申请/专利权人：中国人民解放军空军工程大学

申请日：2023-08-03

公开（公告）日：2024-04-26

公开（公告）号：CN117933523A

主分类号：G06Q10/063

分类号：G06Q10/063;G06F18/243;G06F18/21;F41H13/00

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.14#实质审查的生效;2024.04.26#公开

摘要：为实现高效、快速对对地攻击无人机自主作战效能进行评估，引入向量加权平均算法INFO和K折交叉验证方法对随机森林算法RF进行优化寻找最优参数组合，提出一种基于优化随机森林的对地攻击无人机自主作战效能评估方法，该方法包括下列步骤：构建无人机自主作战效能评估指标体系；构建INFO‑RF无人机自主作战效能评估模型；本发明方法不仅能够对评估结果进行预测，还可以通过特征的重要性对无人机作战过程中各项指标影响程度进行直观描述，这将有助于效能评估分析过程中更全面、更精准地了解各项指标的贡献度和作用，从而更合理的优化无人机战术运用与决策部署。

主权项：1.一种基于优化随机森林的对地攻击无人机自主作战效能评估方法，其特征在于，具体包括下列步骤：STEP1.构建无人机自主作战效能评估指标体系将自主作战全过程划分为五个阶段，即作战准备阶段、向目标区域机动阶段、突防阶段、攻击阶段、返航阶段；构建局部效能层指标，即基本飞行能力、任务装载能力、作战适宜能力、探测感知能力、规划决策能力、生存保障能力、电子对抗能力、武器打击能力、协同合作能力、故障容错能力；构建装备性能层指标，即续航时间、巡航高度、起降时间、弹药装载量、实用载油量、使用适应性、环境适应性、自主化程度、雷达探测距离、感知危险的能力、目标识别能力、目标定位能力、任务规划精度、任务规划成功率、态势分析能力、航路规划能力、反拦截能力、机动性能、隐身性能、防护性能、抗干扰能力、信息压制能力、信息摧毁能力、干扰应变能力、武器有效射程、杀伤半径、命中精度、毁伤能力、合作无人机数量、信息融合能力、信息传输速率、故障检测能力、故障隔离能力、故障修复能力；STEP2.构建INFO-RF无人机自主作战效能评估模型1.构建基于随机森林算法评估模型1.1决策树算法在分裂样本的对应节点处按照最小均方差准则，采用二元递归分裂方法将样本划分为左右两个样本集D1和D2，求出同时满足两个样本集MSE最小以及MSE之和最小条件下的特征及特征值划分点；损失函数如式1所示： 式中：A为随机抽样样本；s为对应的划分节点；xi为对应样本集中的特征值；yi为对应样本集中的目标值；c1和c2分别为两个样本集D1A，s和D2A，s的输出均值，将样本集D1A，s和D2A，s简写为D1和D2；继续对已划分的每个样本集D1和D2依据式1再次进行划分，重复操作直到不能划分为止，最后样本空间划分为D1，D2，...，Di，...，Dm；其中D1，D2，...，Di，...，Dm为样本A的集合形式，则生成的决策树数学表达式为： 式中：ci为样本集Di的输出均值，Ix∈Di为示性函数当x∈Di时取1，反之取0，i∈[1，m]，x为样本集特征值；1.2Bagging算法其具体步骤如下：1从原始数据集中有放回地随机抽取若干样本，组成一个新的训练集；2重复n次1过程，得到n个独立的采样集；3把所有采样集引入弱分类器进行算法运算，得到n个结果；4对于得到的n个结果进行投票或者算术平均等方式决定出最终结果；1.3随机森林模型随机森林模型表达式为： 中：N为决策树的数量；hx为单棵决策树的预测结果；fRFx为随机森林预测值的输出；1.4超参数选取选择决策树的数目与最大树深度这两个超参数；2.