• 中国科技核心期刊
  • JST收录期刊

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

数据驱动的AUV鱼雷攻击有效阵位自主决策方法

郭力强 马亮 张会 杨静

郭力强, 马亮, 张会, 等. 数据驱动的AUV鱼雷攻击有效阵位自主决策方法[J]. 水下无人系统学报, 2022, 30(4): 528-534 doi: 10.11993/j.issn.2096-3920.202108009
引用本文: 郭力强, 马亮, 张会, 等. 数据驱动的AUV鱼雷攻击有效阵位自主决策方法[J]. 水下无人系统学报, 2022, 30(4): 528-534 doi: 10.11993/j.issn.2096-3920.202108009
GUO Li-qiang, MA Liang, ZHANG Hui, YANG Jing. Data-driven Autonomous Decision-making Method for the Effective Position of AUV Torpedo Attacks[J]. Journal of Unmanned Undersea Systems, 2022, 30(4): 528-534. doi: 10.11993/j.issn.2096-3920.202108009
Citation: GUO Li-qiang, MA Liang, ZHANG Hui, YANG Jing. Data-driven Autonomous Decision-making Method for the Effective Position of AUV Torpedo Attacks[J]. Journal of Unmanned Undersea Systems, 2022, 30(4): 528-534. doi: 10.11993/j.issn.2096-3920.202108009

数据驱动的AUV鱼雷攻击有效阵位自主决策方法

doi: 10.11993/j.issn.2096-3920.202108009
基金项目: 国防科技创新特区项目(20-163-05-***)
详细信息
    作者简介:

    郭力强(1992-), 男, 在读硕士, 主要研究方向为武器装备智能决策技术

  • 中图分类号: TJ631.8; U674.941

Data-driven Autonomous Decision-making Method for the Effective Position of AUV Torpedo Attacks

  • 摘要: 自主决策能力是无人水下航行器与有人平台的最显著区别, 要求决策速度快、正确率高、方案可执行。针对自主水下航行器(AUV)发射声自导鱼雷攻击水面舰艇时传统有效阵位决策方法在攻击效果和决策速度方面的不足, 提出将作战仿真与集成学习相结合的自主决策方法。首先通过作战仿真优化声自导鱼雷发现目标概率, 得到不同战场态势下的大量基础数据; 而后设置鱼雷发现概率判断阈值, 将 AUV有效阵位决策转换为二分类问题, 形成分类实验数据; 最后分析支持向量机、随机森林和XGBoost的分类效果, 得出集成学习更适用于该不均衡样本分类问题的结论, 并进一步对模型在多种任务阈值下的适应能力和复杂海洋环境下的泛化能力进行检验。实验结果表明, 该方法在保证鱼雷攻击效果的前提下, 可大幅加快AUV决策速度, 满足攻击决策要求, 为装备攻击规划模块的研究提供参考。

     

  • 图  1  可调节系数的提前角计算示意图

    Figure  1.  Diagram of lead angle calculation by adjusted coefficient method

    图  2  水面舰艇规避航向优化计算示意图

    Figure  2.  Diagram of optimization calculation for surface ship evasive course

    图  3  发现概率优化计算模型流程图

    Figure  3.  Flow chart of detective probability optimization calculation model

    图  4  有效阵位决策模型流程图

    Figure  4.  Flow chart of the effective position decision-making model

    图  5  3种机器学习模型ROC曲线

    Figure  5.  Receiver operating characteristic curves of three machine learning models

    图  6  模型在不同作战海域的决策效果

    Figure  6.  Decision-making effect of the model in different operational sea areas

    图  7  模型特征贡献度排序

    Figure  7.  Contribution ranking of the features in model

    表  1  分类实验数据集信息

    Table  1.   Information of categorized experimental data sets

    样本个数特征维度正样本数负样本数不平衡
    比例
    单个样本
    用时
    8 00051 5776 4234.074 min 29 s
    下载: 导出CSV

    表  2  混淆矩阵

    Table  2.   Confusion matrix

    实际正类实际负类
    预测正类TP(true positives)FN(false negatives)
    预测负类FP(false positives)TN(true negatives)
    下载: 导出CSV

    表  3  3种模型分类性能

    Table  3.   Classification performance of three models

    模型准确率精确率召回率F1AUC时间/s
    SVM0.9370.8440.8460.8450.98019.36
    RF0.9590.9360.8540.8930.9920.87
    XGB0.9650.9150.9100.9110.9941.58
    下载: 导出CSV

