[发明专利]一种基于机器学习的异构传感器智能任务规划方法

说明书

本发明提供了一种基于机器学习的异构传感器智能任务规划方法，包括如下步骤：(1)规则设置：采用条件判断的格式，建立开关机及辐射规则、工作模式切换规则和抗干扰措施运用规则；(2)量化处理：将上述开关机及辐射规则、工作模式切换规则和抗干扰措施运用规则分别遍历并量化为参数组；(3)学习模型；(4)场景量化；(5)规则推理；(6)确认反馈。本发明将基于专家知识的规划推理方法与基于机器学习的人工智能方法相结合，提升了专家系统的自学习能力，可实现对知识库以外规则的推理，解决了传统方法对专家系统依赖性过大，缺乏自适应性及相应的自组织、自学习能力的问题，有利于发现新规则、形成新经验。

技术领域

本发明涉及一种基于机器学习的异构传感器智能任务规划方法，属于区域防空指挥控制领域。

背景技术

区域级指挥决策系统是发挥系统装备集体效能的核心，其基本任务是基于综合态势，根据系统的运行状态，完成对各资源的协调控制，包含对预警雷达、制导雷达、红外探测系统等异构传感器系统的规划控制。指挥决策具有实时性、正确性、完备性和可扩充性的要求，在决策过程中，当某规则最适合当前态势时，能够迅速启用该规则，充分抓住战机，当所有规则都不适合时，也应有一定的战术策略。同时，还应能根据攻防对抗演习后的经验，实时的增加新的决策知识到系统中去。

传统指挥控制系统对传感器系统的工作时机规划、模式规划等通常根据作战经验和专家知识得来，规划方法主要基于固定准则，一般通过对一个个规则的遍历寻找决策方案，在灵活性和自主扩充性上不足。由于现代系统运行的复杂性、非线性和模糊性，使得以往采用固定规则的规划建模的方法不能满足智能指控系统的自适应、自学习需求。

发明内容

为解决上述技术问题，本发明提供了一种基于机器学习的异构传感器智能任务规划方法，该基于机器学习的异构传感器智能任务规划方法解决了传统方法对专家系统依赖性过大，缺乏自适应性及相应的自组织、自学习能力的问题，有利于发现新规则、形成新经验。

本发明通过以下技术方案得以实现。

本发明提供的一种基于机器学习的异构传感器智能任务规划方法，包括如下步骤：

(1)规则设置：采用条件判断的格式，建立开关机及辐射规则、工作模式切换规则和抗干扰措施运用规则；

(2)量化处理：将上述开关机及辐射规则、工作模式切换规则和抗干扰措施运用规则分别遍历并量化为参数组；

(3)学习模型：将得到的参数组作为训练样本，采用机器学习算法进行训练，得到规则推理模型；

(4)场景量化：获取目标和装备状态对应于规则推理模型的输入的分量值；

(5)规则推理：将上述分量值代入至规则推理模型中，得到规划结果；

(6)确认反馈：确认并修正规划结果，同时将修正后得到的规划结果连同对应的输入分量一并加入至参数组中，重新进行步骤(3)。

所述步骤(2)中的量化，指将规则中对应的目标、装备状态和规划结果用数字表示，其中规划结果取值为整数。

所述步骤(2)中的遍历，是指将开关机及辐射规则、工作模式切换规则或抗干扰措施运用规则中，根据规则所可能发生的所有情况均列举出来。

所述步骤(3)中机器学习算法采用基于极限学习机的方法。

在所述基于极限学习机的方法中，激活函数采用Sigmoid函数。

在所述基于极限学习机的方法中，隐层节点数为九个。

所述步骤(5)中，规则推理模型计算得到输出结果经四舍五入取整后得到规划结果。