基于RS-PCA的雷达导引头干扰效能评估指标体系约简方法技术

本发明专利技术公开了一种基于RS

【技术实现步骤摘要】
基于RS
‑
PCA的雷达导引头干扰效能评估指标体系约简方法


[0001]本专利技术属于干扰效能评估
，涉及一种基于RS
‑
PCA的反舰导弹雷达导引头干扰效能评估指标体系约简方法。

技术介绍

[0002]随着各种新技术的应用，反舰导弹雷达导引头的性能得到较大发展，对水面舰艇防空反导提出了更大挑战。为了有效应对反舰导弹的攻击，水面舰艇从电子对抗角度，也重点发展了有源干扰、无源干扰等软杀伤手段。在反舰导弹雷达导引头采取新体制及抗干扰措施情况下，电子对抗干扰手段是否有能力对其进行有效干扰，成为舰载电子对抗领域迫切需要解决的问题。
[0003]在复杂电磁环境下，舰载雷达对抗设备对反舰导弹雷达导引头的干扰效能评估是一个多指标综合评价的问题，但是，对反舰导弹雷达导引头的干扰效能评估一直没有一个统一的、权威的评估指标体系和方法。
[0004]国内外在对干扰效能评估方面做了许多工作，如美国主要应用概率准则对导弹武器系统效能进行评估，使得评估结果简单直观，著名的宙斯盾系统从导弹的全过程分析，以拦截概率作为评估指标。我国最初从实际作战场景出发，选取自卫距离、发现概率和压制系数等作为评估指标，随后又出现了许多指标来衡量对雷达的干扰效能。虽然现有的干扰效能评估指标体系不断完善，但是仍然存在以下不足：(1)将某几个指标进行简单组合形成效能评估指标体系，忽略了指标之间的内在联系；(2)部分指标计算繁琐，还有的指标具有不可测性。在构建指标体系时，为了更全面的评估对末制导雷达的干扰效果，会选择尽可能多的指标，导致信息冗余，增加做出正确决策的难度，影响评估结果的准确性。因此，需要对指标进行约简，在不影响信息系统分类能力的前提下去除不重要、不相关的多余指标，提高评估效率。
[0005]粗糙集(Rough Set，RS)约简方法逻辑性强，对定量和定性指标都适用，但是，一个决策信息系统的约简结果往往不唯一，如果根据经验在最终的约简结果中选择一组，会存在主观随意性。主成分分析法(Principal Component Analysis,PCA)是基于统计数据分析的特征筛选方法，评估结果完全依赖于统计数据，且无法解决信息的不确定性问题。基于此，本专利技术将粗糙集和主成分分析法相结合，对评估指标体系进行约简。首先利用粗糙集对指标体系进行约简，得到几组指标体系约简集；再利用主成分分析法选择其中贡献率最大的一组属性约简集，得到最终的约简结果。本专利技术的突出优点是有效解决了干扰效能评估过程中指标体系代表性弱和相关性强等问题，提高评价的客观性、科学性和可操作性。

