基于粗糙集和神經(jīng)網(wǎng)絡(luò)的無人機(jī)偵察效能評(píng)估*

何 媛，甘旭升，涂從良，孟祥偉

（1.西京學(xué)院，西安 7101231；2.空軍工程大學(xué)空管領(lǐng)航學(xué)院，西安 710051）

0 引言

信息收集是現(xiàn)代戰(zhàn)爭(zhēng)的關(guān)鍵環(huán)節(jié)。盡快確定對(duì)方的兵力、裝備、目標(biāo)的準(zhǔn)確位置，已經(jīng)成為影響戰(zhàn)爭(zhēng)的因素之一。無人機(jī)較強(qiáng)的偵察、機(jī)動(dòng)能力以及較高的成本效益使其受到各國(guó)追捧［1-3］。如何在不同環(huán)境下正確評(píng)估無人機(jī)的偵察性能，對(duì)于充分發(fā)揮無人機(jī)的戰(zhàn)斗力具有重要意義。

目前，對(duì)于無人機(jī)作戰(zhàn)效能的研究比較多，而對(duì)于無人機(jī)偵察效能的研究比較少，國(guó)內(nèi)外均沒有系統(tǒng)的方法與準(zhǔn)則。無人機(jī)的偵察能力會(huì)受到多種條件的制約和影響。因此，建立一套真實(shí)條件下的偵察效能評(píng)估模型，有利于在執(zhí)行偵察任務(wù)之前選擇一套較優(yōu)的偵察方案，從而確保無人機(jī)的偵察效果。

當(dāng)前無人機(jī)的效能評(píng)估大多是針對(duì)作戰(zhàn)效能的研究，對(duì)于其偵察效能的研究較少。2016 年，徐冠華等人根據(jù)時(shí)敏目標(biāo)的不同特點(diǎn)，分析了察打一體無人機(jī)在不同任務(wù)模式下的作戰(zhàn)使用，將無人機(jī)的偵察能力與打擊能力進(jìn)行了相關(guān)性的分析，并構(gòu)建了相應(yīng)的無人機(jī)效能評(píng)估模型［4］。2018 年，陳俠等人利用粒子群算法來改進(jìn)支持向量機(jī)的偵察無人機(jī)的作戰(zhàn)效能評(píng)估模型，從而可以準(zhǔn)確有效地進(jìn)行無人機(jī)作戰(zhàn)效能評(píng)估研究［5］。2019 年，龐強(qiáng)偉等人優(yōu)化了K-means聚類算法的評(píng)價(jià)標(biāo)準(zhǔn)，然后利用改進(jìn)的離散粒子群算法來求解偵察序列，進(jìn)而降低任務(wù)的時(shí)間代價(jià)，從而生成一條多目標(biāo)偵察的任務(wù)航跡來提高偵察效果［6］。2018 年，張海峰等在分析無人機(jī)偵察載荷性能特點(diǎn)基礎(chǔ)上，設(shè)計(jì)了多種偵察載荷協(xié)同使用的方法，并構(gòu)建了相應(yīng)的無人機(jī)偵察效能評(píng)估模型［7］。2017 年，王光輝等人以CCD 攝像機(jī)作為機(jī)載偵察設(shè)備，對(duì)無人機(jī)在不同導(dǎo)航方式和不同干擾強(qiáng)度情況下，對(duì)給定區(qū)域的偵察效能進(jìn)行了評(píng)估，并給出了不同導(dǎo)航方式下偵察效能的評(píng)估曲線［8］。2015 年，王慶江等人對(duì)無人機(jī)搭載CCD 攝像機(jī)的偵察效能，建立了相應(yīng)的偵察模型，并改進(jìn)了無人機(jī)光柵式的偵察方式［9］。2014 年，張旺等根據(jù)不同偵察設(shè)備的偵察特點(diǎn)，分析了影響多載荷協(xié)同偵察效能的因素，利用線性加權(quán)算法建立了相應(yīng)的偵察效能模型，最后對(duì)兩兩協(xié)同的偵察效能進(jìn)行了計(jì)算和分析，驗(yàn)證了模型的可用性［10］。無人機(jī)的偵察效能是多種因素綜合作用的結(jié)果。而目前學(xué)者是從單一的角度來對(duì)無人機(jī)的偵察效能作出評(píng)估，或者是從某一技術(shù)角度來改進(jìn)無人機(jī)的偵察效能，缺乏在多種條件綜合作用下的效能評(píng)估研究。

