本發(fā)明屬于高速飛行器，具體涉及一種小樣本情況下高速飛行器機動對抗效能評估方法。

背景技術(shù)：

1、高速飛行器機動對抗指標體系框架中涉及眾多機動對抗效能的影響因素，在分析這些影響因素對機動對抗效能的影響時需要大量的數(shù)據(jù)，由于數(shù)據(jù)需求的規(guī)模過于龐大，通過仿真環(huán)境生成數(shù)據(jù)的時間成本較高，不利于分析方法的迭代，且由于經(jīng)濟性原因，真實戰(zhàn)場試驗數(shù)據(jù)較少。

2、當前，現(xiàn)有的效能評估方法主觀性較強，現(xiàn)有的基于神經(jīng)網(wǎng)絡(luò)模型進行效能評估的方法需要大量數(shù)據(jù)進行模型訓(xùn)練，當訓(xùn)練數(shù)據(jù)量較少時，效能網(wǎng)絡(luò)模型的擬合度較低，且模型的魯棒性及泛化能力較差，容易產(chǎn)生過擬合。

3、在數(shù)據(jù)規(guī)模小的情況下，建立準確度較高的高速飛行器機動對抗效能網(wǎng)絡(luò)模型能夠代替仿真環(huán)境或真實戰(zhàn)場環(huán)境，更加快速且準確地給出高速飛行器機動對抗效能評估的結(jié)果，有利于進一步分析高速飛行器機動對抗策略的有效性。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是克服現(xiàn)有技術(shù)的不足而提出的一種實現(xiàn)快速、準確且高魯棒性評估的小樣本情況下高速飛行器機動對抗效能評估方法。

2、本發(fā)明的技術(shù)方案如下：

3、一種小樣本情況下高速飛行器機動對抗效能評估方法，包括如下步驟：

4、步驟s1：分析高速飛行器機動對抗過程，基于分析結(jié)果建立高速飛行器機動對抗指標體系框架，并明確高速飛行器機動對抗指標體系框架中各層指標要素；

5、步驟s2：根據(jù)構(gòu)建的高速飛行器機動對抗指標體系框架進行網(wǎng)絡(luò)結(jié)構(gòu)拓撲，通過建立單塊神經(jīng)網(wǎng)絡(luò)模型結(jié)合的方式，形成最終的復(fù)雜分塊神經(jīng)網(wǎng)絡(luò)模型，其中復(fù)雜分塊神經(jīng)網(wǎng)絡(luò)模型的輸入為高速飛行器機動指標體系框架中的葉子節(jié)點，復(fù)雜分塊神經(jīng)網(wǎng)絡(luò)模型輸出為高速飛行器機動對抗效能；

6、步驟s3：針對單塊神經(jīng)網(wǎng)絡(luò)模型，建立以r個mlp模型為基學(xué)習(xí)器，1個線性疊加學(xué)習(xí)器為元學(xué)習(xí)器的集成學(xué)習(xí)框架，將單塊神經(jīng)網(wǎng)絡(luò)模型的輸入分別輸入 m個mlp模型，總共得到 m個輸出結(jié)果，將輸出結(jié)果作為線性疊加學(xué)習(xí)器的輸入，單塊神經(jīng)網(wǎng)絡(luò)模型的輸出作為其輸出，進行訓(xùn)練；

7、步驟s4：針對集成學(xué)習(xí)框架中的基學(xué)習(xí)器，將“區(qū)間單調(diào)性”專家知識進行數(shù)學(xué)抽象表達構(gòu)成基學(xué)習(xí)器的loss函數(shù)的正則項；

8、步驟s5：基于s1-s4中得到復(fù)雜分塊神經(jīng)網(wǎng)絡(luò)模型對高速飛行器機動對抗效能進行評估。

9、進一步，所述步驟s1中建立高速飛行器機動對抗指標體系框架的具體過程為：

10、s101、分析高速飛行器機動對抗過程，確定高速飛行器機動對抗的價值中心為戰(zhàn)術(shù)躲避能力，確定表征高速飛行器機動對抗效能的指標為藍方防御武器最小接近距離；

11、s102、分析高速飛行器機動對抗過程，得到影響高速飛行器機動對抗效能的指標為機動時機、機動過載、機動方向、機動時長，并以此四項指標作為高速飛行器機動對抗指標體系框架的第二層指標；

12、s103、分析高速飛行器機動對抗過程，確認機動過載由高速飛行器推力、高速飛行器干重、高速飛行器燃料質(zhì)量、高速飛行器燃料消耗率決定，機動時長由高速飛行器推力、高速飛行器比沖、高速飛行器燃料質(zhì)量、高速飛行器機動次數(shù)決定，并以上述對應(yīng)指標作為高速飛行器機動對抗指標體系框架的第三層指標。

13、進一步，所述步驟s2中通過構(gòu)建的高速飛行器機動對抗指標體系框架進行網(wǎng)絡(luò)結(jié)構(gòu)拓撲的具體步驟包括如下內(nèi)容：

14、s201、建立高速飛行器機動對抗指標體系框架中第三層指標與第二層指標之間的單塊神經(jīng)網(wǎng)絡(luò)模型，包括以高速飛行器推力、高速飛行器干重、高速飛行器燃料質(zhì)量、高速飛行器燃料消耗率為輸入，機動過載為輸出的機動過載單塊神經(jīng)網(wǎng)絡(luò)模型，以高速飛行器推力、高速飛行器比沖、高速飛行器燃料質(zhì)量、高速飛行器機動次數(shù)為輸入，機動時長為輸出的機動時長單塊神經(jīng)網(wǎng)絡(luò)模型；

15、s202、建立高速飛行器機動對抗指標體系框架中第二層指標與第一層指標之間的單塊神經(jīng)網(wǎng)絡(luò)模型，包括以機動時機、機動過載、機動方向、機動時長為輸入，最小接近距離為輸出的最小接近距離單塊神經(jīng)網(wǎng)絡(luò)模型；

16、s203、通過將機動過載單塊神經(jīng)網(wǎng)絡(luò)模型、機動時長單塊神經(jīng)網(wǎng)絡(luò)模型與最小接近距離單塊神經(jīng)網(wǎng)絡(luò)模型中機動過載、機動時長輸入對應(yīng)結(jié)合，建立最小接近距離復(fù)雜分塊神經(jīng)網(wǎng)絡(luò)模型。

17、進一步，所述步驟s3中的集成學(xué)習(xí)框架的構(gòu)建的具體步驟為：

18、s301、設(shè)置訓(xùn)練集，測試集，其中和為樣本和的特征向量，和為對應(yīng)的標簽，同時確定r個基學(xué)習(xí)器為mlp模型；

19、s302、基于8：2的比例劃分訓(xùn)練集與測試集數(shù)據(jù)量的數(shù)據(jù)規(guī)模，并采用mlp基學(xué)習(xí)器依次對訓(xùn)練集進行訓(xùn)練，對訓(xùn)練集進行預(yù)測，得到預(yù)測訓(xùn)練集，將各mlp基學(xué)習(xí)器的預(yù)測訓(xùn)練集預(yù)測結(jié)果記為，同時對測試集進行預(yù)測，得到的預(yù)測結(jié)果記為；

20、s303、重復(fù)上述步驟，直至遍歷完所有mlp基學(xué)習(xí)器，將所有mlp基學(xué)習(xí)器的預(yù)測結(jié)果與對應(yīng)的標簽進行拼接，構(gòu)成一個新的訓(xùn)練樣本集，記為dnew，將所有mlp基學(xué)習(xí)器的預(yù)測結(jié)果tr與對應(yīng)的標簽進行拼接，構(gòu)成新的測試集，記為tnew；

21、s304、以dnew作為第二層元學(xué)習(xí)器線性疊加學(xué)習(xí)器的訓(xùn)練數(shù)據(jù)進行訓(xùn)練，并將tnew應(yīng)用于測試集進行預(yù)測，得到最終的預(yù)測結(jié)果。

