[发明专利]一种基于模糊神经网络的装备控制自主决策方法

说明书

本发明公开了一种基于模糊神经网络的装备控制自主决策方法，所述方法包括：判断装备当前所处的情况域，形成装备控制规则库，通过模糊化方法将装备控制规则转换成为装备控制模糊规则形成模糊样本，构建模糊逻辑推理模型完成输入模糊化处理、模糊推理和输出解模糊化，实现对机动控制、雷达控制、武器控制、电子对抗控制的实时快速决策，并对装备控制模糊规则结构和参数进行自适应学习训练。本发明采用基于模糊逻辑的神经网络学习方案，基于专家作战经验快速让装备具备自主决策能力，通过神经网络学习算法进行自适应学习训练，完成装备控制自主决策能力的高效实时演进，有效缩短学习周期，提高装备对外部环境变化适应能力和智能化水平。

技术领域

本发明涉及装备控制自主决策技术领域，尤其涉及到一种基于模糊神经网络的装备控制自主决策方法。

背景技术

现代化作战装备正向高度自动化、信息化及智能化方向发展，提供给指挥员或装备操作员的信息复杂多样，特别针对现代化机动装备包括机动控制、雷达控制、武器控制、电子对抗控制等众多控制因素，装备控制问题其输入输出要素多，且各要素之间彼此关联，其本身是一个高度复杂、强非线性、带约束的动态优化求解问题，仅仅依靠人来做出最佳的决策控制，几乎是不可能的。因此，需要研究一种智能化的装备控制自主决策方法，来辅助装备操作员面对复杂的战场态势对机动控制、雷达控制、武器控制、电子对抗控制等方面做出实时决策，减轻操作员操作负担，提高操作员对外部环境的掌握能力，使得装备的性能特性满足特殊的任务目标和环境要求，并提高装备的生存力和任务效能。

针对复杂环境下的机动装备控制，尚未由性能良好的自主决策方法。现有研究主要集中于传统的人工智能方法如基于规则的专家系统、机器学习等方面，主要存在以下问题。

1、基于规则的专家系统，其决策过程直接根据专家知识和规则进行推理，相对其他决策方法，专家系统法不需要进行大量计算，对于瞬息万变的真实战场环境，能较快地做出反应，具有响应速度快、结构简单的特点。然后由于专家系统知识库中存储的知识都是固化的数据，装备使用过程中一旦出现系统知识库未存储的目标场景，专家系统就失效了，无法适应瞬息万变的战场环境。

2、传统的机器学习算法都是基于海量学习样本，构建类似于黑盒子的机器学习模型，通过对大量输入输出数据进行学习训练，这种方式对样本数据要求很高、学习训练周期长、学习速度慢、泛化性能差且效果无法保证，同时对于计算机的运算时间和存储空间都是巨大的挑战。针对装备自主决策问题，需根据复杂的敌我态势信息对机动控制、雷达控制、武器控制、电子对抗控制等多维度进行自主决策，输入输出要素多，且各要素之间彼此关联，复杂度高且数据量大，同时真实的作战样本数据获取难度大且成本高，导致传统机器学习算法难以有效处理和分析。

发明内容

本发明的主要目的在于针对传统装备控制决策方法适应性差、复杂度高且所需数据量大、时效性差，同时真实的实战样本数据获取难度大、成本高的问题，提出一种基于模糊神经网络的装备控制自主决策方法，采用基于模糊逻辑的神经网络学习方案，在作战样本数量有限的情况下，基于专家作战经验形成装备控制模糊规则，通过模糊推理快速让装备具备自主决策能力，并通过神经网络学习算法对模糊规则结构和参数进行自适应学习训练，完成装备控制自主决策能力的高效实时演进，有效缩短学习周期，提高装备对外部环境变化的适应能力和智能化水平。

为实现上述目的，本发明提供一种基于模糊神经网络的装备控制自主决策方法，所述方法包括以下步骤：

S1：获取战场敌方目标数据，判断装备当前所处的情况域；

S2：按照输入输出结构对装备作战经验知识或者样本数据进行信息提取，形成装备控制规则库，通过模糊化方法转换成模糊规则形成模糊样本，构建模糊逻辑推理模型；

S3：选择隶属度函数对输入的情况域、目标距离、目标方位角、目标进入角数据进行模糊化处理，基于模糊样本，构建神经网络学习模型，采用BP算法对前件参数进行学习训练；