本发明专利技术涉及一种融合贝叶斯网络和深度学习的飞机作战效能敏感性分析，通过结合贝叶斯网络少量样本数据下的建模优势和深度学习出色的高维数据处理能力来构建飞机作战系统代理模型，为Sobol指数法进行敏感性分析创造完备的条件，提高飞机作战效能敏感性分析的精度。通过基于互信息层次聚类方法对用于飞机作战效能敏感性分析的高维数据进行初步处理，然后应用自编码器对初步处理后的数据进行特征提取，实现降维，接着通过贝叶斯网络建立模型，至此飞机作战系统代理模型通过深度学习和贝叶斯网络模型的融合成功建立，通过代理模型实现对飞机作战效能的高精度敏感性分析。有效地解决了飞机作战效能敏感性分析问题中样本量较少的代理模型难以建立的问题。较少的代理模型难以建立的问题。较少的代理模型难以建立的问题。
【技术实现步骤摘要】
融合贝叶斯网络和深度学习的飞机作战效能敏感性分析
[0001]本专利技术属于飞机作战效能研究领域，涉及一种融合贝叶斯网络和深度学习模型的飞机作战效能敏感性分析。
技术介绍
[0002]在现代化战争中，空中力量逐渐取代传统陆海军的地位而成为战争主角。因此，对飞机作战效能进行评估是十分必要的，它能够为飞机武器装备的发展策略提供较为可靠的依据，同时还能为战争的作战指导思想和战术战法提供科学参考。
[0003]在实际作战中，战场环境对飞机各方面的影响因素众多，导致飞机作战效能分析较为复杂，分析这些因素的影响及影响程度即是飞机作战效能敏感性分析。通过敏感性分析，可以计算得到各个影响因素对于飞机作战效能影响程度的大小，将各个因素影响程度的大小称为它们的敏感性系数，对各影响因素的敏感性系数进行大小排序，能够找出对飞机作战效能影响最大的因素并加以重视，与此同时忽略掉敏感性系数较小的因素，可以大大减少效能分析的盲目性，也可以在很大程度上提高飞机作战效能分析的效率。
[0004]飞机作战效能敏感性分析方法主要分为两大类：局部敏感性分析方法和全局敏感性分析方法。局部敏感性分析法是指每次分析单个输入对模型的影响程度，在此过程中固定其他输入不变。该类方法的敏感性指标一般是模型的输出对输入的微分或者是单个输入引起的输出变化，在模型输入输出为线性关系的情况下，具有较高的准确性。全局敏感性分析方法是分析多个输入同时变化对输出的总的影响,并分析单个输入或者多个输入之间的相互作用对于模型输出的影响。全局敏感性分析方法在分析计算单个输入敏感性时考虑了其他输入参数的变化，对比于局部敏感性分析方法，探索的模型输入空间更大，得到的分析结果也具有较好的稳健性，适用于输入与输出为非线性关系的飞机作战效能敏感性分析。
[0005]回归分析法、互信息指数法、傅里叶振幅敏感性检验法和Sobol指数法是几种常用的全局敏感性分析方法。回归分析法是应用数理统计的方法去研究输入输出之间存在的非确定关系，能够在多个输入同时变化的情况下，分析单个输入对于输出的影响，然而回归分析法需要对输入输出间的函数关系进行提前假设，而且敏感性分析结果对选定的函数关系依赖性较强。除此之外，如果输入参数之间不相互独立时，该算法的精度难以保证。互信息指数法的核心是要构造特定输入对输出贡献信息的测度，基于各个输入的测度对各个输入敏感性进行排序,它在计算单个输入的敏感性时也对其他输入的影响进行了考虑，但无法分析多个输入的交互效应。傅里叶振幅敏感性检验法是通过在多维输入空间内选取一条特殊空间曲线，构建以不同的频率探索每个参数。这种方法能够定量的分析单个输入对于输出方差的贡献，但其在离散输入的情况下结果的准确性欠佳。飞机作战系统的输入参数不相互独立，有较强的交互效应，且多数情况下输入是离散变量，因此上述几种方法难以运用于飞机作战效能敏感性分析。Sobol指数法是一种基于方差进行敏感性分析的全局敏感性分析方法，其核心思想是方差分解，将模型分解为单个输入以及多个输入相互组合的函数，然后计算单个输入以及多个输入对输出方差的影响大小，它能够分析单个输入或多个输入
对输出的影响，且在数据为离散时也不影响精度，因此适合应用在飞机作战效能敏感性分析中。
[0006]由于作战环境的复杂性以及军事领域的特殊性，对飞机作战效能进行敏感性分析时往往面临着样本量少且数据维数高的情况，导致敏感性分析所需要的代理模型很难建立。
技术实现思路
[0007]要解决的技术问题
[0008]为了避免现有技术的不足之处，本专利技术提出一种融合贝叶斯网络和深度学习的飞机作战效能敏感性分析，能够很好地解决飞机作战效能敏感性分析问题，结合贝叶斯网络和深度学习，能够快速建立飞机作战系统代理模型，保证了敏感性分析的效率和准确性，为飞机武器装备的发展起到支撑作用。
[0009]技术方案
[0010]一种融合贝叶斯网络和深度学习的飞机作战效能敏感性分析，其特征在于步骤如下：
[0011]飞机作战系统代理模型的建立
