邓玉梅
(西安电子科技大学 电子信息攻防对抗与仿真重点实验室,陕西 西安 710071)
基于蚁群优化的BP神经网络目标威胁估计方法
邓玉梅
(西安电子科技大学 电子信息攻防对抗与仿真重点实验室,陕西 西安 710071)
摘要根据空中目标威胁估计的特点,分析了基于BP神经网络的空中目标威胁估计方法的不足。运用蚁群优化算法(ACO)的全局寻优能力,对BP神经网络的初始权值进行优化,建立了改进的BP (ACOBP)空中目标威胁估计方法,解决了BP神经网络初始权值的随机性和网络易陷入局部极小值的问题,提高了算法的收敛速度。并采用30组训练样本数据及8组测试数据,对算法的性能进行了仿真分析。仿真结果表明,该算法估计结果准确合理,收敛速度和收敛精度均优于BP算法,证明了该方法的有效性。
关键词威胁估计; BP神经网络; 全局优化
现代防空作战中,空袭往往采取多批次、多层次、连续饱和式的攻击手段,作战信息急剧膨胀。为有效地发挥防空武器系统的整体效能并有秩序地实施防空作战,必须及时合理对空中目标进行威胁估计,才有助于做出合理的射击决策[1]。因此,研究空中目标威胁估计方法具有重要意义[2]。
空中目标威胁估计方法有很多,如层次分析法[3]、D-S证据理论[4]、云模型理论[5]、贝叶斯网络[6]、模糊集[7]和支持向量机[8]等。这些方法各有所长,但其不能随着作战情况的变化灵活变化,适用性不高。误差反向传播(Back Propagation,BP)神经网络算法[9]有良好的非线性逼近特性、自适应学习性,较好地对空中目标威胁进行估计,但BP网络的初始权值选择不当,会造成网络陷入局部极小点。
本文建立基于蚁群优化的BP神经网络空中目标威胁估计方法,利用蚁群优化(Ant Colony Optimization, ACO)算法[10]的全局寻优能力,对BP神经网络算法进行优化。该算法排除了BP神经网络初始权值确定之中的随意性,加强网络收敛速度。
1空中目标威胁估计模型
空中目标威胁程度由多种因素决定,粗略统计有20种。理论上讲,考虑的因素越多,得到的结果越可信;但考虑的因素过多,则易产生组合爆炸,使处理过程复杂。所以,必须筛选适当数量的相互之间联系不紧密的主要因素作为估计指标。参考国内外文献并结合实际作战情况,本文建立的空中目标威胁估计模型[11]如图1所示。
图1 空中目标威胁估计指标模型
各威胁指标量纲不同、数值差异也较大,需用隶属度函数对各指标进行预处理。
(1)目标类型。目标类型[12]按小型目标、大型目标、武装直升机(武装机)依次量化0.8,0.5,0.3;
(2)飞行速度。飞行速度越大,表示目标突破防御的可能性就越高,威胁程度越大,其隶属度函数为
r(v)=1-eα|v|
(1)
式中,α=-0.005 s/m;v为目标飞行速度;
(3)航路捷径。依据射击理论,目标的航路捷径越小,攻击意图越明显,威胁越大,其隶属度函数为
r(p)=e-k(p-a)2, -30≤p≤30
(2)
式中,k=5×10-3km-2,a=0 km,p为航路捷径;
(4)目标高度。目标高度越低,则其被发现的概率越小,威胁越大。其隶属度函数为
(3)
式中,k=10-2km-2;a=1 km;h为目标飞行高度;
(5)目标航向角。目标航向角越小,攻击意图明显,威胁越大;按0°~36°等间隔依次量化为0.9~0.1;
(6)电子对抗能力。电子对抗能力按强、中、弱、无依次量化为0.8,0.6,0.4,0.1。
2BP神经网络算法
BP神经网络算法(简称BP算法)的基本思想是,学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时,输入样本从输入层传入,逐层传向输出层。若输出层的输出与期望的输出不符,则转入误差的方向传播阶段。误差反传是将输出误差以某种形式通过隐含层向输入层逐层反传,并以误差信号为依据修正各单元权值。周而复始地进行这两个过程,一直进行到满足目标误差精度,或达到预先设定的学习次数为止。
BP算法权值调整计算公式为
ΔW=η(δXT)T
(4)
式中,η为学习速率;δ为本层输出误差;X为本层输入信号。即BP算法中,各层权值调整式均由学习速率,本层输出的误差信号以及输入信号这3个因素决定。
3基于蚁群优化的BP算法
针对传统BP算法的不足,本文用ACO算法对BP算法的初始权值进行优化,建立基于蚁群优化的BP算法(简称ACOBP算法)。
ACO算法是模拟蚁群觅食行为而提出智能优化算法,蚂蚁之间寻找食物时通过信息素进行通信,若该路径越短其信息素浓度越大被选择的概率越大,随着时间的推移,越来越多的蚂蚁聚集到较短的路径上来,从而找到食物源到蚁巢的最短路径。ACO算法是一种全局寻优算法,具有较强的鲁棒性、并行性等特点,能在较短的时间发现问题的最优解。
在ACOBP算法中,做以下假设,网络权值分别记为q1,q2,…,qp,将其中任一参数qi(1,2,…,p)取值范围划分为N个子区间,形成集合Iqi,将每个子区间的边界值作为临时备选值,每个子区间中信息素为τj(Iqi)(t),j=1,2,…,N。若系统中蚂蚁总数量为K,任何一只蚂蚁k从集合Iqi中随机选择元素j的概率是
(5)
信息素更新的表达式为
(6)
式中,ρ(0<ρ<1)是信息素残留系数;Q是常量,用于调整信息素的更新速度;ek是蚂蚁k在集合里选择出的元素作为BP网络参数时各训练样本的输出误差的最大值。ACOBP算法流程图如图2所示。
图2 ACOBP算法流程图
4仿真分析
为验证基于ACOBP空中目标威胁估计方法的可行性,对其进行仿真分析。仿真数据包含不同类型和飞行条件的目标,其中训练样本30组,预测样本8组,部分数据如表1所示。
表1 测试样本
样本的期望值为[0.807,0.681,0.778,0.626,0.487,0.355,0.430,0.343] 。
分别用BP算法和ACOBP算法对数据进行训练和预测,结果如下图所示。
图3 BP和ACOBP训练过程的目标误差曲线
图4 BP和ACOBP测试样本网络输出与期望输出
图5 BP算法测试样本的误差
图6 ACOBP算法测试样本的误差
