基于深度学习的空中目标威胁评估方法

doi:10.16182/j.issn1004731x.joss.21-0080

摘要/Abstract

摘要：

针对空中目标威胁评估因素多、现有评估方法缺乏自学习能力的问题，采用深度学习理论建立了空中目标威胁评估的深层神经网络模型。为了提升模型训练的拟合效果，提出采用对称式的预训练方法，逐层地对模型中的隐含层进行预训练，最后对模型进行整体训练。分别通过样本测试集和空空仿真场景进行验证测试，结果表明：采用对称预训练方法，模型的威胁评估准确率高于其他三种预初始化方法；模型具有较好的鲁棒性，在无噪声下准确率大于90%，10%的正态噪声下，准确率大于70%。

关键词: 空中目标, 威胁评估, 深度学习, 对称式预训练

Abstract:

Due to many factors of aerial target threat assessment and the lack of self-learning ability of current assessment methods, a deep neural network model for aerial target threat assessment is established using deep learning theory. In order to improve the fitting effect of the model training, a symmetric pre-training method is given. The hidden layers of the model are pre-trained layer by layer, and finally the whole model is trained. Sample data and air to air simulation scene experiments are carried out respectively. The experiments results show that the accuracy of the model using the symmetric pre-training method is higher than the other three initialization methods. The accuracy of the model is more than 90% without noise and more than 70% under 10% normal noise, which shows its better robustness.

Key words: aerial target, threat assessment, deep learning, symmetrical pre-training

中图分类号:

TP391.9

柴慧敏, 张勇, 李欣粤, 宋雅楠. 基于深度学习的空中目标威胁评估方法[J]. 系统仿真学报, 2022, 34(7): 1459-1467.

Huimin Chai, Yong Zhang, Xinyue Li, Yanan Song. Aerial Target Threat Assessment Method based on Deep Learning[J]. Journal of System Simulation, 2022, 34(7): 1459-1467.

