[发明专利]一种无人机目标威胁评估方法及装置

说明书

本发明提供了一种无人机目标威胁评估方法及装置，属于无人机目标威胁评估领域，方法包括：采用多源传感器获取的攻击目标信息数据，计算不同传感器识别各辐射源的基本可信度分配；结合多源传感器的基本可信度分配，采用DSm模型的合成规则，获取攻击目标的合成可信度分配；依据攻击目标的合成可信度分配，选取决策规则，对辐射源信号进行识别；采用卷积神经网络对识别出的辐射源工作模式进行判别；将判别出的工作模式下的威胁等级评估指标输入至自适应模糊推理网络，获取无人机攻击目标威胁评估结果。本发明采用的基于DSm模型的多传感器融合识别方法可提高识别率和识别结果的可靠性。

技术领域

本发明属于无人机目标威胁评估领域，更具体地，涉及一种无人机目标威胁评估方法及装置。

背景技术

威胁评估（Threat Assessment，TA）技术受到了国内外专家的密切关注，从1970年之后，研究人员对威胁评估展现出浓厚的兴趣，并对其定义和功能模型等方面的内容进行了深入的研究，应用领域涉及空战环境、海上目标等多个领域，并取得了一系列研究成果。

通过PSO-BP算法对目标威胁进行评估，创造性是将PSO良好的寻找最优解的能力和BP算法的较快收敛速度叠加利用，这种方式可以避免非常繁琐的数理推导过程，在输入与输出之间建立映射关系时非常见效。

现有技术构造了空袭目标威胁评估模型，解决空中目标威胁评估问题传统上使用贝叶斯网络、层次分析法（AHP）、多属性决策理论和模糊逻辑方法。然而，使用上述方法必须依靠专家经验来获得恒权重向量，从而大大增加了主观因素，并在估计目标威胁时增加系统的不确定性。

现有技术也公开了一种基于深度学习的无人机空战威胁评估方法，使用战场环境数据库对支持向量机网络结构进行训练，从而实现不同空战环境的划分，然后，使用不同空战环境下的空战态势数据库，训练N种基于深度置信网络的深度学习网络结构；最后，将实际空战态势数据输入到对应模式下训练完毕的深度置信网络进行威胁评估。

上述方法对数据样本的复杂性和准确性考虑不多，特别是在进行威胁等级评估时，没有将目标的工作模式、性能状态和威胁等级进行紧密关联。随着信息技术的迅猛发展，现代雷达辐射源普遍具有频带宽、功能多、任务状态复杂的特点，极大增加了辐射源分选识别的难度，必须在确定辐射源目标工作模式的条件下才能开展有效的威胁等级评估。另外，无人机突防作战是一个动态变化过程，当特征数据变化或测量缺失时，会导致数据的不确定性。此时，输入深度神经网络和模糊推理网络的测试样本具有不准确和模糊性问题，导致评估结果可信度偏差。

发明内容

针对现有技术的缺陷，本发明的目的在于提供一种无人机目标威胁评估方法及装置，旨在解决现有的辐射源由于具有频带宽、功能多、任务状态复杂等特点，因此，辐射源分选识别的难度很大，而现有的无人机威胁评估方法需在确定辐射源目标工作模式的条件下开展，导致辐射源确定不准确的基础上，无人机威胁评估的可信度偏差的问题。

为实现上述目的，一方面，本发明提供了一种无人机目标威胁评估方法，包括以下步骤：

采用多源传感器获取的攻击目标信息数据，计算不同传感器识别各辐射源的基本可信度分配；

结合不同传感器的基本可信度分配，采用DSm模型的合成规则，获取攻击目标的合成可信度分配；

依据攻击目标的合成可信度分配，选取决策规则，对雷达辐射源目标进行识别；

采用卷积神经网络对识别出的辐射源进行工作模式判别；

将提取的工作模式下辐射源目标的威胁等级评估指标参数输入至自适应模糊推理网络，获取无人机攻击目标威胁评估结果。

优选地，多源传感器包括电子侦察设备、光电设备、红外设备和SAR雷达；

优选地，训练卷积神经网络的方法，包括如下步骤：