• 中国科技核心期刊
  • JST收录期刊
  • Scopus收录期刊
  • DOAJ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

基于组合赋权TOPSIS的智能UUV目标识别与反对抗效能评估

王旭 李金明 毛昭勇 丁文俊

王旭, 李金明, 毛昭勇, 等. 基于组合赋权TOPSIS的智能UUV目标识别与反对抗效能评估[J]. 水下无人系统学报, 2024, 32(5): 779-786 doi: 10.11993/j.issn.2096-3920.2023-0094
引用本文: 王旭, 李金明, 毛昭勇, 等. 基于组合赋权TOPSIS的智能UUV目标识别与反对抗效能评估[J]. 水下无人系统学报, 2024, 32(5): 779-786 doi: 10.11993/j.issn.2096-3920.2023-0094
WANG Xu, LI Jinming, MAO Zhaoyong, DING Wenjun. Effectiveness Evaluation of Intelligent UUV Target Recognition and Counter-contermeasure Based on TOPSIS with Weighting Combination[J]. Journal of Unmanned Undersea Systems, 2024, 32(5): 779-786. doi: 10.11993/j.issn.2096-3920.2023-0094
Citation: WANG Xu, LI Jinming, MAO Zhaoyong, DING Wenjun. Effectiveness Evaluation of Intelligent UUV Target Recognition and Counter-contermeasure Based on TOPSIS with Weighting Combination[J]. Journal of Unmanned Undersea Systems, 2024, 32(5): 779-786. doi: 10.11993/j.issn.2096-3920.2023-0094

基于组合赋权TOPSIS的智能UUV目标识别与反对抗效能评估

doi: 10.11993/j.issn.2096-3920.2023-0094
基金项目: 国家自然科学基金项目(51909206); 中国博士后科学基金项目(2021M692616); 陕西省自然科学基础研究计划项目(2024JC-YBMS-300); 中央高校基本科研业务费专项资金项目(31020200QD044).
详细信息
    作者简介:

    王旭:王 旭(1997-), 男, 在读博士, 主要研究方向为群体智能及其在水下无人系统中的应用

  • 中图分类号: TJ630.34; U674

Effectiveness Evaluation of Intelligent UUV Target Recognition and Counter-contermeasure Based on TOPSIS with Weighting Combination

  • 摘要: 随着水声对抗作战环境日益复杂, 未来水下作战的重点主要是智能水下无人系统的对抗与反对抗, 研究智能无人水下航行器(UUV)目标识别与反对抗能力对提高智能水下无人系统的整体作战效能具有重要意义。为了评估智能UUV目标识别与反对抗效能, 文中分析了影响系统效能的主要因素, 建立了系统效能指标体系, 并给出了评估模型; 运用主客观相结合的组合赋权方法确定指标体系的权重, 采用改进的逼近理想点法对智能UUV目标识别与反对抗效能进行评估, 评估结论可为UUV目标识别与反对抗系统设计与优化提供参考。

     

  • 智能水下无人系统作为改变未来海上作战场景(见图1)的重要技术之一, 愈来愈受到各国海军装备研发的偏爱[1]。智能无人水下航行器(unman- ned undersea vehicle, UUV)作为一类典型的海域无人系统, 是实现立体化海洋空间的关键节点, 智能UUV具有无人员伤亡、成本低量、隐身性能好、连续性强等诸多优势, 特别适合在恶劣危险的极端环境中替代有人平台执行海上作战任务, 在科研考察、反潜作战、海洋探测与攻防、情报监视与侦查等民用和军事领域都具有极其广泛的应用前景[2-3]。目前, 一方面海洋作业任务逐渐向规模化、精密化发展; 另一方面, 随着智能UUV作战能力的提高, 各国在反智能UUV技术方面做了大量研究。水下对抗技术目前已发展出3个类别[4], 分别是以鱼雷为代表的硬杀伤、以水声干扰为代表的软杀伤和以水声隐身为代表的非杀伤技术。针对日新月异的对抗手段, 智能UUV的反对抗技术也在迅速发展, 出现了如多目标跟踪技术、智能导引技术等的一系列方法。传统UUV愈来愈难以应对多变的海洋环境和复杂的对抗场景, 有必要更加系统、深入地研究智能UUV目标识别与反对抗技术, 提高相关技术是未来UUV发展的核心关键[5-7]

    图  1  未来典型海上作战行动示意图
    Figure  1.  Diagram of future typical sea operations

    现代战争中, 反对抗技术不断融入智能UUV设计当中, 使智能UUV的作战效能显著增长。但智能UUV反对抗技术作为国外封锁技术, 很难看到相关论文出现在国际期刊上。在公开的各种研究中, 曹萌等[8]基于模拟法分析了反鱼雷鱼雷武器系统作战效能评估; 徐皓等[9]研究了用于水下对抗的自主攻击航行器的作战效能; 胡方等[10]研究了多目标制导技术对自主攻击航行器作战效能的影响; 禹亮[11]讨论了各种不同的对抗与反对抗方法; 唐波等[12]总结了国外反鱼雷水声对抗的相关技术。

