本申請(qǐng)涉及人工智能，特別是涉及一種面對(duì)智能城市作戰(zhàn)的高斯混合目標(biāo)評(píng)估方法。

背景技術(shù)：

1、隨著人工智能、無(wú)人裝備、計(jì)算機(jī)視覺等技術(shù)的快速發(fā)展，現(xiàn)代戰(zhàn)爭(zhēng)日益呈現(xiàn)出智能化、無(wú)人化的新特點(diǎn)。城市作為資源集聚所在，已成為世界各國(guó)高度重視的未來(lái)戰(zhàn)場(chǎng)。如何根據(jù)敵我雙方不同的武器信息以及實(shí)際城市環(huán)境等因素，對(duì)打擊目標(biāo)進(jìn)行評(píng)估排序，是提升智能城市作戰(zhàn)效能首先要解決的問(wèn)題。

2、目前對(duì)于該問(wèn)題的解決思路主要是根據(jù)軍事專家的經(jīng)驗(yàn)和大量的實(shí)驗(yàn)數(shù)據(jù)將威脅度量化，然后建立有效的評(píng)估模型并使用可行性的方法進(jìn)行研究。常用的評(píng)估方法有專家評(píng)估法、ahp法，準(zhǔn)確度和智能度都不高，不能滿足智能城市作戰(zhàn)的要求。

技術(shù)實(shí)現(xiàn)思路

1、基于此，有必要針對(duì)上述技術(shù)問(wèn)題，提供一種能夠在降低計(jì)算復(fù)雜度的同時(shí)保證其評(píng)估準(zhǔn)確性的面對(duì)智能城市作戰(zhàn)的高斯混合目標(biāo)評(píng)估方法。

2、一種面對(duì)智能城市作戰(zhàn)的高斯混合目標(biāo)評(píng)估方法，所述方法包括：

3、獲取打擊任務(wù)需求以及目標(biāo)樣本數(shù)據(jù)集，所述目標(biāo)樣本數(shù)據(jù)集中包括多個(gè)處于城市中的樣本打擊目標(biāo)；

4、根據(jù)打擊任務(wù)需求構(gòu)建對(duì)應(yīng)的二級(jí)目標(biāo)評(píng)估體系模型，所述二級(jí)目標(biāo)評(píng)估體系包括多個(gè)第一級(jí)指標(biāo)，以及每一個(gè)第一級(jí)指標(biāo)與其他第一級(jí)指標(biāo)之間的關(guān)系，在各所述第一級(jí)指標(biāo)下設(shè)置有多個(gè)與對(duì)應(yīng)第一級(jí)指標(biāo)相關(guān)的多個(gè)第二級(jí)指標(biāo)；

5、根據(jù)所述二級(jí)目標(biāo)評(píng)估體系模型的所有第二級(jí)指標(biāo)對(duì)所述目標(biāo)樣本數(shù)據(jù)集中的每一個(gè)樣本打擊目標(biāo)進(jìn)行賦值，得到對(duì)應(yīng)各所述樣本打擊目標(biāo)的二級(jí)指標(biāo)賦值序列；

6、針對(duì)每一個(gè)第一級(jí)指標(biāo)，采用高斯混合模型根據(jù)對(duì)應(yīng)的多個(gè)第二級(jí)指標(biāo)以及所述二級(jí)指標(biāo)賦值序列進(jìn)行建模，得到對(duì)應(yīng)的第一級(jí)指標(biāo)模型；

7、獲取待評(píng)估打擊目標(biāo)的相關(guān)數(shù)據(jù)，將所述相關(guān)數(shù)據(jù)帶入各所述第一級(jí)指標(biāo)模型中，得到所述待評(píng)估打擊目標(biāo)在每個(gè)第一級(jí)指標(biāo)的評(píng)估得分；

8、基于各所述第一級(jí)指標(biāo)之間的關(guān)系以及各所述評(píng)估得分進(jìn)行計(jì)算，得到所述待評(píng)估目標(biāo)的最終評(píng)估得分。

