基于自回歸小波神經(jīng)網(wǎng)絡(luò)的空中目標(biāo)威脅評估

白玉 李筱琳

摘要：針對空戰(zhàn)中目標(biāo)威脅評估系統(tǒng)非線性、評估難度大等特點，提出了自回歸小波神經(jīng)網(wǎng)絡(luò)（Self-recurrent Wavelet Neural Network， SRWNN）的空中目標(biāo)威脅評估方法。通過分析SRWNN結(jié)合遞歸神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Net RNN）的吸引子動力學(xué)和WNN快速收斂的特點，建立了SRWNN模型，提出了SRWNN的參數(shù)優(yōu)化學(xué)習(xí)算法，以實現(xiàn)增強(qiáng)自學(xué)習(xí)能力的目的，然后分析了威脅評估的影響因素，給出了基于SRWNN的空中目標(biāo)威脅評估算法的程序設(shè)計。仿真實驗結(jié)果表明，與WNN相比，該算法提高了系統(tǒng)的穩(wěn)定性，加快了收斂速度，增強(qiáng)了預(yù)測精度。

關(guān)鍵詞：目標(biāo)威脅評估;神經(jīng)網(wǎng)絡(luò);小波神經(jīng)網(wǎng)絡(luò);自回歸小波神經(jīng)網(wǎng)絡(luò)

中圖分類號：TP183 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9416（2020）03-0084-02

0 引言

隨著航空科學(xué)技術(shù)的迅速發(fā)展，空戰(zhàn)環(huán)境變得復(fù)雜多變，來襲目標(biāo)類型的多樣性，精確的多目標(biāo)攔截能力已經(jīng)成為決定空戰(zhàn)優(yōu)勢的重要指標(biāo)。目前常見的目標(biāo)威脅評估方法有直覺模糊集[1]，TOPSIS法[2]，貝葉斯推斷[3]等，但這些方法大多依靠專家經(jīng)驗確定各因素之間的權(quán)值，主觀性較強(qiáng)，而對于快速變化的戰(zhàn)場環(huán)境來說，往往專家很難確定各種情況下的因素之間的權(quán)值大小。

近年來，以神經(jīng)網(wǎng)絡(luò)為代表的智能技術(shù)在預(yù)測領(lǐng)域得到了廣泛的發(fā)展。目標(biāo)威脅評估是一個很復(fù)雜的多因素決策問題，具有非線性、評估難度大等特點，很難找到適合的評估函數(shù)，因此，只能采用人工智能神經(jīng)網(wǎng)絡(luò)方法來解決這個難題。WNN是結(jié)合了小波分析和神經(jīng)網(wǎng)絡(luò)的一類神經(jīng)網(wǎng)絡(luò)，小波分析是短時傅里葉變換局部化分析的一種發(fā)展，它既能捕捉到頻率，又能定位到時間，能聚集到函數(shù)的每一個細(xì)節(jié)。因此，WNN有小波變換的時頻兩維信號的多分辨率分析特性和神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力與適應(yīng)環(huán)境的能力，能很好地處理線性非線性問題，容錯性好，訓(xùn)練時間短，訓(xùn)練速度快，被成功應(yīng)用于很多領(lǐng)域。但小波神經(jīng)網(wǎng)絡(luò)屬于前饋網(wǎng)絡(luò)結(jié)構(gòu)，不能很好的處理動態(tài)問題，網(wǎng)絡(luò)易出現(xiàn)過擬合或欠擬合現(xiàn)象[4]。自回歸小波神經(jīng)網(wǎng)絡(luò)（Self-recurrent wavelet neural networks，SRWNN）是在小波神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上發(fā)展出來的反饋網(wǎng)絡(luò)，泛化能力和動態(tài)仿真能力更好，收斂速度更快，且能以較高的精度實現(xiàn)函數(shù)逼近和系統(tǒng)辨識。基于以上分析，本文采用自回歸小波神經(jīng)網(wǎng)絡(luò)建立目標(biāo)威脅評估模型，使網(wǎng)絡(luò)輸出不斷逼近期望輸出。仿真結(jié)果表明，與WNN相比，本文提出的算法在威脅評估上具有更好的可靠性和準(zhǔn)確性。

1 SRWNN模型

自回歸小波神經(jīng)網(wǎng)絡(luò)（SRWNN）將遞歸神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Net RNN）和WNN相結(jié)合，在識別、評估和控制非線性系統(tǒng)方面，具有穩(wěn)定性高及收斂速度快等優(yōu)勢。SRWNN網(wǎng)絡(luò)結(jié)構(gòu)共為四層，輸入層、乘積層、輸出層及由自反饋神經(jīng)元組成的母小波層，由于能儲存小波上一步信息與控制環(huán)境的快速變化，因此SRWNN結(jié)構(gòu)簡單于WNN。自回歸小波神經(jīng)網(wǎng)絡(luò)輸入端有個節(jié)點，輸出端有一個節(jié)點，母小波的個數(shù)為個。第一層是輸入層，把輸入進(jìn)來的變量直接傳遞到下一層，第二層是母小波層，每個節(jié)點包含一個母小波和自反饋環(huán)，小波母函數(shù)選擇高斯小波為：

