Target Threat Assessment Method for UUVs Based on EBM
-
摘要: 针对传统的目标威胁评估方法处理复杂战场态势数据时, 缺乏数据挖掘能力和神经网络算法解释性不足等问题, 提出基于可解释增强机(EBM)的无人水下航行器(UUV)对目标威胁评估模型。EBM作为一种先进的机器学习技术, 巧妙融合了梯度提升与广义加性模型, 实现了线性模型的高可解释性与梯度提升算法准确性的完美结合。文中对EBM模型的性能进行了全面评估, 并与分类提升、自适应提升以及深度学习等几种主流机器学习方法进行了比较。通过仿真实验发现, EBM模型在保持高可解释性的同时, 对威胁等级识别的准确度也高达98.10%。这一结果不仅验证了EBM模型在复杂战场态势分析中的有效性, 也为UUV的自主决策提供了坚实的理论基础和技术支持。Abstract: In order to solve the problems of lack of data mining ability and insufficient explanatory nature of neural network algorithms when traditional target threat assessment methods process complex battlefield situation data, this paper proposed a threat assessment model for unmanned undersea vehicles(UUVs) based on explainable boosting machine(EBM). As an advanced machine learning technology, EBM cleverly integrates gradient boosting and generalized additive model to achieve the perfect combination of high interpretability of linear model and accuracy of gradient boosting algorithm. In this paper, the performance of the EBM model was comprehensively evaluated and compared with several other mainstream machine learning methods, including classification enhancement, adaptive enhancement, and deep learning. The simulation experiments find that the EBM model not only maintains high interpretability but also has an accuracy of 98.10% in the identification of threat levels. This result verifies the effectiveness of the EBM model in complex battlefield situation analysis and provides a solid theoretical foundation and technical support for UUV’s autonomous decision-making.
-
0. 引言
随着现代海洋战场武器装备的不断进步, 水下无人航行器(unmanned undersea vehicle, UUV)和无人艇(unmanned surface vehicle, USV)等尖端装备的应用, 使得海战中的目标威胁变得日益复杂化, 同时, 大量先进电子侦察技术的运用带来了如何处理战场态势大数据的问题, 这些都对威胁评估方法提出了更高的要求。威胁评估是在信号提取、目标估计及态势评估之后得高层次信息融合, 旨在根据战场获取的信息对目标产生的威胁程度进行评估, 从而为后续决策提供支持[1]。推进水下威胁评估技术的发展, 对于提升UUV对目标的识别和反应速度以及增强其作战效能, 具有重要战略意义。
当前战场环境下的目标威胁评估方法涵盖多种理论视角, 如犹豫模糊集[2]、多属性决策法[3]、灰色关联法[4-5]、贝叶斯网络[6-7]和神经网络[8-13]等。这些方法各具特色, 都能够结合不同的评估要素, 为威胁评估提供量化分析结果。然而, 上述方法也存在一定的局限性: 犹豫模糊集和多属性决策法依赖专家经验设定参数, 可能导致评估结果有较强的主观性; 灰色关联法在处理大量数据时, 计算量巨大, 影响了其实时性; 贝叶斯网络虽然在处理变量间的依赖关系方面表现出色, 但需要专业知识来确定网络结构和参数, 且在处理大规模数据集时可能面临挑战; 神经网络虽然在决策过程中表现出强大的非线性映射能力, 但其内部判断机制通常不透明, 存在所谓的“黑箱”问题。可解释增强机(explainable boosting machine, EBM)是一种新兴的机器学习模型, 旨在为模型提供可解释的洞察力, 以消除其“黑箱”属性。这意味着EBM能够直观地解释特征和网络在输出(预测)过程中所学到的非线性变换。文中基于UUV作战时目标威胁评估的关键因素, 采用EBM构建评估模型。通过引入EBM, 能够得到一个既具备高预测精度, 又具有良好解释性的威胁评估工具, 以支持更加科学和合理的决策过程。