    目前, 针对系统效能的评估涌现出如ADC(attack-defense-capability)法、层次分析法(analytic hierarchy process, AHP)以及云图法等一系列方法[13]。文中综合考虑智能UUV目标识别与反对抗技术的使用场景, 采用逼近理想点法(technique for order preference by similarity to ideal solution, TOPSIS)与灰色关联分析相结合对性能指标进行评价, 采用层次分析法和熵权法相结合确定指标体系权重, 同时加入博弈论的方法进行权重组合, 主观赋权与客观赋权相结合使得评价结果更加准确。

    智能UUV目标识别与反对抗指标体系的建立是评价其系统效能的基础, 该评价体系是对智能UUV水下反对抗作战过程的系统描述, 在选择指标的过程中应考虑多种影响因素, 如客观性、简洁性和独立性等。

    智能UUV目标识别与反对抗流程如图2所示, 在综合考察UUV目标识别与反对抗系统的特点和工作环境等因素的基础上, 从效能的观点出发, 依照指标设计原则, 根据系统可分原理和层次分析原理设计并给出了UUV目标识别与反对抗效能评估指标。根据层次分析原理, 将系统分解为3个层次: 1) 目标层, 即层次分析法所需解决的方案目标; 2) 准则层, 即因素和决策准则; 3) 方案层, 即决策方案。

    图  2  智能UUV目标识别与反对抗流程图
    Figure  2.  Flow chart of target recognition and counter-countermeasure of intelligent UUV

    将效能作为评估总目标, 记为U。总目标具体分解为由探测能力、目标识别能力与反对抗能力等3个一级指标共同描述。将一级指标进一步细化, 由二级指标${{\boldsymbol{U}}_{ij}}$表征。文中构建的鱼雷目标识别与反对抗效能评估指标体系如图3所示。

    图  3  智能UUV目标识别与反对抗效能评估指标体系
    Figure  3.  System of target recognition and counter-countermeasure effectiveness evaluation index of intelligent UUV

    固有能力二级指标的具体描述如下:

    1) 等效搜索范围: 搜索路径的最大外延;

    2) 自导作用距离: 首次捕获目标时UUV与目标的间距;

    3) 探测扇面: UUV水平方向和垂直方向的搜索扇面角;

    4) 目标捕获距离: UUV正确识别出目标时与目标的距离;

    5) 目标捕获时间: UUV正确识别出目标时消耗的时间;

    6) 目标捕获概率: 相同态势下, 识别正确目标与所有目标次数的比值;

    7) 航程消耗: 击中目标或动力耗尽时的航程;

    8) 抗脉冲压力值: 对抗冲击毁伤的最大压力;

    9) 距离误差: 目标探测距离和真实距离的误差;

    10) 航向误差: 目标探测航向和真实航向的误差;

    11) 分辨能力: 工作过程中对目标的位置分辨误差在允许范围内的比例;

    12) 有效攻击率: 有效攻击正确目标与所有目标次数的比值。

    确定权重的方法分为主观赋权法和客观赋权法。主观赋权法能够较充分地体现评估对象所处条件和评估者的意图, 但是指标权重的判断依赖于专家的经验积累, 有很大的不确定性; 客观赋权法来源于实测或仿真数据, 得到的指标权重具有客观性, 但是很容易出现重要指标却计算出小权重系数的不合理情况。文中采用层次分析法与熵权法相结合的组合赋权方法, 既反映了专家的主观决策意见, 又充分利用了原始数据。为了平衡决策, 引入博弈论的方法, 寻求决策过程中共同利益的最大化。基本步骤如下。

    1) 设$s\left( {s = 1,2, \cdots ,p} \right)$个研究对象, 各研究对象对应二级指标${U_{ij}}\left( {i = 1,2, \cdots ,n;j = 1,2, \cdots ,m} \right)$的指标数据记为$u_{ij}^{\left( s \right)}$, 组成原始数据矩阵U, 即

    $$ \begin{array}{*{20}{c}} {{\boldsymbol{U}} = \left[ {\begin{array}{*{20}{c}} {u_{11}^{\left( 1 \right)}}& \cdots &{u_{11}^{\left( p \right)}} \\ \vdots &{}& \vdots \\ {u_{nm}^{\left( 1 \right)}}& \cdots &{u_{nm}^{\left( p \right)}} \end{array}} \right]} \end{array} $$ (1)

    2) 利用层次分析法确定因子集的权重, 即引入1~9的比较量表。专家通过对指标体系的一级指标$ {{\boldsymbol{U}}}_{i}、{{\boldsymbol{U}}}_{j} $进行相对重要性的两两比较, 构造一级指标判断矩阵A, 分值记为${a_{ij}}$, 即

    $$ \begin{array}{*{20}{c}} {{\boldsymbol{A}} = \left[ {\begin{array}{*{20}{c}} {{a_{11}}}& \cdots &{{a_{1n}}} \\ \vdots &{}& \vdots \\ {{a_{n1}}}& \cdots &{{a_{nn}}} \end{array}} \right]} \end{array} $$ (2)

