【技术实现步骤摘要】
本专利技术涉及无人装备任务可靠性评估，特别是基于可重构杀伤网的无人装备体系任务可靠性评估方法。
技术介绍
1、近年来，随着无人装备体系在军事和其他领域的广泛应用，其任务执行的复杂性和智能化水平逐步提升。特别是在动态战场环境中，基于可重构杀伤网的无人装备体系因其灵活的任务分配能力和模块化重构特性，成为现代军事装备体系的重要组成部分。可重构杀伤网通过将多种无人装备以网络化形式集成，能够在复杂任务环境下实现协同作战，大幅提升任务完成的效率与精度。然而，由于无人装备体系通常需要在动态、敌对甚至极端环境下执行任务，其任务可靠性评估成为衡量系统性能与保障任务成功率的重要研究方向。现有的任务可靠性评估技术通常依赖于单一模态数据或静态分析方法，未能充分考虑无人装备体系在多模态动态环境中的复杂交互特性，尤其在基于可重构杀伤网体系下的任务可靠性评估中，现有技术在数据融合、动态建模及趋势预测方面尚有较大局限性。
2、现有技术在基于可重构杀伤网的无人装备体系任务可靠性评估中的不足主要体现在以下两点：其一，当前的可靠性评估方法通常基于简单的统计分析或规则推导，难以捕捉无人装备体系在动态环境下的任务可靠性变化特性。其二，在多模态数据融合过程中，现有方法未能充分利用多模态特征的重要性差异，导致融合效果较差，难以准确反映基于可重构杀伤网的无人装备体系任务可靠性趋势。此外，现有方法在预测任务的整体可靠性趋势及生成评估报告的自动化能力上，也存在较大的改进空间。例如，难以通过可靠性评分的历史数据预测未来任务可靠性的变化趋势，也无法根据评估趋势提供精确的决
技术实现思路
1、鉴于上述现有存在的问题，提出了本专利技术。
2、因此，本专利技术提供了一种基于可重构杀伤网的无人装备体系任务可靠性评估方法解决现有技术中动态环境下任务可靠性变化难以捕捉、多模态特征融合效果不足的问题。
3、为解决上述技术问题，本专利技术提供如下技术方案：
4、第一方面，本专利技术提供了一种基于可重构杀伤网的无人装备体系任务可靠性评估方法，其包括，采集多模态数据，对多模态数据进行预处理；基于预处理后的多模态数据，提取多模态特征，并利用多模态融合网络对多模态特征进行融合，生成高维环境特征向量；根据高维环境特征向量，预测任务的可靠性评分；根据任务可靠性评分，评估任务的整体可靠性趋势，并生成任务可靠性评估报告。
5、作为本专利技术所述基于可重构杀伤网的无人装备体系任务可靠性评估方法的一种优选方案，其中：所述多模态数据包括地形图像数据、天气数据和敌方动态数据。
6、作为本专利技术所述基于可重构杀伤网的无人装备体系任务可靠性评估方法的一种优选方案，其中：所述对多模态数据进行预处理，具体步骤如下：
7、采用高斯滤波，剔除地形图像中的噪点；
8、使用异常值检测，剔除天气数据中的缺失值和异常数据，并通过时间对齐算法，将天气数据统一到任务执行的时间轴；
9、采用归一化方法对敌方动态数据进行标准化处理。
10、作为本专利技术所述基于可重构杀伤网的无人装备体系任务可靠性评估方法的一种优选方案，其中：所述基于预处理后的多模态数据，提取多模态特征，具体步骤如下：
11、使用卷积神经网络对预处理后的地形图像进行卷积处理，提取地形特征；
12、通过统计分析法，提取预处理后的天气数据中的天气特征；
13、利用图神经网络，提取预处理后的敌方动态数据中的空间分布特征。
14、作为本专利技术所述基于可重构杀伤网的无人装备体系任务可靠性评估方法的一种优选方案，其中：所述利用多模态融合网络对多模态特征进行融合，生成高维环境特征向量，具体步骤如下：
15、使用零填充法对多模态特征进行维度对齐，并使用自注意力机制动态分配每个模态特征的重要性权重，表达式为：
16、
17、其中，αm是第m个模态特征的注意力权重，v注意力评分向量，um是第m个模态特征的注意力权重矩阵，vm是第m个模态特征对齐后的特征向量，bm是第m个模态的偏置向量，j表示所有模态特征在归一化过程中的索引变量，uj是归一化过程中的第j个模态特征的注意力权重矩阵，vj是归一化过程中的第j个模态特征对齐后的特征向量，bj是归一化过程中的第j个模态特征的偏置向量；
18、基于每个模态特征分配的注意力权重，利用注意力机制对多模态特征进行加权融合，生成高维环境特征向量，表达式为：
19、
20、其中，xe是高维环境特征向量，a是线性变换矩阵，x是多模态特征向量的集合，mean(x)表示多模态特征向量集合中所有元素的平均值，std(x)表示多模态特征向量集合中所有元素的标准差。
21、作为本专利技术所述基于可重构杀伤网的无人装备体系任务可靠性评估方法的一种优选方案，其中：所述根据高维环境特征向量，预测任务的可靠性评分，具体步骤如下：
