雷达抗干扰效能评估可信性度量实现方法技术

一种雷达抗干扰效能评估可信性度量实现方法，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。本发明专利技术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；在大多数武器系统效能评估中都能满足评估结果分析的需求。

【技术实现步骤摘要】
雷达抗干扰效能评估可信性度量实现方法
本专利技术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。
技术介绍
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。
技术实现思路
本专利技术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，本专利技术是通过以下技术方案实现的：本专利技术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。本专利技术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。本专利技术具体包括如下步骤：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，前面本专利技术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∈Rd表示输入，y∈{±l}表示目标输出(其中i＝1，…，N)。设最优超平面为ωTxi+b＝0，则权值向量ω和偏置b必须满足约束：yi(ωTxi+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类的不本文档来自技高网...

【技术保护点】
一种雷达抗干扰效能评估可信性度量实现方法，其特征在于，包括以下步骤：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,Cr

【技术特征摘要】
1.一种雷达抗干扰效能评估可信性度量实现方法，其特征在于，包括以下步骤：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)〉；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；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；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；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。2.根据权利要求1所述的实现方法，其特征是，所述的步骤A包括：①基于区间变量是在区间范围内均匀分布，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。3.根据权利要求2所述的实现方法，其特征是，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。4.根据权利要求2所述的实现方法，其特征是，当已知模糊变量的隶属度的情况下，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：5.根据权利要求2所述的实现方法，其特征是，在已知随机变量的概率空间情况下，直接将随机变量转换为区间变量。6.根据权利要求1所述的实现方法，其特征是，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：7.根据权利要求1所述的实现方法，其特征是，所述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...

【专利技术属性】
技术研发人员：李建勋，王军，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海,31