一种人机协同威胁评估方法及装置

    技术2024-12-29  47


    本发明属于作战威胁评估,具体涉及一种人机协同威胁评估方法及装置。


    背景技术:

    1、随着人工智能技术的飞速发展,尤其是chatgpt的出现吸引了全世界对于人工智能和人之间关系的思考,在军事领域,认为指挥官可以将人工智能与他们的直觉和经验相结合,做出更快、更明智的决策;也有方案强调了人工智能技术在军事建模与仿真的成功运用是建立在决策过程中与指挥官的交互和不断学习之上的;另有些方案则认为ai支持的能力无法有效补充,更无法替代人类在理解和理解战略环境方面的作用。在军事决策过程中,威胁评估是一个关键的环节,它涉及到识别敌方的威胁程度和判断敌方的作战意图。精准的威胁评估能为后续的指令下达、武器装配、作战行动提供重要依据,最大程度地支撑作战决策。未来战场环境信息的多样化和复杂化使得威胁评估变得更加重要且具有挑战性。人工智能通过处理和整合各种来源的信息来提供全面的情报和威胁评估,但在实际作战,仍然需要人类指挥官来解读和理解这些信息。人类指挥官能够运用丰富的经验和直觉,考虑到战术上的复杂性以及敌方可能的意图和行动,从而做出更全面、更准确的决策。

    2、迄今为止,已有大量学者对于战场的威胁评估开展研究,并提出了诸多方法,例如一些方案提出了一种基于区间数据的多无人作战飞机空战态势评估方法,另一些方案提出一种基于topsis的多时刻融合直觉模糊集排序模型,还有方案引入直觉模糊粗糙集,提出基于直觉模糊余弦相似度和信息熵进行反导作战威胁评估方法、采用直觉模糊熵计算目标属性权重,建立了基于ife和动态vikor的空中多目标威胁评估排序模型、在直觉模糊集的基础上,提出了一种结合topsis和vikor的方法进行目标静态和动态属性的评估、]提出了一种面向鲁棒决策的战场态势评估人机共识形成方法等。

    3、战场的威胁评估是一个典型的多属性决策(multipleattribute decisionmaking,madm)问题,决策者需要考虑不同属性之间的相互影响和权重,以及各属性对决策结果的重要性,从而进行多属性评估和决策分析。madm的常用方法包括层次分析法、模糊综合评价等,但随着问题复杂度的提升,仅使用单个方法存在一定局限性。


    技术实现思路

    1、本发明要解决的技术问题是提供一种能够准确地对敌方目标进行威胁度评估的人机协同威胁评估方法及装置。

    2、本发明的内容包括提供一种人机协同威胁评估方法,包括:

    3、采集目标的动态属性数据,所述动态属性数据为时序型数据;

    4、对所述动态属性数据进行转化处理,形成球形模糊决策矩阵;

    5、基于所述球形模糊决策矩阵、先验知识及预设置的球形模糊语言集确定定性指标决策矩阵,所述先验知识由多个军事专家基于经验信息提供,所述定性指标决策矩阵包含对应专家对每个定性指标的评价;

    6、基于所述定性指标决策矩阵计算确定每个专家的权重;

    7、基于所述专家的权重构建群体加权平均决策矩阵;

    8、基于所述专家的权重及熵权法计算确定每个定性指标的权重;

    9、至少基于与数据相似度、参考价值相关的算法处理所述加权平均决策矩阵,以得到所述目标在不同定性指标下的威胁评估值;

    10、至少基于所述威胁评估值评估所述目标的威胁度。

    11、作为一可选实施例,所述采集目标在第一时段的动态属性数据,包括:

    12、基于无人侦查装备集群采集所述目标在第一时段内的动态属性数据,所述动态属性数据包括目标相对自身节点间的距离、空袭高度、移动速度、航向角。

    13、作为一可选实施例,所述对所述动态属性数据进行转化处理,形成球形模糊决策矩阵,包括:

    14、将所述动态属性数据处理形成满足时序的多个区间数据;

    15、基于所述多个区间数据进行转换处理,形成球形模糊决策矩阵。

    16、作为一可选实施例,所述定性指标包括成本型指标及效益型指标,所述基于所述定性指标决策矩阵计算确定每个专家的权重,包括:

    17、将对应所述专家的定性指标决策矩阵进行标准化处理,以将所有定性指标的类型统一为效益型指标;

    18、获得所述专家的初始专家权重,并基于所述初始专家权重及标准化处理后的定性指标决策矩阵计算确定初始群体加权平均策略矩阵;

    19、基于得分函数处理所述定性指标决策矩阵得到决策得分矩阵;

    20、基于所述决策得分矩阵确定群体最优决策矩阵及群体最劣决策矩阵;

    21、分别计算所述定性指标决策矩阵与初始群体加权平均策略矩阵、群体最优决策矩阵及群体最劣决策矩阵之间的距离;

    22、基于各个所述距离计算确定对应的所述专家的贴近度指数;

    23、基于所述专家的贴近度指数计算确定对应所述专家的权重。

    24、作为一可选实施例,所述基于所述专家的权重构建群体加权平均决策矩阵,包括:

    25、基于所述专家的权重更新处理所述初始加权平均策略矩阵,得到所述群体加权平均策略矩阵;

    26、所述基于每个所述专家的权重及熵权法计算确定每个定性指标的权重,包括:

    27、基于所述群体加权平均策略矩阵计算每个所述定性指标的区间球形模糊熵;

    28、基于所述定性指标的区间球形模糊熵计算信息冗余度;

    29、基于所述信息冗余度计算确定所述定性指标的权重。

    30、作为一可选实施例,所述至少基于与数据相似度、参考价值相关的算法处理所述加权平均决策矩阵,以得到所述目标在不同定性指标下的威胁评估值,包括:

    31、基于topsis算法处理所述群体加权平均策略矩阵,得到对应每个所述定性指标的正理想解和负理想解;

    32、计算确定所述群体加权平均策略矩阵中每个数据元素分别与对应的正理想解、负理想解之间的距离,得到第一距离矩阵和第二距离矩阵;

    33、基于所述第一距离矩阵、第二距离矩阵计算所述目标的加权正负距离和;

    34、对所述加权正负距离和进行无量纲化处理,并基于处理结果计算对应所述定性指标的距离贴近度比率;

    35、至少基于所述距离贴近度比率确定所述目标在对应的定性指标下的威胁评估值。

    36、作为一可选实施例,所述方法还包括:

    37、基于所述目标的第一距离矩阵、第二距离矩阵计算所述目标关于各个定性指标的正负灰色关联度矩阵;

    38、对每个所述正负灰色关联度矩阵进行无量纲化处理,并基于处理结果计算灰色贴近度比率;

    39、基于各所述灰色贴近度比率计算正负距离灰色矩阵;

    40、基于所述正负距离灰色矩阵计算得到对应所述目标的综合贴近度;

    41、所述至少基于所述距离贴近度比率确定所述目标在对应的定性指标下的威胁评估值,包括:

    42、至少基于所述距离贴近度比率、综合贴近度确定所述目标在对应的定性指标下的威胁评估值。

    43、作为一可选实施例,所述方法还包括:

    44、在预设参考点下,基于前景价值算法处理所述第一距离矩阵和第二距离矩阵,以得到表征真实场景下用于判断目标威胁度的决策者面临收益及损失时的心理状态的正前景矩阵和负前景矩阵;

    45、基于所述定性指标权重计算确定所述正前景矩阵、负前景矩阵的权重矩阵;

    46、基于所述正前景矩阵、负前景矩阵及权重矩阵计算确定累计前景矩阵,所述累计前景矩阵用于表征所述决策者在面临收益及损失时对目标威胁度判断的影响程度;

    47、结合所述累计前景矩阵协同评估所述目标的威胁度。

    48、作为一可选实施例,所述结合所述累计前景矩阵评估所述目标的威胁度,包括:

    49、获得预设的专家群体权重及用于采集目标的动态属性数据的无人侦查装备集群的集群权重,所述专家群体权重与集群权重的和为1;

    50、结合所述累计前景矩阵、专家群体权重与集群权重协同评估所述目标的威胁度。

    51、本发明另一实施例同时提供一种人机协同威胁评估装置,包括:

    52、采集模块,用于采集目标的动态属性数据,所述动态属性数据为时序型数据;