9、在其中一實(shí)施例中，所述針對(duì)每一個(gè)第一級(jí)指標(biāo)，采用高斯混合模型根據(jù)對(duì)應(yīng)的多個(gè)第二級(jí)指標(biāo)以及所述二級(jí)指標(biāo)賦值序列進(jìn)行建模，包括：

10、根據(jù)所述第一級(jí)指標(biāo)下所有第二級(jí)指標(biāo)以及所述二級(jí)指標(biāo)賦值序列中相關(guān)數(shù)據(jù)，構(gòu)建得到訓(xùn)練數(shù)據(jù)集；

11、構(gòu)建具有多個(gè)待求解參數(shù)的高斯混合模型，根據(jù)所述訓(xùn)練數(shù)據(jù)集對(duì)所述高斯混合模型進(jìn)行迭代求解，得到待求解的多個(gè)參數(shù)值結(jié)果；

12、根據(jù)多個(gè)所述參數(shù)值結(jié)果以及高斯混合模型，得到對(duì)應(yīng)的第一級(jí)指標(biāo)模型。

13、在其中一實(shí)施例中，根據(jù)所述第一級(jí)指標(biāo)下所有第二級(jí)指標(biāo)以及所述二級(jí)指標(biāo)賦值序列中相關(guān)數(shù)據(jù)進(jìn)行訓(xùn)練數(shù)據(jù)集的構(gòu)建時(shí)：

14、根據(jù)先驗(yàn)知識(shí)確定各所述第二級(jí)指標(biāo)的初始權(quán)重；

15、在所有二級(jí)指標(biāo)賦值序列中提取對(duì)應(yīng)同一個(gè)第二級(jí)指標(biāo)的多個(gè)原始樣本賦值；

16、根據(jù)各所述原始樣本賦值以及對(duì)應(yīng)的第二級(jí)指標(biāo)的初始權(quán)重生成新樣本賦值，根據(jù)各所述原始樣本賦值以及新樣本賦值構(gòu)建對(duì)應(yīng)第二級(jí)指標(biāo)的賦值數(shù)據(jù)集；

17、根據(jù)對(duì)應(yīng)一個(gè)第一級(jí)指標(biāo)的所有第二級(jí)指標(biāo)的賦值數(shù)據(jù)集構(gòu)建所述訓(xùn)練數(shù)據(jù)集。

18、在其中一實(shí)施例中，所述根據(jù)各所述原始樣本賦值以及對(duì)應(yīng)的第二級(jí)指標(biāo)的初始權(quán)重生成新樣本賦值，包括：

19、根據(jù)所述第二級(jí)指標(biāo)的初始權(quán)重，確定新樣本賦值的生成次數(shù)；

20、基于所述原始樣本賦值進(jìn)行與一個(gè)滿足高斯分布的隨機(jī)數(shù)相加，生成所述新樣本賦值，完成一次新樣本賦值的生成；

21、依據(jù)所述生成次數(shù)，完成所有新樣本賦值的生成。

22、在其中一實(shí)施例中，所述具有多個(gè)待求解參數(shù)的高斯混合模型表示為：

23、

24、在上式中，k∈[1,k]表示分量序號(hào)，πk表示第k個(gè)高斯分量的權(quán)重，μk表示第k個(gè)高斯分量的均值，σk表示第k個(gè)高斯分量的協(xié)方差，θ＝(π1,…,πk,μ1,…,μk,σ1,…,σk)表示待求解的參數(shù)空間。

25、在其中一實(shí)施例中，每一個(gè)第一級(jí)指標(biāo)與其他第一級(jí)指標(biāo)之間的關(guān)系包括不相關(guān)、正向相關(guān)以及逆向相關(guān)。

26、在其中一實(shí)施例中，基于各所述第一級(jí)指標(biāo)之間的關(guān)系以及各所述評(píng)估得分進(jìn)行計(jì)算，得到所述待評(píng)估目標(biāo)的最終評(píng)估得分，包括：