22、基于lstm和transformer构建深度时序预测模型，将高维环境特征向量输入深度时序预测模型并结合激活函数，捕捉时间维度上的动态变化特性，预测任务的可靠性评分，表达式为：
23、r(t)＝σ(wo·relu(wff·transformer(lstm(xe(t-k:t))+dff)+do)；
24、其中，r(t)是当前时刻t的任务可靠性评分，xe(t-k:t)表示在t-k至t的时间窗口内的高维环境特征，σ是sigmoid激活函数，wo是全连接层的权重矩阵，wff是前馈神经网络的权重矩阵，dff是前馈神经网络的偏置向量，do是全连接层的偏置标量，k是时间窗口长度。
25、作为本专利技术所述基于可重构杀伤网的无人装备体系任务可靠性评估方法的一种优选方案，其中：所述基于lstm和transformer构建深度时序预测模型，具体步骤如下：
26、以lstm为基础，捕捉任务可靠性在时间维度上的动态变化特性，同时结合transformer结构提取长时间序列中的全局特征；
27、设置多层lstm单元，每个单元负责捕捉一段时间窗口内的局部时间依赖性，并以经过编码的时间序列作为lstm层的输出；
28、transformer层在lstm层输出的基础上采用多头自注意力机制，并通过前馈神经网络提取上下文信息和长期依赖关系；
29、通过全连接层融合lstm层和transformer层的输出，构建成为深度时序预测模型。
30、作为本专利技术所述基于可重构杀伤网的无人装备体系任务可靠性评估方法的一种优选方案，其中：所述根据任务可靠性评分，评估任务的整体可靠性趋势，并生成任务可靠性评估报告，具体步骤如下：
31、根据任务可靠性评分r(t)，获取任务可靠性评分的平均评分、极端值并结合角频率和相位偏移，预测任务的整体可靠性趋势的指标，表达式为：
32、
33、其中，f(t:t+k)是在未来时间段t至t+k内任务的整体可靠本文档来自技高网...
【技术保护点】
1.一种基于可重构杀伤网的无人装备体系任务可靠性评估方法，其特征在于：包括，
2.如权利要求1所述的基于可重构杀伤网的无人装备体系任务可靠性评估方法，其特征在于：所述多模态数据包括地形图像数据、天气数据和敌方动态数据。
3.如权利要求2所述的基于可重构杀伤网的无人装备体系任务可靠性评估方法，其特征在于：所述对多模态数据进行预处理，具体步骤如下：
4.如权利要求3所述的基于可重构杀伤网的无人装备体系任务可靠性评估方法，其特征在于：所述基于预处理后的多模态数据，提取多模态特征，具体步骤如下：
5.如权利要求4所述的基于可重构杀伤网的无人装备体系任务可靠性评估方法，其特征在于：所述利用多模态融合网络对多模态特征进行融合，生成高维环境特征向量，具体步骤如下：
6.如权利要求5所述的基于可重构杀伤网的无人装备体系任务可靠性评估方法，其特征在于：所述根据高维环境特征向量，预测任务的可靠性评分，具体步骤如下：
7.如权利要求6所述的基于可重构杀伤网的无人装备体系任务可靠性评估方法，其特征在于：所述基于LSTM和Transf
8.如权利要求6所述的基于可重构杀伤网的无人装备体系任务可靠性评估方法，其特征在于：所述根据任务可靠性评分，评估任务的整体可靠性趋势，并生成任务可靠性评估报告，具体步骤如下：
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1～8任一所述的基于可重构杀伤网的无人装备体系任务可靠性评估方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1～8任一所述的基于可重构杀伤网的无人装备体系任务可靠性评估方法的步骤。
...【技术特征摘要】
1.一种基于可重构杀伤网的无人装备体系任务可靠性评估方法，其特征在于：包括，
2.如权利要求1所述的基于可重构杀伤网的无人装备体系任务可靠性评估方法，其特征在于：所述多模态数据包括地形图像数据、天气数据和敌方动态数据。
3.如权利要求2所述的基于可重构杀伤网的无人装备体系任务可靠性评估方法，其特征在于：所述对多模态数据进行预处理，具体步骤如下：
4.如权利要求3所述的基于可重构杀伤网的无人装备体系任务可靠性评估方法，其特征在于：所述基于预处理后的多模态数据，提取多模态特征，具体步骤如下：
5.如权利要求4所述的基于可重构杀伤网的无人装备体系任务可靠性评估方法，其特征在于：所述利用多模态融合网络对多模态特征进行融合，生成高维环境特征向量，具体步骤如下：
6.如权利要求5所述的基于可重构杀伤网的无人装备体系任务可靠性评估方法，其特征在于：所述根据高...
【专利技术属性】
技术研发人员：赵刚，张航，钟京洋，张伟，
申请(专利权)人：西安保通防务科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。