[发明专利]一种基于遗传模糊逻辑树的威胁估计与态势评估方法

说明书

本发明公开了一种基于遗传模糊逻辑树的威胁估计与态势评估方法，方法为：对目标特征与属性采用模糊逻辑方法进行推理得到威胁估计结果；将威胁估计结果和环境影响因素输入态势评估的模糊推理器，进行态势评估并得到初步的态势评估结果；根据态势评估的环境影响因素的实时变化，结合遗传算法不断优化模糊推理器，输出得到最终的态势评估结果。本发明构成级联的双层模糊逻辑树，采用模糊逻辑技术，适宜于处理复杂的、非线性的、无法进行数学描述的动态系统，结合遗传算法，具备了更新知识规则库的能力，从而实现智能化的威胁估计与态势评估，且在保留模糊逻辑自适应力与鲁棒性能的同时大幅降低运算量，提升威胁估计与态势评估的时效性。

技术领域

本发明属于威胁估计与态势评估的信息融合方法技术领域，具体涉及一种基于遗传模糊逻辑树的威胁估计与态势评估方法。

背景技术

互联网的快速发展，一方面带来了生活的便利，另一方面也造成了现代战争威胁态势的不可度量。指挥自动化技术系统(C3I)是作战过程中重要的指导决策系统，也是战争中的信息枢纽，它通过收集整合战争中各传感器信息，进而对敌方威胁以及整个战场态势进行估计，从而推进战事有目标决策化地进行。

威胁估计与威胁等级分类不同，前者是建立在目标空间位置、运动状态、平台属性、对我方的威胁等级等要素上的高层信息融合技术，而后者是将目标划分为不同的威胁等级。态势评估是对战场上战斗力量分配情况的评价过程，它通过分析所观测到的多种敌方情报，甚至可以包括威胁估计，得到关于敌方兵力结构、使用特点的估计，最终形成战场综合态势图。威胁估计与态势评估是战场中信息融合的重要部分，也是融合中的难点所在。为了能够快速的为指挥员的决策提供帮助，现代战争对其进行研究十分必要。

基于层次分析法的威胁估计是通过层次分析来确定不同类型目标的加权因子，首先确定目标威胁等级评判所需的特征集其中l＝1，2，L，L，L为进行目标威胁等级评判所选的特征参量数目；然后建立任一特征参量T_l针对不同类型目标U_i的威胁等级评判隶属度函数然后确定不同特征参量T_l在目标威胁等级评判中的加权因子ω₁，并由此组成加权向量ω＝[ω₁，ω₂L ω_l]^T；最后利用目标威胁等级的威胁估计向量和加权向量确定不同目标最终的威胁等级，即当指标过多时，层次分析法的数据统计量大，权重难以确定，而且只能从原有的方案中选择最优，不能提供新的决策方案。

态势评估的方法有贝叶斯网络、证据理论和神经网络等。贝叶斯方法遵循概率的可加性，但是由于只是存在不确定性，在现实中这是不太合理的且它不能处理不知道的信息。证据理论是不确定性推理的重要方法，采用信任函数而不是概率作为不确定性度量，但是证据理论的不确定性的传播计算只适用单论域U的情况，若要计算从一个论域框架到另一个论域框架中的不确定性传播则无从解决。神经网络则需要大量的训练样本，迭代次数多，计算量大，而且容易陷入局部最优。

针对以上问题，本文提出了将威胁估计和态势评估结合起来的遗传模糊逻辑树方法。模糊逻辑提供了一种处理人类不确定性的数学方法，它可以对不精确语义信息进行处理，由于威胁估计和态势评估的影响因素具有不确定性，因此采用模糊逻辑算法。遗传算法能够不断优化知识库的规则，因此可将两者结合起来，构建智能化的威胁估计与态势评估算法，显著提升预警系统的环境自适应性，为赢取对抗提供不可或缺的技术支持。

发明内容

本发明的目的在于：解决目前现有的威胁估计方法和态势评估方法指标过多时，只能从原有的方案中选择最优，不能提供新的决策方案以及不能计算从一个论域框架到另一个论域框架中的不确定性传播，且神经网络需要大量的训练样本，迭代次数多，计算量大，容易陷入局部最优的问题，提出了一种基于遗传模糊逻辑树的威胁估计与态势评估方法。

本发明采用的技术方案如下：

一种基于遗传模糊逻辑树的威胁估计与态势评估方法，方法包括：