使用人工神经网络的防空系统威胁评估模型

本研究旨在利用动态学习人工智能模型自动化防空系统中的威胁评估和目标分配过程。研究整合了缺失数据补全、多标准分析和人工神经网络，动态更新威胁分数。与现有文献中威胁评估方法不同，本研究使用更多标准，提供更全面的视角。研究开发了一种几何威胁分数，根据个人和地理条件变化，利用雷达和传感器获取的标准数据进行威胁分数生成，并能适应变化条件。实验结果表明，均方误差（MSE）为0.0005–0.0072，相关系数（R）超过95%，性能优异。该方法加速了防空系统中的决策支持过程，减少了人为影响，提高了系统效率。

研究首先从56篇文献中收集了223个目标数据点，确定了26个最常用且可进行数据补全的标准。数据预处理包括标准化、缺失数据补全和威胁不确定性水平计算。研究提出了一种结合几何威胁分数，将文献中的威胁值与标准重要性权重结合，形成ANN训练的坚实基础。ANN模型采用三层结构，包括输入层、输出层和隐藏层，使用Levenberg-Marquardt反向传播算法进行训练，并采用均方误差（MSE）作为性能指标。实验结果表明，模型具有高精度和泛化能力，相关系数（R）约为0.9617，均方误差（MSE）在0.0005到0.0072之间。

研究还进行了比较分析，与现有文献中使用ANN的研究相比，本研究考虑了更多标准，训练速度更快，模型效率更高。模拟结果表明，模型能够根据不同标准对目标进行有效排序，为防空系统自动目标分配提供支持。研究结论认为，该模型能够显著提高决策速度和准确性，减少人为错误，并为网络化防空系统提供自动威胁优先级排序的框架。未来研究将测试模型在实时雷达数据、深度学习架构、自动武器分配模块等方面的应用，并评估其在真实动态战场环境中的性能。