基于深度学习的空中目标威胁评估技术研究

doi:10.16182/j.issn1004731x.joss.23-1323

摘要/Abstract

摘要：

为了实现对空中作战目标的有效评估，提出了一种基于深度学习的空中目标威胁评估方法。根据空中目标的威胁特性，从平台层和设备层2个角度出发，对电子对抗作战所面对的空中目标的威胁属性进行了分析，构建了空中目标威胁评估指标体系，并建立了空中目标威胁评估指标数据集。以卷积神经网络为基础，引入残差结构对该网络进行优化，建立了威胁评估模型，利用构建的指标数据集进行训练，得出空中目标的威胁排序。仿真实验表明：威胁评估方法准确率高，鲁棒性强，具有较好的适用性和有效性，为威胁评估提供了一种新思路。

关键词: 电子对抗, 威胁评估, 深度学习, 残差网络, 残差卷积自编码器

Abstract:

In order to realize the effective assessment of air combat targets, a deep learning-based air target threat assessment method is proposed. According to threat characteristics of the air target, the threat attributes of air target faced by electronic countermeasure operation are analyzed from the two perspectives of platform layer and equipment layer, the air target threat assessment index system is constructed, and the air target threat assessment index data set is established. Based on convolutional neural network, a residual structure is introduced to optimize the network, a threat assessment model is established, and the threat ranking of air targets is obtained by using the constructed index data set for training. Through simulation and experimental results, it is verified that the proposed threat assessment method has high accuracy, strong robustness, good applicability and effectiveness, which provides a new idea for threat assessment.

Key words: electronic countermeasure, threat assessment, deep learning, residual network, residual convolutional auto-encoder

中图分类号:

TP391.9

江达伟,董阳阳,张立东等 . 基于深度学习的空中目标威胁评估技术研究[J]. 系统仿真学报, 2025, 37(3): 791-802.

Jiang Dawei,Dong Yangyang,Zhang Lidong,et al . Research on Air Target Threat Assessment Technology Based on Deep Learning[J]. Journal of System Simulation, 2025, 37(3): 791-802.

图/表 13

表1

图1

图2

图3

图4

表2

空中目标原始参数信息

参数	目标1		目标2	目标3		目标4	目标5	目标6
威胁等级	3		2	1		2	3	0
类型	战斗机		轰炸机	预警机		电子战机	战斗机	直升机
最大瞬时转弯角速度/ $(°) / s$	13		5	7		9	17	5
最大瞬时加速度/ $g$	3.5		0.9	1.2		1.4	3	0.5
最大瞬时爬升率/( $m / s$ )	180		45	40		60	150	15
火力攻击能力	强		强	较差		一般	较强	一般
电磁干扰攻击能力	较差		较差	一般		强	一般	差
最大飞行高度/km	18		20	15		12	15	2
最大飞行速度/(m/s)	700		550	610		480	650	220
最大作战半径/km	1 500		2 000	1 800		1 200	1 550	500
RCS/ $m 2$	0.5		5	9		7	1	15
雷达主要功能	武器控制		武器控制	警戒引导		侦察	武器控制	其它
雷达最大探测距离/km	1 000		700	3 000		2 400	800	200
雷达距离分辨力/m	2		20	5		1	3	30
雷达方位分辨力/(°)	0.2		0.5	0.3		0.1	0.4	2
雷达速度分辨力(m/s)	2		20	10		5	8	30
雷达工作体制	相控阵		全相参	连续波		相控阵	单脉冲	连续波
雷达抗干扰措施	副瓣抑制、恒虚警、脉冲压缩	频率分集、极化可变		频率分集、极化可变	频率捷变、副瓣抑制、恒虚警		恒虚警、MTD	频率分集

表2

表3

图5

图6

图7

图8

表4

空中目标回归模型评判指标计算结果

数据集	RMSE	MAPE	$R 2$
训练集	0.006 3	0.009 8	0.992 0
测试集	0.0082	0.0109	0.989 3

表4

表5

模型评判指标计算结果对比

指标	RMSE	MAPE	$R 2$
R-CNN	0.006 3	0.009 8	0.992 0
ResNet18	0.008 2	0.010 9	0.989 3
CNN	0.013 9	0.018 9	0.962 4

