鄧玉梅

(西安電子科技大學(xué) 電子信息攻防對(duì)抗與仿真重點(diǎn)實(shí)驗(yàn)室，陜西 西安 710071)

?

基于蟻群優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)目標(biāo)威脅估計(jì)方法

鄧玉梅

(西安電子科技大學(xué) 電子信息攻防對(duì)抗與仿真重點(diǎn)實(shí)驗(yàn)室，陜西 西安 710071)

摘要根據(jù)空中目標(biāo)威脅估計(jì)的特點(diǎn)，分析了基于BP神經(jīng)網(wǎng)絡(luò)的空中目標(biāo)威脅估計(jì)方法的不足。運(yùn)用蟻群優(yōu)化算法(ACO)的全局尋優(yōu)能力，對(duì)BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值進(jìn)行優(yōu)化，建立了改進(jìn)的BP (ACOBP)空中目標(biāo)威脅估計(jì)方法，解決了BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值的隨機(jī)性和網(wǎng)絡(luò)易陷入局部極小值的問(wèn)題，提高了算法的收斂速度。并采用30組訓(xùn)練樣本數(shù)據(jù)及8組測(cè)試數(shù)據(jù)，對(duì)算法的性能進(jìn)行了仿真分析。仿真結(jié)果表明，該算法估計(jì)結(jié)果準(zhǔn)確合理，收斂速度和收斂精度均優(yōu)于BP算法，證明了該方法的有效性。

關(guān)鍵詞威脅估計(jì)； BP神經(jīng)網(wǎng)絡(luò)； 全局優(yōu)化

現(xiàn)代防空作戰(zhàn)中，空襲往往采取多批次、多層次、連續(xù)飽和式的攻擊手段，作戰(zhàn)信息急劇膨脹。為有效地發(fā)揮防空武器系統(tǒng)的整體效能并有秩序地實(shí)施防空作戰(zhàn)，必須及時(shí)合理對(duì)空中目標(biāo)進(jìn)行威脅估計(jì)，才有助于做出合理的射擊決策[1]。因此，研究空中目標(biāo)威脅估計(jì)方法具有重要意義[2]。

空中目標(biāo)威脅估計(jì)方法有很多，如層次分析法[3]、D-S證據(jù)理論[4]、云模型理論[5]、貝葉斯網(wǎng)絡(luò)[6]、模糊集[7]和支持向量機(jī)[8]等。這些方法各有所長(zhǎng)，但其不能隨著作戰(zhàn)情況的變化靈活變化，適用性不高。誤差反向傳播(Back Propagation，BP)神經(jīng)網(wǎng)絡(luò)算法[9]有良好的非線(xiàn)性逼近特性、自適應(yīng)學(xué)習(xí)性，較好地對(duì)空中目標(biāo)威脅進(jìn)行估計(jì)，但BP網(wǎng)絡(luò)的初始權(quán)值選擇不當(dāng)，會(huì)造成網(wǎng)絡(luò)陷入局部極小點(diǎn)。

本文建立基于蟻群優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)空中目標(biāo)威脅估計(jì)方法，利用蟻群優(yōu)化(Ant Colony Optimization, ACO)算法[10]的全局尋優(yōu)能力，對(duì)BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行優(yōu)化。該算法排除了BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值確定之中的隨意性，加強(qiáng)網(wǎng)絡(luò)收斂速度。

1空中目標(biāo)威脅估計(jì)模型

空中目標(biāo)威脅程度由多種因素決定，粗略統(tǒng)計(jì)有20種。理論上講，考慮的因素越多，得到的結(jié)果越可信；但考慮的因素過(guò)多，則易產(chǎn)生組合爆炸，使處理過(guò)程復(fù)雜。所以，必須篩選適當(dāng)數(shù)量的相互之間聯(lián)系不緊密的主要因素作為估計(jì)指標(biāo)。參考國(guó)內(nèi)外文獻(xiàn)并結(jié)合實(shí)際作戰(zhàn)情況，本文建立的空中目標(biāo)威脅估計(jì)模型[11]如圖1所示。

