基于ICRITIC-GCN的空战目标威胁评估

doi:10.3969/j.issn.1009-086x.2023.02.001

摘要/Abstract

摘要：

为研究解决空战目标威胁评估问题时目标属性复杂、数据非结构化等问题，提高评估效率，提出图卷积网络（graph convolutional network，GCN）的解决方法，并引入改进的指标相关性权重确定方法（improved criteria importance through intercriteria correlation，ICRITIC），构建了基于ICRITIC-GCN的目标威胁评估模型。针对战场威胁目标的空间拓扑性和属性复杂性，利用图卷积网络在处理非欧式数据时的优势进行学习训练；针对传统方法在属性权重时过于主观的问题，ICRITIC法考虑属性之间的关联性及属性的信息量，客观分配属性权重。仿真结果表示，该算法在解决多目标威胁评估问题时，在处理效率、准确率等方面均有所提升。

关键词: 图卷积网络, 空战目标分析, 目标威胁评估, 威胁排序, 客观属性权重, 改进的指标相关性权重确定方法, 聚类分析

Abstract:

A graph convolutional network （GCN） is proposed to solve the problems such as complex target attributes and unstructured data during target threat assessment of air combat and improve the assessment efficiency. The improved criteria importance through intercriteria correlation （ICRITIC） method is introduced to build a target threat assessment model based on ICRITIC-GCN. In view of the spatial topology and attribute complexity of battlefield threat targets， the advantages of GCNs in processing non-Euclidean data are used for learning and training. To address the problem that the traditional method is too subjective in attribute weighting， the ICRITIC method considers the correlation between attributes and the amount of information on attributes and distributes attribute weights objectively. The simulations show that the algorithm is improved in processing efficiency and accuracy when solving the multi-target threat assessment problem.

Key words: graph convolutional network（GCN）, target analysis of air combat, target threat assessment, threat ranking, objective attribute weight, improved criteria importance through intercriteria correlation（ICRITIC）, clustering analysis

中图分类号:

E844

陈美杉, 钱坤, 李玲杰, 刘赢. 基于ICRITIC-GCN的空战目标威胁评估[J]. 现代防御技术, 2023, 51(2): 1-13.

Meishan CHEN, Kun QIAN, Lingjie LI, Ying LIU. Target Threat Assessment of Air Combat Based on ICRITIC-GCN[J]. Modern Defense Technology, 2023, 51(2): 1-13.

图/表 16

图1 图结构示意图

Fig. 1 Graph structure

图2 GCN计算过程示意图

Fig. 2 Calculation process of GCN

表1 指标属性及其意义

Table 1 Index attribute and significance

指标	属性	意义
目标类型	固定型	由于性能、攻击范围、所携带武器不同，不同类型目标的攻击能力也有差别
目标速度	效益型	敌我双方飞机的速度都会对导弹的射程产生影响
目标进入角	成本型	目标进入角主要反映敌方目标是否是来袭目标
干扰能力	固定型	主要影响我方的电子对抗效果
目标高度	成本型	目标高度主要与敌机的攻击意图有关
敌我距离	成本型	敌我之间的距离主要影响导弹的杀伤概率

图3 欧氏距离统计示意图

Fig. 3 Statistics of Euclidean distance

图4 威胁评估处理流程图

Fig. 4 Processing flow of threat assessment

表2 测试集样本原始数据

Table 2 Raw data of samples in test set

序号	目标类型	目标速度/（m·s^-1）	目标进入角/（ $°$ ）	目标干扰能力	目标高度/km	目标距离/km	目标威胁值
1	大	450	8	中	低	300	0.584 3
2	大	400	3	强	高	100	0.570 7
3	大	450	16	中	低	200	0.533 3
4	大	800	4	强	高	100	0.689 5
5	大	800	12	强	低	320	0.689 6
6	小	530	6	强	中	230	0.605 6
7	小	650	8	强	中	200	0.742 5
8	小	700	12	强	低	320	0.733 6
9	小	750	15	中	超低	400	0.754 1
10	小	640	18	强	中	280	0.676 4
11	直升机	90	12	弱	超低	320	0.392 7
12	直升机	110	3	无	中	100	0.392 7
13	直升机	100	9	无	中	260	0.335 1
14	直升机	120	15	无	低	160	0.358 6
15	直升机	80	6	弱	高	180	0.347 1