    3) 计算在同一层次下各指标的排序问题, 求判断矩阵A的最大特征值及其对应的特征向量

    $$ \begin{array}{*{20}{c}} {{\boldsymbol{A\omega}} = {\lambda _{{\text{max}}}}{\boldsymbol{\omega}} } \end{array} $$ (3)

    式中: ${\lambda _{{\text{max}}}}$A的最大特征根, $ \boldsymbol{\omega}=[\omega_1,\omega_2,\cdots,\omega_n]^{\rm{T}} $为对应于${\lambda _{{\text{max}}}}$的归一化特征向量, ${\boldsymbol{\omega}} $的分量${\omega _i}$就是对应指标${{\boldsymbol{U}}_i}$的权重。

    4) 根据下式进行一致性检验

    $$ \begin{array}{*{20}{c}} {CR = \dfrac{{CI}}{{RI}}} \end{array} $$ (4)

    其中,

    $$ \begin{array}{*{20}{c}} {CI = \dfrac{{{\lambda _{\max}} - n}}{{n - 1}}} \end{array} $$ (5)

    式中: $CR$为判断矩阵随机一致性指标; $RI$为平均随机一致性指标。当$CR \leqslant 0.1$时, 认为判断矩阵的一致性是可以接受的; 当$CR > 0.1$时, 说明需要对判断矩阵进行调整。

    5) 根据熵权法计算各指标的权重, 指标熵值为

    $$ \begin{array}{*{20}{c}} {e\left( {{u_j}} \right) = - \frac{1}{{\ln n}} \displaystyle \sum \nolimits_{i = 1}^n {P_{ij}}\ln {P_{ij}}} \end{array} $$ (6)

    其中,

    $$ \begin{array}{*{20}{c}} {{P_{ij}} = {u_{ij}}\Big/ \displaystyle \sum \nolimits_{i = 1}^n {u_{ij}}} \end{array} $$ (7)

    由于信息量和熵成反比关系, 因此信息量权重表征为

    $$ \begin{array}{*{20}{c}} {{{\boldsymbol{\omega}} ^2} = \dfrac{{1 - e\left( {{u_j}} \right)}}{{n - \displaystyle \sum \nolimits_{j = 1}^m e\left( {{u_j}} \right)}}} \end{array} $$ (8)

    6) 根据博弈论的方法组合权重。假设有k个权重方案, 则k个权重方案的线性组合可以表示为

    $$ {\boldsymbol{\omega}} = \mathop \sum \limits_{i = 1}^k {\alpha _i}\omega _i^{\rm{T}} $$ (9)

    式中, ${\alpha _i}$为第i个权重方案的组合系数, ${\alpha _i} > 0$

    基于博弈论的基本理论, 借鉴最大化离散度的约束条件, 最优化模型为

    $$ \left\{ {\begin{array}{*{20}{l}} {\mathop {\min }\limits_{{\alpha _1},{\alpha _2}, \cdots ,{\alpha _k}} f = \displaystyle \sum \limits_{j = 1}^k \left| {\left( { \displaystyle \sum \limits_{i = 1}^k {\alpha _i}{\omega _j}\omega _i^{\rm{T}}} \right) - {\omega _j}\omega _j^{\rm{T}}} \right|} \\ {{\alpha _i} > 0,i = 1,2, \cdots ,k{\text{ }}} \\ { \displaystyle \sum\limits_{i = 1}^k {\alpha _i^2} = 1{\text{ }}} \end{array}} \right. $$ (10)

    构建拉格朗日函数并求解获得权重组合系数, 则有

    $$ L\left( {{\alpha _i},\lambda } \right) = \mathop \sum \limits_{j = 1}^k \left| {\left( {\mathop \sum \limits_{i = 1}^k {\alpha _i}{\omega _j}\omega _i^{\rm{T}}} \right) - {\omega _j}\omega _j^{\rm{T}}} \right| + \frac{\lambda }{2}\left( {\mathop \sum \limits_{i = 1}^k \alpha _i^2 - 1} \right) $$ (11)
    $$ {\alpha _i} = \frac{{ \displaystyle \sum \nolimits_{j = 1}^k {\omega _j}\omega _i^{\rm{T}}}}{{\sqrt { \displaystyle \sum \nolimits_{i = 1}^k {{\left( { \displaystyle \sum \nolimits_{j = 1}^k {\omega _j}\omega _i^{\text{T}}} \right)}^2}} }} $$ (12)

