CN115034364B - 一种利用ahp与自动编码器的分布式孔径评估方法 - Google Patents
一种利用ahp与自动编码器的分布式孔径评估方法 Download PDFInfo
- Publication number
- CN115034364B CN115034364B CN202210640866.3A CN202210640866A CN115034364B CN 115034364 B CN115034364 B CN 115034364B CN 202210640866 A CN202210640866 A CN 202210640866A CN 115034364 B CN115034364 B CN 115034364B
- Authority
- CN
- China
- Prior art keywords
- index
- aperture
- evaluation
- level
- distributed aperture
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 67
- 239000011159 matrix material Substances 0.000 claims abstract description 68
- 238000000034 method Methods 0.000 claims abstract description 43
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 9
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 31
- 238000001514 detection method Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 15
- 230000010287 polarization Effects 0.000 claims description 15
- 230000003068 static effect Effects 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 8
- 238000013210 evaluation model Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 238000006116 polymerization reaction Methods 0.000 claims description 4
- 230000001427 coherent effect Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 238000003780 insertion Methods 0.000 claims description 3
- 230000037431 insertion Effects 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000012854 evaluation process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/40—Means for monitoring or calibrating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种利用AHP与自动编码器的分布式孔径评估方法,利用评估过程中所涉及的各类指标参数建立评估所需的指标集,然后根据实际评价需求确定评价集,紧接着构造模糊矩阵,然后根据各级指标相对于上一级指标的相对重要程度计算指标权重,计算指标权重的过程包括构造判断矩阵,相对权重计算以及一致性检验。最后进行模糊综合,得到AHP评估结果。使用AHP对一部分数据进行标记后,最后利用自动编码器对数据进行分布式孔径数据的评估。本发明引入了深度信念网络,利用自动编码器对数据进行标记训练,利用训练好的模型对新的数据进行评估,减少了对分布式孔径***进行评估的工作量以及局限性,提高了***评估的效率和可信性。
Description
技术领域
本发明涉及雷达技术领域,具体涉及一种利用AHP与深度信念网络相结合的分布式孔径评估方式。
背景技术
分布式孔径***是一种通过中心控制处理***控制多个单元雷达实现电磁波空间能量合成的雷达***。分布式孔径***由中心控制处理***统一控制调配,波束指向相同区域,并在中心控制处理***控制下进行收发信号全相参,实现目标远距离搜索发现和高精度跟踪的测量***。
目前对分布式孔径***的评估只是针对整个***中每一个具体的参数指标或是问题进行评估。周宝亮等人对分布式孔径雷达***的各个方面进行了深入的研究,通过这些方面对分布式***进行细致的评估,这样的评估机制可以准确的反映出整个分布式孔径***中的细节,但是缺少对于***的综合能力的评价,非常依赖专业知识,同时也很难做到智能化评估。
目前,对分布式孔径***的聚合能力,应用能力以及其他综合方面的能力进行评估的研究还处于不断完善的阶段,有待进行更深一步的研究。同时,在涉及到大量数据并且需要自动生成评估结果的情况时,传统的通过每一个具体细节参数或指标进行评估的方法有很大的局限性。因此,提出一种能反映出分布式孔径***整体能力的评估方法是十分有意义的。
发明内容
为了克服现有技术的不足,本发明提供一种利用AHP与自动编码器的分布式孔径评估方法。本发明基于AHP(Analytic Hierarchy Process)与深度信念网络结合的分布式孔径评估方法,首先利用评估过程中所涉及的各类指标参数建立评估所需的指标集,然后根据实际评价需求确定评价集。紧接着构造模糊矩阵,然后根据各级指标相对于上一级指标的相对重要程度计算指标权重,计算指标权重的过程包括构造判断矩阵,相对权重计算以及一致性检验。最后进行模糊综合,得到AHP评估结果。使用AHP对一部分数据进行标记后,最后利用自动编码器对数据进行分布式孔径数据的评估。之后就可以利用训练好的模型对新的数据进行评估。
本发明解决其技术问题所采用的技术方案包括以下步骤:
步骤一:建立评估所需的指标集
根据所获得的指标数据,将指标数据中出参数进行层次划分;一级指标包括分布式孔径静态抗干扰能力指标和分布式孔径***综合搜索能力评价指标。每个一级指标下设有N个二级指标;
步骤二:确定评价集
根据实际所需,确定评价集的等级数量;
步骤三:构造模糊矩阵
采用隶属函数法构造模糊矩阵,结合分布式孔径***评估的实际,选择正态分布性隶属函数;
步骤四:计算权重指标
权重指标代表二级指标对一级指标的相对重要性,计算过程包括构造判断矩阵,相对权重计算和一致性检验;
1)构造判断矩阵;
根据一级指标,将本级的二级指标进行两两比较,以确定判断矩阵的元素,采取指数标度法对重要性程度进行标度;
2)相对权重计算;
求解所求出的判断矩阵的最大特征值,将所对应的特征向量进行归一化处理,即得到权重向量,同理求出其他权重向量,得到最终的权重矩阵;
3)一致性检验;
通过计算得到随机一致性指数和偏差一致性指数,进而通过随机一致性指数和偏差一致性指数相除得到一致性比例,当一致性比例≤0.1时,认为判断矩阵是一致的,否则对判断矩阵进行调整,直至满足一致性要求;
步骤五:模糊综合;
根据综合评估模型,得到每一级的评估结果,将结果进行最大归一化处理,再根据最大隶属度原则得到最终的评估结果;
步骤六:利用自动编码器进行训练
将利用AHP方法获得的指标集作为评估样本,输入到自动编码器中进行训练;步骤6.1:无监督预训练
将多组指标集参数进行逐层训练,从最底层开始,然后不断上升,每一层利用先前一层的输出进行训练;
步骤6.2:监督学习微调;
当所有的层都训练完成之后,利用标记过后的数据进行反向传播以纠正模型;
步骤七:保存评估模型并进行新的评估。
当精确度达到要求后,保存训练好的模型,并将训练好的模型用于新的分布式孔径***进行评估。
所述步骤一中参数进行层次划分的具体计算步骤如下:
一级指标包括分布式孔径静态抗干扰能力指标和分布式孔径***综合搜索能力指标,参数包括如下十个指标,分布式孔径静态抗干扰能力指标包括如下七个指标:
(1)单部孔径***抗干扰能力的度量表达式为:
AJC=(PT0BSG)·SA·SS·SM·SP·SC·SN·SJ (1)
式(1)中,P为射频孔径的发射功率(W);T0为信号持续时间(s);BS为信号带宽(Hz);G为孔径天线增益值;
SA为频率跳变因子,计算公式为:
式(2)中Ba为允许的最大频率跳变范围(Hz);
SS为天线的副瓣因子,计算公式为:
式(3)中,GM为天线功率方向图的主瓣电平;GL为天线功率方向图的副瓣电平;
SM为MTI质量因子,计算公式为:
SM(dB)=SCV-25 (4)
式(4)中,SCV为杂波中可见度;
SP为天线极化可变因子,计算公式为:
SC为虚警处理因子,计算公式为:
SC(dB)=10lg△M-LCF-25 (6)
式(6)中,△M为引入恒虚警后接收机动态的扩大量,LCF为恒虚警的***损耗,当采用相参恒虚警处理时,取值为1~2dB;
SN为“宽-限-窄”电路质量因子,计算公式为:
SN(dB)=(EIF)D-8 (7)
式(7)中,(EIF)D为“宽-限-窄”电路抗干扰改善因子;
SJ为重复频率抖动因子,计算公式为:
SJ(dB)=J-8 (8)
式(8)中,J为重复频率抖动因子;
(2)极化类型系数
极化类型系数定义为孔径极化类型数与孔径数目之比:
其中,m为孔径极化类型数,N为孔径数目;
(3)多孔径空域重叠系数
空域重叠系数反映了多个孔径同时照射某一空域的情况,N个孔径按照确定位置关系设置,A为分布式孔径的覆盖面积,并按照确定高度将孔径探测区域在垂直方向上分为M层,设第i个孔径在第j个高度层上的探测区域为:
