价方法计算简单,以各目标原始客观属性值为基础进行解算,能快速反映各目标的态势变化带来的影响,比多准则妥协解排序法和topsis法更加灵敏,适合我方遭受敌方大规模集群飞行器干扰的情况。
附图说明
图1是本发明目标态势的示意图;
图中,t为目标,o为我方,φk为目标前置角;θk为目标进入角,vk是目标速度,rk为目标与我方的距离,箭头指向为正方向。
具体实施方式
下面结合附图和实施例对本发明进一步说明,本发明包括但不仅限于下述实施例。
本发明提出了基于复杂比例评价方法的态势估计方法,运用熵权法确定目标属性权重,并将得到的目标属性权重应用到复杂比例评价方法中进行排序解算。
本发明涉及的具体步骤如下:
步骤一:构造目标属性决策矩阵
式中,tij表示第i(i=1,2,3…m)个目标在第j(j=1,2,3)个属性下的评价值,m是目标的个数。目标属性包括以下内容:
(1)角度威胁因子ta
ta=[|φk|+|θk|]/360°
式中,φk为目标前置角;θk为目标进入角。
(2)速度威胁因子tv
式中,vk是目标速度;vz为我机速度
(3)距离威胁因子td
式中,rk为目标与我方的距离;rm为我机干扰装置的最大干扰距离;rmk为目标的干扰距离;rr为我机探测装置的探测距离。
步骤二:采用熵权法确定目标属性权重。
设目标属性的权重为ω,则第j个目标属性的权重ωj如下:
式中,
步骤三:采用复杂比例评价方法进行干扰程度计算。具体步骤如下:
(1)将目标属性决策矩阵进行归一化,得到归一化后的决策矩阵t′=(t′ij)m×3
(2)将归一化后的决策矩阵t′=(t′ij)m×3进行加权处理,得到加权后的标准化的决策矩阵t″=(t″ij)m×3。
t″ij=ωj×t′ij
(3)分别计算效益型属性和成本型属性下的加权标准化属性值的和
t″+ij是效益型属性下的加权标准化属性值,t″-ij是成本型属性下的加权标准化属性值。在效益型属性下,属性值越大,表明敌方对我方的干扰越大,威胁就越大,排序就越靠前;在成本型属性下,属性值越大,表明敌方对我方的干扰越小,威胁就越小,排序就越靠后。
(4)计算各目标的相对重要性qi
进一步简化上式,可得到下式:
式中,
(5)最优目标调整。
根据qi值对各目标进行排序。qi值越大,对应的目标对我方的干扰越大,排序就越靠前。
本发明针对现有技术如topsis法、贝叶斯网络、层次分析法的不足之处,结合熵权法,并将其得到的各目标属性权重应用到复杂比例评价方法中,克服了传统方法的局限并避免了主观随意性问题。应用本发明的方法进行目标态势估计,较其他方法准确,灵敏度高,而且易于实现,适合我方遭遇大规模集群飞行器干扰的情况。