    ${\alpha _i}$归一化后即可得到最终的组合权重。

    TOPSIS方法是一种用于多目标、多准则的决策评估方法, 其基本思想是: 在归一化后的矩阵中理想点应与理想方案距离最近, 与最差方案距离最远, 据此找出理想化的最优和最劣基本点, 权衡其他可行方案对二者的距离, 以此排序, 并进行分析和评估。灰色关联分析是灰色系统理论的重要成果之一, 以灰色关联度来表征系统中各个因素与整体的关联。将上述2种方法结合, 具体步骤如下。

    1) 无量纲化数据矩阵加权处理, 对于效益型指标, 有

    $$ \begin{array}{*{20}{c}} {{x_{ij}} = {\omega _j} \cdot \dfrac{{{u_{ij}} - \mathop {\min }\limits_i {u_{ij}}}}{{\mathop {\max }\limits_i {u_{ij}} - \mathop {\min }\limits_i {u_{ij}}}}} \end{array} $$ (13)

    对于成本型指标, 有

    $$ \begin{array}{*{20}{c}} {{x_{ij}} = {\omega _j} \cdot \dfrac{{\mathop {\max }\limits_i {u_{ij}} - {u_{ij}}}}{{\mathop {\max }\limits_i {u_{ij}} - \mathop {\min }\limits_i {u_{ij}}}}} \end{array} $$ (14)

    2) 选取正负理想点

    由各项指标的最大值和最小值分别构成正理想点向量${{\boldsymbol{x}}^ + }$和负理想点向量${{\boldsymbol{x}}^ - }$, 即

    $$ \begin{array}{*{20}{c}} {{{\boldsymbol{x}}^ + } = \left[ {x_1^ + ,x_2^ + , \cdots ,x_m^ + } \right]} \end{array} $$ (15)
    $$ \begin{array}{*{20}{c}} {{{\boldsymbol{x}}^ - } = \left[ {x_1^ - ,x_2^ - , \cdots ,x_m^ - } \right]} \end{array} $$ (16)

    3) 计算每个评估对象与正负理想点的欧几里得距离, 即

    $$ \begin{array}{*{20}{c}} {D_i^ + = \sqrt { \displaystyle \sum \nolimits_{j = 1}^m {{({x_{ij}} - x_j^ + )}^2}} } \end{array} $$ (17)
    $$ \begin{array}{*{20}{c}} {D_i^ - = \sqrt { \displaystyle \sum \nolimits_{j = 1}^m {{({x_{ij}} - x_j^ - )}^2}} } \end{array} $$ (18)

    4) 计算每个评估对象到正负理想解的灰色关联度, 即

    $$ \left\{ {\begin{array}{*{20}{c}} {r_{ij}^ + = \dfrac{{\mathop {\min }\limits_i \mathop {\min }\limits_j \mid x_j^ + - {x_{ij}}\mid + \varepsilon \mathop {\max }\limits_i \mathop {\max }\limits_j \mid x_j^ + - {x_y}\mid }}{{\mid x_j^ + - {x_y}\mid + \varepsilon \mathop {\max }\limits_i \mathop {\max }\limits_j \mid x_j^ + - {x_y}\mid }}} \\ {r_{ij}^ - = \dfrac{{\mathop {\min }\limits_i \mathop {\min }\limits_j \mid x_j^ - - {x_{ij}}\mid + \varepsilon \mathop {\max }\limits_i \mathop {\max }\limits_j \mid x_j^ - - {x_{ij}}\mid }}{{\mid x_j^ - - {x_{ij}}\mid + \varepsilon \mathop {\max }\limits_i \mathop {\max }\limits_j \mid x_j^ - - {x_{ij}}\mid }}} \end{array}} \right. $$ (19)
    $$ \left\{ {\begin{array}{*{20}{c}} {R_i^ + = \dfrac{1}{n} \displaystyle \sum \limits_{j = 1}^n r_{ij}^ + } \\ {R_i^ - = \dfrac{1}{n} \displaystyle \sum \limits_{j = 1}^n r_{ij}^ - } \end{array}} \right. $$ (20)

    5) 将欧氏距离D和关联度R无量纲化处理并合并, 得到

    $$ \left\{ \begin{gathered} S_i^ + = {\alpha _1}D_i^ - + {\beta _1}R_i^ + \\ S_i^ - = {\alpha _2}D_i^ + + {\beta _2}R_i^ - \\ \end{gathered} \right. $$ (21)

    式中, ${\alpha _1} + {\alpha _2} = 1$, ${\beta _1} + {\beta _2} = 1$, $ {\alpha }_{1}、{\alpha }_{2}、{\beta }_{1}、 {\beta }_{2}\geqslant 0 $

    6) 确定评估系数

    $$ \begin{array}{*{20}{c}} {{C_i} = \dfrac{{S_i^ + }}{{S_i^ - + S_i^ + }}} \end{array} $$ (22)

    文中分析的数据如表1所示, 所用指标值均来自课题组和研究所对水声反对抗攻击流程的仿真以及在研目标识别与反对抗UUV的数据。其中以${Y_1}$为基础值, ${Y_2}\sim {Y_4}$为改进值。