為解決上述問題，本文提出一種基于粗糙集和改進(jìn)的BP 神經(jīng)網(wǎng)絡(luò)的無人機(jī)偵察效能評(píng)估模型。由于無人機(jī)的偵察效能往往是多種因素共同作用的結(jié)果，因此，選用某部無人機(jī)近年來的最新案例并咨詢專家，得到影響無人機(jī)偵察效能的原因?qū)傩?，利用粗糙集來?duì)原因?qū)傩赃M(jìn)行約簡(jiǎn)找出核元素。在找出主要影響因素的同時(shí)進(jìn)一步簡(jiǎn)化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。將得出的主要因素輸入到神經(jīng)網(wǎng)絡(luò)，通過對(duì)神經(jīng)網(wǎng)絡(luò)的不斷訓(xùn)練，得到最終的無人機(jī)偵察效能評(píng)估模型。通過兩種方法的結(jié)合，解決了神經(jīng)網(wǎng)絡(luò)由于輸入?yún)?shù)過多引起的泛化能力下降的問題。

1 相關(guān)理論

1.1 粗糙集理論

粗糙集是一種用來處理不確定、不完整數(shù)據(jù)的分析工具，是與概率、模糊理論具有一定的互補(bǔ)性。粗糙集是利用信息表來表征論域中的每個(gè)對(duì)象。利用這些外部信息來進(jìn)行知識(shí)約簡(jiǎn)，找出數(shù)據(jù)內(nèi)部潛在的規(guī)律。相較于其他方法，該方法的最大優(yōu)勢(shì)在于不需要任何額外的信息，進(jìn)而能夠避免主觀判斷帶來的失誤，使影響無人機(jī)偵察效能的因素更加復(fù)雜多樣化。同時(shí)，利用粗糙集能夠更好地進(jìn)行數(shù)據(jù)分類，從而在有限的數(shù)據(jù)中找出影響偵察效能的主要因素。

1.2 B P 神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是利用類似于人腦神經(jīng)的結(jié)構(gòu)來進(jìn)行信息加工的數(shù)學(xué)模型。通常是由訓(xùn)練過程和測(cè)試過程組成，其具有較強(qiáng)的自學(xué)習(xí)性和魯棒性，能夠逼近任意的非線性函數(shù)。因此，在數(shù)據(jù)挖掘、模式識(shí)別、信號(hào)處理等多個(gè)領(lǐng)域都得到廣泛應(yīng)用。而BP 神經(jīng)網(wǎng)絡(luò)是一種多層的反饋型前向網(wǎng)絡(luò)，其結(jié)構(gòu)較為簡(jiǎn)單，并且具有良好的操作性。其主要是通過不斷訓(xùn)練來改變連接權(quán)值的數(shù)值，最終使得輸出的結(jié)果與期望值之間的誤差最小化。由于無人機(jī)偵察效能與影響因素之間的關(guān)系是非線性的映射關(guān)系，因此，利用BP 神經(jīng)網(wǎng)絡(luò)能夠找出二者之間的相關(guān)關(guān)系，從而避免人在效能評(píng)估中產(chǎn)生的主觀影響。同時(shí)，BP 神經(jīng)網(wǎng)絡(luò)較好的魯棒性和自學(xué)習(xí)性能可更快得到所需評(píng)估結(jié)果。