[0012]步骤1、基于互信息层次聚类算法的数据聚类：待分析的飞机作战仿真数据为m维，先对除导弹命中概率以外的m
‑
1维数据进行基于互信息层次聚类算法的数据聚类，得到m
‑
1维的数据x＝(x1,x2,
…
,x
m
‑1)聚成k个数据簇x
*
＝(x
1*
,x
2*
,
…
,x
k*
)；所述k为聚类数目；
[0013]步骤2、基于深度自编码器的特征提取：采用深度学习中自编码器模型对每一簇数据进行特征提取，数据维度从m
‑
1维降为k维，整体数据维度从m维降到了k+1维；
[0014]步骤3：采用贝叶斯网络，对经过聚类以及特征提取过后，数据维度已经从m维降到了k+1维的数据，建立贝叶斯网络模型，得到整个代理模型即飞机对地作战系统代理模型Y＝f(x1,x2,x3,...,x
32
)；式中，Y为飞机的导弹命中概率，x1,x2,x3,...,x
32
为指标体系中影响飞机导弹命中概率的各项因素；
[0015]飞机作战效能敏感性分析
[0016]步骤4：计算Sobol指数法的相关参数
[0017]采用随机采样的方法从输入空间中采样得到两个输入矩阵A和B，两个矩阵中的每一行都是所研究模型的一组输入组合，每个组合通过代理模型计算得到相应的输出：
[0018][0019]然后构造矩阵AB
i
，构造方法是用矩阵B的第i列替换矩阵A的第i列，同理可以用矩阵A的第i列替换矩阵B的第i列，得到矩阵A
i
B：
[0020][0021][0022]将矩阵代入代理模型，得到输出向量，分别记为y
A
，y
B
，和根据蒙特卡洛算法得到以下结果：
[0023][0024][0025][0026]式中
[0027]步骤5：计算全局敏感性系数
[0028]输入变量X
i
的主效应指数及全效应指数的估计为：
[0029][0030][0031]基于主效应指数及全效应指数的全局敏感性系数，计算各个指标的数值，对飞机作战效能进行分析评估。
[0032]所述步骤1的基于互信息层次聚类算法的数据聚类过程为：待分析的飞机作战仿真数据为m维，先对除导弹命中概率以外的m
‑
1维数据进行基于互信息层次聚类算法的数据聚类；
[0033]任意两个误差源x
i
,x
j
的互信息为：i≠j,1,2,3,m
‑1[0034][0035]x
i
,x
j
互信息的倒数为
[0036][0037]其中：D(x
i
；x
j
)与x
i
...
【技术保护点】
【技术特征摘要】
1.一种融合贝叶斯网络和深度学习的飞机作战效能敏感性分析，其特征在于步骤如下：飞机作战系统代理模型的建立步骤1、基于互信息层次聚类算法的数据聚类：待分析的飞机作战仿真数据为m维，先对除导弹命中概率以外的m
‑
1维数据进行基于互信息层次聚类算法的数据聚类，得到m
‑
1维的数据x＝(x1,x2,
…
,x
m
‑1)聚成k个数据簇所述k为聚类数目；步骤2、基于深度自编码器的特征提取：采用深度学习中自编码器模型对每一簇数据进行特征提取，数据维度从m
‑
1维降为k维，整体数据维度从m维降到了k+1维；步骤3：采用贝叶斯网络，对经过聚类以及特征提取过后，数据维度已经从m维降到了k+1维的数据，建立贝叶斯网络模型，得到整个代理模型即飞机对地作战系统代理模型Y＝f(x1,x2,x3,...,x
32
)；式中，Y为飞机的导弹命中概率，x1,x2,x3,...,x
32
为指标体系中影响飞机导弹命中概率的各项因素；飞机作战效能敏感性分析步骤4：计算Sobol指数法的相关参数采用随机采样的方法从输入空间中采样得到两个输入矩阵A和B，两个矩阵中的每一行都是所研究模型的一组输入组合，每个组合通过代理模型计算得到相应的输出：然后构造矩阵AB
i
，构造方法是用矩阵B的第i列替换矩阵A的第i列，同理可以用矩阵A的第i列替换矩阵B的第i列，得到矩阵A
i
B：B：将矩阵代入代理模型，得到输出向量，分别记为y
A
，y
B
，和根据蒙特卡洛算法得到以下结果：到以下结果：
式中步骤5：计算全局敏感性系数输入变量X
i
的主效应指数S
xi
及全效应指数的估计为：的估计为：基于主效应指数及全效应指数的全局敏感性系数，计算各个指标的数值，对飞机作战效能进行分析评估。2.根据权利要求1所述融合贝叶斯网络和深度学习的飞机作战效能敏感性分析，其特征在于：所述步骤1的基于互信息层次聚类算法的数据聚类过程为：待分析的飞机作战仿真数据为m维，先对除导弹命中概率以外的m
‑
1维数据进行基于互信息层次聚类算法的数据聚类；任意两个误差源x
i
,x
j
的互信息为：i≠j,1,2,3,m
‑
1x
i
,x
j
互信息的倒数为其中：D(x<...
【专利技术属性】
技术研发人员：高晓光，韩浩，王昊，李新宇，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。