1. 目标威胁评估要素
目标威胁程度取决于多种因素, 在对敌方目标进行威胁评估时, 必须综合考虑。然而, 实际交战时, 敌我双方均相互保密, 我方UUV只能依据声呐探测信息及以前获得的有关信息来进行综合分析判断。文中在研究中参考了相关文献[8-12], 同时征求多位相关领域专家的意见, 对目标威胁评估的各个方面进行了全面的考量。评估时主要考虑作战态势、武器装备的性能及声呐探测能力等关键因素, 这些因素共同构成了评估体系的核心, 为准确判断目标的威胁程度提供了重要依据。该模型训练时选取目标类型、探测能力、毁伤能力、目标距离、目标速度和目标航向角6个特征计算威胁等级。
1.1 目标类型
不同类型的目标对我方UUV的威胁程度不同, 根据目标特点结合文献[9]中目标类型威胁隶属度量化方法将其进行量化, 如表1所示。
表 1 目标类型特点及威胁度量化表Table 1. Characteristics of target types and threat quantification目标类型 特点 威胁
隶属度巡逻艇 探测能力强、携带武器多、隐蔽性弱 0.5 鱼雷 航速大、体积小、杀伤力强、隐蔽性较强 0.9 USV 航速较大、隐蔽性较弱 0.4 中型UUV 航速小、隐蔽性强 0.2 1.2 毁伤能力
毁伤能力是衡量目标作战能力的重要指标。同等条件下, 目标毁伤能力威胁度越大, 意味着其可能装备的武器数量越多, 同时也意味着对我方UUV潜在的威胁更大。参考文献[9]并咨询专家意见后, 得到对应的威胁隶属度如表2所示。
表 2 目标毁伤能力威胁度量化表Table 2. Quantification of the threat of target damage capability目标类型 巡逻艇 USV UUV 鱼雷 毁伤能力 0.8 0.6 0.4 0.2 1.3 探测能力
探测能力也是衡量目标作战能力的重要指标。在UUV水下作战场景中, 威胁目标一般采用声呐探测我方UUV信息以获取情报, 侦察能力越强时获取我方的信息越多, 对我方的威胁程度越高。根据不同目标的水声侦察能力, 划分对应的威胁隶属度如表3所示。
表 3 目标探测能力威胁度量化表Table 3. Quantification of the threat of target detection capabilities目标类型 巡逻艇 USV UUV 鱼雷 探测能力 0.8 0.4 0.6 0.2 1.4 目标距离
当目标距离我方较远时, 目标对我方的作战威胁较小; 当目标距离我方较近时, 留给我方的防御时间较短, 威胁度较高。文献[14-15]阐述了基于被动声呐的目标识别原理和流程, 可以发现如果目标隐蔽性较差(产生较多噪音), 被动声呐可以更容易地探测到目标的位置。文中引入“隐蔽性指数”这一概念, 用以衡量UUV被动声呐对不同类型目标的探测能力。该指数越接近1意味着隐蔽性越差, UUV探测到目标的最大距离也就越大。距离与威胁度之间的隶属度函数为
$$ \mu(x)=\left\{\begin{gathered}1,x\leqslant\lambda_{i}\cdot x_a \\ \frac{1}{2}-\frac{1}{2}\sin\left[\frac{\text{π}}{\lambda_{i}\cdot x_b-\lambda_{i}\cdot x_a}\left(x-\frac{{\lambda_{i}\cdot x_b+\lambda_{i}}\cdot x_a}{2}\right)\right], \\ \; \; \; \; \; \lambda_{i}\cdot x_a < x < \lambda_{i}\cdot x_b \\ 0,x\geqslant\lambda_{i}\cdot x_b \\ \end{gathered}\right. $$ (1) 式中: x为敌我双方距离; xa=1 km; xb=10 km;
$\lambda_ i$ 为隐蔽性指数。根据表1中不同类型目标的特点, 隐蔽性指数设置如下: 巡逻艇隐蔽性指数$\lambda_ 1$ =0.9; 鱼雷隐蔽性指数$\lambda_ 2$ =0.5; USV隐蔽性指数$\lambda _3$ =0.7; UUV隐蔽性指数$\lambda _4$ =0.3。1.5 目标速度
目标速度的提升,往往预示着其灵活性的增强。这使得我方对其发起攻击的难度显著增加,同时,它对我方的潜在威胁也相应变大。根据以上速度与威胁度的关系, 构建岭形函数将目标的速度威胁统一到[0, 1]的范围内, 为