    表  1  UUV目标识别与反对抗指标数值表
    Table  1.  Numerical table of UUV target recognition and counter-countermeasure index
    指标 ${Y_1}$ ${Y_2}$ ${Y_3}$ ${Y_4}$
    等效搜索范围/m 1848.2 2177.4 1921.7 2283.8
    自导作用距离/m 1517.6 1661.6 1347.3 1564.3
    探测扇面/(°) 75.0 88.0 75.0 88.0
    目标捕获距离/m 1870.4 1715.4 1577.9 1430.8
    目标捕获时间/s 83.5 79.6 80.6 62.4
    目标捕获概率/% 85 86 91 95
    UUV航程消耗/km 7.1833 8.3654 5.3256 7.7554
    抗脉冲压力值/MPa 3.1 3.7 3.1 3.7
    距离误差/m 73.8 82.5 71.8 67.9
    航向误差/(°) 6.06 5.6 5.73 5.26
    分辨能力 8 10 8 10
    有效攻击率/% 35.60 40.11 36.50 48.34
    下载: 导出CSV 
    | 显示表格

    在仿真试验中, 设置海洋环境为中等水文条件, 其他各相关战术技术性能满足试验要求。首先建立UUV运动学和动力学模型, UUV部分固定参数: 长度$ L{\text{ }} = {\text{ }}3.3\;{\text{m}} $, 最大横截面积$ S{\text{ }} = {\text{ }}0.05\;{{\text{m}}^{\text{2}}} $, 排水体积$ {V_b}{\text{ }} = {\text{ }}0.16\;{{\text{m}}^{\text{3}}} $, 转动惯量$ {J_{xx}}{\text{ }} = {\text{ }}1.8\;{\text{kg}} \cdot {{\text{m}}^{\text{2}}} $, 一级推力$ {T_1}{\text{ }} = {\text{ }}1\;800\;{\text{N}} $

    仿真试验中, 攻击方初始位置(0, 0), 以某一初始航向搜索目标; 防御方初始位置(350, 2000), 航速10 kn, 直线航行。UUV捕捉到目标后采用尾追法追击, 防御艇发现UUV后在1000 m范围内随机投放声诱饵, UUV命中目标或者航程耗尽则完成1次仿真。图4为UUV导引并命中目标示意图, 过程中UUV成功区分声诱饵。

    图  4  UUV导引命中目标示意图
    Figure  4.  Diagram of UUV guided hit target

    按照2.1节所述, 通过层次分析法, 对指标体系的能力层指标进行相对重要性的两两比较, 所得能力层判断矩阵如表2所示。

    表  2  能力层判断矩阵及权重
    Table  2.  Ability level judgment matrix and weight
    UU1U2U3${\omega _0}$
    U11350.636 99
    U21/3130.258 28
    U31/51/310.104 73
    下载: 导出CSV 
    | 显示表格

    按式(3)计算一级指标判断矩阵的最大特征值$\lambda = 3.038\;5$, CR=0.03703<0.1, 满足一致性测试。指标层判断矩阵如式(23)~(25), 同理计算指标层权重依次为${\omega _1} = \left( {0.163\;42,0.539\;61,0.296\;96} \right)$${\omega _2} = ( 0.215\;84, 0.102\;51,0.681\;65)$ω3=(0.11014, 0.07166, 0.02596, 0.184185, 0.37192, 0.23846), 且均满足CR<0.1。

    $$ \begin{array}{*{20}{c}}{\boldsymbol{U}}_1=\left[\begin{array}{*{20}{c}}1 & 1/3 & 1/2 \\ 3 & 1 & 2 \\ 2 & 1/2 & 1\end{array}\right]\end{array} $$ (23)
    $$ {{\boldsymbol{U}}_2} = \left[ {\begin{array}{*{20}{c}} 1&2&{1/3} \\ {1/2}&1&{1/7} \\ 3&7&1 \end{array}} \right] $$ (24)
    $$ \begin{array}{*{20}{c}} {{{\boldsymbol{U}}_3} = \left[ {\begin{array}{*{20}{c}} 1&2&6&{1/3}&{1/4}&{1/2} \\ {1/2}&1&4&{1/3}&{1/4}&{1/4} \\ {1/6}&{1/4}&1&{1/6}&{1/7}&{1/7} \\ 3&3&6&1&{1/3}&{1/2} \\ 4&4&7&3&1&2 \\ 2&4&7&2&{1/2}&1 \end{array}} \right]} \end{array} $$ (25)

    根据式(8)可得到熵权法权重计算结果如表3所示。

    表  3  熵权法权重计算结果
    Table  3.  Index weight calculation results of entropy weight method
    指标 ${\boldsymbol{\omega}} $
    等效搜索范围/m 0.062 561
    自导作用距离/m 0.046 934
    探测扇面/(°) 0.052 802
    目标捕获距离/m 0.081 820
    目标捕获时间/s 0.119 340
    目标捕获概率/% 0.016 778
    UUV航程消耗/km 0.264 220
    抗脉冲压力值/MPa 0.064 644
    距离误差/m 0.040 583
    航向误差/(°) 0.021 398
    分辨能力 0.102 590
    有效攻击率/% 0.126 340
    下载: 导出CSV 
    | 显示表格