表2 测试集样本原始数据

Table 2 Raw data of samples in test set

序号	目标类型	目标速度/（m·s^-1）	目标进入角/（ $°$ ）	目标干扰能力	目标高度/km	目标距离/km	目标威胁值
1	大	450	8	中	低	300	0.584 3
2	大	400	3	强	高	100	0.570 7
3	大	450	16	中	低	200	0.533 3
4	大	800	4	强	高	100	0.689 5
5	大	800	12	强	低	320	0.689 6
6	小	530	6	强	中	230	0.605 6
7	小	650	8	强	中	200	0.742 5
8	小	700	12	强	低	320	0.733 6
9	小	750	15	中	超低	400	0.754 1
10	小	640	18	强	中	280	0.676 4
11	直升机	90	12	弱	超低	320	0.392 7
12	直升机	110	3	无	中	100	0.392 7
13	直升机	100	9	无	中	260	0.335 1
14	直升机	120	15	无	低	160	0.358 6
15	直升机	80	6	弱	高	180	0.347 1

表 3 测试集样本规范化处理后数据

Table 3 Data after normalization processing of samples in test set

序号	目标类型	目标速度	目标进入角/（ $°$ ）	目标干扰能力	目标高度	目标距离	威胁等级
1	0.375	0.330	0.625	0.75	0.75	0.333	4
2	0.375	0.286	0.938	1.00	0.25	1.000	4
3	0.375	0.330	0.125	0.75	0.75	0.667	4
4	0.375	0.643	0.875	1.00	0.25	1.000	6
5	0.375	0.643	0.375	1.00	0.75	0.267	6
6	0.625	0.402	0.750	1.00	0.50	0.567	5
7	0.625	0.509	0.625	1.00	0.50	0.667	7
8	0.625	0.554	0.375	1.00	0.75	0.267	7
9	0.625	0.598	0.188	0.75	1.00	0	7
10	0.625	0.500	0	1.00	0.50	0.400	6
11	1	0.009	0.375	0.50	1.00	0.267	2
12	1	0.027	0.938	0.25	0.50	1.000	2
13	1	0.018	0.563	0.25	0.50	0.467	1
14	1	0.036	0.188	0.25	0.75	0.800	1
15	1	0.000	0.750	0.50	0.25	0.730	1

表 3 测试集样本规范化处理后数据

Table 3 Data after normalization processing of samples in test set

序号	目标类型	目标速度	目标进入角/（ $°$ ）	目标干扰能力	目标高度	目标距离	威胁等级
1	0.375	0.330	0.625	0.75	0.75	0.333	4
2	0.375	0.286	0.938	1.00	0.25	1.000	4
3	0.375	0.330	0.125	0.75	0.75	0.667	4
4	0.375	0.643	0.875	1.00	0.25	1.000	6
5	0.375	0.643	0.375	1.00	0.75	0.267	6
6	0.625	0.402	0.750	1.00	0.50	0.567	5
7	0.625	0.509	0.625	1.00	0.50	0.667	7
8	0.625	0.554	0.375	1.00	0.75	0.267	7
9	0.625	0.598	0.188	0.75	1.00	0	7
10	0.625	0.500	0	1.00	0.50	0.400	6
11	1	0.009	0.375	0.50	1.00	0.267	2
12	1	0.027	0.938	0.25	0.50	1.000	2
13	1	0.018	0.563	0.25	0.50	0.467	1
14	1	0.036	0.188	0.25	0.75	0.800	1
15	1	0.000	0.750	0.50	0.25	0.730	1

图5 欧氏距离与赋权欧氏距离对比示意图

Fig. 5 Comparison of Euclidean distance and weighted Euclidean distance

图6 训练集损失率及验证集准确率

Fig. 6 Loss rate of training set and accuracy of verification set

表4 预测标签与真实标签对比

Table 4 Predicted tag vs. true tag

样本序号	1	2	3	4	5	6	7	8	9	10	11	12	13	14	15	识别率/%
真实标签	4	4	4	6	6	5	7	7	7	6	2	2	1	1	1	80
预测标签	4	4	4	6	6	7	7	7	7	6	1	1	1	1	1	80