对图4中BP和ACOBP中测试样本的网络输出即为估计的空中目标威胁值,对估计结果进行排序得T1>T3>T2>T4>T5>T7>T6>T8,均与期望的威胁排序结果一致,且网络输出与期望输出具有较好的拟合。其中,目标T1威胁最大,应优先分配火力拦截。由图3知BP经过800次训练达到目标误差精度要求,而ACOBP算法经过368次训练可达到目标误差精度要求,ACOBP算法收敛速度更快。由图5知,BP算法测试样本的最大误差为2.9%,最小误差为0.2%,平均误差为2.0%;由图6知,ACOBP算法测试样本的最大误差为1.2%,最小误差为0.1%,平均误差为0.6%,ACOBP算法的精度更高。仿真结果表明,ACOBP算法应用于空中目标威胁估计比BP算法更快收敛速度快和更好的准确性。
5结束语
空中目标威胁估计就是根据的目标类型、飞行速度等威胁指标量化目标威胁程度的过程。本文结合防空作战的特点,构建了空中目标威胁估计指标模型,针对BP算法应用于空中目标威胁估计的不足,用ACO算法对其初始权值进行优化,建立了蚁群优化的BP神经网络算法,并对该算法进行了仿真验证。仿真结果表明,改进后算法有较优的预测能力,更快的收敛速度和更高的准确性,是一种有效的空中目标威胁估计方法。该算法应用于空中目标威胁估计能为指挥决策人员提供科学合理的信息,以便指挥决策人员快速制定作战方案,对我方赢得防御的主动和有效保存作战力量有现实意义。
参考文献
[1]孔祥忠.战场态势估计和威胁估计[J].火力与指挥控制,2003,28(6):91-94.
[2]曹睿婷,章卫国,李广文.基于多层次分析方法的目标威胁估计研究[J].弹箭与制导学报,2011,31(2): 30-32.
[3]王俊涛,李勇,尤志锋,等.基于D-S证据理论的空中目标威胁度排序模型[J].兵工自动化,2007(12):18-19.
[4]麻士东,韩亮,龚光红,等.基于云模型的目标威胁等级评估[J].北京航空航天大学学报,2010,36(2):150-153.
[5]史志富,郭曜华.机载光电系统目标威胁估计的模糊贝叶斯网络方法[J].传感技术学报,2011(11):1584-1589.
[6]JohanssonF,FalkmanG.Abayesiannetworkapproachtothreatevaluationwithapplicationtoanairdefensescenario[C].Taipei:Proceedingsofthe11thInternationalConferenceonInformationFusion,IEEE, 2008.
[7]李姜,郭立红.基于改进支持向量机的目标威胁估计[J]. 光学精密工程,2014(5):1354-1362.
[8]罗艳春,郭立红,王凤仙,吕雪燕.基于神经网络的光电系统空中目标威胁估计[J].计算机测量与控制,2008,16(2):212-214,217.
[9]DorigoM,GambardellaLM.Antcolonysystem:acooperativelearningapproachtothetravelingsalesmanproblem[J].IEEETransactionsonEvolutionaryComputation, 1997, 1(1): 53-66.
[10]MaoJianzhou,WangYanhui,XiaHuichengetal.Threatestimationmodelofairtargetbasedonpatternrecognition[C].Dalian:InternationalConferenceonSystemScienceandEngineering,IEEE,2012.
An Approach to Threat Assessment of Aerial Targets Based on BP Neural Network Algorithm Using Ant Colony Optimization
DENG Yumei
(Key Laboratory of Electronic Information Countermeasure and Simulation, Xidian University, Xi’an 710071, China)
AbstractOn the basis of the characteristics of aerial targets threat assessment, the weaknesses of BP neural network for aerial targets threat assessment are analyzed. By using the ant colony optimization (ACO) algorithm seeking global excellent result to optimize the random of BP algorithm, a new aerial targets threat assessment method is established and the ACOBP algorithm is achieved by the method, which overcomes the randomness of BP network initial weights, solves the problem lost in local minimum, and improves convergence speed of the network. Finally, the performance of the algorithm is analyzed. Simulation results show the ACOBP algorithm can estimate threat degree accurately and appropriately with faster convergence and better performance than the BP algorithm, proving that the ACOBP algorithm is an effective approach to threat assessment.
Keywordsthreat assessment; BP neural network; global optimization
收稿日期:2015- 11- 13
作者简介:邓玉梅(1991-),女,硕士研究生。研究方向:电子战信号处理。
doi:10.16180/j.cnki.issn1007-7820.2016.07.010
中图分类号TP18
文献标识码A
文章编号1007-7820(2016)07-033-04