    根据式(9)~(12)计算出基于博弈论方法的组合系数和组合权重。

    得到组合系数$ \alpha {\text{ = [0}}{\text{.578}}\;{\text{3,}}\;{\text{0}}{\text{.421}}\;{\text{7]}} $, 组合主观赋权与客观赋权结果, 得到最终组合权重结果如表4所示。

    表  4  组合赋权计算结果
    Table  4.  Calculation results of combination weighting
    指标 $ {\boldsymbol{\omega}} $
    等效搜索范围/m 0.086 6
    自导作用距离/m 0.218 6
    探测扇面/(°) 0.131 7
    目标捕获距离/m 0.066 7
    目标捕获时间/s 0.065 6
    目标捕获概率/% 0.108 9
    UUV航程消耗/km 0.118 1
    抗脉冲压力值/MPa 0.031 6
    距离误差/m 0.018 7
    航向误差/(°) 0.020 2
    分辨能力 0.065 8
    有效攻击率/% 0.067 7
    下载: 导出CSV 
    | 显示表格

    综合比较层次分析法、熵权法与博弈论组合权重, 如图5所示。

    图  5  各指标权重比较
    Figure  5.  Weight comparison of each indicator

    运用基于灰色关联分析改进的TOPSIS方法, 根据式(13)~(22)得到4型UUV的效能评估结果。

    根据式(13)和(14), 获得加权规范矩阵

    $$ {\boldsymbol{X}} = \left[ {\begin{array}{*{20}{c}} 0&{0.065\;4}&{0.014\;6}&{0.086\;6} \\ {0.118\;4}&{0.218\;6}&0&{0.150\;9} \\ 0&{0.131\;7}&0&{0.131\;7} \\ 0&{0.023\;5}&{0.044\;4}&{0.066\;7} \\ 0&{0.012\;1}&{0.009\;0}&{0.065\;6} \\ 0&{0.010\;9}&{0.065\;3}&{0.108\;9} \\ {0.045\;9}&0&{0.118\;1}&{0.023\;7} \\ 0&{0.031\;6}&0&{0.031\;6} \\ {0.011\;1}&0&{0.013\;7}&{0.018\;7} \\ 0&{0.011\;6}&{0.008\;3}&{0.020\;2} \\ 0&{0.065\;8}&0&{0.065\;8} \\ 0&{0.024\;0}&{0.004\;8}&{0.067\;7} \end{array}} \right] $$ (26)

    根据式(15)~(18)获得正负理想解的欧氏距离

    $$ \left\{ \begin{gathered} {D^ + }{\text{ = [0}}{\text{.266}}{\text{ 6}}\;\;\;0{\text{.176}}{\text{ 2}}\;\;\;0{\text{.292}}{\text{ 2}}\;\;\;0{\text{.116}}{\text{ 2]}} \\ {D^ - }{\text{ = [0}}{\text{.127}}{\text{ 5}}\;\;\;0{\text{.276}}{\text{ 2}}\;\;\;0{\text{.144}}{\text{ 1}}\;\;\;0{\text{.281}}{\text{ 9]}} \\ \end{gathered} \right. $$ (27)

    根据式(19)~(20)获得正负理想解的灰色关联度

    $$ \left\{ \begin{gathered} {R^ + }{\text{ = [0}}{\text{.767}}{\text{ 9}}\;\;\;0{\text{.972}}{\text{ 9}}\;\;\;0{\text{.848}}{\text{ 7}}\;\;\;1{\text{.115}}{\text{ 4]}} \\ {R^ - }{\text{ = [1}}{\text{.109}}{\text{ 2}}\;\;\;0{\text{.916}}{\text{ 9}}\;\;\;1{\text{.039}}{\text{9}}\;\;\;0{\text{.771}}{\text{ 6]}} \\ \end{gathered} \right. $$ (28)

    根据式(21)~(22), 取${\alpha _1} = {\alpha _2} = {\beta _1} = {\beta _2} = 0.5$, 将欧氏距离D和关联度R合并, 获得最终效能数据$ {\text{ }}E{\text{ = [0}}{\text{.373}}{\text{ 6}}\;\;0{\text{.564}}{\text{ 3}}\;\;0{\text{.396}}{\text{ 3}}\;\;0{\text{.646}}{\text{ 6}}] $, 如图6所示。

    图  6  效能评估结果
    Figure  6.  Results of the effectiveness evaluation

    综合分析可以看出, 使用了多目标识别和追踪技术与反对抗技术的Y2Y3Y4型智能UUV, 其系统效能较Y1型UUV均有提高, 但Y3型的提升并不明显, 因此表明未来应沿Y2Y4的技术方向继续探索。