表5 不同距离测度下的训练效果

Table 5 Training effects under different distance measures

样本序号			1	2	3	4	5	6	7	8	9	10	11	12	13	14	15	识别率/%
距离测度	定义	真实标签	4	4	4	6	6	5	7	7	7	6	2	2	1	1	1	识别率/%
欧氏距离	$d i s t (x, y) = ∑ i = 1 n (x i - y i) 2$	预测标签	4	4	4	6	6	7	7	7	7	6	1	1	1	1	1	80.0
曼哈顿距离	$d i s t (x, y) = ∑ i = 1 n x i - y i$		4	4	4	6	6	6	7	7	7	8	1	1	1	1	1	73.3
余弦相似度	$s i m (x, y) = c o s θ = x ? y x ? y$		4	4	4	4	8	6	7	8	7	8	1	1	1	1	1	46.7
赋权欧氏距离	$d i s t (x, y) = ∑ i = 1 n ω i 2 (x i - y i) 2$		4	4	4	6	6	6	7	7	7	6	2	1	1	1	1	86.7

表5 不同距离测度下的训练效果

Table 5 Training effects under different distance measures

样本序号			1	2	3	4	5	6	7	8	9	10	11	12	13	14	15	识别率/%
距离测度	定义	真实标签	4	4	4	6	6	5	7	7	7	6	2	2	1	1	1	识别率/%
欧氏距离	$d i s t (x, y) = ∑ i = 1 n (x i - y i) 2$	预测标签	4	4	4	6	6	7	7	7	7	6	1	1	1	1	1	80.0
曼哈顿距离	$d i s t (x, y) = ∑ i = 1 n x i - y i$		4	4	4	6	6	6	7	7	7	8	1	1	1	1	1	73.3
余弦相似度	$s i m (x, y) = c o s θ = x ? y x ? y$		4	4	4	4	8	6	7	8	7	8	1	1	1	1	1	46.7
赋权欧氏距离	$d i s t (x, y) = ∑ i = 1 n ω i 2 (x i - y i) 2$		4	4	4	6	6	6	7	7	7	6	2	1	1	1	1	86.7

图7 不同权重确定方法的识别效果对比

Fig. 7 Comparison of recognition effect under different weight determination methods

图8 属性权重确定方法对比

Fig. 8 Comparison of attribute weight determination methods

表6 与传统算法比较分析

Table 6 Comparison results with traditional algorithms

方法	识别率/%	效率/ms
TOPSIS	86.7	0.173 3
VIKOR	80.0	0.153 6
本文算法	86.7	0.073 4

图9 识别率随样本数据量增加的变化图

Fig. 9 Variation of recognition rate with the increasing data volume of samples

表7 不同区间分离度的识别效果

Table 7 Recognition effect under different interval separation degree

量化标准		最佳评估效果															识别率/%
样本序号		1	2	3	4	5	6	7	8	9	10	11	12	13	14	15	识别率/%
九级量化	真实标签	4	4	4	6	6	5	7	7	7	6	2	2	1	1	1	86.7
九级量化	预测标签	4	4	4	6	6	6	7	7	7	6	2	1	1	1	1	86.7
七级量化	真实标签	3	3	2	4	4	3	4	4	4	4	1	1	1	1	1	93.3
七级量化	预测标签	3	3	2	4	4	4	4	4	4	4	1	1	1	1	1	93.3

