基于最近邻层次聚类分析的空战目标意图博弈预测方法

技术领域

本发明属于目标意图预测领域，尤其涉及基于最近邻层次聚类分析的空战目标意图博弈预测方法。

背景技术

目标意图预测技术是现代空战中的重要对敌手段，也是无人机空战决策的关键。目标意图预测技术对空战态势要素间的互联关系进行分析，预测敌机目标的空战意图，从而辅助无人机决策，推动空战局面朝着对我方无人机有利的方向发展。

空战目标意图博弈预测是指在敌我双方无人机空战对抗的情况下，通过对已知目标的各特征值进行处理和分析，并结合博弈论知识，来判断敌机目标下一时刻可能的作战意图。因而，快速且准确地实现对敌机目标作战意图的预测将有助于我方的无人机空战攻防博弈决策系统决策出合理的作战策略，获得空战有利地位。但是，由于空战环境越来越复杂，空战目标种类多种多样，同时伴随有诱饵、战场环境干扰、信息传输延迟、信息传输丢包等现象，数据处理后的空战信息仍具有不确定性，现有的目标意图预测方法只是简单地进行模板比对，并且模板保持不变，总之不确定信息下的目标意图预测方法还比较少，所以不确定信息下无人机空战的目标意图博弈预测研究工作具有很强的实际意义。

在工程应用过程中，有时需对工程中的数据根据一定的标准(例如：生物形态、空气污染程度等)进行具体分类。然而，在无人机空战过程中，不同种类的意图之间没有清晰的界。因而，对于不确定信息下空战意图的分类，采用最近邻层次聚类分析方法，设计用于判断模板与目标双方相似程度的算法以及评判相似程度的规则主要包括空战数据的标准化、建立空战目标的最近邻边界和空战目标的聚类分析。

综上所述，为了无人机目标意图预测的准确性和快速性，应继续研究复杂空战环境中，无人机飞行特征数据不确定的情况下，无人机目标意图预测问题。

发明内容

发明目的：为解决复杂空战环境下，由于空战信息不确定性的影响以及各目标意图的具体量化等一系列问题而导致的目标意图预测结果容易陷入求解时间长，预测准确度低的无人机意图预测问题，本发明提供基于最近邻层次聚类分析的空战目标意图博弈预测方法，首先，针对无人机空战信息具有不确定性以及实现各目标意图的具体量化等问题，采用区间数表示传感器采集的空战不确定信息。其次，使用最近邻层次聚类算法来构建意图博弈预测模型，获得各种空战意图类别的基准特征向量。然后，将待识别意图目标的区间数特征值与已知意图的基准特征值作为二人零和博弈双方，构建意图博弈支付矩阵，求解矩阵的纳什均衡解，判断待识别意图目标的空战意图。最后，通过仿真验证其有效性，证明此方法具有较好的空战应用前景。

本发明包括以下步骤：

步骤1，对空战目标数据库特征信息与传感器探测信息进行预处理；

步骤2，基于目标数据建立目标意图预测最近邻层次聚类模型；

步骤3，设计待识别目标与已知意图目标进行模拟博弈，预测和判断空战目标的作战意图。

步骤1包括：

设定特征值已知但意图未知的空战目标集合为{k

设定空战目标包括5个特征：方位角

通过式(2)计算所有空战目标第h个特征值的平均值

通过式(3)计算所有空战目标第h个特征值的标准差σ

其中，k

步骤2包括如下步骤：

步骤2-1，构建空战目标的最邻边界；

步骤2-2，空战目标层次聚类；

步骤2-3，计算意图的基准特征向量。

步骤2-1包括：在二维平面中，依据5个特征，定义第i个空战目标x

其中k

则第i个空战目标x

NNB(x

其中，(x,y)为根据边界划分出的区域。

步骤2-2包括：根据步骤2-1划分出的区域，在每个区域的最邻边界中进行最近邻查找，在每个区域的最近邻边界中找到成对的相互最近邻，全局相互最近邻表示两个空战目标是整个空战目标数据集中是彼此最近的邻居。

步骤2-3包括：设定空战目标经过步骤2-1～步骤2-2的处理被划分成p种意图群体，构成集合M＝{M

其中，Φ

步骤3包括：

将待识别意图的目标G

其中

其中

空战博弈为二人零和非合作博弈问题，根据式(7)、(8)、(9)计算得到的矩阵为意图关联度博弈支付矩阵R

设定待识别意图目标的意图混合策略X＝(x

对式(10)进行求解从而判断得到待识别意图的目标的意图。

本发明的有益效果如下：

1、采用区间数表示待识别意图的空战目标，能够很好地表示空战信息的不确定性。

2、选用最近邻层次聚类分析来构建目标意图预测最近邻层次聚类模型，能够很好地对各空战意图类别进行区分，解决意图类别的边界模糊性的问题。

附图说明

下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。

图1为空战目标意图博弈预测流程。

图2为基于最近邻层次聚类分析的空战目标意图博弈预测流程图。

图3为15个作战群体的动态分类图。

具体实施方式

本发明提供了基于最近邻层次聚类分析的空战目标意图博弈预测方法，包括如下步骤：

步骤1、对空战目标数据库中的特征信息和传感器探测的无人机信息进行预处理

假设特征值已知但意图未知的空战目标集合为{k

由于空战目标各特征值的量纲和数量级不完全一致，为了便于后续的矩阵计算和意图分类，对集合中的空战目标各特征值进行标准化处理，使得所有的特征值都收敛于预先设定的数据范围内。具体的特征值标准化处理公式如式(1)所示：

式(2)用于计算所有空战目标第h个特征值的平均值：

式(3)为计算所有空战目标第h个特征值的标准差计算公式：

其中k'

步骤2、基于目标数据库中特征值已知但意图未知的目标数据建立目标意图预测最近邻层次聚类模型

1)构建空战目标的最邻边界

在二维平面中，空战目标x

则其最邻边界NNB(x

NNB(x

其中，(x,y)为根据边界划分出的区域。

2)空战目标层次聚类

根据步骤2-1划分出的区域边界，在每个区域的最邻边界中进行最近邻查找，在每个区域的最近邻边界中可以找到成对的相互最近邻，全局相互最近邻表示两个空战目标是整个空战目标数据集中是彼此最近的邻居。

3)意图的基准特征向量计算

假设空战目标经过最近邻层次聚类处理可以被划分成p种意图群体M＝{M

其中，Φ

步骤3、设计待识别目标与已知意图目标进行模拟博弈，求解意图纳什均衡解，预测和判断空战目标的作战意图

根据区间数型灰色关联度公式，将待识别意图的目标G

其中

其中

空战博弈为二人零和非合作博弈问题，将待识别意图的目标的特征向量和已知作战意图的基准特征向量作为意图博弈双方，根据式(7)、(8)、(9)计算得到的矩阵即为意图关联度博弈支付矩阵R

根据式(10)求出的意图纳什均衡解，判断待识别意图的目标的意图，x

基于最近邻层次聚类分析的空战目标意图博弈预测方法流程如下：

Step1对空战目标信息库中特征已知而意图未知的空战信息实数数据集进行数据预处理。

Step2在Step1的数据预处理的基础上，根据空战目标x

Step3选择合适的置信水平λ∈[0,1]，搜索全局相互最邻，从而获得意图的分类。

Step4根据意图的分类结果，计算每种意图的基准特征向量s

Step5将传感器采集的待识别意图的目标空战信息用区间数进行表示。

Step6根据Step4的计算结果，计算待识别意图的目标G

Step7将待识别意图的目标的特征向量和已知作战意图的基准特征向量作为意图博弈双方，根据式(7)、(8)、(9)计算得到的矩阵即为意图关联度博弈支付矩阵R

Step8根据意图关联度博弈支付矩阵R

综上，基于最近邻层次聚类分析的空战目标意图博弈预测的流程图如图2所示。

为了证明本发明方法的有效性，特征值已知但意图未知的15批空战目标数据如表1所示，3个待识别意图的空战目标特征值如表2所示，采用本发明所提出的方法预测3个目标的空战意图。

仿真结果如图3、表3所示。图3为作战群体的动态分类图，由图3可知，各特征指已知的15批空战目标划分成6种意图的作战群体如下：{k

待识别目标意图博弈预测的纳什均衡结果为[0.1009,0,0.6948,0,0,0.2043]。根据纳什均衡结果分析可知：目标G

表1

表2

表3

具体实现中，本申请提供计算机存储介质以及对应的数据处理单元，其中，该计算机存储介质能够存储计算机程序，所述计算机程序通过数据处理单元执行时可运行本发明提供的基于最近邻层次聚类分析的空战目标意图博弈预测方法的发明内容以及各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，ROM)或随机存储记忆体(random access memory，RAM)等。

本领域的技术人员可以清楚地了解到本发明实施例中的技术方案可借助计算机程序以及其对应的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机程序即软件产品的形式体现出来，该计算机程序软件产品可以存储在存储介质中，包括若干指令用以使得一台包含数据处理单元的设备(可以是个人计算机，服务器，单片机。MUU或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

本发明提供了基于最近邻层次聚类分析的空战目标意图博弈预测方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。