表5

参考文献 19

1	柴慧敏, 张勇, 李欣粤, 等. 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.
	Chai Huimin, Zhang Yong, Li Xinyue, et al. Aerial Target Threat Assessment Method Based on Deep Learning[J]. Journal of System Simulation, 2022, 34(7): 1459-1467.
2	徐克虎, 孔德鹏, 王国胜, 等. 陆战目标威胁评估方法及其应用[M]. 北京: 北京理工大学出版社, 2012.
	Xu Kehu, Kong Depeng, Wang Guosheng, et al. Land War Target Threat Assessment Method and Its Application[M]. Beijing: Beijing Institute of Technology Press, 2012.
3	麻士东, 韩亮, 龚光红, 等. 基于云模型的目标威胁等级评估[J]. 北京航空航天大学学报, 2010, 36(2): 150-153, 179.
	Ma Shidong, Han Liang, Gong Guanghong, et al. Target Threat Assessment Technology Based on Cloud Model[J]. Journal of Beijing University of Aeronautics and Astronautics, 2010, 36(2): 150-153, 179.
4	邸若海, 高晓光. 模糊离散动态贝叶斯网络的目标威胁等级评估[J]. 火力与指挥控制, 2012, 37(4): 14-17.
	Di Ruohai, Gao Xiaoguang. The Threaten Grade Assessment Model of Target Based on Fuzzy Discrete Dynamic Bayesian Networks[J]. Fire Control & Command Control, 2012, 37(4): 14-17.
5	陈侠, 刘子龙. 基于模糊小波神经网络的空中目标威胁评估[J]. 战术导弹技术, 2018(3): 53-59.
	Chen Xia, Liu Zilong. Evaluation of Air Target Threat Based on Fuzzy Wavelet Neural Network[J]. Tactical Missile Technology, 2018(3): 53-59.
6	傅蔚阳, 刘以安, 薛松. 基于灰狼算法与小波神经网络的目标威胁评估[J]. 浙江大学学报(工学版), 2018, 52(4): 680-686.
	Fu Weiyang, Liu Yian, Xue Song. Target Threat Assessment Using Grey Wolf Optimization and Wavelet Neural Network[J]. Journal of Zhejiang University(Engineering Science), 2018, 52(4): 680-686.
7	奚之飞, 徐安, 寇英信, 等. 基于PCA-MPSO-ELM的空战目标威胁评估[J]. 航空学报, 2020, 41(9): 211-226.
	Xi Zhifei, Xu An, Kou Yingxin, et al. Target Threat Assessment in Air Combat Based on PCA-MPSO-ELM Algorithm[J]. Acta Aeronautica et Astronautica Sinica, 2020, 41(9): 211-226.
8	郭恩泽, 张洪德, 杨雷, 等. 基于改进残差网络的雷达辐射源信号识别[J]. 无线电工程, 2022, 52(12): 2178-2185.
	Guo Enze, Zhang Hongde, Yang Lei, et al. Radar Emitter Signal Recognition Based on Improved Residual Network[J]. Radio Engineering, 2022, 52(12): 2178-2185.
9	向崇文, 姜青山, 杨辉. 海上电子战目标威胁分析与评估[J]. 现代防御技术, 2016, 44(6): 148-154.
	Xiang Chongwen, Jiang Qingshan, Yang Hui. Threat Analysis and Assessment of Maritime Electronic Warfare Target[J]. Modern Defence Technology, 2016, 44(6): 148-154.
10	郑都民. 集群空战中的群威胁评估及目标分配关键技术研究[D]. 西安: 西安电子科技大学, 2020.
	Zheng Dumin. Key Technology Research of Group Threat Assessment and Target Allocation in Cluster Air Combat[D]. Xi'an: Xidian University, 2020.
11	付涛, 王军. 防空系统中空中目标威胁评估方法研究[J]. 指挥控制与仿真, 2016, 38(3): 63-69.
	Fu Tao, Wang Jun. Threat Assessment of Aerial Targets in Air-defense[J]. Command Control & Simulation, 2016, 38(3): 63-69.
12	丁鹭飞, 耿富录. 雷达原理[M]. 3版. 西安: 西安电子科技大学出版社, 2002.
	Ding Lufei, Geng Fulu. Principles of Radar[M]. 3rd ed. Xi'an: Xidian University Press, 2002.
13	崔国龙, 余显祥, 魏文强, 等. 认知智能雷达抗干扰技术综述与展望[J]. 雷达学报, 2022, 11(6): 974-1002.
	Cui Guolong, Yu Xianxiang, Wei Wenqiang, et al. An Overview of Antijamming Methods and Future Works on Cognitive Intelligent Radar[J]. Journal of Radars, 2022, 11(6): 974-1002.
14	袁非牛, 章琳, 史劲亭, 等. 自编码神经网络理论及应用综述[J]. 计算机学报, 2019, 42(1): 203-230.
	Yuan Feiniu, Zhang Lin, Shi Jinting, et al. Theories and Applications of Auto-encoder Neural Networks: A Literature Survey[J]. Chinese Journal of Computers, 2019, 42(1): 203-230.
15	乔思波, 庞善臣, 王敏, 等. 基于残差混合注意力机制的脑部CT图像分类卷积神经网络模型[J]. 电子学报, 2021, 49(5): 984-991.
	Qiao Sibo, Pang Shanchen, Wang Min, et al. A Convolutional Neural Network for Brain CT Image Classification Based on Residual Hybrid Attention Mechanism[J]. Acta Electronica Sinica, 2021, 49(5): 984-991.
16	袁非牛, 章琳, 史劲亭, 等. 自编码神经网络理论及应用综述[J]. 计算机学报, 2019, 42(1): 203-230.
	Yuan Feiniu, Zhang Lin, Shi Jinting, et al. Theories and Applications of Auto-encoder Neural Networks: A Literature Survey[J]. Chinese Journal of Computers, 2019, 42(1): 203-230.
17	翟翔宇, 杨风暴, 吉琳娜, 等. 标准化全连接残差网络空战目标威胁评估[J]. 火力与指挥控制, 2020, 45(6): 39-44.
	Zhai Xiangyu, Yang Fengbao, Ji Linna, et al. Air Combat Targets Threat Assessment Based on Standardized Fully Connected Network and Residual Network[J]. Fire Control & Command Control, 2020, 45(6): 39-44.
18	刘钊闻. 基于残差卷积神经网络的地面磁共振快速成像方法[D]. 长春: 吉林大学, 2022.
	Liu Zhaowen. Fast Imaging of Surface Magnetic Resonance Sounding Based on Residual Convolutional Neural Network[D]. Changchun: Jilin University, 2022.
19	张遥, 陈西曲. 基于残差卷积自编码器(RCAE)的红外图像降噪方法研究[J]. 信息技术与信息化, 2019(12): 242-244.