圖1　空中目標(biāo)威脅估計(jì)指標(biāo)模型

各威脅指標(biāo)量綱不同、數(shù)值差異也較大，需用隸屬度函數(shù)對(duì)各指標(biāo)進(jìn)行預(yù)處理。

(1)目標(biāo)類(lèi)型。目標(biāo)類(lèi)型[12]按小型目標(biāo)、大型目標(biāo)、武裝直升機(jī)(武裝機(jī))依次量化0.8，0.5，0.3；

(2)飛行速度。飛行速度越大，表示目標(biāo)突破防御的可能性就越高，威脅程度越大，其隸屬度函數(shù)為

r(v)=1-eα|v|

(1)

式中，α=-0.005 s/m；v為目標(biāo)飛行速度；

(3)航路捷徑。依據(jù)射擊理論，目標(biāo)的航路捷徑越小，攻擊意圖越明顯，威脅越大，其隸屬度函數(shù)為

r(p)=e-k(p-a)2, -30≤p≤30

(2)

式中，k=5×10-3km-2，a=0 km，p為航路捷徑；

(4)目標(biāo)高度。目標(biāo)高度越低，則其被發(fā)現(xiàn)的概率越小，威脅越大。其隸屬度函數(shù)為

(3)

式中，k=10-2km-2；a=1 km；h為目標(biāo)飛行高度；

(5)目標(biāo)航向角。目標(biāo)航向角越小，攻擊意圖明顯，威脅越大；按0°～36°等間隔依次量化為0.9～0.1；

(6)電子對(duì)抗能力。電子對(duì)抗能力按強(qiáng)、中、弱、無(wú)依次量化為0.8，0.6，0.4，0.1。

2BP神經(jīng)網(wǎng)絡(luò)算法

BP神經(jīng)網(wǎng)絡(luò)算法(簡(jiǎn)稱(chēng)BP算法)的基本思想是，學(xué)習(xí)過(guò)程由信號(hào)的正向傳播與誤差的反向傳播兩個(gè)過(guò)程組成。正向傳播時(shí)，輸入樣本從輸入層傳入，逐層傳向輸出層。若輸出層的輸出與期望的輸出不符，則轉(zhuǎn)入誤差的方向傳播階段。誤差反傳是將輸出誤差以某種形式通過(guò)隱含層向輸入層逐層反傳，并以誤差信號(hào)為依據(jù)修正各單元權(quán)值。周而復(fù)始地進(jìn)行這兩個(gè)過(guò)程，一直進(jìn)行到滿(mǎn)足目標(biāo)誤差精度，或達(dá)到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。

BP算法權(quán)值調(diào)整計(jì)算公式為

ΔW=η(δXT)T

(4)

式中，η為學(xué)習(xí)速率；δ為本層輸出誤差；X為本層輸入信號(hào)。即BP算法中，各層權(quán)值調(diào)整式均由學(xué)習(xí)速率，本層輸出的誤差信號(hào)以及輸入信號(hào)這3個(gè)因素決定。

3基于蟻群優(yōu)化的BP算法

針對(duì)傳統(tǒng)BP算法的不足，本文用ACO算法對(duì)BP算法的初始權(quán)值進(jìn)行優(yōu)化，建立基于蟻群優(yōu)化的BP算法(簡(jiǎn)稱(chēng)ACOBP算法)。

ACO算法是模擬蟻群覓食行為而提出智能優(yōu)化算法，螞蟻之間尋找食物時(shí)通過(guò)信息素進(jìn)行通信，若該路徑越短其信息素濃度越大被選擇的概率越大，隨著時(shí)間的推移，越來(lái)越多的螞蟻聚集到較短的路徑上來(lái)，從而找到食物源到蟻巢的最短路徑。ACO算法是一種全局尋優(yōu)算法，具有較強(qiáng)的魯棒性、并行性等特點(diǎn)，能在較短的時(shí)間發(fā)現(xiàn)問(wèn)題的最優(yōu)解。