27、根據(jù)各所述第一級(jí)指標(biāo)和其他第一級(jí)指標(biāo)之間的關(guān)系，構(gòu)建對(duì)應(yīng)的關(guān)系集合，所述關(guān)系集合中包括：與所述第一級(jí)指標(biāo)存在不相關(guān)關(guān)系的所有其他第一級(jí)指標(biāo)集合、與所述第一級(jí)指標(biāo)存在正向相關(guān)關(guān)系的所有其他第一級(jí)指標(biāo)集合以及與所述第一級(jí)指標(biāo)存在逆相關(guān)關(guān)系的所有其他第一級(jí)指標(biāo)集合；

28、針對(duì)每一個(gè)第一級(jí)指標(biāo)，根據(jù)對(duì)應(yīng)的關(guān)系集合以及所述評(píng)估得分進(jìn)行計(jì)算，得到對(duì)應(yīng)的基準(zhǔn)得分；

29、根據(jù)各所述第一級(jí)指標(biāo)的基準(zhǔn)得分進(jìn)行均值計(jì)算，將得到的計(jì)算結(jié)果作為所述待評(píng)估目標(biāo)的最終評(píng)估得分。

30、在其中一實(shí)施例中，所述針對(duì)每一個(gè)第一級(jí)指標(biāo)，根據(jù)對(duì)應(yīng)的關(guān)系集合以及所述評(píng)估得分進(jìn)行計(jì)算，得到對(duì)應(yīng)的基準(zhǔn)得分包括：

31、將所述評(píng)估得分按照所述關(guān)系集合進(jìn)行排列，采用以下公式進(jìn)行計(jì)算，得到對(duì)應(yīng)的基準(zhǔn)得分：

32、

33、在上式中，fa1表示某一第一級(jí)指標(biāo)對(duì)應(yīng)的基準(zhǔn)得分，表示與第一級(jí)指標(biāo)存在不相關(guān)關(guān)系的所有其他第一級(jí)指標(biāo)對(duì)應(yīng)的評(píng)估得分進(jìn)行相加，表示與第一級(jí)指標(biāo)存在正向相關(guān)關(guān)系的所有其他第一級(jí)指標(biāo)對(duì)應(yīng)的評(píng)估得分進(jìn)行相加，表示與第一級(jí)指標(biāo)存在逆向相關(guān)關(guān)系的所有其他第一級(jí)指標(biāo)對(duì)應(yīng)的評(píng)估得分進(jìn)行相加，λ1和λ2是預(yù)先設(shè)定的調(diào)節(jié)參數(shù)。

34、上述面對(duì)智能城市作戰(zhàn)的高斯混合目標(biāo)評(píng)估方法，通過(guò)根據(jù)打擊任務(wù)需求構(gòu)建對(duì)應(yīng)的二級(jí)目標(biāo)評(píng)估體系模型，根據(jù)二級(jí)目標(biāo)評(píng)估體系模型的所有第二級(jí)指標(biāo)對(duì)目標(biāo)樣本數(shù)據(jù)集中的每一個(gè)樣本打擊目標(biāo)進(jìn)行賦值，得到對(duì)應(yīng)各樣本打擊目標(biāo)的二級(jí)指標(biāo)賦值序列，針對(duì)每一個(gè)第一級(jí)指標(biāo)，采用高斯混合模型根據(jù)對(duì)應(yīng)的多個(gè)第二級(jí)指標(biāo)以及二級(jí)指標(biāo)賦值序列進(jìn)行建模，得到對(duì)應(yīng)的第一級(jí)指標(biāo)模型，將待評(píng)估打擊目標(biāo)的相關(guān)數(shù)據(jù)帶入各第一級(jí)指標(biāo)模型中，得到待評(píng)估打擊目標(biāo)在每個(gè)第一級(jí)指標(biāo)的評(píng)估得分，最后基于各第一級(jí)指標(biāo)之間的關(guān)系以及各評(píng)估得分進(jìn)行計(jì)算，得到最終評(píng)估得分。本方法有效的降低了算法的復(fù)雜度低，同時(shí)提高了評(píng)估結(jié)果的準(zhǔn)確性。

技術(shù)特征：

1.一種面對(duì)智能城市作戰(zhàn)的高斯混合目標(biāo)評(píng)估方法，其特征在于，所述方法包括：

2.根據(jù)權(quán)利要求1所述的高斯混合目標(biāo)評(píng)估方法，其特征在于，所述針對(duì)每一個(gè)第一級(jí)指標(biāo)，采用高斯混合模型根據(jù)對(duì)應(yīng)的多個(gè)第二級(jí)指標(biāo)以及所述二級(jí)指標(biāo)賦值序列進(jìn)行建模，包括：

