空军工程大学装备管理与无人机工程学院, 西安 710000
现代战场的高复杂性和各种态势信息的不完备性使得传统的空中目标威胁评估方法难以适用于数据缺失的情况。针对该问题, 首先采用引入等距对数比变换(ILT)和球坐标变换的改进的量化双聚类算法(IQBA)补全目标属性缺失数据; 然后采用改进的基于灰靶理论和指标相关性的熵权法分析各属性的影响程度, 客观计算目标属性权重; 最后使用改进的灰色关联TOPSIS法来实现对作战任务目标的威胁评估, 划分威胁等级。仿真实验结果表明, 所提方法可以有效实现信息缺失条件下的空中目标威胁评估, 评估结果更加客观可靠。
空中目标 威胁评估 信息缺失 双聚类算法 改进熵权法 TOPSIS法 air target threat assessment information shortage biclustering algorithm improved entropy weight method TOPSIS method
1 海军航空大学, 山东 烟台 264000
2 中国人民解放军92493部队, 辽宁 葫芦岛 125000
3 中国人民解放军31004部队,北京 100000
针对当前辐射源的动态威胁评估问题, 提出一种基于属性约简-改进TOPSIS的威胁评估算法, 引入组合赋权法和基于时间度的时间权重计算方法, 构建动态威胁评估模型。首先根据优势关系对属性进行约简, 然后利用组合赋权法计算属性权重, 从欧氏距离、灰色关联度和广义马氏距离3种测度出发改进TOPSIS方法, 计算加权综合贴近度, 并结合时间权重, 实现最终的威胁排序。仿真实验结果验证了所提算法的合理性,相比传统评估方法, 可靠性更高, 并能够根据决策者偏好调整参数,有较强的灵活性。
动态威胁评估 属性约简 组合赋权法 时间度 逼近理想解排序法 dynamic threat assessment attribute reduction combination weighting method time degree TOPSIS
中国民航大学中欧航空工程师学院, 天津 300000
鸟击事件严重威胁着航空运行安全, 采用量子激光雷达对鸟类目标进行监测被视为发现鸟击事件征候的有效方法。利用量子激光雷达所获得的高精度、高分辨率的鸟类目标的空间位置信息, 结合机场周边航空器运行特点及安全标准, 提出综合考虑鸟类目标的碰撞概率和损伤严重程度的威胁等级评估模型。由于采用了指数形式的等级划分, 该威胁等级评估模型能够更加准确地实现对各种情况下鸟类目标的威胁等级评估。仿真结果表明, 基于指数函数的威胁等级评估模型可以很好地对机场周边的鸟类目标的威胁等级进行评定, 相应结果符合机场鸟类目标的实际运动情况, 可以为防范鸟击事件的发生提供有效的预警。
量子激光雷达 鸟类目标 碰撞概率 损伤严重程度 威胁评估 quantum lidar bird target collision probability damage severity threat assessment
1 空军工程大学航空工程学院, 西安 710000
2 中国人民解放军93149部队, 甘肃 酒泉 735000
针对信息不完备条件下的辐射源威胁评估问题, 提出一种基于IOWA-TOPSIS的评估算法。首先, 针对实际作战过程中易出现的敌方辐射源信息不完备情况, 引入诱导有序加权平均(IOWA)空值估计算法, 基于属性集的关联性预测缺失数据; 然后, 采用改进的基于指标相关性的指标权重确定(CRITIC)分析不同属性对评估过程的影响程度, 客观分配权重; 最后, 通过逼近理想解排序(TOPSIS)算法度量不同辐射源威胁程度, 并进行威胁等级排序。仿真实验结果表明, 所提算法能有效实现辐射源威胁评估, 相较于传统评估方法, 结果更加客观、可靠。
辐射源威胁评估 信息不完备 radiator threat assessment incomplete information IOWA IOWA CRITIC CRITIC TOPSIS TOPSIS
1 空军工程大学, a.研究生院
2 b.装备管理与无人机工程学院, 西安 710000
3 空军工程大学, b.装备管理与无人机工程学院, 西安 710000
针对传统的空中目标威胁评估方法存在着过分依赖专家经验、需要大量的先验知识、目标属性权重不合理等不足, 提出了基于综合集成赋权法和TOPSIS法的空中目标威胁评估方法。针对空中来袭目标, 为了综合考虑目标属性的主客观权重, 提出了基于博弈论思想的综合集成赋权法, 确定目标属性的集成权重, 然后利用TOPSIS法对空中目标进行威胁评估, 最后通过案例仿真, 验证了所提方法的可行性和有效性。
空中目标 威胁评估 综合集成赋权法 TOPSIS法 aerial target threat assessment combined weighting method TOPSIS method
针对在设置空战威胁评估指标权重时, 无法完全体现威胁评估数据的客观性以及主观赋权方法对确定权值所带来的主观影响等问题, 提出了一种运用AHP方法与CRITIC方法相结合的赋权方法。通过利用AHP方法综合专家对指标权重的判断, 再根据CRITIC方法确定客观数据间的联系, 实现对威胁评估指标的组合赋权; 然后利用VIKOR方法, 通过实例仿真进行空战威胁评估; 最后, 考虑不同决策者主观偏好, 设置不同VIKOR方法属性值, 得到不同目标威胁评估结果, 进行对比分析。通过仿真验证证明该方法具有一定实用性。
威胁评估 层次分析法 组合赋权 threat assessment AHP CRITIC CRITIC combination weighting VIKOR VIKOR
1 西安工业大学电子信息工程学院, 陕西 西安 710021
2 西安工业大学机电工程学院, 陕西 西安 710021
在错综复杂、瞬息万变的作战环境中,敌方干扰及传感器性能局限等因素易导致获取的战场信息不充分。为使无人机在信息不充分条件下具备威胁评估的能力,提出基于小数据集的贝叶斯网络(BN)威胁评估建模方法。从小数据集条件下BN结构学习和参数学习的两个问题入手,利用Bootstrap方法获取的约束矩阵作为评分函数上的约束项,提出一种基于小数据集的BN结构学习算法,并提出一种基于区间先验约束的BN参数学习算法。仿真结果表明,与传统BN学习算法相比,本文提出的小数据集条件下BN学习算法在UAV威胁评估建模中具有更高准确性和可用性。
遥感 贝叶斯网络 小数据集 矩阵化约束 无人机 威胁评估 激光与光电子学进展
2021, 58(16): 1628001
大连大学通信与网络重点实验室, 辽宁 大连 116000
针对战场环境中较难判定多个来袭目标威胁程度的问题, 提出一种基于双层变权TOPSIS-灰关联的多目标威胁评估方法。对于目标指标, 先用层次分析法和改进熵权法分别求主客观权重, 组合得出第一层权重; 再构建综合均衡函数, 融合变权理论与第一层权重为最终权重; 最后依据决策者对TOPSIS法和灰关联法的主观偏好综合得出多目标威胁评估结果。仿真结果表明, 所提方法综合指标的主客观因素及状态值变化对权重变化的影响更符合实际情况; 排序结果综合考虑了指标间距离和形状变化, 与其他方法的对比结果也表明了所提方法的有效性。
多目标威胁评估 变权 灰关联 multi-target threat assessment variable weight TOPSIS TOPSIS gray correlation
为了更加完整地描述不确定信息, 将三角模糊数与毕达哥拉斯犹豫模糊集结合, 提出了毕达哥拉斯三角犹豫模糊集。针对信息集成过程中数据属性之间存在关联关系的问题, 将Heronian平均算子、Muirhead平均算子拓展到毕达哥拉斯三角犹豫模糊集中, 提出了毕达哥拉斯三角犹豫模糊Heronian平均算子和毕达哥拉斯三角犹豫模糊Muirhead平均算子。考虑不同属性的输入变量的重要程度不同, 提出了它们的加权形式。最后, 针对毕达哥拉斯三角犹豫模糊环境下的多属性决策问题, 提出了基于PHTFWMM算子的多属性决策方法, 并通过算例说明了该方法的有效性。
毕达哥拉斯三角犹豫模糊集 Heronian平均算子 Muirhead平均算子 多属性决策 目标威胁评估 Pythagorean Hesitant Triangular Fuzzy Set (PHTFS) Heronian mean operator Muirhead mean operator multi-attribute decision-making target threat assessment
1 大连大学通信与网络重点实验室, 辽宁 大连 116622
2 岭南师范学院信息工程学院, 广东 湛江 524048
针对直觉模糊贝叶斯网络模型在对网络证据节点的信息描述中存在隶属度和非隶属度单一且未能充分考虑犹豫度的问题, 提出了基于对偶犹豫模糊贝叶斯网络的威胁评估方法。首先, 将直觉模糊集扩展到对偶犹豫模糊集, 使得对节点信息的模糊性和不确定性有了更贴近实际和更全面准确的描述; 其次, 通过改进的Dα算子将对偶犹豫模糊集中犹豫度重分配给隶属度和非隶属度并作为网络证据节点的输入; 然后, 分析了影响威胁评估的因素并建立了贝叶斯网络模型; 最后, 根据实时战场数据对目标威胁度进行结果预测与分析, 仿真结果表明, 该方法可以准确有效地评估出敌方对我方的威胁度。
威胁评估 贝叶斯网络 对偶犹豫模糊信息 Dα算子 threat assessment Bayesian network dual hesitant fuzzy information Dα operator