构建基于INFO优化随机森林模型2.1向量加权平均算法INFO算法由两部分组成，一是从一组随机向量的加权均值中提取基于均值的规则MeanRule并生成新的向量；二是加入收敛加速部分以提高全局搜索能力；更新规则公式如下： 式中，和分别为第g次迭代的两个新向量；σ为向量缩放率；a1≠a2≠a3≠1是从[1，Np]中随机选择的不同整数，Np为向量种群个数；f·表示目标函数；randn是一个标准正态分布随机值，g表示迭代次数，rand是[0，1]之间的随机数；为迭代g次后的向量；l是[1，Np]之间的种群数；xbs、xbt分别是第g代种群中最优、次优的解向量；MeanRule为向量规则，具体公式如下； 式中，Maxg是最大迭代次数；r是[0，0.5]之间的随机数；分别为初始种群向量加权平均值和更新后的种群向量加权平均值； 其中：δ表示加权权重因子，xa1、xa2、xa3分别为初始向量，ε表示无穷小的常数；加权系数w1、w2、w3如下： 其中，ω表示膨胀系数 其中，xws是第g代种群中最差的解向量，这些解向量需要在每次迭代对种群向量进行排序后确定；加权系数w4、w5、w6如下： 向量组合阶段，将前一阶段中计算得到向量与条件rand＜0.5的向量相结合，生成新的向量； 式中，随机系数μ＝0.05×randn，是第g代中向量合并得到的新向量；局部搜索阶段，如果rand＜0.5，则围绕最优解xbs生成一个新的向量； 式中： 式中，φ和p表示0，1的随机数，xrnd是由xbt和xbs组成的新解，v1和v2是两个随机数；在利用以上算法构建评估模型时，首先在随机森林模型中输入数据样本并初始化向量维数、数量、最大迭代次数，并生成初始向量，以均方根误差为目标函数f·；根据公式7均值规则、利用式4、5生成新向量，根据收敛加速部分利用式12更新向量位置，通过计算当前向量的适应度函数值；利用局部搜索功能、围绕全局最优位置利用式13继续更新向量，计算更新后的适应度函数值，并与当前适应度值比较，如目标函数值优于当前值，利用公式13更新向量；判断是否满足迭代终止要求，如满足，输出RF中最优参数，否则根据公式7均值规则、利用式4、5重新更新向量继续循环，直至满足条件为止；2.2.K折交叉验证K折交叉验证是一种常用的评估模型性能的方法[仉文岗，唐理斌，陈福勇等.基于4种超参数优化算法及随机森林模型预测TBM掘进速度[j].应用基础与工程科学学报，2021，2905：1186-1200.]，当数据集样本数较少时，为提高模型的泛化能力避免过拟合情况出现，常常采用K折交叉验证来检验模型性能；它的核心思想是将原始数据随机等量划分到K个子集，其中K-1个子集用作训练模型，剩下的1个子集用于验证模型性能；该方法将会重复K次，每次都会将其中一个子集用作验证集，其余子集用作训练集，最后将K次的验证结果取平均值作为模型的最终性能指标；与传统重复随机抽样相比，K折交叉验证法的最大优势在于每个样本都会单独分别用于训练模型和验证模型，从而充分利用了数据；本发明从平衡计算效率与计算精度的角度出发，采用5折交叉验证模型，以均方根误差RMSE作为优化目标函数，得出随机森林模型的最优参数组合，用输出的最优参数组合训练INFO-RF模型，达到构建最优评估模型目的；3.模型性能评价指标；选用平均绝对误差MAE、均方根误差RMSE以及决定系数R2作为模型性能评价指标，其中决定系数R2数学表达式为 式中：n为样本数目；为样本真实值的均值；yi和分别为第i个样本真实值和预测值；MAE越小，说明预测值与实际值之间的差异越小，模型的预测能力越好；RMSE越小，表示预测结果越接近真实值，预测结果越好；R2值越接近1，表示模型对数据的拟合效果越好；反之，R2值越接近0，则说明模型对数据的拟合效果越差。

全文数据：

权利要求：

百度查询： 中国人民解放军空军工程大学 一种基于优化随机森林的对地攻击无人机自主作战效能评估方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD