陆战场ISR无人机威胁分析及其评估模型研究

陈 娟 马 涛

(1.陆军军官学院 合肥 230031)(2.电子工程学院 合肥 230031)



陆战场ISR无人机威胁分析及其评估模型研究

陈 娟1马 涛2

(1.陆军军官学院 合肥 230031)(2.电子工程学院 合肥 230031)

分析陆战场中情报、监视和侦察(ISR)无人机的威胁影响因素及其特点,构建了ISR无人机威胁评估指标体系,利用遗传算法优化了BP神经网络评估模型,针对ISR无人机的威胁进行评估分级,仿真结果实际可行,为陆战场中无人机的编队模式和航路优化提供了可靠依据。

ISR无人机; 威胁; BP神经网络; 遗传算法

1 引言

情报、监视和侦察(ISR)无人机因其独特的性能和优势,在战场侦察、火力校射、电子干扰、毁伤评估等方面发挥了显著的作用。但是随着陆战场中防空系统的探测距离、射击精度和抗干扰等能力的提高,影响无人机的威胁越来越多,无人机的生存环境变差,严重影响无人机的编队模式和执行任务时的航路规划。

国内一些学者对影响无人机的威胁进行了相关研究,文献[1]采用层次分析法和模糊推理技术对各种对空威胁进行评估建模,但是该模型建立在专家打分的基础上,并不具备自适应和更新能力;文献[2]针对低空突防建立了威胁模型,但是仅仅考虑地面兵器对无人机的威胁,没有考虑无人机自身性能对不同威胁的影响;文献[3]也是从地面角度考虑对无人机的威胁影响。本文认为无人机威胁因素建模时除了地面兵器对无人机的探测和攻击,还应考虑无人机自身性能对影响的抵御能力以及战场环境因素。另外,现代战场瞬息万变,威胁因素也是不断变化,因此评估算法选取具有自适应、自学习能力的BP神经网络模型,并且针对传统BP算法的缺点进行优化改进,使得更加有效地对无人机威胁评估建模。

2 ISR无人机威胁评估指标体系

ISR无人机的主要任务是对地面目标区进行长时间的实时侦察和监视,为指挥员提供大量的情报信息。在无人机执行任务时,要尽可能减少被敌方发现和击毁的危险,因此需要将影响无人机的威胁进行量化评估。ISR无人机的外部威胁主要来自敌方的侦察设备和火力兵器,它们的侦察能力、杀伤力、机动性和抗干扰能力的强弱不同,对无人机的威胁程度也不同。另一方面,无人机自身性能高低也影响威胁评估,例如,ISR无人机的飞行高度、飞行速度、机动性以及编队航行时的路线不同时,即使在相同的陆战场环境中所产生的的威胁也不同。另外,环境影响因素也必须考虑,主要包括能见度、风速和气压[1,4]。因此,外部威胁、自身性能和环境因素三个方面共同构成了无人机威胁的评估指标体系,如图1所示。

图1 无人机威胁评估指标体系

评估指标体系的主要因素:

1) 兵器侦察能力:指地面侦察设备对空中无人机进行跟踪探测的威胁,如雷达、红外探测器的侦察能力不同。

2) 兵器杀伤力:指地面火力兵器对无人机造成的杀伤力,比如一般情况下地对空导弹的杀伤力高于高炮。

3) 兵器机动性:指地面侦察设备或火力兵器的使用灵活性,比如固定式、人工便携式、车载等。一般情况下车载的机动性最大,人工便携式次之,固定式最小。

4) 抗电子干扰能力:指地面兵器的隐蔽能力或利用电子设备有效防护,从而不被无人机发现的能力。抗电子干扰能力分为无、弱、中、强四种。

5) 无人机飞行高度:无人机与地面探测或火力兵器之间的距离越小,对无人机的威胁程度就越大;反之飞行高度越大,无人机被发现和攻击的可能性越小,威胁程度越低。

6) 无人机飞行速度:无人机的飞行速度直接影响威胁的影响程度。通常,飞行速度越快,威胁程度越小,反之威胁程度就越大。

7) 无人机编队航路:无人机编队航路的不同对威胁评估影响不同。可分为最佳航路,较优航路和一般航路。

8) 无人机的机动性:无人机自身机动性越好,威胁的影响越小;反之,越大。

9) 能见度:外界环境对无人机威胁的影响也很大,能见度越小,威胁越小;反之,越大。一般情况,晴天的能见度最大,阴天次之,雨天最差。

10) 风速:风速对无人机威胁的影响很大。风速越大,威胁越大,反之,越小。

11) 气压:气压越大,威胁越大,反之,越小。

3 优化的BP神经网络评估模型

随着高新技术的发展,现代战场中无人机面临的威胁多种多样、变化多端,因此评估模型应具有不断更新的能力,而BP神经网络正好满足这一要求。BP神经网络是人工神经网络中一类非常重要、使用广泛的网络结构。它最大的特点是类似于人脑具有自学习和自适应能力,通过外界不断输入的样本训练最终达到理想的状态。但是经典的BP算法是基于梯度下降的方法,收敛速度慢,而且训练过程中可能会陷入“局部极小”。因此有必要对此算法进行一定的优化和改进。

