协同多目标攻击空战决策及其神经网络实现资料下载.pdf

协同多目标攻击空战决策及其神经网络实现资料下载.pdf

《协同多目标攻击空战决策及其神经网络实现资料下载.pdf》由会员分享，可在线阅读，更多相关《协同多目标攻击空战决策及其神经网络实现资料下载.pdf（4页珍藏版）》请在冰点文库上搜索。

超视距空战;

多目标攻击;

神经网络实现中图分类号:

V249;

E837文献标识码:

AAbstract:

First,adecisionmethodofBeyondVisualRange（BVR）multi2targetaircombatcooperativeprioritizationalgorithmispresented,bywhichthetargetdistributionofcooperativelyattackingmultipletargetsbymultiplefighterscanbegiven.Then,for2via4aircombat,thealgorithmisrealizedbythreelayersofB2Pneuralnetwork,andtheobjectattackingsequenceisrealizedbyaSelf2OrganFeatureMapping（SOFM）one.Inaccordancewiththeconcretefeaturesofthelearningalgorithmofthem,appropriatesamplespace,trainingandtestingmethodsaredesigned.Thus,favorableresultshavebeenobtainedwhentheyaretrainedandtested.Thisresearchshowsthatitiseasy,accurateandfasttorealizetheobjectattackingsequenceofaircombatbymeansofSOFMneuralnetwork.Becausetheyhavestrongcapabilityofenvironmentadaptation,errortoleranceandrealtimecharacteristic,therealizationmustbehelpfultothepilotsaircombatdecisioninacomplicatedanddynamicenvironment,andcanenhancethefightingeffectivenessoftheaeronauticalweaponsystem.Keywords:

tacticaldecision;

BVRaircombat;

multi2targetattack;

neuralnetworkrealization多目标攻击指一架飞机单独或多架飞机协同攻击空中多个分散的目标,70年代就已开始研究的这一技术目前已在第3代战斗机上得到应用。

在已有的近距多机空战研究中,主要是着眼于提高单架飞机的作战能力,各架飞机间缺乏合作。

随着航空科技的发展和中远距空空导弹的应用,超视距空战已成为跨世纪空战的一种重要模式,而它与近距多机空战的关键区别是协同攻击。

超视距多目标攻击多机协同作战是第4代战斗机（如F222和苏35）武器火控系统的最主要作战方式之一,也是关键技术难点。

因此,本文研究空对空作战中的协同多目标攻击问题。

1协同多目标攻击空战决策1.1自主优先权的确定在BVR多机空战中,每架战斗机驾驶员有若干机载武器,需从中选择武器对付多个目标,因而要确定自主优先权,即在不考虑与其它友机进行协同的情况下,根据态势数据和威胁判断独自确定的目标跟踪优先排序。

以24空战为例,设2架蓝机协同攻击4架红机,每架蓝机i（i=1,2）通过信息资源的共享已正确识别敌我,并已知4架红机的飞行姿态,则蓝机i相对红机j（j=1,2,3,4）的态势如图1所示。

图1中:

Dij为目标线:

蓝机i到红机j的连线;

ij为位置角:

目标线Dij偏离蓝机i速度v1i方向的角度。

规定右偏为正,左偏为负。

显然,0ij;

qij为进入角:

红机j的速度v2j方向偏离目标线Dij延长线的角度。

规定右偏为正,左偏为负,0qij。

第20卷第4期1999年7月航空学报ACTAAERONAUTICAETASTRONAUTICASINICAVol.20No.4July1999图1蓝机i相对红机j的态势图则蓝机i对红机j的态势评估值Pij为1Pij=PijPijr

（1）Pij=（Pij+Pijq）?

2

（2）Pij=1-2ij?

（3）Pijq=1-2qij?

（4）PijD=1,1.8-0.00001Dij,DijDmaxDijDmax（5）Pijr=PijDPijD（6）Dij=v2jcosqij-v1icosij（7）PijD=1,Dij-551-0.00091（Dij+55）,-55Dij00.95-0.00176Dij,085（8）式

（1）式（8）中:

Pij,Pij和Pijq为相应角态势评估因子;

PijD和PijD为距离及距离变化评估因子,Pij为总态势评估值,其范围为-1,1。

考虑蓝机i的位置角:

当ij=0时,红机j在蓝机i正前方,该位置对蓝机i最有利,故Pij=1;

当ij=时,蓝机i在红机j正前方,该位置对蓝机i最不利,故Pij=-1。

红机进入角qij可类似考虑。

式（5）中,Dmax为蓝机携带的空空导弹最大有效射程（暂定80km）,最大作战范围设为180km。

当DijDmax时,导弹可发射,有PijD=1;

当DijDmax时,PijD逐渐减少,到180km时,有PijD=0。

式（7）计算两机速度在目标线方向的投影差,负值表示蓝机靠近红机,正值则相反,这样可得式（8）。

24空战的自主优先权矩阵可写为Pa=Pa11Pa12Pa13Pa14Pa21Pa22Pa23Pa24（9）式中:

Pa11为P1j中最大者,Pa12为次大者,依次类推。

取绝对值表示,当态势占优（Pij0）时,应设法攻击,以抓住战机;

当处于劣势（PijP2j,则k1=k1,j;

若P1jP2j,则k2=k2,j;

若P1j=P2j,但两者异号,则若P1j0,有k1=k1,j;

若P2jsize（k2）,则计算蓝机1相对m架红机的自主优先权,将优先权最高的前2架红机分给它,余者分给蓝机2。

若size（k1）size（k2）,可类似处理。

算法分两个过程:

（2）（5）步为初步分配,（6）（7）步为最终分配（均衡过程）。

2空战决策的神经网络实现2.1目标分配的B-P网络实现采用3层B2P网络来实现24空战的目标分配,其结构如图2所示。

图2目标分配的B2P网络结构013航空学报第20卷输入层为态势评估层,其输入为2架蓝机相对4架红机的态势值,共40个,输出为态势评估值,共8个,分别为P11,P12,P13,P14,P21,P22,P23,P24,按式

（1）式（8）计算。

隐层神经元数n1的计算按下式3n1=m+n+a（10）式中:

m为输出单元数,值为4;

n为隐层输入单元数,值为8;

a取为110。

算得,n1=514,考虑到精度要求,取其为12。

隐层神经元的输出为xl=f7s=0wslPs-l,（l=0,1,11）（11）f（ul）=11+e-ul,（l=0,1,11）（12）式中:

Ps为P11,P12,P13,P14,P21,P22,P23,P24中的一个相应值。

输出层为目标分配层,教师值由1.2节算法给出。

因1架红机只能分给2架蓝机中的1架,故对8个态势值,4个输出单元已足够。

yr=f11l=0wlrxl-r,（r=1,2,3,4）（13）yr=fix（yr）,（r=1,2,3,4）（14）式中:

函数fix（）表示按四舍五入取整;

yr相应于输出y11,y12,y13,y14中的一个。

采用变步长、加动量项的快速学习算法3W（n0+1）=W（n0）-（n0）E（W（n0）+（W（n0）-W（n0-1）（15）式中:

（n0）是变步长;

E（W（n0）为误差函数;

为动量因子,01。

采用如下方法训练和测试网络4:

固定一半态势,让另一半改变;

训练样本的差异尽量大;

边训练边测试,测试不正确的样本立即用来训练。

经过100个样本的训练,测试准确率已达90以上。

2.2攻击排序的SOFM网络实现自组织特征映照（SOFM）网络具有自学习功能,训练过程无需教师监督;

学习算法采用自组织竞争式的相近学习律,其训练结果可使无规则的输入自动排序。

故采用它来实现空战中的攻击排序,结构示于图3（一维阵列）。

以蓝机1为例,设将2架红机s和t分给它,则输入层为蓝机1相对它们的态势值,输出层有40个神经元。

记mj（j=0,1,39）为与输出神经图3攻击排序的SOFM网络结构元j相连的权;

x为决策层输入（x=P1sP1tT）,则权的学习公式为mj（t+1）=mj（t）+0（t,r0）（x-mj（t）,jNc（t）;

mj（t+1）=mj（t）,j|Nc（t）（16）式中:

0（t,r0）为权调整系数,采用墨西哥草帽函数;

Nc（t）为随时间不断减小的修正区域,形状取为六角形。

SOFM权的训练无需教师监督,故可多选样本以提高训练精度。

共选了10,000个样本进行训练。

测试发现,正确率几乎为100。

3仿真结果图4反映了目标分配的B2P网络训练结果,其下方的水平线为给定误差,呈单调下降的曲线为误差,呈波浪变化的曲线为步长。

图5反映了攻击排序的SOFM网络训练结果,图中圆点位置代表了相应的权。

图4目标分配的B2P网络训练结果图5攻击排序的SOFM网络训练结果举例对矩阵式（17）描述的空战态势（单113第4期李林森等:

协同多目标攻击空战决策及其神经网络实现位:

前2行为rad,第3行为km,第4、5两行为m?

s）,决策结果如图6。

1112131421222324q11q12q13q14q21q22q23q24D11D12D13D14D21D22D23D24v11v11v11v11v12v12v12v12v21v22v23v24v21v22v23v24=?

3-3?

4?

2-?

40?

6-?

2?

4-?

3?

23?

63?

35040607065758055330330330330315315315315310325320300310325320300（17）图6神经网络空战决策结果由图6知,蓝机1应和红机1、4配对,应先对付红机1,再对付红机4;

蓝机2应和红机2、3配对,应先对付红机3,再对付红机2。

4结束语对超视距空战这一跨世纪空战模式的探索性研究的中心是多目标攻击中的协同问题。

首先提出了建立在各架飞机自主优先权基础上的空战决策方法协同优先权算法,该算法能给出多机协同攻击多目标的目标分配。

然后针对空战的复杂性、动态性和不确定性,用神经智能技术来实现所提出的空战决策方法,即用B2P网络实现目标分配,用SOFM网络实现攻击的自动排序。

仿真结果证实了提出的空战决策方法是正确的。

超视距协同空战在我国的研究才刚刚起步,多源数据融合、机间数据链、敌我识别和目标识别等都是需进一步研究的课题。

参考文献1李学焦.现代空战理论研究及其仿真D.西安:

西北工业大学,1996.2PanecP.ThemanagementofplanningintacticalaircombatR.AIAA291238402CP,NewYork:

AIAA,1991.3张立明.人工神经网络的模型及其应用M.上海:

复旦大学出版社,1994.4147.4RogerW,Schvaneveldt,etal.NeuralnetworkmodelsofaircombatmaneuveringR.AD2A254653,WashingtonDCNationalAcademyPress,1992.作者简介:

李林森1968年生,现为西北工业大学电子工程系博士生,感兴趣的研究方向有:

智能控制理论及应用,大系统协调优化,多源数据融合等。

佟明安西北工业大学电子信息学院教授、博士生导师,任中国航空学会理事兼航空武器系统专业分会主任、中国仿真学会理事等学术职务。

研究方向有控制理论与应用,航空火力控制系统,作战效能分析等。

213航空学报第20卷