22、進一步，步驟s4中將“區(qū)間單調(diào)性”專家知識引入單塊神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練loss函數(shù)設(shè)計的具體方式為：

23、s401、根據(jù)步驟s2中的網(wǎng)絡(luò)拓撲結(jié)果，確定不同mlp基學(xué)習(xí)器的輸入層節(jié)點數(shù)，輸出層節(jié)點數(shù)，隱藏層節(jié)點數(shù)一般遵循原則：，其中 l為隱藏層節(jié)點數(shù)， p為輸入層節(jié)點數(shù)， q為輸出層節(jié)點數(shù)， a為0~10之間的常數(shù)；

24、s402、確定高速飛行器機動對抗的“區(qū)間單調(diào)性”專家知識，并給予區(qū)間單調(diào)性確認最小接近距離隨機動過載的增大是非遞減的，最小接近距離隨機動時長的增大是非遞減的，當機動方向在區(qū)間內(nèi)，最小接近距離隨機動方向的增大是非遞減的，在區(qū)間內(nèi)，最小接近距離隨機動方向的增大是非遞增的；

25、s403、針對mlp基學(xué)習(xí)器的loss函數(shù)，在原有標簽數(shù)據(jù)與擬合數(shù)據(jù)均方誤差的基礎(chǔ)上，添加正則項，對于區(qū)間內(nèi)單調(diào)性相反的情況進行懲罰，通過改變正則項的系數(shù)控制懲罰程度，并基于正則項反向傳播修改神經(jīng)網(wǎng)絡(luò)參數(shù)，使得mlp基學(xué)習(xí)器逼近原有的單調(diào)性，所述標簽數(shù)據(jù)為在仿真環(huán)境或者真實環(huán)境中獲取的數(shù)據(jù)集輸出，擬合數(shù)據(jù)為通過效能網(wǎng)絡(luò)模型擬合得到的輸出；

26、s404、按照步驟s302的訓(xùn)練集、測試集，通過設(shè)定學(xué)習(xí)率，基于adam優(yōu)化器進行l(wèi)oss函數(shù)的反向傳播并優(yōu)化網(wǎng)絡(luò)參數(shù)。

27、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

28、1、本發(fā)明通過步驟s1中的高速飛行器機動對抗指標體系框架及框架中各層的指標要素，使得能夠保證指標體系框架的有效性、完備性。

29、2、本發(fā)明通過步驟s2中基于高速飛行器機動對抗指標體系框架進行效能網(wǎng)絡(luò)拓撲，建立分塊神經(jīng)網(wǎng)絡(luò)模型，在用于模型訓(xùn)練數(shù)據(jù)量小的情況下，與現(xiàn)有效能網(wǎng)絡(luò)模型相比，該框架大大提升了模型的擬合度。

30、3.本發(fā)明通過在步驟s3中建立的以r個mlp模型為基學(xué)習(xí)器、1個線性疊加學(xué)習(xí)器為元學(xué)習(xí)器的集成學(xué)習(xí)框架，通過不同的基學(xué)習(xí)器從不同角度學(xué)習(xí)數(shù)據(jù)知識，在模型訓(xùn)練數(shù)據(jù)量小的情況下，該框架在步驟s2中分塊神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上，進一步較大地提升了模型的擬合度，與現(xiàn)有效能網(wǎng)絡(luò)模型相比，該框架也大大提升了模型的魯棒性。

31、4.本發(fā)明通過步驟s4中將“區(qū)間單調(diào)性”專家知識引入loss函數(shù)設(shè)計，通過添加正則項的方式進一步修正、優(yōu)化模型參數(shù)，在模型訓(xùn)練數(shù)據(jù)量小的情況下，進一步提升了模型擬合度，與現(xiàn)有效能網(wǎng)絡(luò)模型相比，該方法也提升了模型的泛化能力。