本文采用遗传算法(GA)对BP神经网络进行优化,将BP算法中的梯度下降法与遗传算法的全局寻优的特点相结合。利用用遗传算法在整个权值和阈值空间中进行粗略搜索,再采用梯度下降法进行局部的寻优,最终得到问题的全局最优解[6,10]。基于遗传算法的BP神经网络优化模型如图2所示。

图2 基于遗传算法的BP神经网络优化模型

4 ISR无人机威胁评估仿真

4.1 构建无人机威胁的BP神经网络模型

将无人机威胁的评估指标作为BP网络的输入节点,根据前面的分析,输入节点数为11;威胁等级作为BP网络输出节点,输出节点数为1;选取2层的隐含层,节点个数分别为7和5。利用Matlab神经网络工具箱进行建模训练,表1为一组训练样本,表中的数据需要归一化处理后作为BP网络的实际训练样本。选取200组训练样本对BP网络进行训练。

表1 训练样本示例

4.2 无人机威胁的评估

训练好的BP网络可以用于实战中无人机威胁的评估,输入无人机获取的地面兵器威胁参数、无人机自身性能参数和环境指标参数,表2为无人机面临的三组威胁。

表2 无人机威胁指标参数

将数据处理为样本参数后作为BP网络的输入,经训练后得到输出,即为威胁等级,如表3所示。

表3 无人机威胁等级

可见,威胁3对无人机的影响最大,威胁2次之,威胁1影响最小,在航路规划时应尽量避开威胁3和2,飞行时应注意威胁1的行动。

5 结语

本文充分分析了无人机威胁评估的影响因素,构建了陆战场ISR无人机威胁指标体系。针对无人机威胁不断更新的特点,选取具有自适应、自学习能力的BP神经网络模型进行建模,针对传统BP算法的缺点,利用具有全局搜索能力的遗传算法对其进行优化,获得的优化模型用于无人机威胁的评估。仿真结果符合一般的作战经验和战术原则,为陆战场中ISR无人机的编队模式和航路优化提供了可靠依据。

[1] 李季,孙秀霞,马强.无人机对空威胁算法与仿真[J].系统仿真学报,2008,20(16):4237-4240.

[2] 熊自明,万刚,吴本材.基于改进蚁群算法的无人机低空突防三维航迹规划[J].电光与控制,2011,18(12):44-48.

[3] 袁操,周德云.基于改进蚁群算法的无人机低空突防三维航迹规划[J].电光与控制,2012,19(6):5-7.

[4] 粘松雷,林云,陈榕.基于改进BP算法的编队空中威胁判断模型研究[J].计算机与数字工程,2011,19(12):5-7.

[5] 李京,杨根源.基于神经网络的地面目标威胁度分析[J].兵工自动化,2012,31(3):15-18.

[6] 张发强,由大德,蒋敏.基于RBF神经网络的空袭目标威胁评估模型研究[J].舰船电子对抗,2010,33(6):20-24.

[7] 王晓梅,高江,王运行.低空突防威胁信息融合及航迹优化[J].战术导弹技术,2010(3):23-26.

[8] 杜萍,郝琳.低空突防中探测威胁信息量化的一种实现方法[J].战术导弹技术,2006(1):57-60.

[9] 雷英杰,王宝树,路艳丽.基于自适应直觉模糊推理的威胁评估方法[J].电子与信息学报,2007,29(12):5-7.

[10] 马海涛.基于神经网络和遗传算法的威胁度估计算法[J].军事运筹与系统工程,2005,19(3):72-74.

[11] 王俊,周树道,叶松,等.融合遗传算法与BP神经网络的气象威胁度建模与评估[J].电光与控制,2012,19(3):73-77.

Threat Analysis and Simulation Model for ISR Unmanned Aerial Vehicle in The Land Battlefield

CHEN Juan1MA Tao2

(1. Army Officer Academy, Hefei 230031)(2. Electronic Engineering Institute, Hefei 230031)

The threat influence elements and its characters for ISR UAV in the land battlefield are analyzed. The target system of the threat simulation for ISR UAV is built. The BP ANN model is optimized by the genetic algorithm. The optimized BP network is used to simulate the threat for ISR UAV. The simulation result is practical and effective. It provides a reliable basis for UAV formation model and air route optimization in the land battlefield.

ISR UAV, threat, BP nerve network, genetic algorithm Class Number E87

2015年1月8日,

2015年2月27日 基金项目:国家自然科学基金(编号:71371187)资助。 作者简介:陈娟,女,博士研究生,讲师,研究方向:军事运筹。马涛,男,博士,讲师,研究方向:网络对抗。

E87

10.3969/j.issn1672-9730.2015.07.008