参考文献 28

1	HUMA N， ASIF M. An Optimal Dynamic Threat Evaluation and Weapon Scheduling Technique［J］. Knowledge Based Systems， 201， 23（3）： 337-342.
2	程明，周德云，张堃.基于混合型多属性决策方法的目标威胁评估［J］.电光与控制，2010，17（1）：11-13.
	CHENG Ming， ZHOU Deyun， ZHANG Kun. Threat Assessment of Target Based on a Hybrid Multi-attribute Decision-Making Method［J］.Electronics Optics ＆ Control，2010，17（1）：11-13.
3	王毅，刘三阳，张文，等.属性权重不确定的直觉模糊多属性决策的威胁评估方法［J］.电子学报，2014，42（12）：2509-2514.
	WANG Yi， LIU Sanyang， ZHANG Wen，et al. Threat Assessment Method with Uncertain Attribute Weight Based on Intuitionistic Fuzzy Multi-attribute Decision［J］. Acta Electronica Sinica， 2014，42（12）：2509-2514.
4	方诚喆，寇英信，徐安，等.基于AHP-CRITIC组合赋权的VIKOR空战威胁评估［J］.电光与控制，2021，28（2）：24-28.
	FANG Chengzhe， KOU Yingxin， XU An，et al. VIKOR Air Combat Threat Assessment Based on AHP-CRITIC Combination Empowerment［J］.Electronics Optics & Control，2021，28（2）：24-28.
5	孙云柯，方志耕，陈顶.基于动态灰色主成分分析的多时刻威胁评估［J］.系统工程与电子技术，2021，43（3）：740-746.
	SUN Yunke， FANG Zhigeng， CHEN Ding.Threat Assessment Model Based on Dynamic Grey Principal Component Analysis and Multi-time Fusion［J］.Systems Engineering and Electronics，2021，43（3）：740-746.
6	胡涛，王栋，孙曜，等.基于改进CRITIC-LRA和灰色逼近理想解排序法的空战威胁评估［J］.兵工学报，2020，41（12）：2561-2569.
	HU Tao， WANG Dong， SUN Yao，et al. Air Combat Threat Assessment of Improved CRITIC-LRA and Grey TOPSIS［J］.Acta Armamentarii，2020，41（12）：2561-2569.
7	卢盈齐，范成礼，付强，等.基于改进IFRS相似度和信息熵的反导作战目标威胁评估［JL］.系统工程与电子技术，2022，44（4）：1230-1238.
	LU Yingqi， FAN Chengli， FU Qiang，et al. Missile Defense Target Threat Assessment Based on Improved Similarity Measure and Information Entropy of Intuitionistic Fuzzy Rough Sets［J］. Systems Engineering and Electronics，2022，44（4）：1230-1238.
8	董鹏宇，王红卫，陈游.区间条件下基于GRA和TOPSIS的辐射源威胁评估［J］.控制与决策，2021，36（6）：1516-1522.
	DONG Pengyu， WANG Hongwei， CHEN You.Combining TOPSIS and GRA for Emitter Threat Evaluation with Interval Numbers［J］.Control and Decision，2021，36（6）：1516-1522.
9	高杨，黄仰超，程国兵，等.直觉模糊信息下基于VIKOR和三支决策的多目标威胁评估方法［J］.电子学报，2021，49（3）：542-549.
	GAO Yang， HUANG Yangchao， CHENG Guobing，et al. Multi-target Threat Assessment Method Based on VIKOR and Three-Way Decisions under Intuitionistic Fuzzy Information［J］.Acta Electronica Sinica，2021，49（3）：542-549.
10	李特，冯琦，张堃.基于熵权灰色关联和D-S证据理论的威胁评估［J］.计算机应用研究，2013，30（2）：380-382.
	LI Te， FENG Qi， ZHANG Kun.Threat Assessment Based on Entropy Weight Grey Incidence and D-S Theory of Evidence［J］.Application Research of Computers，2013，30（2）：380-382.
11	王改革.基于智能算法的目标威胁估计［D］.长春：中国科学院（长春光学精密机械与物理研究所），2013：11-30.
	WANG Gaige. Target Threat Assessment Using Intelligence Algorithms［D］.Changchun：Chinese Acadamy of Sciences （Changchun Institute of Optics，Fine Mechanics and Physics），2013：11-30.
12	王向华，覃征，刘宇，等.径向基神经网络解决威胁排序问题［J］.系统仿真学报，2004（7）：1576-1579.
	WANG Xianghua， QIN Zheng， LIU Yu，et al. RBF Neural Network for Threat Sequencing［J］.Journal of System Simulation，2004（7）：1576-1579.
13	郭辉，徐浩军，刘凌.基于回归型支持向量机的空战目标威胁评估［J］.北京航空航天大学学报，2010，36（1）：123-126.
	GUO Hui， XU Haojun， LIU Ling. Target Threat Assessment of Air Combat Based on Support Vector Machines for Regression［J］.Journal of Beijing University of Aeronautics and Astronautics，2010，36（1）：123-126.
14	奚之飞，徐安，寇英信，等.基于PCA-MPSO-ELM的空战目标威胁评估［J］.航空学报，2020，41（9）：216-231.