在ACOBP算法中，做以下假設(shè)，網(wǎng)絡(luò)權(quán)值分別記為q1,q2,…,qp，將其中任一參數(shù)qi(1,2,…，p)取值范圍劃分為N個(gè)子區(qū)間，形成集合Iqi，將每個(gè)子區(qū)間的邊界值作為臨時(shí)備選值，每個(gè)子區(qū)間中信息素為τj(Iqi)(t),j=1,2,…,N。若系統(tǒng)中螞蟻總數(shù)量為K，任何一只螞蟻k從集合Iqi中隨機(jī)選擇元素j的概率是

(5)

信息素更新的表達(dá)式為

(6)

式中，ρ(0<ρ<1)是信息素殘留系數(shù)；Q是常量，用于調(diào)整信息素的更新速度；ek是螞蟻k在集合里選擇出的元素作為BP網(wǎng)絡(luò)參數(shù)時(shí)各訓(xùn)練樣本的輸出誤差的最大值。ACOBP算法流程圖如圖2所示。

圖2　ACOBP算法流程圖

4仿真分析

為驗(yàn)證基于ACOBP空中目標(biāo)威脅估計(jì)方法的可行性，對(duì)其進(jìn)行仿真分析。仿真數(shù)據(jù)包含不同類(lèi)型和飛行條件的目標(biāo)，其中訓(xùn)練樣本30組，預(yù)測(cè)樣本8組，部分?jǐn)?shù)據(jù)如表1所示。

表1　測(cè)試樣本

樣本的期望值為[0.807,0.681,0.778,0.626,0.487,0.355,0.430,0.343] 。

分別用BP算法和ACOBP算法對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練和預(yù)測(cè)，結(jié)果如下圖所示。

圖3　BP和ACOBP訓(xùn)練過(guò)程的目標(biāo)誤差曲線(xiàn)

圖4　BP和ACOBP測(cè)試樣本網(wǎng)絡(luò)輸出與期望輸出

圖5　BP算法測(cè)試樣本的誤差

圖6　ACOBP算法測(cè)試樣本的誤差

對(duì)圖4中BP和ACOBP中測(cè)試樣本的網(wǎng)絡(luò)輸出即為估計(jì)的空中目標(biāo)威脅值，對(duì)估計(jì)結(jié)果進(jìn)行排序得T1>T3>T2>T4>T5>T7>T6>T8，均與期望的威脅排序結(jié)果一致，且網(wǎng)絡(luò)輸出與期望輸出具有較好的擬合。其中，目標(biāo)T1威脅最大，應(yīng)優(yōu)先分配火力攔截。由圖3知BP經(jīng)過(guò)800次訓(xùn)練達(dá)到目標(biāo)誤差精度要求，而ACOBP算法經(jīng)過(guò)368次訓(xùn)練可達(dá)到目標(biāo)誤差精度要求，ACOBP算法收斂速度更快。由圖5知，BP算法測(cè)試樣本的最大誤差為2.9%，最小誤差為0.2%，平均誤差為2.0%；由圖6知，ACOBP算法測(cè)試樣本的最大誤差為1.2%，最小誤差為0.1%，平均誤差為0.6%，ACOBP算法的精度更高。仿真結(jié)果表明，ACOBP算法應(yīng)用于空中目標(biāo)威脅估計(jì)比BP算法更快收斂速度快和更好的準(zhǔn)確性。

5結(jié)束語(yǔ)

空中目標(biāo)威脅估計(jì)就是根據(jù)的目標(biāo)類(lèi)型、飛行速度等威脅指標(biāo)量化目標(biāo)威脅程度的過(guò)程。本文結(jié)合防空作戰(zhàn)的特點(diǎn)，構(gòu)建了空中目標(biāo)威脅估計(jì)指標(biāo)模型，針對(duì)BP算法應(yīng)用于空中目標(biāo)威脅估計(jì)的不足，用ACO算法對(duì)其初始權(quán)值進(jìn)行優(yōu)化，建立了蟻群優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)算法，并對(duì)該算法進(jìn)行了仿真驗(yàn)證。仿真結(jié)果表明，改進(jìn)后算法有較優(yōu)的預(yù)測(cè)能力，更快的收斂速度和更高的準(zhǔn)確性，是一種有效的空中目標(biāo)威脅估計(jì)方法。該算法應(yīng)用于空中目標(biāo)威脅估計(jì)能為指揮決策人員提供科學(xué)合理的信息，以便指揮決策人員快速制定作戰(zhàn)方案，對(duì)我方贏得防御的主動(dòng)和有效保存作戰(zhàn)力量有現(xiàn)實(shí)意義。

參考文獻(xiàn)

[1]孔祥忠.戰(zhàn)場(chǎng)態(tài)勢(shì)估計(jì)和威脅估計(jì)[J].火力與指揮控制,2003,28(6):91-94.

