基于混沌雙擾動的CDDPSO-BP目標威脅估計方法*

楊露菁,彭業(yè)飛,周恭謙

(海軍工程大學電子工程學院,湖北武漢　430033)

?

基于混沌雙擾動的CDDPSO-BP目標威脅估計方法*

楊露菁,彭業(yè)飛,周恭謙

(海軍工程大學電子工程學院,湖北武漢430033)

摘要:信息化條件下的戰(zhàn)場環(huán)境對目標威脅估計技術(shù)提出了越來越高的要求。提出一種基于混沌雙擾動的CDDPSO-BP目標威脅估計方法,該方法針對粒子群算法在進化過程中易出現(xiàn)早熟和尋優(yōu)結(jié)果不穩(wěn)定的缺陷,基于Tent映射提出混沌雙擾動的思想,并加入粒子群算法的進化過程,實現(xiàn)對粒子群算法的改進;之后,利用該新算法訓練BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值,建立目標威脅估計模型和算法;最后,將該方法應(yīng)用于實例中進行仿真,結(jié)果表明該目標威脅估計新算法具有較高的準確度。

關(guān)鍵詞:目標威脅估計;Tent映射;粒子群;神經(jīng)網(wǎng)絡(luò);混沌

目標威脅估計是信息融合過程中的一個子過程,在JDL信息融合功能模型中處于第三級。它是在底層傳感器完成對目標的一級處理后,再經(jīng)過二級處理,將結(jié)果進一步分析處理,確定敵方目標威脅等級的高級信息融合過程。作為作戰(zhàn)決策過程中的重要一環(huán),威脅估計是指揮信息系統(tǒng)進行火力分配和戰(zhàn)術(shù)決策的前提條件。一方面可以為指揮員實施指揮決策提供技術(shù)支持,另一方面也是進行多目標打擊的基礎(chǔ),因此戰(zhàn)場威脅估計能力直接影響到我方指揮員的決策質(zhì)量和目標打擊效果。

目前,在目標威脅估計方面已有很多方法,如決策理論[1]、模糊邏輯[2]、貝葉斯網(wǎng)絡(luò)[3]等。近年來,以神經(jīng)網(wǎng)絡(luò)為代表的智能技術(shù)在模式識別、控制和預(yù)測等領(lǐng)域得到了廣泛應(yīng)用。文獻[4]采用神經(jīng)網(wǎng)絡(luò)解決目標威脅評估問題,取得了較好的結(jié)果。但是,神經(jīng)網(wǎng)絡(luò)存在一些不可避免的缺陷,如網(wǎng)絡(luò)結(jié)構(gòu)選擇困難、過學習、局部極值以及泛化能力差等。目前在理論上很難求得網(wǎng)絡(luò)的最佳結(jié)構(gòu)和權(quán)閾值,如何獲得BP網(wǎng)絡(luò)的最佳結(jié)構(gòu)和權(quán)閾值是一個值得深入研究的問題。隨著以粒子群為代表的群智能算法的研究應(yīng)用不斷深入,基于群智能算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)已有較多應(yīng)用,如文獻[5]和文獻[6]等。本文針對粒子群算法易陷入局部極值的問題,利用Tent映射在PSO進化過程中加入了混沌雙擾動的思想,提出混沌雙擾動粒子群算法(Chaotic Double Disturbance Particle Swarm Optimization,CDDPSO),并通過優(yōu)化BP神經(jīng)網(wǎng)絡(luò)建立了一種CDDPSO-BP目標威脅估計方法。

1基于混沌雙擾動的粒子群算法

1.1PSO算法基本思想

設(shè)搜索空間為D維,總粒子數(shù)為n。第i個粒子位置表示為向量Xi=(xi1,xi2,…,xiD);第i個粒子的歷史最優(yōu)位置為Pi=(pi1,pi2,…,piD),即Pbest;種群的群體極值為Pg=(pg1,pg2,…,pgD),即Gbest;第i個粒子的速度表示為Vi=(vi1,vi2,…,viD)。每個粒子的位置按如下公式進行變化:

vid(t+1)=vid(t)+c1·r1·(pid(t)-xid(t))+c2·r2·

(pgd(t)-xid(t))

(1)

xid(t+1)=xid(t)+vid(t)

(2)

其中,i=1,2…m,d=1,2…D。c1和c2為學習因子,r1和r2為兩個介于(0,1)范圍內(nèi)變化的相互獨立的隨機函數(shù),ω為慣性權(quán)重。

1.2混沌雙擾動粒子群

混沌為非線性系統(tǒng)的一種演變現(xiàn)象,是由確定性規(guī)則導致的對初始條件非常敏感的無固定周期的長期行為,具有規(guī)律性、偽隨機性和遍歷性。針對粒子群算法在進化過程中易出現(xiàn)早熟和尋優(yōu)結(jié)果不穩(wěn)定的缺陷,本文在基于Tent映射的混沌粒子群算法[7]基礎(chǔ)上,加入雙擾動的思想,提出混沌雙擾動粒子群算法。Tent映射也稱帳篷映射,其表達式為

xn+1=xn/μ, 0

(3)