3.根據(jù)權(quán)利要求2所述的高斯混合目標(biāo)評(píng)估方法，其特征在于，根據(jù)所述第一級(jí)指標(biāo)下所有第二級(jí)指標(biāo)以及所述二級(jí)指標(biāo)賦值序列中相關(guān)數(shù)據(jù)進(jìn)行訓(xùn)練數(shù)據(jù)集的構(gòu)建時(shí)：

4.根據(jù)權(quán)利要求3所述的高斯混合目標(biāo)評(píng)估方法，其特征在于，所述根據(jù)各所述原始樣本賦值以及對(duì)應(yīng)的第二級(jí)指標(biāo)的初始權(quán)重生成新樣本賦值，包括：

5.根據(jù)權(quán)利要求2-4任一項(xiàng)所述的高斯混合目標(biāo)評(píng)估方法，其特征在于，所述具有多個(gè)待求解參數(shù)的高斯混合模型表示為：

6.根據(jù)權(quán)利要求5所述的高斯混合目標(biāo)評(píng)估方法，其特征在于，每一個(gè)第一級(jí)指標(biāo)與其他第一級(jí)指標(biāo)之間的關(guān)系包括不相關(guān)、正向相關(guān)以及逆向相關(guān)。

7.根據(jù)權(quán)利要求6所述的高斯混合目標(biāo)評(píng)估方法，其特征在于，基于各所述第一級(jí)指標(biāo)之間的關(guān)系以及各所述評(píng)估得分進(jìn)行計(jì)算，得到所述待評(píng)估目標(biāo)的最終評(píng)估得分，包括：

8.根據(jù)權(quán)利要求7所述的高斯混合目標(biāo)評(píng)估方法，其特征在于，所述針對(duì)每一個(gè)第一級(jí)指標(biāo)，根據(jù)對(duì)應(yīng)的關(guān)系集合以及所述評(píng)估得分進(jìn)行計(jì)算，得到對(duì)應(yīng)的基準(zhǔn)得分包括：

技術(shù)總結(jié)
本申請(qǐng)涉及一種面對(duì)智能城市作戰(zhàn)的高斯混合目標(biāo)評(píng)估方法，通過(guò)根據(jù)打擊任務(wù)需求構(gòu)建對(duì)應(yīng)的二級(jí)目標(biāo)評(píng)估體系模型，根據(jù)二級(jí)目標(biāo)評(píng)估體系模型的所有第二級(jí)指標(biāo)對(duì)目標(biāo)樣本數(shù)據(jù)集中的每一個(gè)樣本打擊目標(biāo)進(jìn)行賦值，得到對(duì)應(yīng)各樣本打擊目標(biāo)的二級(jí)指標(biāo)賦值序列，針對(duì)每一個(gè)第一級(jí)指標(biāo)，采用高斯混合模型根據(jù)對(duì)應(yīng)的多個(gè)第二級(jí)指標(biāo)以及二級(jí)指標(biāo)賦值序列進(jìn)行建模，得到對(duì)應(yīng)的第一級(jí)指標(biāo)模型，將待評(píng)估打擊目標(biāo)的相關(guān)數(shù)據(jù)帶入各第一級(jí)指標(biāo)模型中，得到待評(píng)估打擊目標(biāo)在每個(gè)第一級(jí)指標(biāo)的評(píng)估得分，最后基于各第一級(jí)指標(biāo)之間的關(guān)系以及各評(píng)估得分進(jìn)行計(jì)算，得到最終評(píng)估得分。本方法有效的降低了算法的復(fù)雜度低，同時(shí)提高了評(píng)估結(jié)果的準(zhǔn)確性。

技術(shù)研發(fā)人員：張勇,劉曉華,鄢博,姚詩(shī)琪,劉二虎,陳娟
受保護(hù)的技術(shù)使用者：湖南先進(jìn)技術(shù)研究院
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19