$$\mu (V) = \left\{ \begin{gathered} 0.2,V \leqslant V_a \\ \frac{1}{2} + \frac{1}{2}\sin \left[ {\frac{{\text{π}} }{{V_b - V_a}}\left( {x - \frac{{V_b + V_a}}{2}} \right)} \right], \\ \;\;\;\;\;V_a < V < V_b \\ 1,V \geqslant V_b \\ \end{gathered} \right. $$ (2) 式中:
$ {V_{{a}}} $ =6 km/h;$V_{{b}}$ =25 km/h。1.6 相对角度
目标相对我方的角度是指我方UUV与目标连线与敌我双方航行轨迹方向的夹角。夹角越大, 目标对我方UUV的威胁越大, 夹角越小, 目标对我方UUV的威胁越小。目标对我方UUV的角度威胁如图1所示, 图中: 点A为目标, 点B为我方UUV; D为两者之间的距离;
$\alpha $ 为目标在我方UUV下的方位角;$\theta $ 为目标在我方UUV体系下的水平进入角。敌我双方的相对角度威胁可以表示为$$ T_{\partial}=\frac{\left|\alpha\right|-\left|\theta\right|+\text{π}}{2\text{π}},T_{\partial}\in\left[0,1\right] $$ (3) 式中:
$ T_{\partial} $ 为相对角度威胁量化值。文中综合目标类型、探测能力、毁伤能力、目标距离、目标速度和相对角度评估和量化目标的威胁程度, 且在量化威胁程度时, 考虑了目标为鱼雷且距我方UUV较近时威胁程度最大, 目标威胁度为
$$ Z=\left\{\begin{array}{l}\displaystyle\sum_{i=1}^6w_i\cdot T_i\text{, }其他 \\ 1\text{, }目标类型为鱼雷且T_4 < 5\; \mathrm{km}\end{array}\right. $$ (4) 式中: wi为权值系数, i=1, ···, 6, 且满足
$\displaystyle \sum\nolimits_{i = 1}^6 {w_i} = 1$ ; Ti为评估要素, T1~T6分别为目标类型、毁伤能力、探测能力、目标距离、目标速度以及相对角度。通过将客观评价与主观评价结合,运用熵权法与层次分析法相结合的组合赋权法,计算得出特征权值[16], 从而使结果更加符合实际需求。将威胁度Z映射为0~4威胁等级, 则有$$ 威胁等级=\left\{\begin{array}{l}0\text{, }Z\in \left[0\text{, }0.2\right)\\ 1\text{, }Z\in \left[0.2\text{, }0.4\right)\\ 2\text{, }Z\in \left[0.4\text{, }0.6\right)\\ 3\text{, }Z\in \left[0.6\text{, }0.8\right)\\ 4\text{, }Z\in \left[0.8\text{, }1\right]\end{array} \right.$$ (5) 2. 模型算法基础
2.1 EBM模型
机器学习算法的预测精度和可解释性一般成反比, 如图2所示, 预测精度最高的提升树算法的可解释性最差, 解释性最好的朴素贝叶斯算法的预测精度也最低。然而结合了梯度提升和广义加性模型(generalized additive model, GAM)思想的EBM模型, 在保持高度可解释性的同时, 也拥有可与随机森林和提升树等高准确率机器学习方法相媲美的准确性[17]。
EBM的优化方法主要是通过梯度提升和前向分步算法来实现的, 它的目标是最小化损失函数。该模型采用了一种创新的基于直方图的梯度提升训练方法, 通过直方图的形式对特征进行表示。这种方法的优势在于其高效性和准确性, 特别是在处理大规模数据集时, 它能够自动适应缺失值和异常值的情况。
EBM模型在前向分步算法的迭代过程中, 每次迭代选择1个特征(或特征组合), 并确定其最优分割点以形成决策树的子树。随后, 这些新的子树被整合到模型中, 以增强模型的预测性能。在整个过程中, 模型采用非常低的学习率, 以循环迭代的方式对下一个特征进行训练。通过重复这一迭代过程, 直至达到最大迭代次数或损失函数的减小不再显著。训练完成后, EBM能够生成一个直观的图表, 清晰地展示每个特征对模型的贡献度[18]。这种可视化的展示不仅增强了模型的可解释性, 也为深入理解模型决策过程提供了有力支持。训练过程如图3所示, 其中L为损失函数。
EBM模型的形式为
$$ g(E[y]) = \beta_0 + \sum {f_j(x_j)} $$ (6) 式中: g为链接函数, 用于将广义加性模型适应于不同的设置, 如回归或分类问题, 在多分类问题中, EBM通常使用
