一种基于多因素决策的无人机威胁排序方法、系统及设备 |
|||||||
| 申请号 | CN202410037902.6 | 申请日 | 2024-01-10 | 公开(公告)号 | CN117908563A | 公开(公告)日 | 2024-04-19 |
| 申请人 | 中国船舶集团有限公司第七〇九研究所; | 发明人 | 陈爽; 张可; 何志峰; 夏鹏辉; | ||||
| 摘要 | 本 发明 提供一种基于多因素决策的无人机威胁排序方法、系统及设备，方法包括：确定需要进行威胁排序的多架无人机，并获取各架无人机的多个威胁因素；确定多架无人机中每个威胁因素的最值，并对各架无人机的每个威胁因素的数值和最值采用微调的极差标准化的方法进行处理，确定各威胁因素对无人机威胁排序的影响系数；微调的极差标准化处理用于避免所求出的影响系数为最值；基于无人机各威胁因素对其威胁排序的影响系数得到对应的特征值向量，并利用改进的熵值法计算各威胁因素的实际权重；基于各架无人机各个威胁因素的影响系数和实际权重加权计算得到各架无人机的威胁排序优先级。本发明较为全面的考虑了影响无人机威胁排序的各种因素，排序结果较为准确。 | ||||||
| 权利要求 | 1.一种基于多因素决策的无人机威胁排序方法，其特征在于，包括以下步骤： |
||||||
| 说明书全文 | 一种基于多因素决策的无人机威胁排序方法、系统及设备技术领域[0001] 本发明属于无人机防控领域，更具体地，涉及一种基于多因素决策的无人机威胁排序方法、系统及设备。 背景技术[0002] 近年来，无人机的广泛使用对重点区域、重点目标和重大活动产生的重大威胁也日益突出。随着无人机智能化水平的提高和无人机控制技术的发展，无人机防控将成为重点区域低空防控的重要内容。目前单位部署的无人机防控系统，大多采用人员值班方式，对不同种类目标的威胁意图进行人工判别，需要值班人员长期经验的积累，特别是对多架或大量无人机多方向同时抵近时，人工决策多架无人机反制优先级工作量大而且缺乏有效的支撑，及时、准确、快速处置非常困难。 [0003] 目前对于无人机威胁排序方法主要采用线性加权法建立无人机威胁排序模型，各因素权重采用专家经验值等主观赋权法进行设置，通过计算得出无人机威胁排序，或者采用层次分析法建立无人机威胁排序模型，首先建立层次模型，构造判断矩阵，然后进行层次单排序和一致性检验，最后进行层次总排序和一致性检验。主观赋权法存在主观性较强的问题，依赖人的主观经验判断。 发明内容[0005] 为实现上述目的，第一方面，本发明提供了一种基于多因素决策的无人机威胁排序方法，包括以下步骤： [0006] 确定需要进行威胁排序的多架无人机，并获取各架无人机的多个威胁因素；所述威胁因素包括：无人机与目标的距离、无人机的实时飞行高度、无人机的实时飞行速度、无人机实时飞行航向与无人机至目标连线的夹角、无人机的威胁值； [0007] 确定所述多架无人机中每个威胁因素的最值，并对各架无人机的每个威胁因素的数值和最值采用微调的极差标准化的方法进行处理，确定各个威胁因素对无人机威胁排序的影响系数；所述微调的极差标准化处理用于避免所求出的影响系数为最值； [0008] 基于各架无人机各个威胁因素对其威胁排序的影响系数得到对应的特征值向量，并利用改进的熵值法计算得到各个威胁因素的实际权重； [0009] 基于各架无人机各个威胁因素的影响系数和实际权重加权计算得到各架无人机的威胁排序优先级。 [0010] 在一种可能的实现方式中，所述各个威胁因素对无人机威胁排序的影响系数为： [0011] [0012] [0013] [0014] [0015] [0016] 其中，yij(j＝1,2,3,4,5)表示第i架无人机的第j个威胁因素对其威胁排序的影响系数；Li表示第i架无人机与目标的距离，其最大值为Lmax，最小值为Lmin；Ei表示第i架无人机的实时飞行高度，其最大值为Emax，最小值为Emin；Vi表示第i架无人机的实时飞行速度，其最大值为Vmax，最小值为Vmin；Qi表示第i架无人机实时飞行航向与无人机至目标连线的夹角，其最大值为Qmax，最小值为Qmin；Mi表示第i架无人机威胁值，其最大值为Mmax，最小值为Mmin。 [0017] 在一种可能的实现方式中，所述利用改进的熵值法计算得到各个威胁因素的实际权重，具体为： [0018] [0019] [0020] 其中，pj表示第j个威胁因素的实际权重；aj为第j个威胁因素的计算权重； 为所有不为1的计算权重aj的平均值。 [0021] 在一种可能的实现方式中，所述第i架无人机的特征值向量Fi为： [0022] 所述特征值向量Fi＝{fij}，j≤5； fij表示第i架无人机的第j个威胁因素对其威胁排序的影响系数； [0023] 利用特征值向量Fi通过熵值法得出第j个威胁因素的计算权重aj： [0024] [0025] 其中，若fij＝0，则令ln fij＝0；0≤aj≤1。 [0026] 在一种可能的实现方式中，基于各架无人机各个威胁因素的影响系数和实际权重加权计算得到各架无人机的威胁排序优先级，具体为： [0027] yi＝p1yi1+p2yi2+p3yi3+p4yi4+p5yi5 [0028] 其中，yi为第i架无人机的威胁排序优先级，其数值越大，对目标的威胁越大，pj表示第j个威胁因素的实际权重，fij表示第i架无人机的第j个威胁因素对其威胁排序的影响系数。 [0029] 第二方面，本发明提供了一种基于多因素决策的无人机威胁排序系统，包括： [0030] 威胁因素确定单元，用于确定需要进行威胁排序的多架无人机，并获取各架无人机的多个威胁因素；所述威胁因素包括：无人机与目标的距离、无人机的实时飞行高度、无人机的实时飞行速度、无人机实时飞行航向与无人机至目标连线的夹角、无人机的威胁值； [0031] 影响系数计算单元，用于确定所述多架无人机中每个威胁因素的最值，并对各架无人机的每个威胁因素的数值和最值采用微调的极差标准化的方法进行处理，确定各个威胁因素对无人机威胁排序的影响系数；所述微调的极差标准化处理用于避免所求出的影响系数为最值； [0032] 权重计算单元，用于基于各架无人机各个威胁因素对其威胁排序的影响系数得到对应的特征值向量，并利用改进的熵值法计算得到各个威胁因素的实际权重； [0033] 威胁排序单元，用于基于各架无人机各个威胁因素的影响系数和实际权重加权计算得到各架无人机的威胁排序优先级。 [0034] 在一种可能的实现方式中，所述影响系数计算单元，计算的各个威胁因素对无人机威胁排序的影响系数为： [0035] [0036] [0037] [0038] [0039] [0040] 其中，yij(j＝1,2,3,4,5)表示第i架无人机的第j个威胁因素对其威胁排序的影响系数；Li表示第i架无人机与目标的距离，其最大值为Lmax，最小值为Lmin；Ei表示第i架无人机的实时飞行高度，其最大值为Emax，最小值为Emin；Vi表示第i架无人机的实时飞行速度，其最大值为Vmax，最小值为Vmin；Qi表示第i架无人机实时飞行航向与无人机至目标连线的夹角，其最大值为Qmax，最小值为Qmin；Mi表示第i架无人机威胁值，其最大值为Mmax，最小值为Mmin。 [0041] 在一种可能的实现方式中，所述权重计算单元，利用改进的熵值法计算得到各个威胁因素的实际权重，具体为： [0042] [0043] [0044] 其中，pj表示第j个威胁因素的实际权重；aj为第j个威胁因素的计算权重； 为所有不为1的计算权重aj的平均值； [0045] 所述第i架无人机的特征值向量Fi为：所述特征值向量Fi＝{fij}，j≤5；fij表示第i架无人机的第j个威胁因素对其威胁排序的影响系数； [0046] 利用特征值向量Fi通过熵值法得出第j个威胁因素的计算权重aj： [0047] [0048] 其中，若fij＝0，则令lnfij＝0；0≤aj≤1。 [0049] 在一种可能的实现方式中，所述威胁排序单元，基于各架无人机各个威胁因素的影响系数和实际权重加权计算得到各架无人机的威胁排序优先级，具体为： [0050] yi＝p1yi1+p2yi2+p3yi3+p4yi4+p5yi5 [0051] 其中，yi为第i架无人机的威胁排序优先级，其数值越大，对目标的威胁越大，pj表示第j个威胁因素的实际权重，fij表示第i架无人机的第j个威胁因素对其威胁排序的影响系数。 [0052] 第三方面，本发明提供一种电子设备，包括：至少一个存储器，用于存储程序；至少一个处理器，用于执行存储器存储的程序，当存储器存储的程序被执行时，处理器用于执行第一方面或第一方面的任一种可能的实现方式所描述的方法。 [0053] 第四方面，本发明提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，当计算机程序在处理器上运行时，使得处理器执行第一方面或第一方面的任一种可能的实现方式所描述的方法。 [0054] 第五方面，本发明提供一种计算机程序产品，当计算机程序产品在处理器上运行时，使得处理器执行第一方面或第一方面的任一种可能的实现方式所描述的方法。 [0055] 可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。 [0056] 总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果： [0057] 本发明提供一种基于多因素决策的无人机威胁排序方法、系统及设备，以客观数据为主，采用客观赋权法解决多指标综合评价问题，同时结合主观赋权法的初始参考值，在以客观数据的为准的基础上，兼顾了主观经验值，实现简单，易于理解。本发明较为全面的考虑了影响无人机威胁排序的各种因素，排序结果较为准确。进一步地，本发明应用面较广，对各型无人机均可采用此方法进行威胁排序，可广泛应用于各类重点设施的无人机防控领域。附图说明 [0059] 图2是本发明实施例提供的基于多因素决策的无人机威胁排序方法的另一种流程图； [0060] 图3是本发明实施例提供的基于多因素决策的无人机威胁排序系统架构图。 具体实施方式[0061] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。 [0062] 本发明目的针对现有无人机威胁排序方法的不足，提供一种基于多因素决策的无人机威胁排序方法，全面分析影响无人机威胁排序的各种因素，对实时采集的多架无人机实时数据，按照线性加权综合法构造综合决策函数，使用微调的极差标准化方法对各因素影响系数进行处理。针对传统熵值法存在的熵值趋近于1时会引起赋权不准确的问题，对传统熵值法进行了改进，既能克服传统熵值法的缺点又能保持拉开差距的能力，与主观赋权法相结合确定各影响系数权重，最后得出无人机威胁排序。 [0063] 图1是本发明实施例提供的基于多因素决策的无人机威胁排序方法的一种流程图；如图1所示，包括以下步骤： [0064] S101，确定需要进行威胁排序的多架无人机，并获取各架无人机的多个威胁因素；所述威胁因素包括：无人机与目标的距离、无人机的实时飞行高度、无人机的实时飞行速度、无人机实时飞行航向与无人机至目标连线的夹角、无人机的威胁值； [0065] S102，确定所述多架无人机中每个威胁因素的最值，并对各架无人机的每个威胁因素的数值和最值采用微调的极差标准化的方法进行处理，确定各个威胁因素对无人机威胁排序的影响系数；所述微调的极差标准化处理用于避免所求出的影响系数为最值； [0066] S103，基于各架无人机各个威胁因素对其威胁排序的影响系数得到对应的特征值向量，并利用改进的熵值法计算得到各个威胁因素的实际权重； [0067] S104，基于各架无人机各个威胁因素的影响系数和实际权重加权计算得到各架无人机的威胁排序优先级。 [0068] 在一个更为具体的实施例中，本发明提供的一种基于多因素决策的无人机威胁排序方法的另一种流程图，如图2所示，包括下述步骤： [0069] 第1步：获取需要进行威胁排序的无人机数据 [0070] 数据包括各无人机实时位置与防护目标的距离、无人机实时飞行高度、无人机实时飞行速度、无人机实时飞行航向与无人机至防护目标连线的夹角、无人机类型威胁值。 [0071] 第一步：无人机数据采集与处理 [0072] 当前时刻假设有n个需要进行反制的无人机，N＝{1,2,...,n}表示无人机组成的集合，需要获取的无人机数据如下： [0073] (1)各无人机实时位置与防护目标的距离Li,i∈N(最大值为Lmax＝max{Li},i∈N，最小值为Lmin＝min{Li},i∈N)，无人机目标距离防护目标越近，威胁越大； [0074] (2)各无人机实时飞行高度Ei,i∈N(最大值为Emax＝max{Ei},i∈N，最小值为Emin＝min{Ei},i∈N)，无人机目标飞行高度越低，威胁越大； [0075] (3)各无人机实时飞行速度Vi,i∈N(最大值为Vmax＝max{Vi},i∈N，最小值为Vmin＝min{Vi},i∈N)，无人机目标飞行速度越快，威胁越大； [0076] (4)各无人机实时飞行航向与无人机至防护目标连线的夹角Qi,i∈N(最大值为Qmax＝max{Qi},i∈N，最小值为Qmin＝min{Qi},i∈N)； [0077] (5)各无人机类型威胁值Mi,i∈N，例如可作如下设置：大型固定翼无人机威胁值为9，中型固定翼无人机威胁值为7，小型固定翼无人机威胁值为5，大型旋翼无人机威胁值为4，中型旋翼无人机威胁值为3，小型旋翼无人机威胁值为1，最大值为Mmax＝9，最小值为Mmin＝1)。 [0078] 第2步：对无人机威胁排序优先级各因素影响系数进行标准化处理。 [0079] 将无人机的威胁排序优先级按照线性加权综合法构造综合决策函数，使用微调的极差标准化方法对各因素影响系数进行处理。 [0080] 第二步：对无人机威胁排序优先级各因素影响系数进行标准化处理。 [0081] 将无人机i的威胁排序优先级yi按照线性加权综合法构造综合决策函数，使用微调的极差标准化方法对各因素影响系数进行处理，方法如下： [0082] yi＝p1yi1+p2yi2+p3yi3+p4yi4+p5yi5，p1+p2+p3+p4+p5＝1 (2－1)[0083] 式(2－1)中pj(j＝1,2,3,4,5)表示无人机威胁排序优先级yi的各因素实际权重，各因素影响系数yij(j＝1,2,3,4,5)取值在(0,1)之间，为了避免出现yij的值为0、1导致熵值不能用的情况，对指标yij的定义如下： [0084] [0085] [0086] [0087] [0088] [0089] 第3步确定无人机威胁排序优先级中各影响因素的实际权重。 [0090] 首先采用改进的熵值法，得出影响因子中各因素的计算权重。 [0091] 第三步：基于改进的熵值法确定各影响因素权重。 [0092] 在确定各因素权重的方法时，各无人机五个因素特征值向量表示为Yi＝{yi1,yi2,yi3,yi4,yi5}(1≤i≤n)，yij(1≤i≤n，j＝1,2,3,4，5)为经过极差标准化后的第i个无人机第j个因素的影响系数； [0093] 对第i个无人机第j个因素的影响系数进行数值归一化处理： [0094] [0095] 归一化处理后的各无人机五个因素特征值向量表示为： [0096] Fi＝{fij}，其中(0≤i,j≤5) (3－2) [0097] 利用特征值向量Fi通过熵值法得出第j个因素的计算权重aj： [0098] [0099] 式中fij＝0，则令lnfij＝0；0≤aj≤1，若aj＝1，则表示Yi中的yij都相等。 [0100] [0101] [0102] 具体地，需要说明的是，熵值法是一种客观赋权法，避免了人为因素带来的偏差。但传统熵值法在熵值趋近于1时，其微小的变化将会引起熵权成倍数的变化，这会导致某个因素的指标权重与其重要性严重不符合，影响最终结果的判断。 [0103] 可以理解的是，本发明利用改进的熵值法，参见公式3‑4，对于低于或等于平均水平的指标值采用改进熵值法的赋权结果，高于平均水平的指标值等于0，这样能够使低于平均水平的指标越少，与平均水平的差距越小，综合评价值越小，评估对象越好。 [0104] 传统的熵值法在所有熵值都趋近于1时，会过度放大差距导致赋权不合理，由于无人机与目标之间的夹角Q的指标值差异甚微，在可靠性较高的系统中可能存在指标值均接近1的情况，使用改进的熵值法既能克服传统熵值法的缺点，又能保持拉开差距的能力。 [0105] 需要说明的是，经实验验证发现m取值效果最好的就在35‑36之间。 [0106] 其中，pj表示无人机的威胁排序优先级yi的各因素实际权重，pj的大小表示在确定无人机威胁排序时不同因素的影响程度；aj为第j个因素的计算权重； 为所有不为1的计算权重aj的平均值。 [0107] 第4步确定各无人机威胁排序优先级。 [0108] 根据计算出来的无人机威胁排序优先级中各影响因素实际权重和各因素影响系数，计算无人机威胁排序优先级。 [0109] 第四步：采用改进的熵值法计算无人机威胁排序优先级yi。 [0110] 将(3－4)计算出来的各因素实际权重p1、p2、p3、p4、p5以及式(2－2)、(2－3)、(2－4)、(2－5)计算出来的各因素影响系数yi1、yi2、yi3、yi4、yi5代入(2－1)，即可计算出无人机威胁排序优先级yi。 [0111] 图3是本发明实施例提供的基于多因素决策的无人机威胁排序系统架构图；如图3所示，包括： [0112] 威胁因素确定单元310，用于确定需要进行威胁排序的多架无人机，并获取各架无人机的多个威胁因素；所述威胁因素包括：无人机与目标的距离、无人机的实时飞行高度、无人机的实时飞行速度、无人机实时飞行航向与无人机至目标连线的夹角、无人机的威胁值； [0113] 影响系数计算单元320，用于确定所述多架无人机中每个威胁因素的最值，并对各架无人机的每个威胁因素的数值和最值采用微调的极差标准化的方法进行处理，确定各个威胁因素对无人机威胁排序的影响系数；所述微调的极差标准化处理用于避免所求出的影响系数为最值； [0114] 权重计算单元330，用于基于各架无人机各个威胁因素对其威胁排序的影响系数得到对应的特征值向量，并利用改进的熵值法计算得到各个威胁因素的实际权重； [0115] 威胁排序单元340，用于基于各架无人机各个威胁因素的影响系数和实际权重加权计算得到各架无人机的威胁排序优先级。 [0116] 应当理解的是，上述系统用于执行上述实施例中的方法，系统中相应的程序单元，其实现原理和技术效果与上述方法中的描述类似，该系统的工作过程可参考上述方法中的对应过程，此处不再赘述。 [0117] 基于上述实施例中的方法，本发明实施例提供了一种电子设备。该设备可以包括：至少一个用于存储程序的存储器和至少一个用于执行存储器存储的程序的处理器。其中，当存储器存储的程序被执行时，处理器用于执行上述实施例中所描述的方法。 [0118] 基于上述实施例中的方法，本发明实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，当计算机程序在处理器上运行时，使得处理器执行上述实施例中的方法。 [0119] 基于上述实施例中的方法，本发明实施例提供了一种计算机程序产品，当计算机程序产品在处理器上运行时，使得处理器执行上述实施例中的方法。 [0120] 可以理解的是，本发明实施例中的处理器可以是中央处理单元(centralprocessing unit，CPU)，还可以是其他通用处理器、数字信号处理器(digital signalprocessor，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现场可编程门阵列(field programmable gate array，FPGA)或者其他可编程逻辑器件、晶体管逻辑器件，硬件部件或者其任意组合。通用处理器可以是微处理器，也可以是任何常规的处理器。 [0121] 本发明实施例中的方法步骤可以通过硬件的方式来实现，也可以由处理器执行软件指令的方式来实现。软件指令可以由相应的软件模块组成，软件模块可以被存放于随机存取存储器(random access memory，RAM)、闪存、只读存储器(read‑only memory，ROM)、可编程只读存储器(programmable rom，PROM)、可擦除可编程只读存储器(erasable PROM，EPROM)、电可擦除可编程只读存储器(electrically EPROM，EEPROM)、寄存器、硬盘、移动硬盘、CD‑ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。 [0122] 在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者通过所述计算机可读存储介质进行传输。所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。 [0123] 可以理解的是，在本发明实施例中涉及的各种数字编号仅为描述方便进行的区分，并不用来限制本发明的实施例的范围。 |
||||||