    53、第一处理模块,用于对所述动态属性数据进行转化处理,形成球形模糊决策矩阵;

    54、第一确定模块,用于根据所述球形模糊决策矩阵、先验知识及预设置的球形模糊语言集确定定性指标决策矩阵,所述先验知识由多个军事专家基于经验信息提供,所述定性指标决策矩阵包含对应专家对每个定性指标的评价;

    55、第二确定模块,用于根据所述定性指标决策矩阵计算确定每个专家的权重;

    56、构建模块,用于根据所述专家的权重构建群体加权平均决策矩阵;

    57、第一计算模块,用于根据所述专家的权重及熵权法计算确定每个定性指标的权重;

    58、第二处理模块,用于至少基于与数据相似度、参考价值相关的算法处理所述加权平均决策矩阵,以得到所述目标在不同定性指标下的威胁评估值;

    59、评估模块,用于至少基于所述威胁评估值评估所述目标的威胁度。

    60、本发明的有益效果在于针对未来人工智能辅助指挥官进行威胁评估问题,提出一种将多目标时序区间数转化为区间球形模糊数的方法,将区间球形模糊数与模糊熵测算等方法进行结合,建立了一套基于区间球形模糊数和模糊熵的决策框架,该决策框架通过实施本技术的方法可以更好地模拟未来实际作战环境,同时在进行敌方目标的威胁度评估时综合考虑了威胁评估中目标的静态属性与动态特征、有/无专家群体的评估结果,为决策者在实际场景中及时作出高效的指挥决策奠定基础。


    技术特征:

    1.一种人机协同威胁评估方法,其特征在于,包括:

    2.根据权利要求1所述的人机协同威胁评估方法,其特征在于,所述采集目标在第一时段的动态属性数据,包括:

    3.根据权利要求1所述的人机协同威胁评估方法,其特征在于,所述对所述动态属性数据进行转化处理,形成球形模糊决策矩阵,包括:

    4.根据权利要求1所述的人机协同威胁评估方法,其特征在于,所述定性指标包括成本型指标及效益型指标,所述基于所述定性指标决策矩阵计算确定每个专家的权重,包括:

    5.根据权利要求4所述的人机协同威胁评估方法,其特征在于,所述基于所述专家的权重构建群体加权平均决策矩阵,包括:

    6.根据权利要求1所述的人机协同威胁评估方法,其特征在于,所述至少基于与数据相似度、参考价值相关的算法处理所述加权平均决策矩阵,以得到所述目标在不同定性指标下的威胁评估值,包括:

    7.根据权利要求6所述的人机协同威胁评估方法,其特征在于,所述方法还包括:

    8.根据权利要求1所述的人机协同威胁评估方法,其特征在于,所述方法还包括:

    9.根据权利要求8所述的人机协同威胁评估方法,其特征在于,所述结合所述累计前景矩阵评估所述目标的威胁度,包括:

    10.一种人机协同威胁评估装置,其特征在于,包括:


    技术总结
    本发明提供一种人机协同威胁评估方法及装置,所述方法包括:采集目标的动态属性数据;对所述动态属性数据进行转化处理,形成球形模糊决策矩阵;基于所述球形模糊决策矩阵、先验知识及预设置的球形模糊语言集确定定性指标决策矩阵;基于所述定性指标决策矩阵计算确定每个专家的权重;基于所述专家的权重构建群体加权平均决策矩阵;基于所述专家的权重及熵权法计算确定每个定性指标的权重;至少基于与数据相似度、参考价值相关的算法处理所述加权平均决策矩阵,以得到所述目标在不同定性指标下的威胁评估值;至少基于所述威胁评估值评估所述目标的威胁度。本发明的人机协同威胁评估方法能够准确地对敌方目标进行威胁度评估。

    技术研发人员:李明浩,胡崇爽,王纪凯,豆亚杰,姜江,欧阳伟俊,戴昱龙,向南,贾清扬,段晨熙,孙建彬,赵青松
    受保护的技术使用者:中国人民解放军国防科技大学
    技术研发日:
    技术公布日:2024/10/24
    转载请注明原文地址:https://symbian.8miu.com/read-24494.html

    最新回复(0)