$ \mathrm{Soft}\max $ 函数作为链接函数;$E[y]$ 为预测分类结果, y属于某个类别的概率值;$f_j$ 为特征函数;$x_j$ 为第j个特征;$\beta _0$ 为截距。此外, EBM 还可以自动检测并包含成对的交互项, 具体形式为
$$ g(E[y]) = \beta _0 + \sum {f_j(x_j)} + \sum {f_i, j(x_i, x_j)} $$ (7) 式中:
$x_i$ 为第i个特征;$f_i, j(x_i, x_j)$ 为交互项函数, 表示特征$x_i$ 和$x_j$ 共同作用下对预测结果的影响。如果某些特征组合对预测结果有显著影响, 模型会自动将这些交互项纳入考虑, 从而提高模型的准确性。EBM算法描述如图4所示。2.2 子树构建
在构建决策树子树的过程中, EBM模型采用基于直方图的梯度提升算法。这一算法的核心理念在于, 利用损失函数的负梯度作为残差的近似估计, 进而通过一个新的子树来拟合这些残差。通过将拟合结果叠加到现有模型之上, 算法能够逐步减小损失函数的值, 从而优化模型的性能。具体到算法的实施, 首先, 对连续的特征数据进行分箱处理, 确定每个特征所需的分箱数量; 随后, 将落入相应分箱的样本数据更新为该分箱的代表值; 最终, 这些分箱数据通过直方图的形式得到直观的表示。分类问题的梯度提升树可以表示为
$$ F(x) = T(x;\theta_ 1) + T(x;\theta_ 2) + \cdots + T(x;\theta_ m) $$ (8) 式中:
$T(x;\theta _m)$ 为决策树; x为训练样本;$\theta_ m$ 为决策树的参数; m为决策树的个数。对于多分类问题使用交叉熵作为损失函数, 损失函数定义为
$$ L(y, F(x)) = - \sum\limits_{i = 1}^C {y_i\log (F(x_i))} $$ (9) 式中:
$ y_i $ 为第i类的真实标签;$ F(x_i) $ 为第i类的预测概率; C为类别总数。使用交叉熵损失函数的负梯度作为下一个决策树子树的训练目标, 从而使损失函数不断减小。
$$ r_{im} = - \left[ {\frac{{\partial L(y_i, F(x_i)}}{{\partial F(x_i)}}} \right]F(x) = F_{m - 1}(x) $$ (10) $$ F_m(x) = F_{m - 1}(x) + \eta \cdot h_m(x) $$ (11) 式中:
$r_{im}$ 为第i个样本在第m轮迭代的残差;$L(y_i, F(x_i))$ 为损失函数;$F_{m - 1}(x)$ 为上一轮迭代的模型预测;$\eta $ 为学习率;$h_m$ 为第m轮迭代拟合。3. 仿真与实验结果
3.1 样本数据产生
在构建基于EBM的UUV对目标威胁评估模型时, 首先需要大量的样本数据来训练模型。数据产生过程将依据前文选取的威胁评估要素, 以及这些要素与威胁等级之间的计算关系来完成。为了生成这些样本数据, 文中采用随机抽样算法, 确保样本的多样性和代表性。选取的威胁要素指标包括目标类型、探测能力、毁伤能力、目标距离、目标速度和相对角度。样本数据产生的过程如图5所示。
为了构建一个符合实际战场的样本集, 文中在产生样本时采用结构化的数据处理方式, 包括目标对象的最大速度、毁伤能力和探测能力属性。此外, 依据相关领域专家的知识和经验, 文中收集了各类目标对象在这3项属性上的定量和定性评估数据。为了更加真实地模拟UUV在使用声呐探测时所面临的测量误差和环境变化等因素, 研究中在对威胁要素进行量化分析的基础上, 在目标速度、目标距离和相对角度的量化值中引入了高斯噪声, 用来模拟实际作战中的信息不完美情况, 从而使得数据集在训练和测试算法时更具现实意义。
采用PyCharm集成开发环境, 对数据进行精确仿真。依据图5描述的样本数据产生过程, 成功生成了总计10 000条样本数据作为模型数据集, 其中8 000条样本作为训练样本集, 其余2 000条样本作为测试样本集, 样本中巡逻艇、鱼雷、UUV和USV的比例为2∶2∶3∶3。部分样本数据如表4所示。
表 4 部分样本数据Table 4. Partial sample data目标
类型毁伤
能力探测
能力距离
量化速度
量化角度
量化威胁
等级USV 0.6 0.6 0.1 0.41 0.42 1 巡逻艇 0.8 0.8 0.83 0.95 0.32 3 UUV 0.4 0.4 0.1 0.1 0.24 0 鱼雷 0.2 0.2 0.56 0.17 0.93 4 3.2 模型设置
不同于神经网络的复杂分层结构, EBM模型由多个决策树构成。这些决策树通过加权求和, 生成最终的预测结果。文中模型将6个评估指标的威胁隶属度作为模型的输入, 将目标的威胁等级作为模型的输出。EBM模型参数的优化是一个需要细致调整的过程, 需要大量的实践经验, 以期达到最优的模型性能。文中通过一系列实验, 挑选对模型预测结果影响显著的参数, 通过对这些关键参数的调整, 实现在测试集上模型预测准确率的最大化, 同时确保交叉熵损失达到最小, 从而优化模型的整体表现。具体参数设置如表5所示。
