浅谈基于卷积神经网络的反无人机蜂群智能决策算法

摘要：随着无线通信、人工智能等技术的迅猛发展，无人机蜂群技术逐渐崭露头角，并在实战中得到了广泛应用。本文将探讨基于卷积神经网络的反无人机蜂群智能决策算法，采用模糊数学理论对无人机蜂群目标行为因素进行威胁度评估，建立无人机蜂群行为因素到无人机蜂群拦截方式的触发逻辑，并构建卷积神经网络结构对无人机蜂群行为因素与拦截方式的非线性关系进行建模。通过仿真实验验证所提算法的有效性，旨在为反无人机蜂群的智能决策提供新的思路和方法。

关键词：卷积云神经网络；反无人机蜂群；智能算法

引言：卷积神经网络作为深度学习的一种重要模型，具有强大的特征提取和分类能力。通过对样本数据进行逐层特征变换，卷积神经网络能够将样本在原空间的特征表示变换到新的特征空间，并学习得到层次化的特征表示。因此，将卷积神经网络应用于反无人机蜂群的智能决策算法中，有望实现对无人机蜂群行为信息的快速、准确识别，并给出合适的拦截建议。

1.目标行为信息模糊表征

1.1无人机蜂群目标行为因素提取

在反无人机蜂群智能决策中，对目标行为模糊信息的识别与把握是关键环节[1]。无人机集群行为提取的参数集，诸如距离、速度、高度、航向角等量化参数，以及干扰能力等定性参数。应对这些性质多样、量级不一的变量。本文引用模糊数学原理，将行为因素的实际数值经巧妙设计的隶属度函数转换成标准化的威胁等级，达成了全面而一致的量化表述，该过程成功消除了量纲不一致的矛盾，为后续模型训练及智能决策提供了明确、有序的输入资料，提高了决策系统的准确性及可靠性。

1.2无人机蜂群目标行为因素隶属度函数

鉴于无人机蜂群目标行为涉及多种不同维度的数据，其中距离、速度、高度及航向角均为可直接测量的具体量值，干扰能力系依据评估建立的定性评价标准，若这种混合度量特性未经处理，可能干扰模型训练阶段，对模型性能及准确性带来影响参数[2]。

为了消除这一问题，本文采纳了模糊数学理论，为各类行为指标，特设了隶属度函数，函数制作以实战态势及专家知识为核心精细实施，维持其效力与真实，采用这些隶属度函数完成，无人机集群行为要素的实际数值经过归一化，得到相应的风险等级，全面实现了对各种行为因素的量化表达。

2.无人机蜂群拦截的触发逻辑

无人机蜂群拦截的触发原理依赖对其实时行为因素的监测与综合评价，无人机集群的行为表现解析，诸如距离、速度、高度、航向角等量化参数，以及干扰能力等定性参数，若安全上限超过预定值或威胁等级达到特定级别，防御系统即将就绪。此逻辑综合评估了无人机集群的大小、变化趋势、飞行路径和潜在攻击动机，采用模糊数学技术将行为要素转化为标准化的威胁评估值，据此决定是否执行拦截行动[3]。触发逻辑设计充分兼顾了战场的复杂性及不确定性，在确保安全的前提下实施，有效防范无人机集群的潜在危害，该逻辑表现出灵活性，可依实际战况及战略需求作出调整优化，以应对各类拦截情境及任务需求

3.卷积神经网络构建

卷积神经网络的构建原理建立在输入层的原始图像数据之上，采用多个卷积层，以不同卷积核捕捉图像局部特性，边缘纹理等构成属性，在激活层中融入非线性成分，强化网络表述水平。池化层对特征图执行下采样操作，简化数据维度级，维持核心特性，降低过拟合的风险水平，这一动作反复进行，逐步筛选出更深层次、更抽象的特性，全连接层将高层次抽象特征投射到输出空间，完成分类与回归工作。网络整体借助反向传播算法优化参数设置，降低损失函数值，增强模型效率，构建卷积神经网络时，充分考量了图像数据的空间属性与层级结构，使其在图像识别、分类等应用领域展现出超凡实力。

4.仿真结果分析

4.1样本点选取

为了训练构建的卷积神经网络，本文依据表1所规定的样本点选取规则，从无人机蜂群的行为因素中精心挑选样本数据。本文在距离、速度、高度、航向角和干扰能力这五个维度上分别均匀选取了4个、5个、4个、4个和3个样本点，总计汇聚成960组全面且多样的样本数据集。每组数据均涵盖距离、速度、高度、航向角的隶属度值，以及干扰能力的隶属度值，并附加了相应的拦截方式，共计五类关键信息。这样的数据构建策略确保了训练集既全面反映了无人机蜂群行为的多样性，又为神经网络的训练提供了丰富的信息基础。

4.2模型训练

本文实施自适应梯度下降算法以改善卷积神经网络的权重参数，批次大小定为128，迭代周期为400轮，学习率初始值定为0.001，讨论训练参数的抉择，迭代轮数的选取极为关键，随着训练轮数的逐步累积，准确率持续攀升，最终稳定在97%左右，持续增加迭代次数对准确率提升效果不明显，训练时间将延长数倍。在400次迭代次数既定，初始学习率介于0.0005与0.01之间，准确率维持在97%，该区间内初始学习率对模型训练精度影响微乎其微，兼顾训练效率与模型表现力，该参数调整被认为是最优解。

在构建的960个样本数据集中，将800组数据划归为训练样本，剩余的160组数据将组成测试样本集，模型训练实施阶段里，训练轮数逐步上升，训练精度达到平衡，损失指标停滞不前，即认定模型已进入收敛阶段，此时的权重参数认定为最佳。

将测试集导入至训练好的模型，从而获得仿真效果，水平轴对应160组测试样本，纵轴描绘了8种无人机蜂群拦截技术，本研究的成果之一是测试集输出混淆矩阵图，经过系统分析，测试集输出与真实值匹配率高达97.5%，误差控制得佳。深入分析了隶属度函数及其参数对卷积神经网络性能的促进作用，以距离变量为参照，隶属度函数中的参数a可调整曲线的弯曲趋势，指定隶属度为零的距离地带，a=0.00025，所形成的距离隶属度变化趋势成功区分了不同拦截手段的作用范围。把a的值设定为0.0005，图9里描绘的函数α，100-150km区间隶属度值均归零，不易分辨中远与远距离，这或许需对拦截触发机制作出调整，a值不断攀升，隶属度为零的区域亦会相应拓展，为探究隶属度函数参数对模型的作用力，维持原有仿真参数不变，对a数值进行微调至0.00035，决策准确率轻微上调至98.35%。

研究了隶属度函数形态改变对模型效能的直接影响效果，隶属函数经修改后为β函数，测试集决策准确率略降0.125个百分点，隶属度函数的调整对卷积神经网络的训练结果产生一定作用，这种影响尚属微乎其微。

结论：综上所述，基于卷积神经网络的反无人机蜂群智能决策算法在反无人机蜂群技术中具有广阔的应用前景。未来，将继续深入研究该算法的优化与改进，以期在实战中发挥更大的作用。

参考文献：

[1]孙学章，时晨光，周建江.基于卷积神经网络的反无人机蜂群智能决策算法[J].战术导弹技术，2024，（03）：154-162.

[2]谢家阳，王行健，史治国，等.动态云台摄像机无人机检测与跟踪算法[J].智能系统学报，2021，16（05）：858-869.

[3]孙颢洋，王欣，曹昭睿，等.基于深度学习的反无人机预警神经网络[J].科学技术与工程，2021，21（22）：9461-9469.

作者简介：姓名：吴自伟；性别：男；出生年月：1972-12-07；籍贯：四川省三台县 民族；汉最高学历：硕士；目前职称：工程师；研究方向：反无人机方系统及算法