一种无人机群智系统智能水平评价方法技术方案

一种无人机群智系统智能水平评价方法，属于综合评价方法领域。针对无人机协同任务规划需求以及OODA决策链架构，提取无人机群智系统任务规划过程中的指挥与控制要素；同时将无人机指挥、控制要素与心理学智能相关要素关联，构建无人机智能水平评价指标体系；对每个无人机智能水平评价指标进行量化，将量化的指标数据输入所构建的基于伪标签半监督学习的神经网络结构，得到无人机群智系统各项能力分值及最终等级值；提升无人机智能体标注级标签的效率、降低智能水平评价结果误差。本发明专利技术适用于无人机领域，解决需要手动为样本进行标注标签，严重降低开发效率，以及对智能体等级的水平评价具有人为主观性，评价结果误差大的问题。题。题。

【技术实现步骤摘要】
一种无人机群智系统智能水平评价方法


[0001]本专利技术涉及一种无人机群智系统智能水平评价方法,属于综合评价方法领域。

技术介绍

[0002]随着无人机技术的不断发展和应用，无人机的数量和种类也越来越多，对于无人机的智能水平评价变得越来越重要。美国国家标准与技术研究院于2003年提出并建立无人系统自主级别ALFUS框架，对各类无人系统进行全面地评价和等级划分，首次为无人系统的自主性评价建立了规范化框架，并提供了理论指导；美国航空航天局NASA也建立了智能系统智能水平等级划分NASA SMART框架。然而，ALFUS无人系统自主水平等级划分表和NASA SMART智能水平等级划分表均是一种定性的评价体系，评价者无法直观地判断无人系统的性能与等级之间的对应关系，具有较强的主观性。亟需结合具体应用场景从无人机系统的多个方面对无人机智能水平进行定量评价，包括无人机的感知能力、决策能力、控制能力等等，这些能力的好坏直接影响到无人机的性能和应用效果。因此，对于无人机群智系统的智能水平进行科学的评价和提升是当前无人机技术发展的重要课题之一。