其中,μ∈(0,1),x∈[0,1]。

基于混沌雙擾動的粒子群算法主要步驟為:

xij=xmin,j+(xmax,j-xmin,j)·zij

(4)

xij即為m個初始粒子種群。

步驟2計算種群適應(yīng)度。將粒子的目前位置記為Pbest,群體中適應(yīng)度最優(yōu)的粒子位置記為Gbest。

步驟3根據(jù)式(1)和式(2)更新粒子速度和位置,重新計算新粒子的適應(yīng)度,并判斷是否更新粒子的個體極值以及群體的全局極值。

步驟4公告板記錄。記錄每次迭代產(chǎn)生的群體極值,稱為公告板。并設(shè)定一個閾值T,如果公告板連續(xù)T次迭代沒有更新,則轉(zhuǎn)步驟5;否則轉(zhuǎn)步驟6。

步驟5混沌一次擾動。當前群體極值的混沌擾動公式為[8]:

(5)

(6)

步驟6判斷是否滿足迭代結(jié)束條件(達到最大迭代次數(shù)),若滿足,輸出結(jié)果,終止算法;否則,轉(zhuǎn)步驟7。

步驟7早熟收斂判決。判決公式為

(7)

步驟8混沌二次擾動。利用式(8)和式(9)對早熟的粒子進行混沌擾動,有

(8)

X*=ψ*(xmax,j-xmin,j)+xmin,j

(9)

2基于CDDPSO-BP的目標威脅估計

2.1CDDPSO-BP目標威脅估計模型

首先,對原始數(shù)據(jù)量化和歸一化處理,并輸入CDDPSO-BP神經(jīng)網(wǎng)絡(luò);其次,采用本文提出的CDDPSO算法優(yōu)化 BP 神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值,根據(jù)訓練得到的最優(yōu)權(quán)值和閾值構(gòu)造CDDPSO-BP目標威脅估計模型;最后,利用該模型對目標威脅值進行預(yù)測。上述模型如圖1所示。

圖1　CDDPSO-BP目標威脅估計模型

2.2CDDPSO-BP目標威脅估計算法

算法主要步驟如下:

步驟1對數(shù)據(jù)進行量化和歸一化;

步驟2設(shè)定訓練目標、學習率和隱含神經(jīng)元個數(shù),初始化BP網(wǎng)絡(luò)的權(quán)值和閾值;

步驟4根據(jù)CDDPSO算法得到最優(yōu)權(quán)值和閾值后,構(gòu)造CDDPSO-BP 神經(jīng)網(wǎng)絡(luò)。采用訓練集對網(wǎng)絡(luò)進行訓練,計算訓練誤差,訓練誤差滿足要求時,停止訓練。

步驟5將測試集輸入訓練好的CDDPSO-BP網(wǎng)絡(luò),預(yù)測輸出目標威脅值。

該算法流程圖如圖2所示。

圖2　CDDPSO-BP算法流程

3模型仿真與測試

3.1數(shù)據(jù)預(yù)處理

本文的數(shù)據(jù)來源于參考文獻[9]。共有70組數(shù)據(jù),其中訓練集60組,測試集15組。部分測試集數(shù)據(jù)如表1所示。

根據(jù)G.A.Miller的 9 級量化理論,對數(shù)據(jù)進行量化,1-9 分別表示威脅程度極小、非常小、較小、小、中、大、較大、非常大、極大;對定量屬性采用區(qū)間量化,并對其進行歸一化處理。具體過程如下所示。

1) 目標類型:按直升機、大型目標、小型目標依次量化為 3、5、8;

2) 目標速度:按 0-1800m/s 等間隔(200m/s)依次量化為 1～9;

3) 目標航向角:按 0～36°等間隔(4°)依次量化為 9～1;

4) 目標干擾能力:有強、中、弱、無四個級別,依次量化為 2、4、6、8;

5) 目標高度:有超低、低、中、高四個級別,依次量化為 2、4、6、8;

6) 目標距離:按0-450km 等間隔(50km)依次量化為 9～1。

對量化后的數(shù)據(jù),目標速度、目標高度和目標距離等屬性則可以直接進行歸一化。

3.2仿真結(jié)果

CDDPSO算法基本參數(shù)設(shè)置:最大迭代次數(shù)Gmax=100,種群規(guī)模m=20,學習因子c1=c2=2,慣性權(quán)重ω=0.64,變量范圍[0,1],變量維數(shù)D的取值與神經(jīng)網(wǎng)絡(luò)的參數(shù)有關(guān),計算方法為:變量維數(shù)=輸入層×隱含層+隱含層×輸出層+閾值。

BP網(wǎng)絡(luò)參數(shù)設(shè)置:學習率為0.1,訓練目標為0.00001。根據(jù)文獻來源的數(shù)據(jù),威脅因素有6個,即網(wǎng)絡(luò)輸入層有6個節(jié)點,而估計結(jié)果只有一個,即威脅值,所以網(wǎng)絡(luò)輸出層有1個節(jié)點。隱含層分別取3、8、10、15,仿真結(jié)果如圖3-6所示。