2 無人機(jī)偵察效能評(píng)估模型

為了能夠更好地對(duì)無人機(jī)進(jìn)行偵察效能預(yù)先評(píng)估，本文提出一套評(píng)估模型，主要是由3 部分組成。

1）建立影響無人機(jī)偵察效能的指標(biāo)體系。通過與某無人機(jī)部隊(duì)了解和與專業(yè)人員的咨詢，對(duì)影響偵察效能的因素進(jìn)行全面的分析，并按照人- 機(jī)-環(huán)- 管的理論對(duì)其進(jìn)行分類，確定影響無人機(jī)偵察效能的相關(guān)因素。

2）結(jié)合粗糙集理論來對(duì)影響因素進(jìn)行約簡(jiǎn)，篩選出主要因素。通過約簡(jiǎn)來簡(jiǎn)化網(wǎng)絡(luò)結(jié)構(gòu)，進(jìn)而提高下一步中神經(jīng)網(wǎng)絡(luò)的信息處理能力，提高網(wǎng)絡(luò)的泛化能力。

3）利用改進(jìn)的BP 神經(jīng)網(wǎng)絡(luò)，構(gòu)建無人機(jī)偵察效能的評(píng)估模型。由于BP 神經(jīng)網(wǎng)絡(luò)能夠以任意精度來擬合任意函數(shù)，因此，利用神經(jīng)網(wǎng)絡(luò)來尋找偵察效能和各因素之間的非線性關(guān)系。但由于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中容易陷入局部最優(yōu)解當(dāng)中，且收斂速度較慢，容錯(cuò)性差。因此，通過結(jié)合遺傳算法來對(duì)網(wǎng)絡(luò)中的權(quán)值進(jìn)行優(yōu)化，縮短訓(xùn)練時(shí)間，提高訓(xùn)練精度。

2.1 無人機(jī)偵察效能指標(biāo)體系的建立

無人機(jī)偵察效能通常是多種因素共同作用的結(jié)果。本文定義：如果無人機(jī)能夠清晰偵察到所有目標(biāo)的信息，視為此次偵察效果為良好，記作1；如果只能夠偵察到部分目標(biāo)或者偵察效果模糊，則視此次偵察效果一般，記作0.7；如果無法獲取相關(guān)的目標(biāo)信息，則視為偵察效果不佳，記作0.1。通過對(duì)無人機(jī)偵察效能的分析，得出影響偵察效果的因素大致可以分為以下幾類：人員因素、機(jī)械因素、環(huán)境因素、管理因素。通過記錄偵察效果不佳的飛行可以發(fā)現(xiàn)：機(jī)械因素和環(huán)境因素占據(jù)了大部分，人員因素次之，管理因素所占比例最小。具體的比例如表1 所示。

表1 影響偵察效果成因比例

分別從人- 機(jī)- 環(huán)- 管的角度出發(fā)，分析統(tǒng)計(jì)了在一定時(shí)期內(nèi)飛行實(shí)例，選取其中具有代表的飛行作為此次評(píng)估的實(shí)例，并通過咨詢相關(guān)的飛行、管制及機(jī)務(wù)等相關(guān)人員對(duì)影響因素進(jìn)一步細(xì)化，篩選出其中具有普遍共性的因素構(gòu)建評(píng)估無人機(jī)偵察效能的指標(biāo)體系。

2.2 基于粗糙集指標(biāo)體系約簡(jiǎn)

無人機(jī)的偵察效能是由多種因素共同作用的結(jié)果。但在該系統(tǒng)中每個(gè)因素并不是同等重要，甚至有些是冗余的。因此，必須對(duì)其進(jìn)行約簡(jiǎn)來找尋能夠保證分類正確的最小屬性集。本文中將偵察效能作為決策屬性，而將其影響因素作為條件屬性。通過對(duì)條件屬性的約簡(jiǎn)來求核。但是要求解論域中所有最小屬性集本質(zhì)上屬于N P 問題，求解時(shí)間和計(jì)算復(fù)雜度過高，采用定義法求解難度較大，因此，利用分辨函數(shù)和分辨矩陣來對(duì)問題進(jìn)行求解。圖1是對(duì)影響因素的約簡(jiǎn)流程。其中S=（U，A，V，f）為整個(gè)信息系統(tǒng)，U 是由飛行實(shí)例構(gòu)成的整個(gè)論域；A 是對(duì)象的屬性，即偵察效能的影響因素；V 是影響因素a 的值域；f 是一個(gè)映射函數(shù)，為每個(gè)對(duì)象的屬性給予屬性值；num 為論域中的對(duì)象數(shù)。

