基于模糊推理神经网络的目标威胁评估方法

　　 [摘要]本文提出了将模糊推理神经网络应用于目标威胁评估问题的方法,该方法既保留了模糊系统和神经网络各自的优点,又克服了它们各自的不足。新方法具有自学习能力和推理能力,能避免评估过程中的随机性,网络的输入/输出关系容易以规则的形式抽取出来。仿真结果表明,新方法能有效地评估目标的威胁程度。 　　[关键词]模糊系统 神经网络 模糊推理神经网络 威胁 评估 　　 　　一、引言 　　威胁评估就是根据战场敌我双方的态势推断敌方对我方的威胁程度,是防空指挥自动化系统的一个重要组成部分,是火力分配和战术决策的前提,对指挥员准确地判断敌情、正确部署、调整和使用兵力有着举足轻重的作用。目前常用的威胁评估方法主要有:层次分析法、多属性决策法、专家系统方法、模糊理论、神经网络方法等。 　　本文将模糊理论和神经网络融合,取长补短,提出了基于模糊推理网络的目标威胁评估方法。该方法利用神经网络来实现模糊逻辑推理,使神经网络没有明确物理含义的权值被赋予了模糊逻辑中推理参数的含义,并且系统具有自学习能力。实验表明,新方法保留了模糊理论和神经网络各自的优势,较好地解决了各自存在的问题,能有效地评估目标的威胁程度。 　　二、影响目标威胁程度的因素 　　在防空作战中,往往需要用多个因素刻画空袭目标的本质与特征。对地空导弹武器系统而言,影响目标威胁程度的主要因素有: 　　(1)目标的航路捷径P。指对武器部署点或保卫要地的航路捷径。 　　(2)目标类型C。空袭兵器的类型不同,其飞行速度和攻击能力也不同,对要地或地域的威胁程度也不同。 　　(3)机动特性M。主要考虑高度上的机动。当发现目标机动,说明其攻击意图明确,威胁程度大。 　　(4)到达发射区近界的时间T。 　　(5)电子干扰E。 　　 　　三、模糊推理神经网络 　　 　　一个多输入多输出的模糊推理网络系统(FNNS),它由五层组成,可直接完成模糊化、模糊推理、模糊运算、去模糊化等操作。 　　1.网络结构 　　FNNS各层的内部结构如下: 　　2.学习算法 　　FNNS的自组织学习过程和监督学习过程如下: 　　 　　四、实验与分析 　　 　　在一次保卫要地的防空作战中,某地空导弹营的探测雷达发现空中有4批敌对目标对我保卫要地构成了威胁。已识别出4批目标的类型C分别为战术弹道导弹、巡航导弹、歼击轰炸机、武装直升机,且已测得各批目标当前时刻的航路捷径P、到达发射区近界的时间T、电子干扰能力E(已归一化)。各个目标的数据如表1所示。 　　表1 4批目标的数据 　　根据上述数据,分别构建一个含4个输入节点、1个输出节点的神经网络(3层BP网)和模糊推理网络(5层),并进行训练。将得到目标威胁程度W的评估结果如下: 　　(1)模糊推理网络:W��3�=0.92 > W��1�=0.63 > W��2�=0.59 > W��4�=0.57。即,目标3的威胁程度是最大的,目标4的威胁程度是最小的。 　　(2)神经网络:W��3�=0.89 > W��1�=0.64 > W��2�=0.59 > W��4�=0.58。 　　可见,评估结果与模糊推理网络的相同,只是具体数据有所差异。 　　 　　五、结论 　　本文将模糊理论与神经网络相结合,使用模糊推理神经网络评估目标的威胁程度。该方法利用神经网络来实现模糊逻辑推理,使神经网络没有明确物理含义的权值被赋予了模糊逻辑中推理参数的含义,使得规则容易抽取出来,并且系统具有自学习能力。仿真结果表明新方法能有效地评估目标的威胁程度。 　　 　　参考文献: 　　[1]王卫平,田志学,陈选社.威胁判断的层次――效用模型在防空雷达中的运用[J].现代雷达, 2005, 27(2): 8-14. 　　[2]曲长文,何友,马强.应用多属性决策的威胁评估方法[J].系统工程与电子技术, 2000, 22(5): 26-29. 　　 [3]刘玉全,李为民,王君.基于排列法的目标威胁评估模型[J].现代防御技术, 2004, 32(1): 20-23. 　　[4]余舟毅,陈宗基,周锐.基于贝叶斯网络的威胁等级评估算法研究[J].系统仿真学报, 2005, 17(3): 555-558. 　　[5]邓文运,尼喜.地面防空威胁估计模糊优化计算方法及使用[J].现代防御技术, 2001, 29(4): 9-11. 　　[6]潘红华,王建明,朱森等.目标威胁判断的模糊模式识别模型[J].兵工学报, 2004, 25(5): 576-580. 　　[7]王向华,覃征,刘宇等.径向基神经网络解决威胁排序问题[J].系统仿真学报, 2004, 16(7): 1576-1579. 　　[8]黎洪生,卓祯雨. ANFIS模糊神经推理机在故障诊断中的应用[J].控制工程, 2003, 10(2): 153-155. 　　[9]孙发东.基于模糊神经网络的自适应控制研究[D].西安理工大学. 2005. 　　[10]Li-Xin Wang. Stable Adaptive Fuzzy Control of Nonlinear Systems. IEEE TRANSACTIONS ON FUZZY SYSTEMS, VOL.1, NO.2, 1993.