基于自回归小波神经网络的空中目标威胁评估

来源:用户上传      作者:

　　摘要：针对空战中目标威胁评估系统非线性、评估难度大等特点，提出了自回归小波神经网络（Self-recurrent Wavelet Neural Network， SRWNN）的空中目标威胁评估方法。通过分析SRWNN结合递归神经网络（Recurrent Neural Net RNN）的吸引子动力学和WNN快速收敛的特点，建立了SRWNN模型，提出了SRWNN的参数优化学习算法，以实现增强自学习能力的目的，然后分析了威胁评估的影响因素，给出了基于SRWNN的空中目标威胁评估算法的程序设计。仿真实验结果表明，与WNN相比，该算法提高了系统的稳定性，加快了收敛速度，增强了预测精度。
　　关键词：目标威胁评估;神经网络;小波神经网络;自回归小波神经网络
　　中图分类号：TP183 文献标识码：A 文章编号：1007-9416（2020）03-0084-02
　　0 引言
　　隨着航空科学技术的迅速发展，空战环境变得复杂多变，来袭目标类型的多样性，精确的多目标拦截能力已经成为决定空战优势的重要指标。目前常见的目标威胁评估方法有直觉模糊集[1]，TOPSIS法[2]，贝叶斯推断[3]等，但这些方法大多依靠专家经验确定各因素之间的权值，主观性较强，而对于快速变化的战场环境来说，往往专家很难确定各种情况下的因素之间的权值大小。
　　近年来，以神经网络为代表的智能技术在预测领域得到了广泛的发展。目标威胁评估是一个很复杂的多因素决策问题，具有非线性、评估难度大等特点，很难找到适合的评估函数，因此，只能采用人工智能神经网络方法来解决这个难题。WNN是结合了小波分析和神经网络的一类神经网络，小波分析是短时傅里叶变换局部化分析的一种发展，它既能捕捉到频率，又能定位到时间，能聚集到函数的每一个细节。因此，WNN有小波变换的时频两维信号的多分辨率分析特性和神经网络的自学习能力与适应环境的能力，能很好地处理线性非线性问题，容错性好，训练时间短，训练速度快，被成功应用于很多领域。但小波神经网络属于前馈网络结构，不能很好的处理动态问题，网络易出现过拟合或欠拟合现象[4]。自回归小波神经网络（Self-recurrent wavelet neural networks，SRWNN）是在小波神经网络基础上发展出来的反馈网络，泛化能力和动态仿真能力更好，收敛速度更快，且能以较高的精度实现函数逼近和系统辨识。基于以上分析，本文采用自回归小波神经网络建立目标威胁评估模型，使网络输出不断逼近期望输出。仿真结果表明，与WNN相比，本文提出的算法在威胁评估上具有更好的可靠性和准确性。
　　1 SRWNN模型
　　自回归小波神经网络（SRWNN）将递归神经网络（Recurrent Neural Net RNN）和WNN相结合，在识别、评估和控制非线性系统方面，具有稳定性高及收敛速度快等优势。SRWNN网络结构共为四层，输入层、乘积层、输出层及由自反馈神经元组成的母小波层，由于能储存小波上一步信息与控制环境的快速变化，因此SRWNN结构简单于WNN。自回归小波神经网络输入端有个节点，输出端有一个节点，母小波的个数为个。第一层是输入层，把输入进来的变量直接传递到下一层，第二层是母小波层，每个节点包含一个母小波和自反馈环，小波母函数选择高斯小波为：
　　2 SRWNN学习算法
　　神经网络在学习过程中，为了使得实际输出更接近期望输出，需要不停的调整网络权值，本文使用动态梯度下降法对SRWNN的权值进行调整。当网络在离散时间时，令期望输出和实际输出分别为和，可计算其网络误差为：
　　3 仿真结果与验证
　　SRWNN一共有四层，输入与输出分别为六维和一维，所以SRWNN结构为6-5-5-1，即输入层为6个节点，分别对应目标的类型、速度、航向角、干扰能力、相对高度、相对距离6个因素的隶属度数值，小波层有5个神经元，每个神经元有6个节点，乘积层有5个节点，输出层为1个节点，输出为预测目标威胁值。学习速率设置为0.01，迭代次数设置为100次。
　　因为小波算法的初始输入是随机的，因此每一次仿真的结果都不一样。为验证SRWNN比WNN优越，本文采用两种建模方法分别进行MATLAB仿真，目标威胁值的预测结果见表1。
　　从表1经计算得知，SRWNN与WNN两种结构的平均误差分别为0.0977和0.1440，通过图1和图2也可以看出，SRWNN比WNN绝对误差值与绝对百分比误差更小，因此，SRWNN具有更好的预测效果。通过图3可以看出，SRWNN能更好的逼近期望输出，而且性能更稳定，再一次证明了自回归小波神经网络目标威胁评估模型的优越性和准确性。
　　4 结语
　　空中目标威胁度评估是未来空战数据融合亟需解决的重要问题，随着电子、控制等技术的迅速发展，武器设备复杂性越来越高，战场环境瞬息万变，传统评估方法多为依据专家经验的定性分析，较大程度上引入了人为因素，无法反应出实际情况。本文采用自回归小波神经网络对目标威胁的主要性能指标进行建模，在最大程度上反映了战时环境下的真实情况，仿真结果表明，SRWNN算法提高了系统的稳定性，加快了收敛速度，增强了预测精度，可以作为空中目标威胁评估技术的一种尝试。
　　参考文献
　　[1] Yongchun Wang，Xudong Miao.Intuitionistic Fuzzy Perceiving Methods for Situation and Threat Assessment[C]∥Proc of IEEE Int Conf on Fuzzy Systems and Knowledge Discovery Sichuan，2012：578-582.
　　[2] 张永利，计文平，刘楠楠.基于熵权-TOPSIS-灰色关联的目标威胁评估研究[J].现代防御技术，2016，44（01）：72-78. 　　[3] Yi Wang，Yuan Sun，JiYing Li，et al.Air Defense Threat Assessment Based on Dynamic Bayesian Network[C]Proc of IEEE IntConf on Systems and Informatics，Yantai，2012：721-724.
　　[4] Sung Jin Yoo，Jin Bae Park，Yoon Ho Chio.Indirect adaptive learning rates[J].Information Sciences，2007，177（15）：3074-3098.
　　Abstract：Aiming at the characteristics of the non-linearity of the target threat assessment system in air combat and the difficulty of evaluation， an aerial target threat assessment method based on self-recurrent wavelet neural network was proposed. The SRWNN model is combined with the attractor dynamics of recursive neural network and the characteristics of fast convergence of WNN. The SRWNN model was established， and the parameter optimization learning algorithm of SRWNN was proposed to achieve the purpose of enhancing the self-learning ability. By analyzing the influencing factors of threat assessment， the program design of air target threat assessment algorithm based on SRWNN is given. Simulation results show that compared with WNN， this algorithm improves the stability of the system， speeds up the convergence speed， and enhances the prediction accuracy.
　　Key words：target threat assessment; neural network; wavelet neural network; self-recurrent wavelet neural network
转载注明来源:https://www.xzbu.com/8/view-15232936.htm