圖1 影響因素約簡(jiǎn)流程

2.3 遺傳算法優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)模型

采用遺傳算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的參數(shù)的訓(xùn)練過程如下。

基于此，本文主要采用“過程—事件”的分析方法，通過對(duì)江蘇省A市J、X、S社區(qū)征地拆遷過程中三種類型釘子戶抗?fàn)幨录膶?shí)踐考察，以“策略主義”為分析視角，側(cè)重于探討地方政府回應(yīng)釘子戶抗?fàn)幍男袆?dòng)邏輯究竟為何？對(duì)地方政府應(yīng)對(duì)抗?fàn)幮袨榈膬?nèi)在機(jī)制展開深入的理論解釋，包括三個(gè)問題：一是分析地方政府“軟化”釘子戶抗?fàn)幍牟呗院褪侄问窃鯓拥模慷侵饕P(guān)注抗?fàn)幨录谋澈?，地方政府采用“軟策略”這種行動(dòng)邏輯的內(nèi)在機(jī)制是什么？三是這種“軟策略”本質(zhì)上反映的是何種治理技術(shù)？這些構(gòu)成本文重要的研究動(dòng)機(jī)。

1）神經(jīng)網(wǎng)絡(luò)輸入節(jié)點(diǎn)數(shù)的確定：為保證神經(jīng)網(wǎng)絡(luò)的泛化能力，將經(jīng)過粗糙集約簡(jiǎn)后的主要影響因素的維數(shù)作為網(wǎng)絡(luò)的輸入節(jié)點(diǎn)數(shù)。

2）網(wǎng)絡(luò)輸出參數(shù)的確定。將無人機(jī)的偵察效能分為1、0.7、0.1 這3 個(gè)等級(jí)，分別代表獲得全部目標(biāo)信息、獲得部分目標(biāo)信息以及無法獲得目標(biāo)信息。

3）網(wǎng)絡(luò)的構(gòu)建。利用一個(gè)三層的神經(jīng)網(wǎng)絡(luò)來預(yù)測(cè)無人機(jī)的偵察效果。隱含層的節(jié)點(diǎn)數(shù)一般選擇遵從Kolmogorov 定理，即s=2n+1。本文中隱含層節(jié)點(diǎn)數(shù)的安排主要是根據(jù)經(jīng)驗(yàn)式（1）以及運(yùn)用試湊法來確定個(gè)數(shù)。其中，n 為輸入層的節(jié)點(diǎn)數(shù)，m 為輸出層的節(jié)點(diǎn)數(shù)，本文將偵察效果作為輸出結(jié)果，因此，m=1。

圖2 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

具體的網(wǎng)絡(luò)結(jié)構(gòu)圖如圖2 所示。其中，p 為輸入?yún)?shù)，wij為輸入層與隱含層之間的連接權(quán)值；vj為隱含層與輸出層之間的連接權(quán)值；θ2j為隱含層中第j個(gè)神經(jīng)元的閾值；θ3為輸出層中神經(jīng)元的閾值；y 為最后的輸出結(jié)果，即對(duì)偵察效果的預(yù)測(cè)結(jié)果。

4）神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。將統(tǒng)計(jì)到的40 組飛行數(shù)據(jù)作為訓(xùn)練樣本來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，得到相應(yīng)的偵察效果預(yù)測(cè)模型。

5）神經(jīng)網(wǎng)絡(luò)的精度驗(yàn)證。利用已經(jīng)得到的偵察效果預(yù)測(cè)模型對(duì)3 組訓(xùn)練樣本進(jìn)行預(yù)測(cè)研究，進(jìn)而驗(yàn)證利用神經(jīng)網(wǎng)絡(luò)得出的預(yù)測(cè)結(jié)果與實(shí)際結(jié)果的誤差，如果誤差過大，則需要對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行改動(dòng)至滿意的吻合度。