    表  4  不同阈值下模型决策性能比较

    Table  4.   Comparison of model decision performance under different thresholds

    阈值不平衡率SVMRFXGB
    AUC时间/sAUC时间/sAUC时间/s
    60%2.030.99114.570.9971.390.9982.14
    65%2.650.98715.640.9941.120.9972.02
    70%4.070.98019.360.9920.870.9941.58
    75%6.210.98117.520.9930.730.9961.45
    80%9.080.98315.670.9910.860.9961.21
    下载: 导出CSV

    表  5  作战仿真参数调整

    Table  5.   Adjustment of operational simulation parameters

    名称样本数${d_{{\text{ship}}}}$ /n mile${d_{{\text{torp}}}}$ /n mile${\sigma _{xy}}$/n mile
    海域1503.31.20.3
    海域2503.21.10.4
    海域3502.80.90.6
    海域4502.61.30.6
    海域5502.70.80.5
    海域6503.10.90.4
    下载: 导出CSV
  • [1] 陈强. 水下无人航行器[M]. 北京: 国防工业出版社, 2014.
    [2] 钟宏伟. 国外无人水下航行器装备与技术现状及展望[J]. 水下无人系统学报, 2017, 25(3): 215-225.

    Zhong Hong-wei. Review and Prospect of Equipment and Techniques for Unmanned Undersea Vehicle in Foreign Countries[J]. Journal of Unmanned Undersea Systems, 2017, 25(3): 215-225.
    [3] 孟庆玉, 张静远, 王鹏, 等. 鱼雷作战效能分析[M]. 北京: 国防工业出版社, 2003.
    [4] 陈强. 水下无人系统及其装备发展论证[M]. 北京: 国防工业出版社, 2018.
    [5] 严代彪, 王树宗. 潜艇发射鱼雷的可攻性问题解析法[J]. 火力与指挥控制, 2004, 29(z1): 15-16. doi: 10.3969/j.issn.1002-0640.2004.z1.006

    Yan Dai-biao, Wang Shu-zong. Analytic Arithmetic of the Assaultable Problem of Submarine Shooting Torpedo[J]. Fire Control & Command Control, 2004, 29(z1): 15-16. doi: 10.3969/j.issn.1002-0640.2004.z1.006
    [6] 李冬梅, 王树宗. 潜艇发射鱼雷的可攻性问题研究[J]. 舰船科学技术, 2004, 26(4): 54-56.

    Li Dong-mei, Wang Shu-zong. A Study on the Assaultable Problem of Submarine Torpedoing[J]. Ship Science and Technology, 2004, 26(4): 54-56.
    [7] 吴晓海, 周智超, 杜海. 潜艇鱼雷攻击可攻区域[J]. 火力与指挥控制, 2009, 34(4): 131-133. doi: 10.3969/j.issn.1002-0640.2009.04.037

    Wu Xiao-hai, Zhou Zhi-chao, Du Hai. Research of the Available Attack Area of Torpedo Launched by Submarine[J]. Fire Control & Command Control, 2009, 34(4): 131-133. doi: 10.3969/j.issn.1002-0640.2009.04.037
    [8] 刘勇, 李本昌, 张靖康. 基于鱼雷航程实时预报的潜射线导鱼雷可攻性判断[J]. 指挥控制与仿真, 2009, 31(3): 49-52, 71. doi: 10.3969/j.issn.1673-3819.2009.03.014

    Liu yong, Li Ben-chang, Zhang Jing-kang. Attacked Decision-making of Submarine Wire-guided Torpedo Based on Real-time Forecast of Torpedo Range[J]. Command Control& Simulation, 2009, 31(3): 49-52, 71. doi: 10.3969/j.issn.1673-3819.2009.03.014
    [9] 孙华春, 张会, 李长文. 声自导鱼雷射击的有利提前角优化模型[J]. 舰船电子工程, 2011, 31(8): 40-42,51. doi: 10.3969/j.issn.1627-9730.2011.08.011

    Sun Hua-chun, Zhang Hui, Li Chang-wen. Optimization of Lead Angle for Acoustic Homing Torpedo[J]. Ship Electronic Engineering, 2011, 31(8): 40-42,51. doi: 10.3969/j.issn.1627-9730.2011.08.011
    [10] 贾跃, 宋保维, 赵向涛, 等. 水面舰船对声自导鱼雷防御机动方法研究[J]. 火力与指挥控制, 2009, 34(1): 45-48. doi: 10.3969/j.issn.1002-0640.2009.01.013

    Jia Yue, Song Bao-wei, Zhao Xiang-tao, et al. A Study on Vessel Evading Method to Acoustic Homing Torpedo[J]. Fire Control and Command Control, 2009, 34(1): 45-48. doi: 10.3969/j.issn.1002-0640.2009.01.013
    [11] 崔滋刚, 张仪, 李志伟. 潜射鱼雷攻击水面舰船时的声自导发现概率仿真研究[J]. 计算机测量与控制, 2017, 25(6): 92-94, 119.