评估指标	目标1	目标2	目标3	目标4	目标5	目标6
类型	1	1	0.6	0.8	1	0.4
机动能力	1	0.6	0.6	0.8	0.8	0.4
攻击能力	0.76	0.76	0.48	0.76	0.72	0.44
飞行能力	0.842	0.896	0.804	0.6	0.779	0.208
隐身能力	0.975	0.75	0.55	0.65	0.95	0.25
雷达主要功能	1	1	0.4	0.7	1	0.2
雷达最大探测距离	0.5	0.35	1	1	0.4	0.1
雷达分辨力	0.8	0.37	0.6	0.8	0.7	0.3
雷达抗干扰能力	0.7	0.6	0.9	1	0.7	0.3

[1]	陈静, 杨国威, 张昭冲, 王伟. 基于时空多视野注意残差网络的城市区域交通流量预测[J]. 系统仿真学报, 2025, 37(3): 607-622.
[2]	郭业才, 仝爽. 基于自动睡眠分期的多模态残差时空融合模型[J]. 系统仿真学报, 2024, 36(9): 2065-2074.
[3]	刘泽森, 毕盛, 郭传鈜, 王延葵, 董敏. 基于深度学习的机器人局部路径规划方法[J]. 系统仿真学报, 2024, 36(5): 1199-1210.
[4]	韦金阳, 王科平, 杨艺, 费树岷. 基于多重迁移注意力的增量式图像去雾算法[J]. 系统仿真学报, 2024, 36(4): 969-980.
[5]	杨妹, 王秉坤, 张中杰, 曾焱, 黄健. 一种不确定性动态环境下的威胁评估方法[J]. 系统仿真学报, 2024, 36(12): 2741-2754.
[6]	杨哲, 崔颖函, 郭灵犀, 李嘉鑫, 吴旭生. 融合数据仿真与深度学习算法的飞行器残骸搜寻技术[J]. 系统仿真学报, 2024, 36(10): 2238-2245.
[7]	李晨, 何明, 董晨, 李伟. 基于余弦相似性的定向注意力行为识别模型[J]. 系统仿真学报, 2024, 36(1): 67-82.
[8]	张凤全, 曹铎, 马晓寒, 陈柏君, 张江霄. 一种面向戏曲妆容细节生成的风格迁移网络[J]. 系统仿真学报, 2023, 35(9): 2064-2076.
[9]	刘书元. 一种威胁指数加权的截击引导航线解算算法[J]. 系统仿真学报, 2023, 35(5): 971-978.
[10]	杜宇, 杨新权, 张建华, 袁素春, 肖化超, 袁晶晶. 基于循环谱截面智能分析的混合信号调制识别方法[J]. 系统仿真学报, 2023, 35(1): 146-157.
[11]	张大永, 杨镜宇, 吴曦. 兵棋推演空中任务智能预测方法研究[J]. 系统仿真学报, 2023, 35(1): 212-220.
[12]	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.
[13]	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.
[14]	刘家瑞, 杨国田, 王孝伟. 基于孪生深度神经网络的风电机组故障诊断方法[J]. 系统仿真学报, 2022, 34(11): 2348-2358.
[15]	陆荣秀, 张笔豪, 莫振龙. 基于脸部特征和头部姿态的疲劳检测方法[J]. 系统仿真学报, 2022, 34(10): 2279-2292.