基于集成堆叠神经网络的某反无人机系统作战效能评估问题研究∗

宋彬杰 王远航 张 琪

（1.陆军炮兵防空兵学院郑州校区 郑州 450052）（2.32381部队 北京 100072）

1 引言

从近几场局部战争和武装冲突中可以看出，无人机在战场中使用的频率越来越高，使用的领域越来越广，从最初的执行战场侦察监视任务，发展到现在可以执行多种复合任务，比如战场评估、自杀袭击、察打一体和通信中继等。无人机具有采购来源丰富、操作使用简单、雷达反射截面小、作战使用灵活多样等特点，使其在战场中具有独特的优势，能够很多的执行“侦、控、打、评、保”等多方面的任务，在现代战场的使用越来越广泛［1］。近年来发生的几场局部冲突中，随处可见无人机的影子。2020年下半年的纳卡冲突［1］，阿赛拜疆仅靠简易无人机的灵活使用，就取得了丰硕的战果。2022 年初的俄乌军事冲突中，更是给了无人机大显身手的平台，有报道显示，2月24日至3月25日期间，乌军使用土耳其制造的“TB-2 旗手”无人机对俄罗斯军队的装甲车和地面武装力量实施攻击，击毁了部分装甲车辆，造成大量人员伤亡，给俄军的军事行动带来了很大挑战。

无人机在现代军事中的广泛使用和出色表现，迫使各国开始思考针对无人机作战的应对策略，纷纷着手研制反无人机系统。当前的主要反无人机手段主要分为两种，一是以毁伤空中无人机为目标的“硬杀伤”手段，包括以高炮、防空导弹为代表的传统硬杀伤手段，和以激光、高功率微波武器为代表的新质“硬杀伤”手段；二是以干扰无人机的通信链路、遥控链路、导航链路等为目标的“软杀伤”手段，主要包括无线电干扰、导航干扰等。为提高对无人机的抗击效率，需要复合运用多种抗击手段，这也是当前反无人机系统研制的主要方向。本文以某“软、硬”相结合的反无人机系统为研究对象，利用BP 神经网络对其作战效能进行评估和预测，为武器系统的设计研制，以及作战使用研究提供决策依据。

2 评估指标体系

该武器系统综合集成有源、无源探测手段和“软”、“硬”杀伤手段，具备对无人机实施复合探测和多重抗击的能力。通过对系统能力进行梳理，可以建立该系统效能和分系统能力之间的映射关系，如图1所示。

图1 系统效能和分系统能力之间的映射关系

1）目标探测能力

该系统的目标探测手段有无线电探测和雷达探测。

无线电侦测能力的实现主要是通过对无线电信号进行接收，然后对信号的特征进行分析，以此来判断该信号是否是无人机的下行信号。通过对侦察结果的实时统计，可以得到遥控链路信号的频率、幅度、方位以及时间信息，进而对目标信号进行快速参数测量和分析，为下一步实施定位和干扰打下基础。无线电侦测能力的高低主要受下列因素影响，分别是无线电侦测的距离、测向精度、测频精度等。

雷达探测是当前对空中目标探测的最主要手段之一，基本工作原理为主动向空中发射电磁波，然后通过接收经空中目标反射的电磁波来实现对其定位、测速、测距等功能，支撑雷达实现对空探测能力的战技指标主要有最大探测距离、距离测量精度、方位测量精度、俯仰测量精度和同时跟踪目标数等。

2）指挥控制能力

指挥控制是武器系统的“大脑”，是战斗力生成的“粘合剂”。指挥控制系统主要完成情报信息的融合、分发、态势更新、通信联络等功能，其关键指标有情报处理融合能力、辅助作业能力、情报分发能力等。

3）压制干扰能力

无线电干扰压制该反无人机系统对无人机实施抗击的主要手段之一，主要通过对无人机的通信链路和导航链路实施压制干扰，以达到驱离或迫降的目的。决定无线电压制干扰效果的主要战技指标有遥控链路压制干扰距离、导航压制干扰距离、干扰反应时间等。

4）激光毁伤能力

激光毁伤是该系统中“软”“硬”结合抗击方式中的“硬抗击”方式，激光武器作为新质武器装备，在抗击无人机方面具有独特的优势，比如，可以实现光速打击，具有较高的费效比和无限弹仓等特性［1］。影响激光毁伤效应的因素主要有以下几点：最大毁伤距离、最大毁伤时间、连续工作时间等。

由此可得该反无人机系统作战效能评估的指标体系，如图2所示。

图2 作战效能评估指标体系

3 效能评估模型

1）数据处理模型

在对指标数据正式计算前，需要对指标进行标准化处理，通过对本文指标的分析可以看出，该指标体系中的指标除了有定量指标外，如归大毁伤距离、干扰反应时间等，还存在部分无法通过直接测量而得的定性指标，如辅助作战能力等。对于定量指标，可以在实战环境下进行测量，只需要对其进行标准化处理便可代入评估模型中进行计算；而对于定性指标，则需要首先对其量化处理，在本文中采用模糊评估的思想对定性指标进行量化。

定量指标处理方法。定量指标是可以直接通过测量而采集的指标，这类指标按在效能评估中发挥作用的机理不同，可以分为效益型指标和成本型指标。效益型指标采用极值处理法，函数表达式如