表1　測試樣本

圖3　隱含層節(jié)點為3的預(yù)測結(jié)果

圖5　隱含層節(jié)點為10的預(yù)測結(jié)果

圖4　隱含層節(jié)點為8的預(yù)測結(jié)果

圖6　隱含層節(jié)點為15的預(yù)測結(jié)果

由圖3-6可以看出,當神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點數(shù)為10時,算法有最好的預(yù)測結(jié)果。本文采用上面已經(jīng)訓練好的網(wǎng)絡(luò),并將隱含層的節(jié)點數(shù)設(shè)置為10,與文獻[9]提出的GSO-BP算法、已經(jīng)訓練好的BP神經(jīng)網(wǎng)絡(luò)進行比較,如圖7～8所示。

圖7　三種算法預(yù)測結(jié)果比較

圖8　三種算法預(yù)測絕對誤差

為消除偶然誤差的影響,將CDDPSO-BP和GSO-BP算法各自運行10次,取訓練最好的一次作為最優(yōu)預(yù)測結(jié)果,如表2所示。

表2　目標威脅值預(yù)測結(jié)果比較

由圖7、圖8及表2可以得出,基本的BP神經(jīng)網(wǎng)絡(luò)由于誤差波動較大,已不適于模型的預(yù)測;相比于文獻[9]提出的GSO-BP算法,本文提出的CDDPSO-BP算法在預(yù)測結(jié)果上更加準確穩(wěn)定。

4結(jié)束語

為提高目標威脅估計的準確性和實用性,本文利用CDDPSO算法建立了CDDPSO-BP目標威脅估計模型和算法,并運用實例進行了仿真實驗。仿真結(jié)果證明,采用CDDPSO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值,能較好地提高目標威脅估計的準確性和實用性?，F(xiàn)代戰(zhàn)爭要求威脅估計越來越精確,如何進一步提高威脅估計的精度,使其能夠進一步適應(yīng)未來高科技戰(zhàn)爭的要求,也將是下一步應(yīng)該進行的工作。

參考文獻:

[1]Y. Yao, J. Zhao, Y. Wang, J. Sun. MADM of Threat Assessment with Attempt of Target[J]. Advances in Technology and Management, 2012, 171-179.

[2]雷英杰.基于直覺模糊推理的態(tài)勢與威脅評估研究[D].西安:西安電子科技大學,2005.

[3]楊健,高文逸,劉軍.一種基于貝葉斯網(wǎng)絡(luò)的威脅評估方法[J].解放軍理工大學學報(自然科學版),2010,11(1):43-48.

[4]羅艷春,郭立紅,姜曉蓮,等.基于模糊神經(jīng)網(wǎng)絡(luò)的空中目標威脅評估[J].微計算機信息,2007,23(34):268-270.

[5]田旭光,宋彤,劉宇新.結(jié)合遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)[J].計算機應(yīng)用與軟件,2004,21(6):69-71.

[6]寧東方,章衛(wèi)國,田娜.基于改進粒子群優(yōu)化算法的神經(jīng)網(wǎng)絡(luò)設(shè)計[J].計算機應(yīng)用研究,2008,25(11):3343-3345.

[7]Hong li Xu,XuQian, liang Zhang. Study of ACO Algorithm Optimization Algorithm Based on Improved Tent Chaotic Mapping[J].Journal of Information &Computational Science,2012,9(6):1653-1660.

[8]楊俊杰,周建中,喻菁,等.基于混沌搜索的粒子群優(yōu)化算法[J].計算機工程與應(yīng)用, 2005, 41(16): 69-71.

[9]王改革, 郭立紅. 基于智能算法的目標威脅估計[D].北京：中國科學院大學,2013.

CDDPSO-BP Target Threat Estimation MethodBased on Chaos Double Disturbance

YANG Lu-jing, PENG Ye-fei, ZHOU Gong-qian

(Naval University of Engineering, Wuhan 430033, China)

Abstract:Target threat assessment technology has been proposed higher and higher request by battlefield environment under information condition. A kind of CDDPSO-BP target threat estimation method based on chaotic double disturbance is put forward. Focusing on the defect of particle swarm algorithm easy to falling into precocious and unstable in searching the best value, a chaotic double disturbance thinking based on Tent map is proposed and applied to the evolutionary process of particle swarm algorithm to improve the PSO algorithm. Then, the initial weights and thresholds of the BP neural network have been trained with the new algorithm, so that the target threat assessment model and algorithm is established. Finally, the simulation result proves that the proposed target threat estimation algorithm has higher accuracy.

Key words:target threat assessment; Tent map; particle swarm; Neural Networks; Chaos

中圖分類號:E911

文獻標志碼:A

DOI:10.3969/j.issn.1673-3819.2016.02.003

作者簡介：楊露菁(1966-),女,廣東大埔人,博士,教授,研究方向為戰(zhàn)場情報信息處理。彭業(yè)飛(1993-),男,本科。周恭謙(1988-),男,博士研究生。

*基金項目：總裝預(yù)研基金(9140A01060113JB11012)

收稿日期：2015-10-15

文章編號：1673-3819(2016)02-0010-05

修回日期： 2015-11-11