Aij={(x,y,h);fij(x,y,h)≤rij},i=1,2,…,N,j=1,2,…,M (10)
其中,rij为第i个孔径在第j个高度层上的作用距离,则第i个孔径在第j个高度层上覆盖面积为平均空域重叠系数K定义为:
其中,A的表达式为:
(4)多孔径频域重叠系数
N个射频孔径中,每个孔径带宽为△fi,i=1,2,…,N,N个孔径中有M个孔径频带发生重叠,重叠带宽为△fj,j=1,2,…,M,则频域重叠系数定义为:
采用2-η值表示抗干扰能力,其值越大抗干扰能力越强;
(5)信号类型系数
信号类型系数定义为信号类型数与孔径数目之比:
其中,k为信号类型数;
(6)信息融合能力系数
N个孔径组成的***中有Ni个孔径受干扰而失效,则失效比为:
未受到干扰时孔径***效能为1,受到干扰时孔径效能ηr≤1,定义信息综合处理能力的抗干扰能力为:
ηe=ηr·ηi (16)
(7)分布式孔径抗干扰能力指标为:
式中,ki(i=1,…,5)是加权系数;
分布式孔径***综合搜索能力指标包括如下三个指标:
(8)分布式孔径合成探测区域
每个孔径探测区域为Ai,1≤i≤N,则孔径聚合后的合成探测区域为:
(9)分布式孔径综合发现距离
根据雷达方程,分布式孔径***中最大发现距离为分布式孔径***中的发现距离;
(10)分布式孔径综合自卫距离
根据雷达方程,分布式孔径***中最大自卫距离为分布式孔径***中的自卫距离。
所述步骤三中的构建模糊矩阵的计算步骤如下:
采用隶属函数法构造模糊矩阵,选择正态分布型,其表达式为:
式中μj、σj为第j个评价等级对应的分布参数,将指标带入隶属函数,用来评价指标,得到一级模糊矩阵R11、R12,分别代表分布式孔径静态抗干扰能力指标A1和分布式孔径***综合搜索能力指标A2的模糊矩阵。
所述步骤四计算权重指标的具体步骤如下:
步骤4.1:构造判断矩阵
根据一级指标,将本级的二级指标进行两两对比,以确定判断矩阵的元素,采用指数标度法对重要性进行标度,标度值如表2所示:
表2重要性程度对应的指数标度值
表中的a取值为1.316。
二级指标两两对比后,得到判断矩阵H1和H2,其中H1和H2分别为分别代表分布式孔径静态抗干扰能力指标A1和分布式孔径***综合搜索能力指标A2的判断矩阵,判断矩阵中对角线元素为1,每个元素代表对应两个二级指标的标度值,和本标度值以对角线对称位置的元素取值为本标度值的倒数;
步骤4.2:分别求解判断矩阵H1和H2的最大特征值λmax,所对应的特征向量进行归一化处理,得到权重向量,同理求得对于其他指标的权重向量及整体的权重矩阵Wi;
步骤4.3:一致性检验
偏差一致性指数的计算公式为:
CI=(λmax-n)/(n-1)
式中λmax为判断矩阵的最大特征值,n为判断矩阵的维数,随机一致性指数RI如表3所示:
表3随机一致性指数表
由此可计算出一致性比例为:
CR=CI/RI
当CR<0.1时,认为矩阵是一致的,否则,跳转至步骤1)调整判断矩阵,使其满足一致性条件。
所述步骤五中的模糊综合具体过程如下:
根据综合评估模型Bi=WiRi得出各一级评估结果B11...B1i,i由评估实际所需指标确定,则B1=[B11;...;B1i],将结果归一化处理得B’1,再根据最大隶属度原则确定最终的评估结果。
所述μj、σj的取值如表1所示:
表1[μj,σj]取值
评价等级 | [μj,σj] |
很好 | [0.9,0.2] |
好 | [0.7,0.2] |
一般 | [0.5,0.2] |
差 | [0.3,0.2] |
很差 | [0.1,0.2] |
其中,μj、σj为第j个评价等级对应的分布参数。
本发明的有益效果在于应用于组网雷达技术领域,相比于单雷达部署,其作战能力和信息的聚合能力均获得了质的飞越,但同时带来了一些新的问题,组网***复杂、指标参数繁多等,使得分布式孔径组网雷达***的定性评价存在困难,且没有统一的标准。针对以上问题,本发明的方法相比于传统的专家评估法极大程度上减少了对人为主观性的依赖,在传统层次分析法的基础上,利用正态分布的隶属函数构造模糊算法,引入了深度信念网络,利用自动编码器对数据进行标记训练,利用训练好的模型对新的数据进行评估。该方法极大的减少了对分布式孔径***进行评估的工作量以及局限性,提高了***评估的效率和可信性,对分布式孔径***整体能力的评估是十分有意义、有价值的。
附图说明
图1是本发明参数层次划分示意图。
图2是本发明自动编码器原理示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
本发明提供了一种基于AHP(Analytic Hierarchy Process)与深度信念网络结合的分布式孔径评估方法。包括以下步骤:
步骤一:建立评估所需的指标集
根据所获得的指标数据,将指标数据中出参数进行层次划分;一级指标包括分布式孔径静态抗干扰能力指标和分布式孔径***综合搜索能力评价指标。每个一级指标下设有N个二级指标;
步骤二:确定评价集