式（1）所示，其中cij表示指标uij的实测值，表示指标uij的最小有效值，表示指标uij的满意值。对于成本型指标，需要用一定的数学方法将其转换成效益型指标，以便后续在同一模型中进行处理，常见的数据一致化处理方法有倒数一致化法和减法一致化法，此处采用减法一致法对成本型指标进行原始数据处理［5］，如式（2）；然后再利用式（1）对其进行标准化处理。

定性指标处理方法。对于定性指标利用模糊综合评判的思想进行量化处理［6］，给定指标5 级评语集V=｛好、较好、一般、较差、差｝，对应的评分集为θ=｛0.9，0.7，0.5，0.3，0.1｝，指标对评语集的模糊隶属度为μi，则定性指标的量化结果为

2）指标权重计算模型

采用层次分析法（AHP）［7］对指标权重进行确定，AHP 作为经典的权重确定方法，可以有效地将定性分析与定量计算相结合，具有层次明了、步骤清晰、易于实现的特点［8］，适用于一些复杂的、难以量化的系统决策问题。主要有以下几个步骤。

Step 1 构造判断矩阵

对于一个由n 个平行指标构建的指标体系，由专家根据其工作经验对指标之间的重要性进行两两比较，可得判断矩阵如式（4）：

Step 2 指标权重求解

利用AHP 求指标的权重，可以将其转化为求判断矩阵的特征向量，首先对矩阵Aij(n×n)按行求积：

然后，计算Mi的n次方根：

最后，对向量进行归一化处理：

Wi即为第i个指标的层次权重。

Step 3 一致性检验

为避免专家在打分的过程中出现逻辑性错误，需要对判断矩阵进行一致性检验，如式（8）和式（9）所示，其中RI取值通过查表可得。

当CR<0.1 时，则判断矩阵具有较为满意的一致性。

3）效能评估模型

分系统Ui的效能Ei为其下属子指标的加权求和，表达式如式（10）所示。

通过对系统抗击无人机的作用机理分析可以看出，压制干扰手段和激光毁伤手段二者只需要其中一个发挥效用，便可实现对无人机的有效抗击，因此可以列出该系统作战效能评估的表达式（11）。

4 基于集成堆叠神经网络的反无人机系统预测模型

经典的作战效能评估方法，需要依靠大量的专家经验作为评价依据，本文采用基于集成堆叠神经网络［11］的方法构建评价模型，该方法是一种改进的神经网络算法，不仅能够克服经典效能评估弱点，还能克服基于神经网络预测评估过程中，泛化能力弱的缺点［12］。该方法实现如图3所示。

图3 集成堆叠神经网络预测模型

如图3 所示，该方法采用两种不同结构的神经网络，对数据集进行特征提取，然后将生成的特征进行堆叠，最后通过浅层神经网络对作战效能进行评估。本文中，神经网络神经元结构设置如图4 所示。

图4 神经网络神经元结构设置

如图4 所示，两种神经网络结构设置为输入层12 维，隐藏层8 维，输出层2 维，以及输入层12 维，隐藏层6 维、4 维，输出层2 维，最后浅层神经网络输出层设置为1维，输出结果为概率值。

1）神经网络

本文采用两种神经网络提取特征值，特征重构的重要手段。能够有效避免模型过拟合导致重构特征缺乏能力弱的缺点，单个神经元结果如图5 所示。

图5 神经元结构

其中，Ui,j为输入值，权重W={w1,w2,…wj}，计算公式如下：

通过激活函数f(∗)将τ进行非线性变换，本文采用sigmoid 函数，作为激活函数，计算公式如下：

2）堆叠

单一结构的神经网络重构特征，其泛化能力具有一定局限性［9］，汲取集成学习思想，本文将两种神经网络进行堆叠重构，对预测集合测试自己进行特征重构得到特征Unew，表示如下：

其中，i∊N，表示训练集数量。

3）预测设置

预测阶段，本文采用神经网络对重构数据进行预测评估，输入层为Unew，表示作战效能评估的4个重构特征，输出层为1 个神经元，其输出值为概率值。本文设置作战效能评估为四个等级：优、良、中、差，设置如下所示：

5 效能评估实例分析

1）数据集

本文实验数据为某反无人机系统作战试验和演习演训中采集而得，涵盖该武器系统将来可能面临的多种作战环境，共包含数据7521 条，其中按照7：3比例，将数据集分为训练数据集5264条和测试数据集2256条，实验用数据集如表1所示。

表1 实验用数据集

2）实验结果与评估

实验中，使用训练集训练模型，当训练迭代次数达到160 次，模型训练结束，模型趋向稳定，如图6所示。

图6 训练迭代次数与误差值关系示意图

本文将基于集成堆叠神经网络的反无人机系统预测结果、与单一神经网络（隐藏层设置数为8）［10］效能评估、经典效能评估方法进行了对比试验，预测数据如表2所示。

表2 预测数量对比表

实验结果显示，集成堆叠神经网络对比经典效能评估和基于单一神经网络效能评估，效能评估为“优”的数据最多，但是其评估值为“差”的数量也多于经典效能评估，分析原因是在训练过程中，特征值设置较少，在训练中容易陷入局部最优解。

6 结语

针对反无人机情报侦察系统作战效能评估，本文采用人工智能算法，构建基于集成堆叠神经网络的评估模型。实验结果显示，该方法不仅能够实现效能评估，而且评估为“优”的占比值为79.12%，优于经典作战效能评估和基于单一神经网络的评估模型。该方法不仅能够克服泛化能力弱的缺点，而且减少了专家经验对评估结果的影响，具有一定研究价值，可为后续反无人机情报侦察系统作战效能评估，提供有益参考。