2 SRWNN學(xué)習(xí)算法

神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)過程中，為了使得實際輸出更接近期望輸出，需要不停的調(diào)整網(wǎng)絡(luò)權(quán)值，本文使用動態(tài)梯度下降法對SRWNN的權(quán)值進(jìn)行調(diào)整。當(dāng)網(wǎng)絡(luò)在離散時間時，令期望輸出和實際輸出分別為和，可計算其網(wǎng)絡(luò)誤差為：

3 仿真結(jié)果與驗證

SRWNN一共有四層，輸入與輸出分別為六維和一維，所以SRWNN結(jié)構(gòu)為6-5-5-1，即輸入層為6個節(jié)點，分別對應(yīng)目標(biāo)的類型、速度、航向角、干擾能力、相對高度、相對距離6個因素的隸屬度數(shù)值，小波層有5個神經(jīng)元，每個神經(jīng)元有6個節(jié)點，乘積層有5個節(jié)點，輸出層為1個節(jié)點，輸出為預(yù)測目標(biāo)威脅值。學(xué)習(xí)速率設(shè)置為0.01，迭代次數(shù)設(shè)置為100次。

因為小波算法的初始輸入是隨機(jī)的，因此每一次仿真的結(jié)果都不一樣。為驗證SRWNN比WNN優(yōu)越，本文采用兩種建模方法分別進(jìn)行MATLAB仿真，目標(biāo)威脅值的預(yù)測結(jié)果見表1。

從表1經(jīng)計算得知，SRWNN與WNN兩種結(jié)構(gòu)的平均誤差分別為0.0977和0.1440，通過圖1和圖2也可以看出，SRWNN比WNN絕對誤差值與絕對百分比誤差更小，因此，SRWNN具有更好的預(yù)測效果。通過圖3可以看出，SRWNN能更好的逼近期望輸出，而且性能更穩(wěn)定，再一次證明了自回歸小波神經(jīng)網(wǎng)絡(luò)目標(biāo)威脅評估模型的優(yōu)越性和準(zhǔn)確性。

4 結(jié)語

空中目標(biāo)威脅度評估是未來空戰(zhàn)數(shù)據(jù)融合亟需解決的重要問題，隨著電子、控制等技術(shù)的迅速發(fā)展，武器設(shè)備復(fù)雜性越來越高，戰(zhàn)場環(huán)境瞬息萬變，傳統(tǒng)評估方法多為依據(jù)專家經(jīng)驗的定性分析，較大程度上引入了人為因素，無法反應(yīng)出實際情況。本文采用自回歸小波神經(jīng)網(wǎng)絡(luò)對目標(biāo)威脅的主要性能指標(biāo)進(jìn)行建模，在最大程度上反映了戰(zhàn)時環(huán)境下的真實情況，仿真結(jié)果表明，SRWNN算法提高了系統(tǒng)的穩(wěn)定性，加快了收斂速度，增強(qiáng)了預(yù)測精度，可以作為空中目標(biāo)威脅評估技術(shù)的一種嘗試。

參考文獻(xiàn)

[1] Yongchun Wang，Xudong Miao.Intuitionistic Fuzzy Perceiving Methods for Situation and Threat Assessment[C]∥Proc of IEEE Int Conf on Fuzzy Systems and Knowledge Discovery Sichuan，2012：578-582.

[2] 張永利，計文平，劉楠楠.基于熵權(quán)-TOPSIS-灰色關(guān)聯(lián)的目標(biāo)威脅評估研究[J].現(xiàn)代防御技術(shù)，2016，44（01）：72-78.

[3] Yi Wang，Yuan Sun，JiYing Li，et al.Air Defense Threat Assessment Based on Dynamic Bayesian Network[C]Proc of IEEE IntConf on Systems and Informatics，Yantai，2012：721-724.

[4] Sung Jin Yoo，Jin Bae Park，Yoon Ho Chio.Indirect adaptive learning rates[J].Information Sciences，2007，177（15）：3074-3098.

Abstract：Aiming at the characteristics of the non-linearity of the target threat assessment system in air combat and the difficulty of evaluation， an aerial target threat assessment method based on self-recurrent wavelet neural network was proposed. The SRWNN model is combined with the attractor dynamics of recursive neural network and the characteristics of fast convergence of WNN. The SRWNN model was established， and the parameter optimization learning algorithm of SRWNN was proposed to achieve the purpose of enhancing the self-learning ability. By analyzing the influencing factors of threat assessment， the program design of air target threat assessment algorithm based on SRWNN is given. Simulation results show that compared with WNN， this algorithm improves the stability of the system， speeds up the convergence speed， and enhances the prediction accuracy.

Key words：target threat assessment; neural network; wavelet neural network; self-recurrent wavelet neural network