一种多域战场态势评估与威胁排序方法技术

本发明专利技术公开了一种多域战场态势评估与威胁排序方法，属于态势评估技术领域，该方法包括建立战场态势信息模型、计算敌方目标对象的相似度、敌方目标对象分群、装订多域作战场景参数等步骤。通过分析多域作战环境敌方战场态势信息，设置描述敌战术行为的相似性度量，运用改进的K

【技术实现步骤摘要】
一种多域战场态势评估与威胁排序方法


[0001]本专利技术属于态势评估
，尤其涉及一种多域战场态势评估与威胁排序方法。

技术介绍

[0002]未来作战力量将致力于构建多域全时任务循环系统，新系统与当今数字化指挥控制体制截然不同，新的任务循环模式将打破任务规划优化性与动态性的平衡。在联合多域指挥控作战过程中，态势评估是军事情报决策过程中的关键环节，对敌来袭目标态势进行快速评估和威胁排序处理，准确感知战场态势，将有利于我方决策作战方案，为赢得战争创造先机。
[0003]态势评估是在一定的时间和空间范围内感知环境中的元素，理解其含义并预测其不久的将来的状态。态势评估可根据层次结构分为三级：一级态势评估指感知环境中的元素、状态、属性及动态；二级态势评估指理解当前态势，需运用相关领域知识对一级态势分散的元素进行融合；三级态势评估指预测未来行动，需要系统具备预测环境中元素未来行动的能力。一般地，上一级态势评估是下一级态势评估的基础和依据。
[0004]当前，态势评估方法多围绕第一级态势评估开展，实现方法主要是目标分群。目标分群的基本思想是基于融合格式化信息，自底向上逐层分解，根据一定的知识及原则，对所描述态势信息进行划分归类，目标分群也可称为目标聚类。经过目标分群，零散的态势信息形成自底向上的抽象逻辑层级，一般目标抽象层级可分为：目标对象、空间群、功能群、相互作用群和敌/我/中属性群。
[0005]在目标分群中经常采用的方法包括，基于模板技术的神经网络分群算法、D
‑
S证据理论中的证据推理算法、基于贝叶斯网络提取网络各态势要素、基于划分的K
‑
means聚类算法，基于层次的CURE算法以及基于密度的DBSCAN算法等。
[0006]聚类算法常用于态势分析，在低等级数据融合范畴已大量应用于情报冲突的消除，实现多传感器融合。但聚类算法应用于高层次作战任务集群聚类时面临如下问题：(1)绝大多数聚类算法无法处理混合性数据，即针对态势数据中连续型，二值类数据，未经划分算法无法直接处理；(2)聚类算法初始状态随机给定，且搜索指向同样具有很大随机性，聚类算法固有特性引起计算收敛稳定性问题；(3)绝大多数聚类算法难以自主确定运算终止条件，聚类算法终止结果往往需要人工干预。
[0007]运用模板技术解决目标分群问题，本质上属于监督的学习方法。采用基于模板技术的目标分群具有分群精度高，结果可解释性强的优点。但其缺点是：(1)模板订制与训练是一项非常繁杂耗时的工程，技术原理复杂，参数训练周期长；(2)训练前期必须积累大量标签化高质量数据，数据产生依赖高精度数学仿真模型；(3)模板技术用于目标分群推广使用具有较高难度。
[0008]上述因素严重制约了先进算法在态势分析与威胁评估现实场景中的应用。面对近期不断涌现的多域作战概念，指挥人员在决策时需更加关注联合机动编队和舰艇编队的行为，面对大量作战目标实体的战场态势，指挥人员很难根据这些原始信息快速形成对战场
态势的理解，传统依靠指挥官人工判读原始态势信息已成为提升指挥决策能力的严重瓶颈。

技术实现思路

[0009]本专利技术提出的一种多域战场态势评估与威胁排序方法可以工作在恒压恒流双模式下，有效的解决因功率过大易触发过流保护，导致电源模块无输出、以及重复启动的现象。
[0010]为达到上述目的，本专利技术的实施例采用如下技术方案：
[0011]一种多域战场态势评估与威胁排序方法，其特征在于，包括如下步骤：
[0012](1)建立战场态势信息模型：基于敌方的目标类型、位置、高度、航向角、速度和时间信息，建立多个敌方目标对象的状态信息集合；
[0013](2)计算敌方目标对象的相似度：建立基于空间位置相似性度量、航向相似性度量、速度相似性度量和目标类型相似性度量的权重计算方法，计算多个敌方目标对象的相似度数值；
[0014](3)敌方目标对象分群：采用改进的K
‑
means聚类算法实现敌方目标对象的分群；
[0015](4)装订多域作战场景参数：确定威胁范围、资产临界范围、威胁类型和武器装备性能的数据参数；
[0016](5)拦截关键威胁判定：计算敌方目标对象的预测拦截点和预测拦截时间，判断预测拦截点是否落在资产临界范围、并判断在该目标对象的预测拦截时间内是否只能由平台当前的武器发射阶段实施，当预测拦截点落在资产临界范围内且该目标对象的拦截只能由平台当前的武器发射阶段实施时，则判断该目标对象为拦截关键威胁；
[0017](6)威胁度等级排序：运用层级分析方法，依次对敌方目标对象的威胁度进行排序。
[0018]优选的，所述状态信息集合(S)的表达式为：
[0019][0020]其中：a
mn
代表第m个敌方作战单位在n时间点上的状态值。
[0021]优选的，所述计算敌方目标对象的相似度采用如下计算公式：
[0022][0023]其中：
[0024]w
k
为第k个变量的识别权重，四个识别权重之和为1；
[0025]d
ij(1)
为空间位置相似性度量，空间位置相似性度量采用两观测目标之间的欧几里何距离表达方法计算：
[0026][0027]其中：p
ik
为第i个目标的第k个空间位置坐标；
[0028]d
ij(2)
为航向相似性度量，航向相似性度量采用曼哈顿距离计算方法计算：
[0029][0030]其中：c
ik
为第i个目标的第k个航向角；
[0031]d
ij(3)
为速度相似性度量，速度相似性度量通过以下公式所表现的两观测目标速率差的绝对值确定：
[0032][0033]d
ij(4)
为目标类型相似性度量，目标类型相似性度量采用两观测目标的目标类型优先级差的绝对值确定：
[0034][0035]其中，为第个目标的目标类型优先级参数。
[0036]优选的，所述改进的K
‑
means聚类算法包括如下计算步骤：
[0037](1)输入包含m个对象的样本集，并给定聚类数目N和迭代收敛条件ε；
[0038](2)给定评估参数：允许的最大编队内部平面几何距离D
inner
和最大编队成员数N
member
；
[0039](3)初始化聚类中心：随机选取样本集的一个点作为第一个初始聚类中心c1；应用相似性度量公式，计算样本集中各点与现有聚类中心的距离D
ij
；根据每个样本点被选为下一个初始聚类中心的概率大小，来确定下一个初始聚类中心，概率的表达式为：
[0040][0041]其中，D
iv
(o
i
,c
v
)为第i个样本点到第v个聚类中心的距离，N为现有聚类中心的数目，根据上述公式求得概本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多域战场态势评估与威胁排序方法，其特征在于，包括如下步骤：(1)建立战场态势信息模型：基于敌方的目标类型、位置、高度、航向角、速度和时间信息，建立多个敌方目标对象的状态信息集合；(2)计算敌方目标对象的相似度：建立基于空间位置相似性度量、航向相似性度量、速度相似性度量和目标类型相似性度量的权重计算方法，计算多个敌方目标对象的相似度数值；(3)敌方目标对象分群：采用改进的K
‑
means聚类算法实现敌方目标对象的分群；(4)装订多域作战场景参数：确定威胁范围、资产临界范围、威胁类型和武器装备性能的数据参数；(5)拦截关键威胁判定：计算敌方目标对象的预测拦截点和预测拦截时间，判断预测拦截点是否落在资产临界范围、并判断在该目标对象的预测拦截时间内是否只能由平台当前的武器发射阶段实施，当预测拦截点落在资产临界范围内且该目标对象的拦截只能由平台当前的武器发射阶段实施时，则判断该目标对象为拦截关键威胁；(6)威胁度等级排序：运用层级分析方法，依次对敌方目标对象的威胁度进行排序。2.根据权利要求1所述的多域战场态势评估与威胁排序方法，其特征在于，所述状态信息集合(S)的表达式为：其中：a
mn
代表第m个敌方作战单位在n时间点上的状态值。3.根据权利要求1所述的多域战场态势评估与威胁排序方法，其特征在于，所述计算敌方目标对象的相似度采用如下计算公式：其中：w
k
为第k个变量的识别权重，四个识别权重之和为1；d
ij(1)
为空间位置相似性度量，空间位置相似性度量采用两观测目标之间的欧几里何距离表达方法计算：其中：p
ik
为第i个目标的第k个空间位置坐标；d
ij(2)
为航向相似性度量，航向相似性度量采用曼哈顿距离计算方法计算：其中：c
ik
为第i个目标的第k个航向角；d
ij(3)
为速度相似性度量，速度相似性度量通过以下公式所表现的两观测目标速率差的
绝对值确定：d
ij(4)
为目标类型相似性度量，目标类型相似性度量采用两观测目标的目标类型优先级差的绝对值确定：其中，e
i
为第个目标的目标类型优先级参数。4.根据权利要求1所述的多域战场态势评估与威胁排序方法，其特征在于，所述改进的K
‑
means聚类算法包括如下计算步骤：(1)输入包含m个对象的样本集，并给定聚类数目N和迭代收敛条件ε；(2)给定评估参数：允许的最大编队内部平面几何距离D
inner
和最大编队成员数N
member
；(3)初始化聚类中心：随机选取样本集的一个点作为第一个初始聚类中心c1；应用相似性度量公式，计算样本集中各点与现有聚类中心的距离D
ij
；根据每个样本点被选为下一个初始聚类中心的概率大小，来确定下一个初始聚类中心，概率的表达式为：其中，D
iv
(o
i
,c
v
)为第i个样本点到第v个聚类中心的距离，N为现有聚类中心的数目，根据上述公式求得概率值，运用轮盘法选取下一个初始聚类中心，重复上述过程，直至选取所有N个初始聚类中心(c1,c2,...,c
N
)；(4)用相似性度量公式，计算样本集中各点与现有聚类中心“距离”D
ij
；(5)按就近原则，将样本点o
i
划入“距离”最近的聚类中心代表的群中：(6)重新计算样本均值，即分别计算每个群C
v
内部所有样本点的各个属性值的算数平均值，得到新的均值点c
v
，将c
v
作为该群的新聚类中心，采用如下公式：其中，h
v
为群C
v
中的样本点个数，a
jl
为群C
v...

【专利技术属性】
技术研发人员：王光耀，高飞，郑世钰，程杰，赵英策，曾洁，
申请(专利权)人：中国航空工业集团公司沈阳飞机设计研究所，
类型：发明
国别省市：