根据实际所需,确定评价集的等级数量,本发明以五个为例,将每个二级指标划分为很好、好、一般、差、很差五个等级;
步骤三:构造模糊矩阵
采用隶属函数法构造模糊矩阵,结合分布式孔径***评估的实际,选择正态分布性隶属函数;
步骤四:计算权重指标
权重指标代表二级指标对一级指标的相对重要性,计算过程包括构造判断矩阵,相对权重计算和一致性检验;
1)构造判断矩阵;
根据一级指标,将本级的二级指标进行两两比较,以确定判断矩阵的元素,采取指数标度法对重要性程度进行标度;
2)相对权重计算;
求解所求出的判断矩阵的最大特征值,将所对应的特征向量进行归一化处理,即得到权重向量,同理求出其他权重向量,得到最终的权重矩阵;
3)一致性检验;
通过计算得到随机一致性指数和偏差一致性指数,进而通过随机一致性指数和偏差一致性指数相除得到一致性比例,当一致性比例≤0.1时,认为判断矩阵是一致的,否则对判断矩阵进行调整,直至满足一致性要求;
步骤五:模糊综合;
根据综合评估模型,得到每一级的评估结果,将结果进行最大归一化处理,再根据最大隶属度原则得到最终的评估结果;
步骤六:利用自动编码器进行训练
将利用AHP方法获得的指标集作为评估样本,输入到自动编码器中进行训练;
步骤6.1无监督预训练
将多组指标集参数进行逐层训练,从最底层开始,然后不断上升,每一层利用先前一层的输出进行训练;
步骤6.2监督学习微调;
当所有的层都训练完成之后,利用标记过后的数据进行反向传播以纠正模型;
步骤七:保存评估模型并进行新的评估。
当精确度达到要求后,保存训练好的模型,并将训练好的模型用于新的分布式孔径***进行评估。
所述步骤一中参数进行层次划分的具体计算步骤如下:
本发明的中参数的层次划分如图1所示,一级指标包括分布式孔径静态抗干扰能力指标和分布式孔径***综合搜索能力指标,参数包括如下十个参数,具体计算方法如下所示:
分布式孔径静态抗干扰能力指标包括如下七个:
(1)单部孔径***抗干扰能力的度量表达式为:
AJC=(PT0BSG)·SA·SS·SM·SP·SC·SN·SJ (1)
式(1)中,P为射频孔径的发射功率(W);T0为信号持续时间(s);BS为信号带宽(Hz);G为孔径天线增益值;
SA为频率跳变因子,计算公式为:
式(2)中Ba为允许的最大频率跳变范围(Hz);
SS为天线的副瓣因子,计算公式为:
式(3)中,GM为天线功率方向图的主瓣电平;GL为天线功率方向图的副瓣电平;
SM为MTI质量因子,计算公式为:
SM(dB)=SCV-25 (4)
式(4)中,SCV为杂波中可见度;
SP为天线极化可变因子,计算公式为:
SC为虚警处理因子,计算公式为:
SC(dB)=10lg△M-LCF-25 (6)
式(6)中,△M为引入恒虚警后接收机动态的扩大量,LCF为恒虚警的***损耗,当采用相参恒虚警处理时,取值为1~2dB;
SN为“宽-限-窄”电路质量因子,计算公式为:
SN(dB)=(EIF)D-8 (7)
式(7)中,(EIF)D为“宽-限-窄”电路抗干扰改善因子;
SJ为重复频率抖动因子,计算公式为:
SJ(dB)=J-8 (8)
式(8)中,J为重复频率抖动因子;
(2)极化类型系数
极化类型系数定义为孔径极化类型数与孔径数目之比:
其中,m为孔径极化类型数,N为孔径数目;
(3)多孔径空域重叠系数
空域重叠系数反映了多个孔径同时照射某一空域的情况,N个孔径按照确定位置关系设置,A为分布式孔径的覆盖面积,并按照确定高度将孔径探测区域在垂直方向上分为M层,设第i个孔径在第j个高度层上的探测区域为:
Aij={(x,y,h);fij(x,y,h)≤rij},i=1,2,…,N,j=1,2,…,M (10)
其中,rij为第i个孔径在第j个高度层上的作用距离,则第i个孔径在第j个高度层上覆盖面积为平均空域重叠系数K定义为:
其中,A的表达式为:
(4)多孔径频域重叠系数
N个射频孔径中,每个孔径带宽为△fi,i=1,2,…,N,N个孔径中有M个孔径频带发生重叠,重叠带宽为△fj,j=1,2,…,M,则频域重叠系数定义为:
采用2-η值表示抗干扰能力,其值越大抗干扰能力越强;
(5)信号类型系数
信号类型系数定义为信号类型数与孔径数目之比:
其中,k为信号类型数;
(6)信息融合能力系数
N个孔径组成的***中有Ni个孔径受干扰而失效,则失效比为:
未受到干扰时孔径***效能为1,受到干扰时孔径效能ηr≤1,定义信息综合处理能力的抗干扰能力为:
ηe=ηr·ηi (16)
(7)分布式孔径抗干扰能力指标为:
式中,ki(i=1,…,5)是加权系数;
分布式孔径***综合搜索能力指标包括如下三个指标:
(8)分布式孔径合成探测区域
每个孔径探测区域为Ai,1≤i≤N,则孔径聚合后的合成探测区域为:
(9)分布式孔径综合发现距离
根据雷达方程,分布式孔径***中最大发现距离为分布式孔径***中的发现距离;
(10)分布式孔径综合自卫距离
根据雷达方程,分布式孔径***中最大自卫距离为分布式孔径***中的自卫距离。
所述步骤三中的构建模糊矩阵的步骤如下所示:
采用隶属函数法构造模糊矩阵,选择正态分布型,其表达式为:
式中μj、σj为第j个评价等级对应的分布参数,根据专家经验,确定取值,本发明的取值如表1所示:
表1[μj,σj]取值
将指标带入隶属函数,用来评价指标,得到一级模糊矩阵R11、R12,分别代表分布式孔径静态抗干扰能力指标A1和分布式孔径***综合搜索能力指标A2的模糊矩阵。
所述步骤四计算权重指标的具体步骤如下:
步骤4.1:构造判断矩阵
根据一级指标,将本级的二级指标进行两两对比,以确定判断矩阵的元素,采用指数标度法对重要性进行标度,标度值如表2所示:
表2重要性程度对应的指数标度值
表中的a取值为1.316。
二级指标两两对比后,得到判断矩阵H1和H2,其中H1和H2分别为分别代表分布式孔径静态抗干扰能力指标A1和分布式孔径***综合搜索能力指标A2的判断矩阵,判断矩阵中对角线元素为1,每个元素代表对应两个二级指标的标度值,和本标度值以对角线对称位置的元素取值为本标度值的倒数,以指标A2为例,判断矩阵H2为:
/>
步骤4.2:分别求解判断矩阵H1和H2的最大特征值λmax,所对应的特征向量进行归一化处理,得到权重向量,同理求得对于其他指标的权重向量及整体的权重矩阵Wi。
步骤4.3:一致性检验
偏差一致性指数的计算公式为:
CI=(λmax-n)/(n-1)
式中λmax为判断矩阵的最大特征值,n为判断矩阵的维数,随机一致性指数RI如表3所示:
表3随机一致性指数表
由此可计算出一致性比例为:
CR=CI/RI
当CR<0.1时,认为矩阵是一致的,否则,跳转至步骤1)调整判断矩阵,使其满足一致性条件。
所述步骤五中的模糊综合具体过程如下:
根据综合评估模型Bi=WiRi得出各一级评估结果B11...B1i,i由评估实际所需指标确定,则B1=[B11;...;B1i],将结果归一化处理得B′1,再根据最大隶属度原则确定最终的评估结果。
自动编码器的步骤如下:
自编码器(Autoencoder)是一种旨在将输入复制到的输出的神经网络,通过将输入压缩成一种隐藏空间表示(latent-space representation),然后这种重构这种表示的输出进行工作。这种网络由编码器和编码器两部分组成,编码器将输入压缩为潜在空间表示,用编码函数h=f(x)表示;解码器旨在重构来自隐藏空间表示的输入,用解码函数r=g(h)表示,因此整个网络看成是要g(f(x))和x尽量接近。具体操作如图2,将input输入一个r编码器,得到一个编码,该编码也就是输入的一个表示,然后加一个解码器,这时候解码器r输出一个信息,如果输出的信息和初始输入信号是很像的(理想情况下就是一样的),那很明显,就有理由相信这个编码是可信的。所以,就通过调整编码器和解码器的参数,使得重构误差最小,这时候就得到了输入信号的第一个表示了,也就是编码了。因为是无标签数据,所以误差的来源就是直接重构后与原输入相比得到。
Claims (6)
1.一种利用AHP与自动编码器的分布式孔径评估方法,其特征在于包括如下步骤:
步骤一:建立评估所需的指标集
根据所获得的指标数据,将指标数据中出参数进行层次划分;一级指标包括分布式孔径静态抗干扰能力指标和分布式孔径***综合搜索能力评价指标,每个一级指标下设有N个二级指标;
步骤二:确定评价集
根据实际所需,确定评价集的等级数量;
步骤三:构造模糊矩阵
采用隶属函数法构造模糊矩阵,结合分布式孔径***评估的实际,选择正态分布性隶属函数;
步骤四:计算权重指标
权重指标代表二级指标对一级指标的相对重要性,计算过程包括构造判断矩阵,相对权重计算和一致性检验;
1)构造判断矩阵;
根据一级指标,将本级的二级指标进行两两比较,以确定判断矩阵的元素,采取指数标度法对重要性程度进行标度;
2)相对权重计算;
求解所求出的判断矩阵的最大特征值,将所对应的特征向量进行归一化处理,即得到权重向量,同理求出其他权重向量,得到最终的权重矩阵;
3)一致性检验;
通过计算得到随机一致性指数和偏差一致性指数,进而通过随机一致性指数和偏差一致性指数相除得到一致性比例,当一致性比例≤0.1时,认为判断矩阵是一致的,否则对判断矩阵进行调整,直至满足一致性要求;
步骤五:模糊综合;
根据综合评估模型,得到每一级的评估结果,将结果进行最大归一化处理,再根据最大隶属度原则得到最终的评估结果;
步骤六:利用自动编码器进行训练
将利用AHP方法获得的指标集作为评估样本,输入到自动编码器中进行训练;
步骤6.1:无监督预训练
将多组指标集参数进行逐层训练,从最底层开始,然后不断上升,每一层利用先前一层的输出进行训练;
步骤6.2:监督学习微调;
当所有的层都训练完成之后,利用标记过后的数据进行反向传播以纠正模型;
步骤七:保存评估模型并进行新的评估
当精确度达到要求后,保存训练好的模型,并将训练好的模型用于新的分布式孔径***进行评估。
2.根据权利要求1所述的利用AHP与自动编码器的分布式孔径评估方法,其特征在于:
所述步骤一中参数进行层次划分的具体计算步骤如下:
一级指标包括分布式孔径静态抗干扰能力指标和分布式孔径***综合搜索能力指标,参数包括如下十个指标,分布式孔径静态抗干扰能力指标包括如下七个指标:
(1)单部孔径***抗干扰能力的度量表达式为:
AJC=(PT0BSG)·SA·SS·SM·SP·SC·SN·SJ (1)
式(1)中,P为射频孔径的发射功率(W);T0为信号持续时间(s);BS为信号带宽(Hz);G为孔径天线增益值;
SA为频率跳变因子,计算公式为:
式(2)中Ba为允许的最大频率跳变范围(Hz);
SS为天线的副瓣因子,计算公式为:
式(3)中,GM为天线功率方向图的主瓣电平;GL为天线功率方向图的副瓣电平;
SM为MTI质量因子,计算公式为:
SM(dB)=SCV-25 (4)
式(4)中,SCV为杂波中可见度;
SP为天线极化可变因子,计算公式为:
SC为虚警处理因子,计算公式为:
SC(dB)=10lg△M-LCF-25 (6)
式(6)中,△M为引入恒虚警后接收机动态的扩大量,LCF为恒虚警的***损耗,当采用相参恒虚警处理时,取值为1~2dB;
SN为“宽-限-窄”电路质量因子,计算公式为:
SN(dB)=(EIF)D-8 (7)
式(7)中,(EIF)D为“宽-限-窄”电路抗干扰改善因子;
SJ为重复频率抖动因子,计算公式为:
SJ(dB)=J-8 (8)
式(8)中,J为重复频率抖动因子;
(2)极化类型系数
极化类型系数定义为孔径极化类型数与孔径数目之比:
其中,m为孔径极化类型数,N为孔径数目;
(3)多孔径空域重叠系数
空域重叠系数反映了多个孔径同时照射某一空域的情况,N个孔径按照确定位置关系设置,A为分布式孔径的覆盖面积,并按照确定高度将孔径探测区域在垂直方向上分为M层,设第i个孔径在第j个高度层上的探测区域为:
Aij={(x,y,h);fij(x,y,h)≤rij},i=1,2,…,N,j=1,2,…,M (10)
其中,rij为第i个孔径在第j个高度层上的作用距离,则第i个孔径在第j个高度层上覆盖面积为平均空域重叠系数K定义为:
其中,A的表达式为:
(4)多孔径频域重叠系数
N个射频孔径中,每个孔径带宽为△fi,i=1,2,…,N,N个孔径中有M个孔径频带发生重叠,重叠带宽为△fj,j=1,2,…,M,则频域重叠系数定义为:
采用2-η值表示抗干扰能力,其值越大抗干扰能力越强;
(5)信号类型系数
信号类型系数定义为信号类型数与孔径数目之比:
其中,k为信号类型数;
(6)信息融合能力系数
N个孔径组成的***中有Ni个孔径受干扰而失效,则失效比为:
未受到干扰时孔径***效能为1,受到干扰时孔径效能ηr≤1,定义信息综合处理能力的抗干扰能力为:
ηe=ηr·ηi (16)
(7)分布式孔径抗干扰能力指标为:
式中,ki(i=1,…,5)是加权系数;
分布式孔径***综合搜索能力指标包括如下三个指标:
(8)分布式孔径合成探测区域
每个孔径探测区域为Ai,1≤i≤N,则孔径聚合后的合成探测区域为:
(9)分布式孔径综合发现距离
根据雷达方程,分布式孔径***中最大发现距离为分布式孔径***中的发现距离;
(10)分布式孔径综合自卫距离
根据雷达方程,分布式孔径***中最大自卫距离为分布式孔径***中的自卫距离。
3.根据权利要求1所述的利用AHP与自动编码器的分布式孔径评估方法,其特征在于:
所述步骤三中的构建模糊矩阵的计算步骤如下:
采用隶属函数法构造模糊矩阵,选择正态分布型,其表达式为:
式中μj、σj为第j个评价等级对应的分布参数,将指标带入隶属函数,用来评价指标,得到一级模糊矩阵R11、R12,分别代表分布式孔径静态抗干扰能力指标A1和分布式孔径***综合搜索能力指标A2的模糊矩阵。
4.根据权利要求1所述的利用AHP与自动编码器的分布式孔径评估方法,其特征在于:
所述步骤四计算权重指标的具体步骤如下:
步骤4.1:构造判断矩阵
根据一级指标,将本级的二级指标进行两两对比,以确定判断矩阵的元素,采用指数标度法对重要性进行标度,标度值如表2所示:
表2重要性程度对应的指数标度值
表中的a取值为1.316;
二级指标两两对比后,得到判断矩阵H1和H2,其中H1和H2分别为分别代表分布式孔径静态抗干扰能力指标A1和分布式孔径***综合搜索能力指标A2的判断矩阵,判断矩阵中对角线元素为1,每个元素代表对应两个二级指标的标度值,和本标度值以对角线对称位置的元素取值为本标度值的倒数;
步骤4.2:分别求解判断矩阵H1和H2的最大特征值λmax,所对应的特征向量进行归一化处理,得到权重向量,同理求得对于其他指标的权重向量及整体的权重矩阵Wi;
步骤4.3:一致性检验
偏差一致性指数的计算公式为:
CI=(λmax-n)/(n-1)
式中λmax为判断矩阵的最大特征值,n为判断矩阵的维数,随机一致性指数RI如表3所示:
表3随机一致性指数表
由此可计算出一致性比例为:
CR=CI/RI
当CR<0.1时,认为矩阵是一致的,否则,跳转至步骤1)调整判断矩阵,使其满足一致性条件。
5.根据权利要求1所述的利用AHP与自动编码器的分布式孔径评估方法,其特征在于:
所述步骤五中的模糊综合具体过程如下:
根据综合评估模型Bi=WiRi得出各一级评估结果B11...B1i,i由评估实际所需指标确定,则B1=[B11;...;B1i],将结果归一化处理得B′1,再根据最大隶属度原则确定最终的评估结果。
6.根据权利要求3所述的利用AHP与自动编码器的分布式孔径评估方法,其特征在于:
所述μj、σj的取值如表1所示:
表1[μj,σj]取值
其中,μj、σj为第j个评价等级对应的分布参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210640866.3A CN115034364B (zh) | 2022-06-07 | 2022-06-07 | 一种利用ahp与自动编码器的分布式孔径评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210640866.3A CN115034364B (zh) | 2022-06-07 | 2022-06-07 | 一种利用ahp与自动编码器的分布式孔径评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115034364A CN115034364A (zh) | 2022-09-09 |
CN115034364B true CN115034364B (zh) | 2024-03-08 |
Family
ID=83122196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210640866.3A Active CN115034364B (zh) | 2022-06-07 | 2022-06-07 | 一种利用ahp与自动编码器的分布式孔径评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115034364B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116361925B (zh) * | 2023-05-31 | 2023-11-03 | 西北工业大学 | 一种船舶传动构型的多方案评估方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004157788A (ja) * | 2002-11-06 | 2004-06-03 | Ntt Power & Building Facilities Inc | 建物性能総合評価システム及びその方法 |
CN104794534A (zh) * | 2015-04-16 | 2015-07-22 | 国网山东省电力公司临沂供电公司 | 一种基于改进深度学习模型的电网安全态势预测方法 |
CN112446591A (zh) * | 2020-11-06 | 2021-03-05 | 太原科技大学 | 一种用于学生综合能力评价的评价体系及零样本评价方法 |
CN113313191A (zh) * | 2021-06-13 | 2021-08-27 | 西北工业大学 | 一种基于无监督学习的分布式孔径交互智能评估方法 |
WO2021218003A1 (zh) * | 2020-04-27 | 2021-11-04 | 中国电子科技集团公司第十四研究所 | 一种雷达嵌入式健康管理*** |
-
2022
- 2022-06-07 CN CN202210640866.3A patent/CN115034364B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004157788A (ja) * | 2002-11-06 | 2004-06-03 | Ntt Power & Building Facilities Inc | 建物性能総合評価システム及びその方法 |
CN104794534A (zh) * | 2015-04-16 | 2015-07-22 | 国网山东省电力公司临沂供电公司 | 一种基于改进深度学习模型的电网安全态势预测方法 |
WO2021218003A1 (zh) * | 2020-04-27 | 2021-11-04 | 中国电子科技集团公司第十四研究所 | 一种雷达嵌入式健康管理*** |
CN112446591A (zh) * | 2020-11-06 | 2021-03-05 | 太原科技大学 | 一种用于学生综合能力评价的评价体系及零样本评价方法 |
CN113313191A (zh) * | 2021-06-13 | 2021-08-27 | 西北工业大学 | 一种基于无监督学习的分布式孔径交互智能评估方法 |
Non-Patent Citations (2)
Title |
---|
基于模糊层次分析法的雷达导引头干扰效能评估;杨远志;王星;程嗣怡;周东青;;火力与指挥控制;20161015(10);全文 * |
