[发明专利]基于大数据分析技术的电子侦察装备边界性能评估方法

说明书

本发明公开一种基于大数据分析技术的电子侦察装备边界性能评估方法，其包括以下步骤：S1、建立电子侦察装备系统的指标体系；S2、建立置信库，建立基于规则的置信库推理模型；S3、加载装备模型，包括但不限于发射频率、发射天线高度、传输功率装备参数，以及温度、水汽密度、能见度环境参数；S4、加载已有装备数据，主要针对装备在已知参数条件下，装备现有边界性能；S5、利用小子样数据集样本生成算法，扩充数据集，预测装备步骤S3的条件下的边界性能；S6、利用步骤S2中的推理模型，计算步骤S5中的置信度。本发明利用包含环境因素影响的装备对装备性能数据，应用大数据综合与关联分析推理技术进行电子侦察装备性能的有效评估。

技术领域

本发明属于电子侦察装备效能评估技术领域，尤其是涉及一种基于大数据分析技术的电子侦察装备边界性能评估方法。

背景技术

长期以来，在军事或民用领域中各型武器装备、导航系统、电子信息装备一直面临着如何进行装备评估、性能评价、装备代际比较的难题，特别是电子侦察装备的边界性能评估至今鲜见于公开报到，迫切需要加强相关研究和探索。

现代战争的胜负毫无疑问是通过全球各国科技实力、军事人员素养、高端装备研发与应用水准、科学军事训练成效、装备日常管理水平和情报收集与处理能力等的综合比较结果来共同决定的。其中，情报的收集与处理能力的增强与完善越来越受到各型电子侦察装备边界性能的影响与制约，如何开展电子侦察装备的边界性能评估技术的研究，对未来的战争，如装备的部署与联合性能分析，提供技术支持，已经变得日趋重要。

目前，装备性能评估的各种解决方法存在以下优点和不足，如表1所示。

表1装备性能评估现有的各种解决方法的利弊

方法名称	优点	不足
层次分析法	实施简单，方便易行	重要度排序过程中主观因素大
Bayes网络	理论基础成熟，较为灵活	需要先验知识，无法处理定性知识
神经网络	拥有学习和自适应能力	受样本集质量影响较大，通常不集成样本采集建议与方法
D-S理论	能够满足更弱的条件	信度分配存在困难