6）結(jié)合遺傳算法來對(duì)神經(jīng)網(wǎng)絡(luò)中各層之間連接權(quán)值與閾值進(jìn)行優(yōu)化。主要分為以下步驟：a）個(gè)體的編碼：將神經(jīng)網(wǎng)絡(luò)中各層之間的連接權(quán)值與閾值編作一組實(shí)數(shù)碼，作為一條染色體。b）初始種群的生成：隨機(jī)生成20 條染色體作為初始種群。c）適應(yīng)度的計(jì)算：將每條染色體對(duì)應(yīng)的連接值和閾值解碼到神經(jīng)網(wǎng)絡(luò)當(dāng)中，計(jì)算所有個(gè)體的平均總誤差作為該條染色體的適應(yīng)度值。即

3 仿真算例

為使預(yù)測(cè)更能貼合實(shí)際情況，跟蹤統(tǒng)計(jì)了2019年5 月-11 月之間某無人機(jī)部偵察飛行情況，并對(duì)每次的飛行情況作了細(xì)致的分析，同時(shí)通過咨詢相關(guān)專業(yè)人員，確定出了與無人機(jī)偵察效果有關(guān)的17個(gè)因素。圖3 為影響無人機(jī)偵察效果的指標(biāo)體系。

對(duì)于指標(biāo)體系中的各個(gè)要素，記作p1~p17，其中包括定性因素和定量因素。針對(duì)定性因素，規(guī)定如果對(duì)偵察效果有利則屬性值為1，反之為0。如機(jī)組人員的身體狀況良好為1，不佳為0；機(jī)組人員操縱水平熟練為1，反之為0。針對(duì)定量因素，無法直接判定該因素與偵察結(jié)果之間的關(guān)系，故用整數(shù)來表示實(shí)際情況。如無人機(jī)的偵察導(dǎo)航方式可以分為GPS，無線電、慣性導(dǎo)航。用1~3 之間的整數(shù)來表示偵察飛行時(shí)可用的導(dǎo)航方式數(shù)。分析每次偵察飛行的實(shí)施情況得到下面的決策表，如下頁表2 所示。

圖3 無人機(jī)偵察效果影響因素

利用分辨矩陣和分辨函數(shù)對(duì)影響無人機(jī)偵察效果的因素進(jìn)行約簡(jiǎn)和求核，得到影響偵察效果的主要因素是p1，p4，p5，p6，p7，p8，p11，p12，p13，p16，分別代表：機(jī)組人員的操作水平，無人機(jī)的偵察方式，無人機(jī)的導(dǎo)航方式，無人機(jī)搭載的傳感器，無人機(jī)的飛機(jī)狀況，無人機(jī)的數(shù)據(jù)傳輸能力，周邊的電磁干擾情況，目標(biāo)區(qū)域的天氣情況，目標(biāo)周圍的植被情況，各任務(wù)組溝通的順暢性。

針對(duì)定量因素，為了確保不同屬性值之間的可比性，防止小值的信息被掩蓋，因此，需要對(duì)其進(jìn)行歸一化處理，本文采用的是最小最大歸一化方法來進(jìn)行處理。由于變化是線性的，因此，可以較好地體現(xiàn)原始意義。具體公式如下：

經(jīng)過約簡(jiǎn)后，主要因素為10 個(gè)，因此，輸入神經(jīng)元個(gè)數(shù)為10 個(gè)。根據(jù)2.3 節(jié)中的方法，可以確定隱含層神經(jīng)元的個(gè)數(shù)為7 個(gè)。而輸出結(jié)果為此次飛行的偵察效果，因此，輸出的神經(jīng)元個(gè)數(shù)為1 個(gè)。BP神經(jīng)網(wǎng)絡(luò)構(gòu)建完成以后，需要利用統(tǒng)計(jì)的數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練以得到最終的模型，本文用前50 組數(shù)據(jù)來進(jìn)行訓(xùn)練，用后面3 組數(shù)據(jù)來進(jìn)行預(yù)測(cè)。選取的訓(xùn)練參數(shù)為：Sigmoid 函數(shù)作為傳遞函數(shù)；Traingdx作為訓(xùn)練函數(shù)；各層之間的初始連接權(quán)值和閾值均為［0，1］之間的隨機(jī)數(shù)；最大訓(xùn)練次數(shù)為500 次，訓(xùn)練誤差為10-4。表3 是經(jīng)過歸一化處理以后得到用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)的樣本數(shù)據(jù)。