    对智能UUV目标识别与反对抗作战效能进行分析具有重要的国防意义和现实意义。文中首先给出了在复杂对抗环境下智能UUV目标识别与反对抗的流程, 建立了评价指标体系, 对智能UUV目标识别与反对抗系统进行了综合评价。然后将熵权方法与层次分析法通过博弈论方法相结合, 对系统的影响因素进行了分析。最后运用改进的TOPSISI法对系统效能大小得出直观结论。已有研究中多从水下作战的全流程分析效能, 或从水声对抗的底层技术层面进行研究, 而文中重点关注目标识别与反对抗这一具体过程的效能, 综合分析相应流程, 提出了科学全面的指标体系, 更利于分析相关技术的影响。文中评价模型具有良好的可扩展性, 理想解法作为有效的多指标评价方法, 是一种基于欧氏距离的方位分析, 故引入灰色关联度这一形状分析的比较方法, 二者结合可以提高评估结果的准确性。

    由于水下武器对抗与反对抗的复杂性, 通过计算机建模仿真得出的数据与真实数据必然存在误差, 在后续的研究中可以考虑加入真实实验数据。同时注意到, 在文中式(21)和(22)中的系数采用了主观方法取值, 如何获得合适的系数将在后续的研究中可用合适的优化方法作进一步研究。

  • 图  1  未来典型海上作战行动示意图

    Figure  1.  Diagram of future typical sea operations

    图  2  智能UUV目标识别与反对抗流程图

    Figure  2.  Flow chart of target recognition and counter-countermeasure of intelligent UUV

    图  3  智能UUV目标识别与反对抗效能评估指标体系

    Figure  3.  System of target recognition and counter-countermeasure effectiveness evaluation index of intelligent UUV

    图  4  UUV导引命中目标示意图

    Figure  4.  Diagram of UUV guided hit target

    图  5  各指标权重比较

    Figure  5.  Weight comparison of each indicator

    图  6  效能评估结果

    Figure  6.  Results of the effectiveness evaluation

    表  1  UUV目标识别与反对抗指标数值表

    Table  1.   Numerical table of UUV target recognition and counter-countermeasure index

    指标 ${Y_1}$ ${Y_2}$ ${Y_3}$ ${Y_4}$
    等效搜索范围/m 1848.2 2177.4 1921.7 2283.8
    自导作用距离/m 1517.6 1661.6 1347.3 1564.3
    探测扇面/(°) 75.0 88.0 75.0 88.0
    目标捕获距离/m 1870.4 1715.4 1577.9 1430.8
    目标捕获时间/s 83.5 79.6 80.6 62.4
    目标捕获概率/% 85 86 91 95
    UUV航程消耗/km 7.1833 8.3654 5.3256 7.7554
    抗脉冲压力值/MPa 3.1 3.7 3.1 3.7
    距离误差/m 73.8 82.5 71.8 67.9
    航向误差/(°) 6.06 5.6 5.73 5.26
    分辨能力 8 10 8 10
    有效攻击率/% 35.60 40.11 36.50 48.34
    下载: 导出CSV

    表  2  能力层判断矩阵及权重

    Table  2.   Ability level judgment matrix and weight

    UU1U2U3${\omega _0}$
    U11350.636 99
    U21/3130.258 28
    U31/51/310.104 73
    下载: 导出CSV

    表  3  熵权法权重计算结果

    Table  3.   Index weight calculation results of entropy weight method

    指标 ${\boldsymbol{\omega}} $
    等效搜索范围/m 0.062 561
    自导作用距离/m 0.046 934
    探测扇面/(°) 0.052 802
    目标捕获距离/m 0.081 820
    目标捕获时间/s 0.119 340
    目标捕获概率/% 0.016 778
    UUV航程消耗/km 0.264 220
    抗脉冲压力值/MPa 0.064 644
    距离误差/m 0.040 583
    航向误差/(°) 0.021 398
    分辨能力 0.102 590
    有效攻击率/% 0.126 340
    下载: 导出CSV

    表  4  组合赋权计算结果

    Table  4.   Calculation results of combination weighting

    指标 $ {\boldsymbol{\omega}} $
    等效搜索范围/m 0.086 6
    自导作用距离/m 0.218 6
    探测扇面/(°) 0.131 7
    目标捕获距离/m 0.066 7
    目标捕获时间/s 0.065 6
    目标捕获概率/% 0.108 9
    UUV航程消耗/km 0.118 1
    抗脉冲压力值/MPa 0.031 6
    距离误差/m 0.018 7
    航向误差/(°) 0.020 2
    分辨能力 0.065 8
    有效攻击率/% 0.067 7
    下载: 导出CSV
  • [1] 谢伟, 杨萌, 龚俊斌. 水下攻防对抗体系及其未来发展[J]. 中国工程科学, 2019, 21(6): 71-79. doi: 10.15302/J-SSCAE-2019.06.014

    XIE W, YANG M, GONG J B. Underwater attack-defense confrontation system and its future development[J]. Strategic Study of CAE, 2019, 21(6): 71-79. doi: 10.15302/J-SSCAE-2019.06.014
    [2] 宋保维, 潘光, 张立川, 等. 自主水下航行器发展趋势及关键技术[J]. 中国舰船研究, 2022, 17(5): 27-44.