[2]曹睿婷,章衛(wèi)國(guó),李廣文.基于多層次分析方法的目標(biāo)威脅估計(jì)研究[J].彈箭與制導(dǎo)學(xué)報(bào),2011,31(2): 30-32.

[3]王俊濤,李勇,尤志鋒,等.基于D-S證據(jù)理論的空中目標(biāo)威脅度排序模型[J].兵工自動(dòng)化,2007(12):18-19.

[4]麻士東,韓亮,龔光紅,等.基于云模型的目標(biāo)威脅等級(jí)評(píng)估[J].北京航空航天大學(xué)學(xué)報(bào),2010,36(2):150-153.

[5]史志富,郭曜華.機(jī)載光電系統(tǒng)目標(biāo)威脅估計(jì)的模糊貝葉斯網(wǎng)絡(luò)方法[J].傳感技術(shù)學(xué)報(bào),2011(11):1584-1589.

[6]JohanssonF,FalkmanG.Abayesiannetworkapproachtothreatevaluationwithapplicationtoanairdefensescenario[C].Taipei:Proceedingsofthe11thInternationalConferenceonInformationFusion,IEEE, 2008.

[7]李姜,郭立紅.基于改進(jìn)支持向量機(jī)的目標(biāo)威脅估計(jì)[J]. 光學(xué)精密工程,2014(5):1354-1362.

[8]羅艷春,郭立紅,王鳳仙,呂雪燕.基于神經(jīng)網(wǎng)絡(luò)的光電系統(tǒng)空中目標(biāo)威脅估計(jì)[J].計(jì)算機(jī)測(cè)量與控制,2008,16(2):212-214,217.

[9]DorigoM,GambardellaLM.Antcolonysystem:acooperativelearningapproachtothetravelingsalesmanproblem[J].IEEETransactionsonEvolutionaryComputation, 1997, 1(1): 53-66.

[10]MaoJianzhou,WangYanhui,XiaHuichengetal.Threatestimationmodelofairtargetbasedonpatternrecognition[C].Dalian:InternationalConferenceonSystemScienceandEngineering,IEEE,2012.

An Approach to Threat Assessment of Aerial Targets Based on BP Neural Network Algorithm Using Ant Colony Optimization

DENG Yumei

(Key Laboratory of Electronic Information Countermeasure and Simulation, Xidian University, Xi’an 710071, China)

AbstractOn the basis of the characteristics of aerial targets threat assessment, the weaknesses of BP neural network for aerial targets threat assessment are analyzed. By using the ant colony optimization (ACO) algorithm seeking global excellent result to optimize the random of BP algorithm, a new aerial targets threat assessment method is established and the ACOBP algorithm is achieved by the method, which overcomes the randomness of BP network initial weights, solves the problem lost in local minimum, and improves convergence speed of the network. Finally, the performance of the algorithm is analyzed. Simulation results show the ACOBP algorithm can estimate threat degree accurately and appropriately with faster convergence and better performance than the BP algorithm, proving that the ACOBP algorithm is an effective approach to threat assessment.

Keywordsthreat assessment; BP neural network; global optimization

收稿日期:2015- 11- 13

作者簡(jiǎn)介:鄧玉梅(1991-)，女，碩士研究生。研究方向：電子戰(zhàn)信號(hào)處理。

doi:10.16180/j.cnki.issn1007-7820.2016.07.010

中圖分類(lèi)號(hào)TP18

文獻(xiàn)標(biāo)識(shí)碼A

文章編號(hào)1007-7820(2016)07-033-04