    Cui Zi-gang, Zhang Yi, Li Wei. Simulation Study of Surface Warship Evading Acoustic Homing Torpedo Based on Monte Carlo[J]. Computer Measurement & Control, 2017, 25(6): 92-94, 119.
    [12] 卢孟维, 马峰, 魏继锋, 等. 舰船规避对追踪段鱼雷弹道散布规律的影响[J]. 鱼雷技术, 2015, 23(5): 379-383.

    Lu Meng-wei, Ma Feng, Wei Ji-feng, et al. Influence of Vessel Evasion on the Dispersion Law of Torpedo Trajectory in Tracking Section[J]. Torpedo Technology, 2015, 23(5): 379-383.
    [13] 周志华. 机器学习[M]. 北京: 清华大学出版社.
    [14] Chen T, Guestrin C. Xgboost: A Scalable Tree Boosting System[C]//Proceedings of the 22nd ACM Sigkdd International Conference on Knowledge Discovery and Data Mining. California, USA: ACM, 2016: 785-794.
    [15] 冷菲, 李巍. 基于XGBoost对肺鳞癌和肺腺癌的分类预测[J]. 首都医科大学学报, 2019, 40(6): 799-893.

    Leng Fei, Li Wei. Classification Prediction of Lung Squamous Cell Carcinoma and Lung Adenocarcinoma Based on XGBoost[J]. Journal of Capital Medical University, 2019, 40(6): 799-893.
    [16] 岳鹏, 侯凌燕, 杨大利, 等. 基于XGBoost特征选择的疾病诊断XLC-Stacking方法[J]. 计算机工程与应用, 2020, 56(17): 136-141.

    Yue Peng, Hou Ling-yan, Yang Da-li, et al. XLC-Stacking Method for Disease Diagnosis Based on XGBoost Feature Selection[J]. Computer Engineering and Applications, 2020, 56(17): 136-141.
    [17] 姜少飞, 邬天骥, 彭翔, 等. 基于XGBoost特征提取的数据驱动故障诊断方法[J]. 中国机械工程, 2020, 31(10): 1232-1239. doi: 10.3969/j.issn.1004-132X.2020.10.015

    Jiang Shao-fei, Wu Tian-ji, Peng Xiang, et al. Data Driven Fault Diagnosis Method Based on XGBoost Feature Extraction[J]. China Mechanical Engineering, 2020, 31(10): 1232-1239. doi: 10.3969/j.issn.1004-132X.2020.10.015
    [18] 王雅琳, 郭佳, 刘都群. 2018年水下无人系统发展综述[J]. 无人系统技术, 2019, 2(4): 20-25.

    Wang Ya-lin, Guo Jia, Liu Du-qun. Summary of the Development of Unmanned Undersea Systems in 2018[J]. Unmanned Systems Technology, 2019, 2(4): 20-25.
    [19] 陈颜辉. 水面舰艇防御鱼雷原理与应用[M]. 北京: 国防工业出版社, 2015.
    [20] 吴鹏, 张会, 张文玉. 潜艇安全走出水面搜索带条件分析和方案优化方法[J]. 舰船科学技术, 2012, 34(6): 95-97. doi: 10.3404/j.issn.1672-7649.2012.06.023

    Wu Peng, Zhang Hui, Zhang Wen-yu. The Condition for Submarine Exit Ship’s Search Zone Safely and the Methods for Exit Scheme Optimization[J]. Ship Science and Technology, 2012, 34(6): 95-97. doi: 10.3404/j.issn.1672-7649.2012.06.023
    [21] 李浩, 朱焱. 基于梯度分布调节策略的Xgboost算法优化[J]. 计算机应用, 2020, 40(6): 1633-1637.

    Li Hao, Zhu Yan. Xgboost Algorithm Optimization Based on Gradient Distribution Harmonized Strategy[J]. Journal of Computer Applications, 2020, 40(6): 1633-1637.
    [22] Akiba T, Sano S, Yanase T, et al. Optuna: A Next-Generation Hyperparameter Optimization FrameWork[C]//The 25th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. Anchorage AK USA: Association for Computing Machinery, 2019: 2623-2631.
  • 加载中
图(7) / 表(5)
计量
  • 文章访问数:  3075
  • HTML全文浏览量:  16
  • PDF下载量:  620
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-08-23
  • 修回日期:  2021-10-14
  • 网络出版日期:  2022-06-27

目录

    /

    返回文章
    返回
    服务号
    订阅号