图/表 10

图1

图2

图3

图4

图5

表 1

表 2

表 3

表 4

图6

参考文献 18

1	赵宗贵, 李君灵. 信息融合发展沿革与技术动态[J]. 指挥信息系统与技术, 2017, 8(1): 1-8.
	Zhao Zonggui, Li Junling. Development Evolution and Technological Trend of Information Fusion[J]. Command Information System and Technology, 2017, 8(1): 1-8.
2	张怿颋, 杨刚, 孟海波, 等. 基于熵-AHP融合的空袭目标威胁度量与排序[J]. 遥测遥控, 2020, 41(5): 57-64.
	Zhang Yiting, Yang Gang, Meng Haibo, et al. Threat Measurement and Sequencing of Air Raid Targets Based on Entropy Method Fused with AHP[J]. Journal of Telemetry, Tracking and Command, 2020, 41(5): 57-64.
3	孙和强, 赵国林, 唐飞飞, 等. 电子对抗无人机作战目标威胁评估[J]. 舰船电子对抗, 2020, 43(5): 34-37.
	Sun Heqiang, Zhao Guolin, Tang Feifei, et al. Threat Evaluation of Operational Target of ECM UAV[J]. Shipboard Electronic Countermeasure, 2020, 43(5): 34-37.
4	李凤华, 李勇俊, 杨正坤, 等. 不完全信息下的威胁处置效果模糊评估[J]. 通信学报, 2019, 40(4): 117-127.
	Li Fenghua, Li Yongjun, Yang Zhengkun, et al. Fuzzy Evaluation for Response Effectiveness in Cases of Incomplete Information[J]. Journal of Communications, 2019, 40(4): 117-127.
5	嵩兴华, 陆勤夫, 关锦生, 等. 基于GAHP-模糊综合评价的南海方向潜艇威胁评估[J]. 指挥控制与仿真, 2014, 36(5): 72-76.
	Hao Xinghua, Lu Qinfu, Guan Jinsheng, et al. Submarine Threat Assessment on the Direction of the South China Sea Based on Group Analytic Hierarchy Process and Fuzzy Comprehensive Evaluation[J]. Command Control & Simulation, 2014, 36(5): 72-76.
6	陈德江, 王君, 张浩为, 等. 基于直觉模糊多属性决策的动态威胁评估模型[J]. 计算机科学, 2019, 46(4): 183-188.
	Chen Dejiang, Wang Jun, Zhang Haowei. Dynamic Threat Assessment Model Based on Intuitionistic Fuzzy Multiple Attribute Decision Making[J]. Computer Science, 2019, 46(4): 183-188.
7	董鹏宇, 王红卫, 陈游. 区间条件下基于GRA和TOPSIS的辐射源威胁评估[J/OL]. 控制与决策, 2020, .
	Dong Pengyu, Wang Hongwei, Chen You. Combining TOPSIS and GRA for Emitter Threat Evaluation with interval numbers[J/OL]. Control and Decision, 2020, .
8	徐克虎, 张明双, 李灵芝, 等. 基于区间变权灰色关联法的集群目标威胁评估[J]. 电光与控制, 2019, 26(12): 6-11.
	Xu Kehu, Zhang Mingshuang, Li Lingzhi, et al. Cluster Target Threat Assessment Based on Interval Variable Weight Grey Correlation Method[J]. Eletronics Optics & Control, 2019, 26(12): 6-11.
9	孙云柯, 方志耕, 陈项. 基于动态灰色主成分分析的多时刻威胁评估[J/OL]. 系统工程与电子技术, 2020, .
	Sun Yunke, Fang Zhigeng, Chen Xiang. Threat Assessment Model Based on Dynamic Grey Principal Component Analysis and Multi-time Fusion[J/OL]. Systems Engineering and Electronics, 2020, .
10	郭圣明, 贺筱媛, 吴琳, 等. 基于强制稀疏自编码神经网络的作战态势评估方法研究[J]. 系统仿真学报, 2018, 30(3): 772-784, 800.
	Guo Shengming, He Xiaoyuan, Wu Lin, et al. Situation Assessment Approach for Air Defense Operation System Based on Force-Sparsed Stacked-Auto Encoding Neural Networks[J]. 2018, 30(3): 772-784, 800.
11	张晓海, 操新文. 基于深度学习的军事智能决策支持系统[J]. 指挥控制与仿真, 2018, 40(2): 1-7.
	Zhang Xiaohai, Cao Xinwen. Military Intelligent Decision Support Systems Based on Deep Learning[J]. Command Control & Simulation, 2018, 40(2): 1-7.
12	朱丰, 胡晓峰, 吴琳, 等. 基于深度学习的战场态势高级理解模拟方法[J]. 火力与指挥控制, 2018, 43(8): 25-30.
	Zhu Feng, Hu Xiaofeng, Wu Lin, et al. Simulation Method of Battlefields Situation Senior Comprehension Based on Deep Learning[J]. Fire Control & Command Control, 2018, 43(8): 25-30.
13	Glorot Xavier, Bengio Yoshua. Understanding the Difficulty of Training Deep Feedforward Neural Networks[C]//13th International Conference on Artificial Intelligence and Statistics 2010. Chia Laguna Resort, Sardinia, Italy,: 249-256.
14	Hinton G E, Osindero S, Teh Y W. A Fast Learning Algorithm for Deep Belief Nets[J]. Neural Computation (S0899-7667), 2006, 18(7): 1527-1554.
15	LeCun Y, Bengio Y, Hinton G. Deep learning[J]. Nature (S1476-4687), 2015, 521(7553): 436-444. Print ISSN.
16	孙辉辉, 胡春鹤, 张军国, 等. 移动机器人运动规划中的深度强化学习[J/OL]. 控制与决策, 2021, .
	Sun Huihui, Hu Chunhe, Zhang Junguo, et al. Deep Reinforcement Learning for Motion Planning of Mobile Robots[J/OL]. Control and Decision, 2021, .
17	杨路辉, 刘光杰, 翟江涛, 等. 一种改进的卷积神经网络恶意域名检测算法[J]. 西安电子科技大学学报, 2020, 47(1): 37-43.
	Yang Luhui, Liu Guangjie, Zhai Jiangtao, et al. Improved Algorithm for Detection of the Malicious Domain Name Based on the Convolutional Neural Network[J]. Journal of Xidian University, 2020, 47(1): 37-43.
18	胡琦瑶, 杨皓文, 王佳欣, 等. 基于弱监督深度学习的图像检索技术研究[J]. 西北大学学报(自然科学版), 2020, 50(5): 793-801.
	Hu Qiyao, Yang Haowen, Wang Jiaxin, et al. Research on Image Retrieval Based on Weakly-supervised Deep Learning[J]. Journal of Northwest University(Natural Science Edition), 2020, 50(5): 793-801.

参数	值
输入层神经元个数	4
隐含层层数	5
各隐含层神经元个数	第一层隐含层12
	第二层隐含层11
	第三层隐含层10
	第四层隐含层9
	第五层隐含层25
输出层神经元个数	8
隐含层/输出层激活函数	Sigmoid

参数	值
训练样本总数量	18 000
最大迭代次数	600
每个batch中训练样本个数	100
测试样本数量	2 000

模型参数初始化方法	威胁等级准确率
本文	96.7
1	35.6
2	36.0
3	35.9

测试样本集	威胁等级准确率
未加噪声	96.7
加入5%正态噪声	90.1
加入10%正态噪声	73.5
加入15%正态噪声	61.2

[1]	仝卫国, 曾世超, 张立峰, 侯哲, 郭佳跃. 基于深度残差神经网络的电阻层析成像及流型辨识方法[J]. 系统仿真学报, 2022, 34(9): 2028-2036.
[2]	康旭, 张晓峰. 基于生成对抗神经网络的雷达遥感数据增广方法[J]. 系统仿真学报, 2022, 34(4): 920-927.
[3]	林硕, 安磊, 高治军, 单丹, 尚文利. 结合栈式自编码及长短时记忆的入侵检测研究[J]. 系统仿真学报, 2021, 33(6): 1288-1296.
[4]	程文聪, 史小康, 王志刚. 基于生成对抗网络的仿真卫星云图生成方法[J]. 系统仿真学报, 2021, 33(6): 1297-1306.
[5]	董书琴, 张斌. 面向不平衡数据的网络流量异常检测方法[J]. 系统仿真学报, 2021, 33(3): 679-689.
[6]	王霄汉, 张霖, 任磊, 谢堃钰, 王昆玉, 叶飞, 陈真. 基于强化学习的车间调度问题研究简述[J]. 系统仿真学报, 2021, 33(12): 2782-2791.
[7]	王步维, 王敏, 范谦, 王雅男, 章涵文, 乐云亮. 基于深度学习的晶体性质预测研究[J]. 系统仿真学报, 2021, 33(12): 2854-2863.
[8]	冯晓, 张辉, 周蕊, 乔璐, 魏东, 李丹丹, 张玉尧, 郑国清. 基于深度学习和籽粒双面特征的玉米品种识别[J]. 系统仿真学报, 2021, 33(12): 2983-2991.
[9]	杜金莲, 李淑飞, 金雪云. 三维烟雾流场超分辨率数据生成网络模型的研究[J]. 系统仿真学报, 2021, 33(10): 2381-2389.
[10]	刘胜利, 王刚. 基于雷达图的空袭目标突防航路威胁评估[J]. 系统仿真学报, 2021, 33(1): 196-204.
[11]	刘瑞军, 王向上, 张晨, 章博华. 基于深度学习的视觉SLAM综述[J]. 系统仿真学报, 2020, 32(7): 1244-1256.
[12]	阴敬方, 朱登明, 石敏, 王兆其. 基于引导对抗网络的人体深度图像修补方法[J]. 系统仿真学报, 2020, 32(7): 1312-1321.
[13]	戢晓峰, 戈艺澄. 基于深度学习的节假日高速公路交通流预测方法[J]. 系统仿真学报, 2020, 32(6): 1164-1171.
[14]	孔锐, 谢玮, 雷泰. 基于神经网络的图像描述方法研究[J]. 系统仿真学报, 2020, 32(4): 601-611.
[15]	秦胜伟, 李重, 李金锋, 陈梓浩, 丁靖骞, 刘万顺. 校园漫游互动AR系统设计与实现[J]. 系统仿真学报, 2019, 31(7): 1367-1376.