表 5 EBM模型参数设置Table 5. Parameter settings of the EBM model参数 值 参数 值 输入特征个数 6 学习率 0.35 输出节点个数 5 最大分箱数 35 最大叶子数 2 外袋数量 1 最小海森值 0.5 链接函数 $ \mathrm{Soft}\max $ 3.3 实验结果及分析
训练结束后显示实验结果如图6所示, 该图提供了模型中各个特征对预测结果影响的可视化表示, 使得模型的决策过程更加透明和易于理解。在全局解释图中可以看到所有因素的总体重要性, 图上每个特征的数值是该特征对于整体预测结果的影响力, 反映了每个特征在模型预测中的平均贡献程度。
从图6中可以看出, 距离在威胁评估过程中至关重要, 直接影响评估结果, 此外, 目标类型同样对评估结果产生显著影响, 表明了目标的本质特征在评估过程中的重要性; 目标速度和相对角度作为衡量目标对我方进攻优势的关键指标, 反映了目标的动态特性及其对我方可能构成的威胁; 毁伤能力和侦察能力对结果影响相对较小, 这与其在特定战场环境下的实际作用相关。EBM模型的解释与式(4)得到的特征权重结果基本一致, 不仅验证了EBM模型的可靠性, 也与实际战场情况相吻合。
图7展示了距离、速度、角度、目标类型、探测和毁伤能力等特征的局部可视化分析, 直观反映了其分布情况和在预测威胁等级中的作用。每幅图上半部分的横轴代表归一化的特征区间, 纵轴代表该特征对模型预测的得分, 蓝色线条代表威胁等级0, 其他线条代表威胁等级1~4。图中威胁等级为0的蓝色线条越接近0,表明距离特征对该等级的正面贡献越大,意味着模型更倾向于将样本判定为低威胁,反之则降低此判定概率; 右半部分为该特征在数据中的分布, 横轴为特征归一化值, 纵轴为样本数, 揭示了该特征的分布范围和频率。
EBM模型可视化的展示不仅揭示了各个特征在评估过程中的重要性, 还为理解特征与威胁等级之间的复杂关系提供了一个清晰的视角。通过直观分析, 能够更深入地洞察数据, 把握特征对威胁评估结果的具体影响, 从而为UUV自主决策提供有力的辅助工具。
3.4 算法性能比较
为了衡量EBM模型性能, 文中在进行模型的训练时, 还采用了以下3种机器学习方法。
1) 分类提升(CatBoost)算法: 一个开源的决策树梯度提升库, 性能优于大多数现有的机器学习算法, 并且可自动转换类别变量和缺失值, 无需额外的预处理步骤。
2) 自适应提升(AdaBoost)算法: 一种集成学习算法, 通过组合多个弱分类器来构建一个强分类器。
3) 深度学习: 参考文献[11]建立包含输入层、隐含层和输出层的7层网络结构, 并引入早停机制, 以预防模型的过拟合现象, 减少训练所需时间。
为保证对比结果的有效性, 文中在进行对比的机器学习算法上采用与EBM模型相同的训练集和测试集。进行性能对比时, 主要关注预测目标威胁等级准确率、交叉熵损失和算法执行时间。在利用测试样本集进行测试时, 与上述3种模型方法进行了比较, 结果如图8~图10所示。
评价指标含义:
1) 准确率, 即所有样本中被正确预测的样本的比例;
2) 交叉熵损失, 即衡量模型预测的概率分布与真实的概率分布之间的差异, 值越小说明模型的预测结果与真实结果越接近;
3) 算法执行时间, 即模型在训练集上的训练时间和测试集上预测所花费时间的总和。
从图中可以看出, EBM模型在准确率及交叉熵损失上的表现可以和分类性能最好的机器学习算法相媲美。由于EBM模型采用逐步迭代的方法构建, 且每次迭代仅专注于单一特征, 因此在模型训练速度上可能不及CatBoost和AdaBoost。然而, EBM在预测阶段仅进行简单的加法和查找运算, 其预测速度相较于深度学习模型有显著优势, 因此该模型更加符合战场对抗的实时性要求。仿真对比结果显示, EBM模型在UUV威胁评估任务中不仅展现了较高的准确性, 同时在处理速度上也表现出色。
4. 结束语
文中针对现有威胁评估方法中存在的建模准确性与可解释性之间的矛盾, 提出了一种基于EBM的UUV对目标威胁评估预测模型。通过样本测试集和UUV作战场景的仿真测试结果表明, 该模型不仅能够准确评估目标的威胁等级, 还能够直观地展示每个特征对预测结果的贡献。此外, 模型在运算实时性方面也表现出色, 为UUV的自主决策提供了坚实的理论支撑。
然而, 文中所构建的威胁评估模型主要聚焦于目标在当前时刻的状态。在未来的研究中, 如何有效地整合目标的时序状态信息, 将成为后续研究工作的重点。这将有助于构建一个更加全面且动态的评估模型,能够更精准地捕捉目标行为的演变趋势,进而为无人水下航行器(UUV)提供更为精准和前瞻性的威胁评估。
-
表 1 目标类型特点及威胁度量化表
Table 1. Characteristics of target types and threat quantification
目标类型 特点 威胁
隶属度巡逻艇 探测能力强、携带武器多、隐蔽性弱 0.5 鱼雷 航速大、体积小、杀伤力强、隐蔽性较强 0.9 USV 航速较大、隐蔽性较弱 0.4 中型UUV 航速小、隐蔽性强 0.2 表 2 目标毁伤能力威胁度量化表
Table 2. Quantification of the threat of target damage capability
目标类型 巡逻艇 USV UUV 鱼雷 毁伤能力 0.8 0.6 0.4 0.2 表 3 目标探测能力威胁度量化表
Table 3. Quantification of the threat of target detection capabilities
目标类型 巡逻艇 USV UUV 鱼雷 探测能力 0.8 0.4 0.6 0.2 表 4 部分样本数据
Table 4. Partial sample data
目标
类型毁伤
能力探测
能力距离
量化速度
量化角度
量化威胁
等级USV 0.6 0.6 0.1 0.41 0.42 1 巡逻艇 0.8 0.8 0.83 0.95 0.32 3 UUV 0.4 0.4 0.1 0.1 0.24 0 鱼雷 0.2 0.2 0.56 0.17 0.93 4 表 5 EBM模型参数设置
Table 5. Parameter settings of the EBM model
参数 值 参数 值 输入特征个数 6 学习率 0.35 输出节点个数 5 最大分箱数 35 最大叶子数 2 外袋数量 1 最小海森值 0.5 链接函数 $ \mathrm{Soft}\max $ -
[1] 汤志荔, 张安. 战场威胁估计理论与方法研究[J]. 火力与指挥控制, 2011, 36(9): 1-4. doi: 10.3969/j.issn.1002-0640.2011.09.001TANG Z L, ZHANG A. Survey of methods and theory for battlefield threat assessment[J]. Fire Control & Command Control, 2011, 36(9): 1-4. doi: 10.3969/j.issn.1002-0640.2011.09.001 [2] 董泽委. 陆战场低空多域场景下的集群目标威胁动态评估[J]. 清华大学学报(自然科学版), 2024, 64(8): 1380-1390.DONG Z W. Dynamic assessment of swarm target threat in low-altitude multi-domain scenario of land battlefield[J]. Journal of Tsinghua University(Natural Science Edition), 2024, 64(8): 1380-1390. [3] 郭佳. 基于多属性决策的空中目标威胁评估方法研究[D]. 北京: 北京理工大学, 2017. [4] 冯卉, 宋宝军, 张春梅. 基于改进灰色关联法的空袭目标威胁评估方法[J]. 运筹与管理, 2023, 32(9): 1-6.FENG H, SONG B J, ZHANG C M. Threat assessment method of air raid target based on improved grey correlation method[J]. Operations Research and Management, 2023, 32(9): 1-6. [5] 王光源, 李浩民, 祝大程, 等. 基于熵权法-灰色关联法的海目标威胁度评估[J]. 指挥控制与仿真, 2023, 45(4): 57-61. doi: 10.3969/j.issn.1673-3819.2023.04.009WANG G Y, LI H M, ZHU D C, et al. Threat assessment of sea surface targets based on entropy weight method-grey correlation method[J]. Command & Control & Simulation, 2023, 45(4): 57-61. doi: 10.3969/j.issn.1673-3819.2023.04.009 [6] 李丹一. 基于贝叶斯网络的水下威胁评估方法研究[D]. 杭州: 浙江大学, 2021. [7] 李叶. 基于贝叶斯网络的战场目标威胁评估方法研究[D]. 西安: 西安工业大学, 2022. [8] 方伟, 张婷婷, 余应福, 等. 基于卷积神经网络的单机空战威胁评估[J]. 电子设计工程, 2023, 31(23): 12-16, 21.FANG W, ZHANG T T, YU Y F, et al. Threat assessment of stand-alone air combat based on convolutional neural network[J]. Electronic Design Engineering, 2023, 31(23): 12-16, 21. [9] 杨童瑶, 杨风暴, 吉琳娜. 基于行为意图的海上目标动态威胁评估[J]. 