    SONG B W, PAN G, ZHANG L C, et al. Development trend and key technologies of autonomous underwater vehicles[J]. Chinese Journal of Ship Research, 2022, 17(5): 27-44.
    [3] 刘洋, 周江平, 王希晨, 等. 无人潜航器在水下攻防作战中的应用分析[J]. 海军工程大学学报(综合版), 2021, 18(2): 84-88.

    LIU Y, ZHOU J P, WANG X C, et al. Application of unmanned underwater vehicle in underwater offensive and defensive operations[J]. Journal of Naval University of Engineering(Comprehensive Edition), 2021, 18(2): 84-88.
    [4] 施丹华, 胡必楠, 黄俊希. 水声对抗器材发展及其趋势分析[J]. 舰船科学技术, 2020, 42(9): 174-180. doi: 10.3404/j.issn.1672-7649.2020.05.033

    SHI D H, HU B N, HUANG J X. State-of-the-art of foreign underwater acoustic countermeasures and their development trends[J]. Ship Science and Technology, 2020, 42(9): 174-180. doi: 10.3404/j.issn.1672-7649.2020.05.033
    [5] Fahey K, Miller M. Unmanned systems integrated roadmap 2017—2042[R]. USA: Department of Defense, 2017.
    [6] 潘光, 宋保维, 黄桥高, 等. 水下无人系统发展现状及其关键技术[J]. 水下无人系统学报, 2017, 25(2): 44-51.

    PAN G, SONG B W, HUANG Q G, et al. Development and key techniques of unmanned undersea system[J]. Journal of Unmanned Undersea Systems, 2017, 25(2): 44-51.
    [7] 赵留平, 李环, 王鹏. 水下无人系统智能化关键技术发展现状[J]. 无人系统技术, 2020, 3(6): 12-24.

    ZHAO L P, LI H, WANG P. Development of key technologies for intelligent unmanned underwater system[J]. Unmanned Systems Technology, 2020, 3(6): 12-24.
    [8] 曹萌, 赵琪, 蒋继军. 基于模拟法的反鱼雷鱼雷武器系统作战效能评估[J]. 水下无人系统学报, 2020, 28(5): 563-570.

    CAO M, ZHAO Q, JIANG J J. Operational effectiveness evaluation of anti-torpedo torpedo weapon system based on simulation[J]. Journal of Unmanned Undersea Systems, 2020, 28(5): 563-570.
    [9] 徐皓, 康凤举, 李丹. 反鱼雷鱼雷武器系统作战效能评估方法[J]. 计算机工程与应用, 2015, 51(2): 265-270.

    XU H, KANG F J, LI D. Method of operational effectiveness evaluation for anti-torpedo torpedo weapon system[J]. Computer Engineering and Applications, 2015, 51(2): 265-270.
    [10] 胡方, 黄建国, 褚福照, 等. 水下航行器多目标制导能力评估方法[J]. 系统仿真学报, 2008(1): 108-110.

    HU F, HUANG J G, CHU F Z, et al. Evaluation method for multi-target guidance capability of underwater vehicle[J]. Journal of System Simulation, 2008(1): 108-110.
    [11] 禹亮. 复杂水声环境下反对抗一体化方法研究[D]. 西安: 西北工业大学, 2018.
    [12] 唐波, 孟荻, 范文涛. 国外水声对抗器材发展现状与启示——潜用器材[J]. 水下无人系统学报, 2022, 30(1): 15-22. doi: 10.11993/j.issn.2096-3920.2022.01.002

    TANG B, MENG D, FAN W T. Current situation and enlightenment of foreign underwater acoustic countermeasure equipment for submarine[J]. Journal of Unmanned Undersea Systems, 2022, 30(1): 15-22. doi: 10.11993/j.issn.2096-3920.2022.01.002
    [13] 邹启明, 宋书龙, 彭远鸣, 等. 攻击型UUV效能评估系统设计[J]. 水下无人系统学报, 2022, 30(5): 671-676. doi: 10.11993/j.issn.2096-3920.202109019

    ZOU Q M, SONG S L, PENG Y M, et al. Designing an effective evaluation system for attacking UUVs[J]. Journal of Unmanned Undersea Systems, 2022, 30(5): 671-676. doi: 10.11993/j.issn.2096-3920.202109019
  • 加载中
图(6) / 表(4)
计量
  • 文章访问数:  307
  • HTML全文浏览量:  46
  • PDF下载量:  97
  • 被引次数: 0
出版历程
  • 收稿日期:  2023-07-31
  • 修回日期:  2023-10-08
  • 录用日期:  2023-11-17
  • 网络出版日期:  2024-09-14

目录

/

返回文章
返回
服务号
订阅号