技术实现思路

[0003]针对目前无人系统的评定体系,评价者无法直观地判断无人系统的性能与等级之间的对应关系，具有较强主观性的问题，本专利技术的主要目的是提供一种无人机群智系统智能水平评价方法。根据典型无人机协同作战的OODA(Observe
‑
Orient
‑
Decide
‑
Act即观察
‑
判断
>‑
决策
‑
行动)决策链架构，并结合心理学与智能要素，构建无人机智能水平评价群体指标与个体指标体系；对指标体系中的每个指标进行量化，通过基于伪标签学习的半监督神经网络架构，得到无人机智能体各项能力的评分值及最终等级值。提升无人机智能体标注等级标签的效率及智能水平评价结果的准确性。解决需要手动为样本进行标注标签，严重降低开发效率，以及对智能体等级的水平评价具有人为主观性，评价结果误差大的问题。
[0004]本专利技术的目的是通过以下技术方案实现的：
[0005]本专利技术公开的一种无人机群智系统智能水平评价方法，针对无人机协同任务规划需求以及观察
‑
判断
‑
决策
‑
行动环，提取无人机群智系统任务规划过程中的指挥与控制要素；同时结合心理学与智能要素进行跨维度分析，将无人机指挥、控制要素与心理学智能相关要素关联，构建无人机智能水平评价指标体系；对每个无人机智能水平评价指标进行量化，将量化的指标数据作为网络的输入，输入所构建的基于伪标签半监督学习的神经网络结构，输出无人机群智系统各项能力分值及最终等级值。提升无人机智能体标注等级标签的效率及降低智能水平评价结果误差。
[0006]本专利技术公开的一种无人机群智系统智能水平评价方法，包括以下步骤：
[0007]步骤1：根据典型无人机协同作战的OODA决策链架构，并结合心理学与智能要素，构建无人机智能水平评价指标体系；
[0008]步骤1.1：构建无人机个体智能水平指标，包括感知能力指标，策划能力指标，行动
能力指标。
[0009]感知能力指标：包括雷达探测广度、雷达探测稳定性、电子侦察广度、电子侦察稳定性；
[0010]策划能力指标：包括策划觉知、策划记忆、策划稳定性、策划转移；
[0011]行动能力指标：包括行动广度、行动稳定性、行动学习性。
[0012]步骤1.2：构建无人机群体智能水平指标，即协同指挥通信能力指标：包括无人机群体指挥层次、指挥节点的中心度、通信协调关系数、通信协作跨度、通信信息传递时效性。
[0013]步骤2：对无人机群智系统智能水平进行等级划分；
[0014]步骤3：构建基于伪标签半监督学习的神经网络结构；
[0015]步骤3.1：在仿真平台中构建无人机集群任务规划作战场景并进行仿真推演，提取上千场无人机智能体原始作战数据；
[0016]步骤3.2：根据步骤1中构建的无人机智能水平评价指标对每个指标进行量化；
[0017]步骤3.3：通过所有无人机智能体指标量化数据，利用kmeans聚类算法，以指标量化数据平均值作为聚类中心，对所有无人机智能体进行聚类，对应步骤2中提出智能水平等级，然后给不同类之间差异明显的个体打上等级标签，作为伪标签算法的初始训练数据；
[0018]步骤3.4：对训练数据进行标准化，让不同量级之间的数据类型在数值上能够进行比较，更有利于模型的准确。首先获取每一类数据值的最大值，最小值，将其一个数据值x通过归一化映射到0和1之间得到值x'：
[0019][0020]其中x代表要处理的数据值，x
max
代表该类数据的最大值，x
min
代表该类数据的最小值；
[0021]步骤3.5：构建伪标签半监督学习神经网络结构；
[0022]将步骤1所构建的指标体系具体化成若干层深度学习神经网络，层与层之间呈现递进关系，每一层神经元个数与组织指标个数及个体指标个数有关，下一层的输出结果即为对上一层指标数据的学习结果，代表一种能力的具体值。神经网络最后一层输出结果即是无人机智能体等级水平值。
[0023]输入层：初始维度为指标量化数据维度，然后转为1,batch*row*col维度向量，代表1组数据；batch代表训练批次；row代表指标量化数据的行维度；col代表指标量化数据的列维度。
[0024]卷积层：进行两次卷积运算。经过卷积层提取特征，降低参数复杂度，同时使输入全连接层的通道数等于无人机智能水平评价指标数量。
[0025]线性层：应用两个ReLU激活函数来进行线性变换，神经网络结构与指标体系结构一一对应。
[0026]输出层：将最终得的输出通过softmax得到最终的分类结果。Softmax函数通过压缩操作把一个K维的实数向量映射到另一个各元素值均在0与1之间K维的实数的向量。
[0027][0028]其中z
j
是K维的实数向量的第j个元素，softmax(z
j
)表示最终输出的分类结果。
[0029]步骤3.6：伪标签半监督学习神经网络训练
[0030]设置训练轮数epoch，输入指标量化数据初始训练样本，利用步骤3.5中基于伪标签的半监督神经网络预测每个无人机智能体的等级并打上伪标签，每轮训练提取置信度高的数据扩充到训练样本，然后重复训练直到达到设置的训练轮数为止。
[0031]步骤4：将无人机智能水平指标量化数据，输入步骤3所构建的神经网络，得到无人机群智系统各项能力值及最终等级值。提升无人机智能体标注等级标签的效率及智能水平评价结果的准确性。
[0032]有益效果：
[0033]1.本专利技术公开的一种无人机群智系统智能水平评价方法，根据无人机协同任务规划具体需求以及ODDA决策链架构，提取无人机群智本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无人机群智系统智能水平评价方法,其特征在于：包括如下步骤，步骤1：根据典型无人机协同作战的OODA决策链架构，并结合心理学与智能要素，构建无人机智能水平评价指标体系；步骤2：对无人机群智系统智能水平进行等级划分；步骤3：构建基于伪标签半监督学习的神经网络结构；步骤3.1：在仿真平台中构建无人机集群任务规划作战场景并进行仿真推演，提取上千场无人机智能体原始作战数据；步骤3.2：根据步骤1中构建的无人机智能水平评价指标对每个指标进行量化；步骤3.3：通过所有无人机智能体指标量化数据，利用kmeans聚类算法，以指标量化数据平均值作为聚类中心，对所有无人机智能体进行聚类，对应步骤2中提出智能水平等级，然后给不同类之间差异明显的个体打上等级标签，作为伪标签算法的初始训练数据；步骤3.4：对训练数据进行标准化，让不同量级之间的数据类型在数值上能够进行比较，更有利于模型的准确；首先获取每一类数据值的最大值，最小值，将其一个数据值x通过归一化映射到0和1之间得到值x'：其中x代表要处理的数据值，x
max
代表该类数据的最大值，x
min
代表该类数据的最小值；步骤3.5：构建伪标签半监督学习神经网络结构；将步骤1所构建的指标体系具体化成若干层深度学习神经网络，层与层之间呈现递进关系，每一层神经元个数与组织指标个数及个体指标个数有关，下一层的输出结果即为对上一层指标数据的学习结果，代表一种能力的具体值；神经网络最后一层输出结果即是无人机智能体等级水平值；输入层：初始维度为指标量化数据维度，然后转为1,batch*row*col维度向量，代表1组数据；batch代表训练批次；row代表指标量化数据的行维度；col代表指标量化数据...

【专利技术属性】
技术研发人员：袁冬冰，牛昱斌，李冬妮，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：