技术实现思路

[0006]本专利技术的目的就是充分利用粗糙集方法和主成分分析法的优势，通过对雷达导引头干扰效能评估指标体系进行处理，约简出更加合理的干扰效能评估指标体系。其结果将直接影响对不同干扰措施在末制导雷达中的作用比较，间接影响舰载雷达对抗装备作战效
能的客观评估和改进，以及如何增强反舰导弹在复杂电磁环境中的作战能力。
[0007]本专利技术的技术方案为：
[0008]一种基于RS
‑
PCA的雷达导引头干扰效能评估指标体系约简方法，包括以下步骤：
[0009]第一步，构建指标体系原始数据表。
[0010]选取能够有效衡量干扰效能的指标，确定指标集C＝(c1,c2,
…
,c
n
)，并收集数据，形成n个指标数据作为待评估对象，即论域为U＝(u1,u2,
…
,u
n
)。综合指标集、论域和样本数据构建指标体系原始数据表。
[0011]第二步，样本数据离散化。
[0012]由于粗糙集无法直接对连续型指标进行处理，因此在应用粗糙集对指标进行约简前，需要对连续型指标数据进行离散化处理。
[0013]对于给定的信息系统S＝(U,A,V,f)，其中A为属性集，f为一个信息函数，设其值域为V
a
＝[l
a
,r
a
]，则在值域V
a
上任取一组断点l
a
<C
1a
<C
2a
<C
3a
<
…
<r
a
，将值域划分为m+1个区间,即V
a
＝[l
a
<C
1a
)∪[C
1a
<C
2a
)∪
…
[C
ma
<r
a
]，令f
w
表示离散后的函数，则离散化处理后的新信息系统S＝(U,A,V
w
,f
w
)。
[0014]数据离散化即为通过选取分割点来对属性的值域进行划分，利用少量的区间标记对连续属性值进行替换，减少和简化原始数据。常用的数据离散化方法主要包括等距离划分法、等频率划分法和聚类分析法等。本专利技术主要用K
‑
means离散化，其应用较为广泛，在聚类分析的过程中考虑了属性的数值和具体分布，因此，通过K
‑
means离散化算法得到的离散化结果具有较高质量。但是，该算法也需要提前给定划分的区间数。本专利技术样本数据离散化的具体过程如下：
[0015]根据经验公式k＝1+lgn/lg2(对结果四舍五入后取整)来确定划分区间数k，其中n为样本数据的个数。采用K
‑
means算法对定量指标的样本数据进行离散化处理，得到指标数据离散化结果；对于定性指标，一般由专家根据评估等级打分获得各指标的样本离散化数据。
[0016]所述K
‑
means离散化算法的具体过程如下：
[0017]K
‑
means离散化算法根据给定的区间数k(k<n)，从n个样本中随机获取k个数据作为初始聚类的重心，然后利用欧几里得距离对剩余所有数据进行聚类，将数据划分为k个簇；接着重新选定重心作为下一轮迭代的初始聚类重心，并按新的重心进行聚类运算，不断循环该过程，直到聚类结果不再变化，得到最终的离散结果。K
‑
means离散化算法使得簇内数据相似度较高，而簇间数据相似度较低。
[0018]第三步，去除重复指标。
[0019]观测比较指标数据离散化结果表，去除完全相同的指标重复列，对指标体系进行初步简化。
[0020]第四步，利用粗糙集进行约简。
[0021]运用粗糙集区分函数对指标体系进行约简，得到指标体系的核集和多种指标约简集；具体步骤如下：
[0022]第1步：根据公式(1)计算区分矩阵：设S＝(U,A,V,f)为一个信息系统，论域U＝{x1,x2,
…
,x
n
}，令信息系统S的区分矩阵为M，|U|＝本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于RS
‑
PCA的雷达导引头干扰效能评估指标体系约简方法，其特征在于，该方法包括以下步骤：第一步，构建指标体系原始数据表选取能够有效衡量干扰效能的指标，确定指标集C＝(c1,c2,
…
,c
n
)，并收集数据，形成n个指标数据作为待评估对象，即论域为U＝(u1,u2,
…
,u
n
)；综合指标集、论域和样本数据构建指标体系原始数据表；第二步，样本数据离散化根据经验公式k＝1+lgn/lg2来确定划分区间数k，其中n为样本数据的个数；采用K
‑
means算法对定量指标的样本数据进行离散化处理，得到指标数据离散化结果；对于定性指标，由专家根据评估等级打分获得各指标的样本离散化数据；第三步，去除重复指标观测比较指标数据离散化结果表，去除完全相同的指标重复列，对指标体系进行初步简化；第四步，利用粗糙集进行约简运用粗糙集区分函数对指标体系进行约简，得到指标体系的核集和多种指标约简集；第五步，利用主成分分析确定最优约简结果主成分分析法选择最优约简结果的步骤为：步骤1：将原始数据标准化如果原始数据集包含n个样本和p个指标变量，则将样本数据集X表示为一个n
×
p阶矩阵：利用公式(3)将原始数据标准化，使得标准化后的数据均值为0，方差为1：其中，x
it
为第i个样本的第t个指标的原始数据，z
it
为标准化处理后的第i个样本的第t个指标值，为第t个指标的样本平均值，σ
t
为第t个指标的样本标准差；步骤2：计算相关系数矩阵根据标准化后的数据，计算指标之间的相关系数矩阵R：其中，
步骤3：计算相关系数矩阵R的特征值和特征向量根据|R
‑
λI|＝0，计算得到特征根λ
t
，并按大小对其进行排序：λ1≥λ2≥
…
≥λ
p
，对应的单位特征向量为μ1,μ2,
…
,μ
p
；步骤4：计算主成分的方差贡献率和累积方差贡献率：第t个主成分的方差贡献率为：前t个主成分的累积方差贡献率为：步骤5：确定主成分个数要求各主成分对应的特征值均大于1，且满足累积贡献率达到70％的最小m0即为主成分个数；步骤6：确定各主成分函数根据式(8)得到各主成分函数：F
i
＝μ
i1
x1+μ
i2
x2+
...

【专利技术属性】
技术研发人员：刘松涛，葛杨，陈明荣，徐华志，王龙涛，王丽颖，
申请(专利权)人：中国人民解放军海军大连舰艇学院，
类型：发明
国别省市：