探测与控制学报, 2021, 43(6): 84-91, 100.YANG T Y, YANG F B, JI L N. Dynamic threat assessment of maritime targets based on behavioral internet[J]. Journal of Detection and Control, 2021, 43(6): 84-91, 100. [10] 翟翔宇, 杨风暴, 吉琳娜, 等. 标准化全连接残差网络空战目标威胁评估[J]. 火力与指挥控制, 2020, 45(6): 39-44.ZHAI X Y, YANG F B, JI L N, et al. Standardized fully connected residual network air combat target threat assessment[J]. Firepower and Command Control, 2020, 45(6): 39-44. [11] 柴慧敏, 张勇, 李欣粤, 等. 基于深度学习的空中目标威胁评估方法[J]. 系统仿真学报, 2022, 34(7): 1459-1467.CHAI H M, ZHANG Y, LI X Y, et al. Threat assessment method for air targets based on deep learning[J]. Journal of System Simulation, 2022, 34(7): 1459-1467. [12] 吕少楠. 基于深度学习的态势评估方法[D]. 西安: 西安电子科技大学, 2020. [13] 江达伟, 董阳阳, 张立东, 等. 基于深度学习的空中目标威胁评估技术研究[EB/OL]. [2025-01-16]. https://doi.org/10.16182/j.issn1004731x.joss.23-1323.JIANG D W, DONG Y Y, ZHANG L D, et al. Research on threat assessment technology of air targets based on deep learning[EB/OL]. [2025-01-16]. https://doi.org/10.16182/j.issn1004731x.joss.23-1323. [14] 周鑫, 徐荣武, 程果, 等. 基于OTPA声源级估计的被动声呐探测距离评估方法[J]. 中国舰船研究, 2022, 17(4): 114-120, 133.ZHOU X, XU R W, CHENG G, et al. Passive sonar detection range evaluation method based on OTPA source level estimation[J]. Chinese Journal of Ship Research, 2022, 17(4): 114-120, 133. [15] 徐齐胜, 许可乐, 窦勇, 等. 基于被动声呐音频信号的水中目标识别综述[J]. 自动化学报, 2024, 50(4): 649-673.XU Q S, XU K L, DOU Y, et al. A review of underwater target recognition based on passive sonar audio signal[J]. Acta Automatica Sinica, 2024, 50(4): 649-673. [16] 张延风, 刘建书, 张士峰. 基于层次分析法和熵值法的目标多属性威胁评估[J]. 弹箭与制导学报, 2019, 39(2): 163-165.ZHANG Y F, LIU J S, ZHANG S F. Multi-attribute threat assessment of targets based on analytic hierarchy process and entropy method[J]. Journal of Projectiles, Rockets and Guidance, 2019, 39(2): 163-165. [17] LOU Y, CARUANA R, GEHRKE J. Intelligible models for classification and regression[C]//Proceedings of the 18th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, New York, USA: ACM, 2012: 150-158. [18] REHMAN S, REHMAN E, IKRAM M, et al. Cardiovascular disease(CVD): assessment, prediction and policy implications[J]. BMC Public Health, 2021, 21: 1-14. doi: 10.1186/s12889-020-10013-y -