基于模糊小波神经网络的空中目标威胁评估（Matlab代码实现）

   目录

1 概述

2 运行结果

3 参考文献

‍4 Matlab代码

---

1 概述

在现代战争中, 随着信息化和智能化的飞速发展, 以及作战环境的日益复杂, 实时而准确地评估目标威胁, 不仅为空战决策提供科学的决策依据, 而且能够提高杀伤概率, 因而研究目标威胁评估问题具有重要的理论和实际意义。目前关于目标威胁评估问题研究已经取得了一些研究成果。主要技术为:直觉模糊集、贝叶斯推理、优劣解距离法、计划识别等。但上述方法必须依靠专家经验获得常权向量, 使得在进行目标威胁估计时增加了主观因素, 增加了系统的不确定性。这些方法不具备自学习能力, 难以满足敌方战术变化及武器性能改变的实时性要求。神经网络具有较强的自学习、自适应能力, 近年来以神经网络为代表的智能技术在评估领域取得了广泛发展。文献采用优化BP (Back-Propagation) 神经网络方法解决目标评估问题, 取得了较好的结果。但是, BP神经网络理论存在一些不可避免的缺陷, 如过学习、易陷入局部极值以及泛化能力差等不足。

小波神经网络 (Wavelet Neural Network, WNN) 目前在函数拟合、故障诊断、电机信号检测等多个领域已经得到了广泛的应用。然而, 小波神经网络只能解决输入为确定信息的网络建模问题, 不能解决不确定性信息问题。但在实际的战场环境中, 由于战场环境具有诸多的不确定性, 包括随机性和模糊性, 例如空中目标类型、目标干扰能力等因素均具有不确定性。模糊神经网络可以有效解决诸如预测、任务分配等问题。其优点在于可以解决目标威胁环境中存在的模糊及不确定的问题, 但模糊神经网络也存在着依赖先验知识、抗干扰性差、推广能力不足等问题。

本文针对目标威胁评估问题进行研究, 使用模糊神经网络解决复杂战场环境信息的不确定性问题, 使用小波神经网络增强自学习能力, 建立模糊小波神经网络, 同时为了提高模糊小波神经网络的收敛速度和泛化能力, 提出一种基于动态学习率的新型模糊小波神经网络, 实现对目标威胁的评估。仿真实验表明, 该算法提高了系统的稳定性, 加快了收敛速度, 并提高了在复杂环境下的泛化能力。

2 运行结果

 

3 参考文献

[1]赵博,李烨,赵强,陈志华,宋伟红.舰载高功率微波武器协同防空的目标威胁评估[J].指挥控制与仿真,2022,44(04):53-59.

‍4 Matlab代码

主函数部分代码：

%FWNN 脚本文件，作为主程序使用
% 清理工作
close all
clear
% 关键变量
d = 5; % 用于输入的宽度
m = d; % 输入信号的个数
n = 5; % 关系函数的个数，模糊判断的个数，小波函数的个数
epoch = 2000; % 迭代次数
num_yangben = 49; % 数据个数
num_test = 12;
rate = 0.08; % 学习速率
mom = 0.5; % 冲量 

% 产生试验数据
data = indata();
%result = plant(data);
result = data(:,d+1);
% TEST
file_yangben = '测试集.dat';
fid = fopen(file_yangben);
%u = fread(fid,[size_input_x,size_input_y],'float');
u_test = dlmread(file_yangben,',');
fclose(fid);

% 随机初始化各个参数于（0，1）
c = rand(m, n);
q = rand(m, n); % 注意：不能为零
a = rand(n, m);
b = rand(n, m);
w = rand(1, n);

% t-1迭代的参数值
pc = c;
pq = q;
pa = a;
pb = b;
pw = w;

% t+1迭代的参数值
nc = zeros(m, n);
nq = zeros(m, n);
na = zeros(n, m);
nb = zeros(n, m);
nw = zeros(1, n);