基于模糊神經網絡的直升機多傳感器協同管理效能評估方法

張宏斌，鞠艷秋，齊 馳，郭宇峰

(陸軍航空兵學院，北京 100000)

0 引 言

多傳感器協同管理對實際作戰具有重要意義，特別是在體系作戰過程中，通過多傳感器協同管理可以實現利用有限的傳感器資源滿足作戰任務需求。研究人員對此展開研究，并提出了各類多傳感器協同管理方法，如：線性規劃方法[1]、模糊推理方法[2]、信息論方法[3]、人工智能方法[4]、動態規劃方法[5-6]等。但是，對于多傳感器協同管理效能評估鮮有提及，主要是每種方法都根據自身特點且影響因素眾多，難以全面、客觀的進行效能評估。目前，對于武器裝備效能評估方法很多，如：層次分析法[7]、Lanchester方程法[8]、ADC法[9]、SEA法[10]等。但這些效能評估方法都是針對各自裝備特點提出的，通用性差。

針對以上問題，提出了一種基于模糊神經網絡的多傳感器協同管理效能評估方法。

1 建立效能評估指標體系

直升機多傳感器協同管理效能評估涉及因素主要包括：傳感器、目標、時間、范圍、精度和準度等。參照全面、客觀的評估指標選取原則，建立如圖1所示的多傳感器協同管理效能評估指標體系。

圖1 多傳感器協同管理效能評估指標體系

在該指標體系中，傳感器指標反映的是系統的輸入，即使用了多少傳感器資源。在多傳感器協同管理過程中，由于受到戰場環境等因素限制，通常需區分主動傳感器和被動傳感器2類。該指標可以各類傳感器數量定量衡量。目標指標反映的是多傳感器協同管理的效果，是協同管理最終目的的體現。在作戰過程中，傳感器探測不同類型的目標所耗費的資源也不相同，一般而言動態目標所需資源更多。同時，對于目標不同的探測精度也會造成所需資源不同。因此，目標指標區分為：搜索動目標、跟蹤動目標和搜索靜目標3類，從而能夠全面、準確反映協同管理的效果。目標誤差率指標反映的是多傳感器探測的準確程度，在探測到同樣多數量目標的情況下，虛假目標越多則探測能力越差，該指標也是協同管理的輸出指標，一般可用虛假目標數量衡量。

2 模糊神經網絡模型

自適應神經網絡模糊推理系統(adaptive neural fuzzy inference system, ANFIS)[11]是Matlab軟件自帶的一種綜合了神經網絡和模糊推理的工具箱。通過該工具箱既可實現系統自學習，又具有模糊推理的能力特點，通過對模型進行訓練可以得到比較理想的數值解。ANFIS一般結構如圖2所示。

在該結構中可以實現輸入(x,y)與輸出f之間的模糊規則對應。對于模糊規則的計算則通過中間層實現，一般包括節點函數表達，在實際ANFIS推理過程中直接給出反向傳播算法或該算法與最小二乘法結合進行模糊規則的調整，從而實現輸入與輸出的精確映射。

圖2 ANFIS一般結構

將多傳感器協同管理效能評估指標體系中的各指標作為模型輸入數據，共有9個輸入參數；輸出則為效能評估值。建立的模型如圖3所示。

圖3 模糊神經網絡模型

3 算例驗證

3.1 建立訓練樣本

針對評估指標體系，給出各指標典型值，并經過專家評價，確定各種典型情況下多傳感器協同管理效能評估值，作為模糊神經網絡模型的訓練樣本，如表1所示。

表1 模糊神經網絡模型訓練樣本

表1中訓練樣本的輸入數據量綱不同，且數據相差較大，為保證模糊神經網絡模型評估的準確性，表1中訓練樣本的輸入數據需作歸一化處理，置于[0，1]區間。

歸一化公式為：

式中：λi為模糊神經網絡模型的第i個輸入；xi為第i個輸入對應的參數。

3.2 模糊神經網絡模型參數確定

選擇Sub.clustering算法作為FIS編譯器算法，其參數選擇為：Range of influence 0.5，Squashfactor 1.25，Accept ratio 0.5，Reject ratio 0.15。選擇反向傳播算法與最小二乘法相結合的混合算法作為模糊神經網絡模型的學習算法，令誤差容忍限為0，訓練步數為10。

3.3 模糊神經網絡模型模型訓練

將訓練樣本1～8輸入模糊神經網絡模型模型進行訓練，經過3步后，訓練均方差為：5.846 7*10-7。訓練誤差曲線如圖4所示，訓練后的隸屬規則如圖5所示。為檢驗訓練后的模糊神經網絡模型準確性和可靠性，將訓練樣本9～10作為檢測數據輸入訓練完成的模糊神經網絡模型，檢測平均誤差為：0.025 2。結果證明訓練后的模糊神經網絡模型是有效的。

圖4 訓練誤差曲線

圖5 訓練后的隸屬規則

3.4 模型測試

建立一組測試樣本，對訓練后的模糊神經網絡模型模型進行測試，測試結果如表2所示。

表2 模糊神經網絡模型模型測試結果

由測試結果與訓練樣本比較可見：測試樣本1中，虛假目標數量減少，效能增加；測試樣本2中，傳感器數量增加，同時目標數量也增加，效能增加；測試樣本3中，傳感器數量不變，目標數減少，但虛假目標數也減少，效能增加；測試樣本4中，傳感器數量增加，目標數量也增加，效能不變；測試樣本5中，傳感器數量增加，目標數量減少，效能降低。由此可見，訓練后的模糊神經網絡進行的效能評估與客觀規律相符，證明該方法有效。

4 結 論

文中應用模糊神經網絡對直升機多機傳感器協同管理效能評估問題進行了研究。建立直升機多機傳感器協同管理效能評估指標體系。然后應用模糊神經網絡建立效能評估模型，設定模型參數，選取相應算法，以典型效能評價值作為訓練樣本對模型進行訓練。訓練后的模糊神經網絡模型經測試數據驗證，效能評價結果符合客觀規律，證明方法有效。該方法所有指標均可量化，避免了不確定因素和主觀因素影響，評價結果客觀、全面，對直升機多傳感器協同管理與控制技術進一步提升具有積極影響。但是，對于多傳感器協同管理而言，其過程復雜、影響因素眾多，文中建立的評估指標體系及訓練樣本都有一定的局限性，仍需進一步研究。