表2 偵察效果影響因素屬性表

表3 偵察效果訓(xùn)練樣本屬性決策表

結(jié)合上述50 個(gè)實(shí)例，使用MATLAB 神經(jīng)網(wǎng)絡(luò)工具箱來對(duì)設(shè)計(jì)好的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。通過訓(xùn)練發(fā)現(xiàn)：在經(jīng)過117 次訓(xùn)練以后，BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值與實(shí)際值之間的誤差開始滿足訓(xùn)練要求，即認(rèn)為已經(jīng)獲得了較為合理的預(yù)測(cè)模型。圖4 是訓(xùn)練過程中的誤差變化曲線。

圖4 訓(xùn)練過程誤差曲線圖

圖5 檢驗(yàn)結(jié)果示意圖

將51~53 號(hào)實(shí)例輸入到得出的神經(jīng)網(wǎng)絡(luò)進(jìn)行檢驗(yàn)，檢驗(yàn)結(jié)果如圖5 所示，得到預(yù)測(cè)值與實(shí)際值基本重合。而具體的驗(yàn)證數(shù)據(jù)如表4 所示。可以看出，誤差均小于10-3，因此，說明得到的神經(jīng)網(wǎng)絡(luò)是有效可行的。

表4 預(yù)測(cè)結(jié)果及其誤差

為驗(yàn)證改進(jìn)BP 神經(jīng)網(wǎng)絡(luò)的有效性，利用傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)來進(jìn)行訓(xùn)練，結(jié)果如圖6 所示。通過與圖4 比較可知，利用遺傳算法改進(jìn)后的神經(jīng)網(wǎng)絡(luò)收斂速度更快。而利用51~53 號(hào)實(shí)例獲得的檢驗(yàn)結(jié)果如表5 所示。通過比較發(fā)現(xiàn)，改進(jìn)后的網(wǎng)絡(luò)得出預(yù)測(cè)值誤差在10-3以內(nèi)，而傳統(tǒng)算法在10-2以內(nèi)，因此，利用改進(jìn)后網(wǎng)絡(luò)預(yù)測(cè)的精度更高。

4 結(jié)論

1）提出的基于粗糙集和改進(jìn)BP 神經(jīng)網(wǎng)絡(luò)無人機(jī)偵察效能預(yù)測(cè)模型，能夠充分發(fā)揮兩種方法的優(yōu)點(diǎn)。該模型能夠在眾多影響無人機(jī)偵察效能的因素中去除冗余因素，找到影響的主要因素。通過實(shí)例證明該模型能夠較為準(zhǔn)確地預(yù)測(cè)無人機(jī)的偵察效果。

圖6 傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差圖

表5 同種方法的檢驗(yàn)結(jié)果

2）相較于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，改進(jìn)后的方法能夠更加快速準(zhǔn)確地進(jìn)行無人機(jī)偵察效能的預(yù)測(cè)評(píng)估，能夠幫助無人機(jī)部隊(duì)在實(shí)戰(zhàn)中選擇更為合理的偵察方案，具有一定的應(yīng)用前景。

3）由于無人機(jī)應(yīng)用部隊(duì)時(shí)間較短，可供研究的數(shù)據(jù)較少，且在調(diào)查中會(huì)受到個(gè)人思維局限性的影響，在下一步的研究中需要尋找更多的數(shù)據(jù)來研究，同時(shí)也要多向?qū)＜艺?qǐng)教，尋找被忽略的影響因素。