船舶机舱协作式模拟训练智能评估;段尊雷;任光;张均东;曹辉;;交通运输工程学报;20161215(06);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115034364A (zh) | 2022-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023045278A1 (zh) | 数据双驱动的台风灾害下电网故障预测方法、装置和设备 | |
Ahmed et al. | A reinforcement learning based approach for multitarget detection in massive MIMO radar | |
Sigillito et al. | Classification of radar returns from the ionosphere using neural networks | |
CN105302848B (zh) | 一种设备智能预警***的评估值校准方法 | |
Shieh et al. | A vector neural network for emitter identification | |
Wang et al. | Fault recognition using an ensemble classifier based on Dempster–Shafer Theory | |
CN115034364B (zh) | 一种利用ahp与自动编码器的分布式孔径评估方法 | |
CN114742102B (zh) | 一种nlos信号识别方法及*** | |
CN112367130B (zh) | 一种无线网络信号传输强度计算方法及计算机存储介质 | |
AU2021103768A4 (en) | Method and system for determining earthquake-proof capacity of community during occurrence of earthquake | |
Nuñez et al. | On the interpretability of machine learning regression for path-loss prediction of millimeter-wave links | |
Meka et al. | PD Source Location Utilizing Acoustic TDOA Signals in Power Transformer by Fuzzy Adaptive Particle Swarm Optimization. | |
CN110288005B (zh) | 基于svm的毫米波探测器干扰效果评估方法 | |
CN110363232A (zh) | 基于bp神经网络的毫米波探测器干扰效果评估方法 | |
CN110322072A (zh) | 一种基于神经网络的经济预测方法 | |
US11288856B2 (en) | Method and system for wave propagation prediction | |
CN115508793A (zh) | 基于对抗分析特征筛选的雷达干扰效果在线评估智能方法 | |
CN113313191A (zh) | 一种基于无监督学习的分布式孔径交互智能评估方法 | |
Chen et al. | A new machine double-layer learning method and its application in non-linear time series forecasting | |
Nuñez et al. | Path-Loss Prediction of Millimeter-wave using Machine Learning Techniques | |
Han et al. | An Evaluation Method on Radar Emitter Signal Recognition Effect Based on SVM | |
Song et al. | AI-Enabled Quality Prediction of 5G Wireless Network in Smart Grid | |
CN113505529B (zh) | 太赫兹传输性能关系模型建立方法 | |
Silva et al. | A python tool to predict wireless network signals in indoor environments using neural networks | |
CN117151198B (zh) | 基于自组织竞争型神经网络的水声被动定位方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |