基于BP神经网络的美军空基ISR系统威胁等级评估

唐文亚，单 洁，韩升明

（电子工程学院，安徽合肥230037）

基于BP神经网络的美军空基ISR系统威胁等级评估

唐文亚，单 洁，韩升明

（电子工程学院，安徽合肥230037）

针对美军空基情报、监视与侦察（ISR）系统的威胁，分析了影响目标威胁等级的5个因素，结合BP神经网络建立了目标威胁等级评估模型，并进行了仿真评估。仿真结果表明，基于BP神经网络的威胁等级评估模型具有较好的效果，符合实际情况，能够准确反映目标威胁等级。

BP神经网络；情报、监视与侦察系统；威胁等级；评估

0 引言

为了能够在和平时期应对美军空基ISR系统的侦察、监视等行动，科学合理地分配作战资源，本文对空基ISR系统的威胁进行量化研究。目标威胁等级评估是威胁量化研究的主要内容，威胁等级的确定可以使指挥员迅速判明当前战场态势，缩短作战反应时间，更好地应对空基ISR系统带来的威胁。

目标的威胁等级评估可采用多种方法，常见的有层次分析法、遗传算法、贝叶斯网络等，但上述方法确定指标权重时采用主观赋值法，对于未知目标的适用性较差，难以在全面、合理地考虑各种因素的基础上，给出威胁程度与影响因素的固定函数关系。BP神经网络模型可模拟人脑学习的过程，具有较强的自主学习能力。对BP神经网络进行大量的样本学习和训练，BP神经网络模型就可以很好地处理目标威胁评估中的非线性问题，因此，本文采用BP神经网络的方法进行美军空基ISR系统的威胁等级评估。

1 BP神经网络

BP神经网络是指采用误差反向传播（EBP）算法的多层前馈人工神经网络。它是由输入层、一个或多个隐藏层和输出层组成的多层网络，其学习的过程可归结为信息的正向传递和根据误差逆向修正权重两部分。BP神经网络的学习过程可归结如下：

1）样本指标值与威胁值的初始化；2）依次对网络输入学习样本；3）计算输出层的威胁值；4）计算输出威胁值与样本威胁值的反传误差；5）若全部误差满足要求，训练结束，否则重复步骤3），直到误差满足要求；6）学习结束。具体如图1所示。

2 确定目标威胁评估指标

为阐述基于BP神经网络的美军空基ISR系统威胁模型，首先应明确评估指标，在此基础上建立BP神经网络模型。

2.1 确定威胁等级评估指标的依据

确定空基ISR系统进行侦察监视时的目标属性，是确定目标威胁等级的前提。具体威胁属性的确定要依据空基ISR系统的作战任务和被侦察方的应对措施综合确定。

2.1.1 目标具体任务

根据作战任务的不同，会出动不同的ISR平台，例如：可用EP-3E、RC-135侦察机在远距离截获电磁辐射信号；可用U-2S、“全球鹰”侦察机的SAR雷达进行成像侦察；可用预警机对特定空域进行监视。作战任务不同会使用不同的作战平台，威胁也会有差异。

2.1.2 应对措施

是否具备能够有效地应对空基ISR系统的措施，同样也是衡量威胁等级的重要依据。对于隐身、高速、侦察打击一体化的目标（如美海军正在验证的X-47B隐身无人机），预警探测系统难以发现，若它突破综合防空系统，可直接对对方重要目标进行打击，构成的威胁程度高；而对于一般大型平台、非隐身、慢速目标，一般采取防区外侦察监视措施，海空探测系统可以及时发现，同时可以引导海空兵力进行拦截或采取其他有效的应对措施，则此类目标威胁程度相对较低。

2.2 目标威胁等级评估的具体指标

根据上述确定目标威胁属性的依据，可将目标威胁的属性分为运动特征、平台特征、传感器特征、位置特征及武器特征。

2.2.1 运动特征

运动特征反映目标的机动能力，以机动速度来衡量。高速目标威胁大，中低速目标威胁小。当目标速度大于1000km/h时，威胁较大；目标速度为500～1000km/h时，威胁中等；目标速度小于500km/h时，威胁较小。

2.2.2 平台特性

机体较小，或具备一定隐身能力的平台探测难度大，则威胁大；中型平台（如E-2C/D预警机）可在一定范围内准确探测，威胁一般；大型（如E-8的“波音”737平台）且不具备隐身能力的平台，预警探测系统可在较远距离探测，威胁相对较小。

2.2.3 传感器特征

机载无源电子侦察设备可获取地面、舰载和机载警戒、火控雷达及通信、导航系统的精确信号参数，可为发展对抗措施提供依据，威胁最大；机载SAR雷达、多光谱传感器可远距离对大范围区域进行高分辨力成像，获取地形地貌、装备部署等情报，威胁较大；机载警戒雷达可对海面目标和空中目标进行监视，但在对方预警探测系统的监控之下，和平时期威胁相对较小。

2.2.4 位置特征

当目标在距对方领空500km之外时，威胁较小；当目标在距对方领空200～500km范围内时，威胁较大；当目标在距对方领空200km之内时，威胁最大。

2.2.5 武器特征

当前美军大多数空基ISR系统均以情报获取作为主要任务，但不排除有具备打击能力的ISR系统，美军的非传统ISR手段F-CJ和F-35均可携带反辐射导弹和对地导弹。此处将平台的武器特征分为进攻型武器、自卫型武器和无武器。携带进攻型武器如反辐射导弹、反潜导弹和对地攻击精确制导弹药的ISR系统威胁最大；携带自卫型武器的ISR系统威胁一般；无武器系统的ISR系统威胁最小。

通过上述目标威胁属性，可以定性描述目标的当前状态和威胁情况，如目标为预警机，机上载有预警雷达、光电侦察设备和无源探测设备，距离领空300km，机上无武器系统，通过这样的描述可以直观地表述当前目标的位置信息、传感器类型等信息。

2.3 威胁评估指标量化

将目标威胁的属性进行量化，作为威胁模型的评价指标。各属性有可以根据目标所处的状态区分的不同的值，值越大，威胁越大，反之越小。在前文中，各个属性的威胁度又可以分为高、中、低三个层次。此处在归一化的基础上将威胁度从高到低分为0.9、0.5和0.1，将威胁值取值范围定为［0，1］，1代表威胁最大，0代表无威胁。如表1所示。

图1 BP神经网络学习过程

表l 目标威胁指标量化

2.4 建立BP神经网络模型

在本文中，BP神经网络模型分为3层，分别是输入层、隐藏层和输出层，如图2所示。输入层是对网络输入威胁评价指标的量化值，输入层共有5个输入节点，分别代表影响目标威胁等级的5个指标，各指标的值根据实际威胁度取值，取值范围分别为0.1、0.5、0.9；隐藏层对指标进行处理，并根据输出层的威胁值，不断反馈优化隐藏的具体计算结构，最终结构是根据输入的指标，能够得出符合预期的威胁值。根据一定的样本数据，训练BP神经网络，使网络能够输出符合样本威胁值，经过训练后的网络即可用于对不同状态的空基ISR系统进行威胁等级确定。

图2 BP神经网络模型

3 BP神经网络的训练与仿真

3.1 训练样本

原始数据作为训练神经网络的样本，其选取是否合理，直接制约着神经网络的训练效果。此处根据实际情况和先验知识，列举一批用于训练神经网络的样本，如表2所示。

表2 训练BP网络的样本

上述样本中，如样本1所表示的目标状态为：大型慢速目标、航速小于500km/h、位于对方领空500km之外、传感器主要为警戒雷达、平台上不携带武器系统，因此可判断该目标威胁较小，其威胁值为0.2；又如样本6，表示目标的状态为隐身高速目标，时速超过1000km/h，平台上传感器作用距离较小，但目标据对方领空在200km以内，且机上载有进攻性武器，可对预警探测、防空反导等高价值目标进火力打击，威胁极大，其威胁值设为0.9。其他样本可根据指标及相应标准进行描述。为了使结果更加直观易懂，将威胁值划分为3个不同的威胁度，分别为较低威胁、中等威胁和较高威胁。威胁度与威胁值的对应范围如表3所示。

表3 威胁度和威胁值的对应关系

3.2 仿真计算

在具体的仿真计算中，利用Matlab中集成的trainlm函数进行训练，以前16组数据作为训练样本，分别输入BP网络进行训练。训练好网络后，用后5组数据作为测试样本，用smi函数实现仿真，判断BP网络输出的威胁值与实际威胁值进行比较。BP神经网络的误差计算过程和仿真结果如图3所示。

图3 BP神经网络仿真过程

结果显示，在网络计算到第7步的时候，误差达到最小值0.0083，给定的误差标准为0.01，结果已经达到期望的精度。根据训练好的神经网络，计算样本的威胁值并与样本实际的威胁值进行对比，如表4所示。

表4 测试结果

3.3 结果分析

通过上述测试结果可知，经过训练的BP神经网络可以在一定范围内较好地对威胁目标的等级进行评估。

对于慢速小型目标、机上有光电传感器、距对方领空200km范围内的空基ISR系统，如美军“收割者”无人机，可判定为威胁较高的目标（样本17），其威胁值根据先验知识可判定为0.5，经过BP神经网络的计算，其威胁值为0.2104，结果符合预期。

又如样本20，为小型高速目标、在距对方领空200km范围内、机上有光电传感器和雷达探测设备、且携带进攻性武器的空基ISR系统，如美军的非传统ISR手段F-35战斗机，在进行抵近侦察时，威胁程度高，可将0.7作为威胁值，经过BP神经网络的判断，其威胁值为0.7349，威胁度高，符合实际情况。

基于BP神经网络的威胁等级评估模型，经过验证，可以满足对美军空基ISR系统威胁等级的评估需求。

4 结束语

本文是BP神经网络在目标威胁等级建模与评估方面的一个应用。通过分析空基ISR系统的威胁属性，提出5种影响威胁等级的相关指标，每种指标又具有3种不同的属性。应用BP神经网络对美军空基ISR系统威胁等级进行建模与评估，仿真结果表明，该方法能够较为合理地解决威胁等级评估中存在的非线性和不确定性问题，能较准确地反映实际情况，具有一定的实用价值。■

［1］ 朱国涛，周树涛，等.基于BP神经网络的气象网络威胁度建模和评估方法研究［J］.电光与控制，2011（3）：69-72.

［2］ 刘雁兵，刘付显.基于模糊神经网络的空袭目标威胁评估［J］.战术导弹技术，2005（3）：9-12.

［3］ 孙虎儿.基于神经网络的优化设计与应用［M］.北京：国防工业出版社，2009.

［4］ 杨凯，王玉生，王学奎，等.基于BP神经网络的防空兵射击指挥效能评估［J］.舰船电子对抗，2010（8）：36-38.

US airborne intelligence，surveillance&reconnaissance system threat assessment based on BP neural networks

Tang Wenya，Shan Jie，Han Shengming
（Electronic Engineering Institute，Hefei 230037，Anhui，China）

According to the threat of US airborne ISR system，5 factors affecting threat grade are analyzed. A targets threat grade assessing model combined with BP neural networks is found and simulated.The results indicate that the BP neural networks model is effective in establishing threat grade according and accords with the facts.

BP neural networks；ISR system；threat grade；assessment

TN97

A

2015-02-02；2015-07-01修回。

唐文亚（1990-），男，硕士研究生，研究方向为信息对抗情报分析。