	XI Zhifei， XU An， KOU Yingxin，et al.Target Threat Assessment in Air Combat Based on PCA-MPSO-ELM Algorithm［J］.Acta Aeronautica et Astronautica Sinica，2020，41（9）：216-231.
15	DEFFERRARD M， BRESSON X， VANDERGHEYNST P. Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering［C］∥Proc.of the Advances in Neural Information Processing Systems （NIPS），2016：3844-3852.
16	HENAFF M， BRUNA J， LECUN Y. Deep Convolutional Networks on Graph-Structured Data［J］.arXiv Preprint arXiv：，2015.
17	花豹，周彬，顾星海，等.基于图神经网络的工艺表格语义相似性度量［J］.计算机集成制造系统，2022，28（12）：3805-3821.
	HUA Bao， ZHOU Bin， GU Xinghai， et al. Semantic Similarity Measurement of Process Table Based on Graph Neural Network［J］. Computer Integrated Manufacturing Systems，2022，28（12）：3805-3821.
18	郭嘉琰，李荣华，张岩，等.基于图神经网络的动态网络异常检测算法［J］.软件学报，2020，31（3）：748-762.
	GUO Jiayan， LI Ronghua， ZHANG Yan，et al.Graph Neural Network Based Anomaly Detection in Dynamic Networks［J］.Journal of Software， 2020，31（3）：748-762.
19	YU Wenchao， CHENG Wei， AGGARWAL C C， et al. Netwalk： A Flexible Deep Embedding Approach for Anomaly Detection in Dynamic Networks［C］∥Proc. of the 24th ACM SIGKDD Int’l Conf. on Knowledge Discovery and Data Mining （KDD）， 2018： 2672-2681.
20	闫旭，范晓亮，郑传潘，等.基于图卷积神经网络的城市交通态势预测算法［J］.浙江大学学报（工学版），2020，54（6）：1147-1155.
	YAN Xu， FAN Xiaoliang， ZHENG Chuanpan，et al. Urban Traffic Flow Prediction Algorithm Based on Graph Convolutional Neural Networks［J］.Journal of Zhejiang University （Engineering Science），2020，54（6）：1147-1155.
21	刘忠雨，李彦霖，周洋.深入浅出图神经网络：GNN原理解析［M］.北京：机械工业出版社， 2020.
	LIU Zhongyu， LI Yanlin， ZHOU Yang. Learning Graph Neural Network［M］.Beijing： China Machine Press，2020.
22	张力，陈伟，刘志坚，等. 基于综合威胁和MADM的超视距威胁评估研究［J］. 数学的实践与认识， 2017（19）：111-118.
	ZHANG Li， CHEN Wei， LIU Zhijian，et al. Research on Over-the-Horizon Threat Assessment Based on Comprehensive Threat and MADM［J］. Mathematics in Practice and Theory，2017（19）：111-118.
23	董彦非，郭基联，张恒喜.多机空战目标威胁评估算法［J］.火力与指挥控制，2002（4）：73-76.
	DONG Yanfei， GUO Jilian， ZHANG Hengxi. Threat Assessment for Multi-Aircraft-Air Combat［J］.Fire Control ＆Command Control，2002（4）：73-76.
24	徐宇恒，程嗣怡，庞梦洋.基于CRITIC-TOPSIS的动态辐射源威胁评估［J］.北京航空航天大学学报，2020，46（11）：2168-2175.
	XU Yuheng， CHENG Siyi， PANG Mengyang.Dynamic Radiator Threat Assessment Based on CRITIC-TOPSIS［J］.Journal of Beijing University of Aeronautics and Astronautics，2020，46（11）：2168-2175.
25	方冰，韩冰，闻传花.基于新型距离测度的概率犹豫模糊多属性群决策方法［J］.控制与决策，2022，37（3）：729-736.
	FANG Bing， HAN Bing， WEN Cuanhua. Probabilistic Hesitant Fuzzy Group Decision-Making Based on New Distance Measure［J］.Control and Decision，2022，37（3）：729-736.
26	范敏，范晓波，胥小波，等.基于混合图卷积网络模型的节点分类方法［J］.通信技术，2020，53（12）：2973-2982.
	FAN Ming， FAN Xiaobo， XU Xiaobo，et al. Node Classification Method Based on GCN Mixture Model［J］.Communications Technology，2020，53（12）：2973-2982.
27	仝宗和，袁立宁，王洋.图卷积神经网络理论与应用［J］.信息技术与信息化，2020，23（2）：187-192.
	TONG Zonghe， YUAN Lining， WANG Yang. Theory and Application of Graph Convolutional Neural Network［J］.Information Technology and Informatization，2020，23（2）：187-192.
28	GLIGORIJEVIĆ V， RENFREW P D， KOSCIOLEK T， et al. Structure-Based Protein Function Prediction Using Graph Convolutional Networks ［J］. Nature Communications， 2021， 12（1）： 3168.