专利摘要
本发明提供了一种潜艇隐身辅助决策系统及决策方法，决策系统包括辅助决策方案生成模块、方案仿真推演模块、人机交互模块以及所需的数据库；决策方法为潜艇航行过程中，被探测概率超出阈值时，将探测频段、隐身态势评估中的被探测概率、潜艇与探测平台的相对运动趋势、相对位置作为方案生成模块的输入，利用基于模糊神经网络和机动规避策略建立的辅助决策方案自动生成模块，产生潜艇设备目标运行状态及潜艇目标运行状态，以及潜艇规避位置，组合形成三个待选的辅助决策方案；本发明通过集成方案生成模块和仿真推演模块，提供方案的效能评估信息，保证待选方案的合理性和有效性，应用于常规潜艇的隐蔽航渡任务，能够有效提升潜艇的动态隐身能力。
权利要求
1.一种潜艇隐身辅助决策系统，其特征在于：包括基于模糊神经网络和规避策略的方案生成模块，基于潜艇声辐射模型、水下声传播损失模型、潜艇隐身态势评估模型的方案仿真推演模块，进行方案修改和选择的人机交互模块，在线学习模块，以及以上模块所需的数据库；所述的基于模糊神经网络和规避策略的方案生成模块接收探测平台的探测频段、潜艇被探测概率、潜艇与探测平台的相对运动趋势以及潜艇与探测平台的相对位置关系，经过计算，得到包括潜艇运动状态、设备工况控制方案以及潜艇对探测平台进行规避的目标位置在内的待选方案；所述的基于潜艇声辐射模型、水下声传播损失模型、潜艇隐身态势评估模型的方案仿真推演模块接收来自方案生成模块的待选方案，经过计算，得到待选方案的效能指标，包括方案对应的潜艇声源级、传播损失、潜艇被探测概率，以及以上三者相对于当前状态的变化率；所述的人机交互模块接收方案生成模块的待选方案和仿真推演模块的方案效能指标，呈现给用户，经过修改和选择，得到要实施的方案；在线学习模块接收人机交互模块选定的方案以及该方案对应的方案生成模块的输入信息，通过方案生成模块中模糊神经网络的自学习功能，实现方案的在线学习；所述数据库包括方案生成模块模糊神经网络所需的训练数据对，潜艇辐射噪声计算模型所需的潜艇设备加速度和传递函数，潜艇隐身态势评估模型所需的探测平台接收指向性指数、海洋环境噪声。
2.一种使用如权利要求1所述的潜艇隐身辅助决策系统的潜艇隐身辅助决策方法，其特征在于：包括接收潜艇隐身态势评估中的探测平台探测频段、潜艇被探测概率以及潜艇与探测平台的相对运动趋势和潜艇和探测平台的相对位置关系，并对其进行预处理，作为潜艇隐身辅助决策系统的输入接口；构建融合探测平台探测频段、潜艇被探测概率、潜艇与探测平台的相对运动趋势并且具有自学习能力的模糊神经网络，以及融合潜艇与探测平台相对位置关系的机动规避策略，在计算机系统中编程实现；通过专家知识和模型试验获取模糊神经网络训练样本对，从中选取2/3的数据作为训练样本，对构建的模糊神经网络进行离线训练，并预留1/3的数据样本作为检测样本对训练后的模糊神经网络进行验证；依据输入接口信息，通过模糊神经网络生成潜艇运动状态、设备工况控制方案，通过规避策略生成潜艇规避探测平台的目标经纬度，生成3个待选方案，方案1仅对潜艇运动状态、设备工况进行控制，方案2仅对探测平台进行机动规避，方案3对潜艇运动状态、设备工况进行控制并对探测平台进行机动规避；根据方案中的潜艇运动状态、设备工况以及潜艇与探测平台的相对位置关系，通过潜艇声辐射模型、水下声传播损失模型、声纳方程、潜艇隐身态势评估模型，给出方案的效能指标；将方案和效能指标呈现给用户，用户对方案进行修改和选择；将用户选择方案中的潜艇运动状态、设备工况及其对应的潜艇隐身辅助决策系统输入信息加入到模糊神经网络的训练中，并利用其对模糊神经网络的权值进行微调，实现模糊神经网络的在线学习。
3.根据权利要求2所述的一种潜艇隐身辅助决策方法，其特征在于：所述的融合探测平台探测频段、潜艇被探测概率、潜艇与探测平台的相对运动趋势并且具有自学习能力的模糊神经网络：包括构建模糊神经网络结构步骤，采用五层模糊神经网络结构，第一层为输入层：探测平台的探测频段、潜艇被探测概率、潜艇与探测平台之间的相对运动趋势，3个输入变量为网络的输入神经元；第二层为模糊化输入层：计算每个输入变量对隶属度中心的隶属度；第三层为模糊规则层：实现每条规则的前件计算；第四层为模糊化输出层：计算每条规则的适应度；第五层为输出层：计算出潜艇目标状态，包括需要增加的潜深值和需要减小的航速值，以及潜艇目标设备工况，包括柴油机组、液压泵机组、主疏水泵、舱底泵、海水泵、轴系滑油泵、推进电机的工况；学习步骤包括对构建的模糊神经网络进行离线训练，获取模糊神经网络的权值和隶属度函数的参数；对训练好的模糊神经网络进行验证；应用步骤包括运行模糊神经网络，得到需要增加的潜深值和需要减小的航速值，以及潜艇目标设备工况，包括柴油机组、液压泵机组、主疏水泵、舱底泵、海水泵、轴系滑油泵、推进电机的工况。
4.根据权利要求3所述的一种潜艇隐身辅助决策方法，其特征在于，所述的学习步骤包括：
需要学习的参数为最后一层的连接权值w
其中，f
其中，β>0为学习率，x为当前参数的标号，x+1为更新的参数的标号；
模糊神经网络的学习训练过程是通过不断调整连接权值和隶属度函数，使模糊神经网络的输出与最终的期望值的误差最小，直到达到规定的迭代次数为止；在数据库中保存训练样本，离线学习完毕后将权值和隶属度函数的参数固化到神经网络结构中；使用预留的1/3的数据样本作为检测样本对训练后的模糊神经网络进行测试，以预留的1/3的测试样本的输入数据作为训练好的模糊神经网络的输入，观察其输出与样本期望值的误差是否满足要求，从而完成测试过程。
5.根据权利要求4所述的一种潜艇隐身辅助决策方法，其特征在于，所述的模糊神经网络学习训练过程如下：
依据输入的探测频段、潜艇被探测概率、潜艇与探测平台的相对运动趋势，基于训练好的模糊神经网络，计算潜艇目标运动状态和设备工况；具体包括：
(1.1)第一层为输入层；探测平台的探测频段、潜艇被探测概率、潜艇与探测平台之间的相对运动趋势，3个输入变量为网络的输入神经元；
(1.2)第二层为模糊化输入层；计算每个输入变量对隶属度中心的隶属度；
(1.3)第三层为模糊规则层；实现每条规则的前件计算；
(1.4)第四层为模糊化输出层；计算每条规则的适应度；
(1.5)第五层为输出层；计算出潜艇目标状态，包括需要增加的潜深值和需要减小的航速值，以及潜艇目标设备工况，包括柴油机组、液压泵机组、主疏水泵、舱底泵、海水泵、轴系滑油泵、推进电机的工况。
6.根据权利要求5所述的一种潜艇隐身辅助决策方法，其特征在于：步骤(1.1)中的第一层为输入层；有三个节点，分别对应探测平台的探测频段f单位为Hz、潜艇的被探测概率Pd、潜艇与探测平台的相对运动趋势d以60秒后的距离改变表示，单位为m；第一层中每个神经元表示一个输入信号，神经元个数等于输入变量个数，即为3个，它把输入矢量X＝(x
其中，
7.根据权利要求5所述的一种潜艇隐身辅助决策方法，其特征在于，步骤(1.3)中的第三层为模糊规则层；有27个节点，代表27条模糊规则，完成模糊规则的前件计算；其每个节点代表一条模糊规则，它的作用是用来匹配模糊规则的前层，计算每条规则的适应度；表示为：
其中，s
8.根据权利要求5所述的一种潜艇隐身辅助决策方法，其特征在于，步骤(1.4)中的第四层为模糊化输出层有27个节点，代表27个隶属度的适应度，每个规则层神经元与第四层表示相应结论的神经元相连，进行归一化处理：
第四层节点总数为N
9.根据权利要求5所述的一种潜艇隐身辅助决策方法，其特征在于，步骤(1.5)中的第五层为输出层；有9个节点，分别是潜艇要增加的潜深值、潜艇要减小的航速值以及柴油机组、液压泵机组、主疏水泵、舱底泵、海水泵、轴系滑油泵、推进电机的工况，第五层输出神经元的个数等于输出变量的个数，计算每个输出，即：
其中，k＝1,2,...,r，第五层的节点总数为N
说明书
技术领域
本发明属于武器装备领域，具体涉及一种潜艇动态隐蔽性的潜艇隐身辅助决策系统及决策方法。
背景技术
潜艇是当前世界各国海军的主要武器装备之一，其战斗力和生命力在于其隐蔽性。其中声隐身性对于潜艇作战使用尤为关键，是其前沿存在、安全履行使命的重要前提，可以定性描述为：潜艇在特定海战场环境下有效躲避敌方声学探测、安全履行使命任务的能力。
随着水下声学探测技术的快速发展，潜艇的隐蔽性受到了极大的威胁，寻求更加先进的潜艇隐身技术来获得更好的隐蔽性能，是当前潜艇设计中亟需解决的课题。实际作战使用中，潜艇隐蔽性则主要取决于其可探测性，通常利用既定威胁的安全半径或不同距离的探测概率进行描述。在海战场环境下，为使潜艇有效规避敌方的声学探测，需要基于潜艇运行工况、潜艇综合声隐身态势评估结果以及敌目标特征信息，实施包括噪声源设备控制、战术规避等的潜艇动态隐身措施。未来海战场环境瞬息万变，单凭人工做出决策愈发无法满足作战需求，而计算机辅助决策系统能够高效地处理战场信息和其他相关信息，为指挥员提供决策支持建议。
当前，国内潜艇隐身辅助决策研究成果多限于对潜艇隐身态势的评估，对隐身辅助决策中的方案自动生成、仿真推演的研究较少，不能提供更为直观的辅助决策信息，仍需指挥员根据隐身态势做出决策。在隐身辅助决策方案自动生成方面研究较少，且普遍通过专家系统、规则引擎等表达辅助决策知识，通过逻辑推理给出辅助决策方案，对复杂环境的适应能力有限。另外，潜艇隐身辅助决策仿真推演中存在以下问题：高精度模型带来庞大的计算量，使仿真耗时剧增，同时增加了辅助决策系统集成的难度；经验模型通常无法满足作战工况下的精度要求，使仿真推演结果可信度降低。
发明内容
本发明的目的在于提供一种潜艇隐身辅助决策系统及决策方法，针对目前潜艇动态隐身存在的问题与需求，本发明包括方案生成模块、方案仿真推演模块、人机交互模块在内的，能够实现方案自动生成和学习、仿真推演模型精度满足要求且计算量适中、各模块高效集成的适用于复杂海战场环境的潜艇隐身辅助决策系统及其实现方法。
本发明的目的是这样实现的：
一种潜艇隐身辅助决策系统，包括基于模糊神经网络和规避策略的方案生成模块，基于潜艇声辐射模型、水下声传播损失模型、潜艇隐身态势评估模型的方案仿真推演模块，进行方案修改和选择的人机交互模块，在线学习模块，以及以上模块所需的数据库；所述的基于模糊神经网络和规避策略的方案生成模块接收探测平台的探测频段、潜艇被探测概率、潜艇与探测平台的相对运动趋势以及潜艇与探测平台的相对位置关系，经过计算，得到包括潜艇运动状态、设备工况控制方案以及潜艇对探测平台进行规避的目标位置在内的待选方案；所述的基于潜艇声辐射模型、水下声传播损失模型、潜艇隐身态势评估模型的方案仿真推演模块接收来自方案生成模块的待选方案，经过计算，得到待选方案的效能指标，包括方案对应的潜艇声源级、传播损失、潜艇被探测概率，以及以上三者相对于当前状态的变化率；所述的人机交互模块接收方案生成模块的待选方案和仿真推演模块的方案效能指标，呈现给用户，经过修改和选择，得到要实施的方案；在线学习模块接收人机交互模块选定的方案以及该方案对应的方案生成模块的输入信息，通过方案生成模块中模糊神经网络的自学习功能，实现方案的在线学习；所述数据库包括方案生成模块模糊神经网络所需的训练数据对，潜艇辐射噪声计算模型所需的潜艇设备加速度和传递函数，潜艇隐身态势评估模型所需的探测平台接收指向性指数、海洋环境噪声。
一种潜艇隐身辅助决策方法，包括接收潜艇隐身态势评估中的探测平台探测频段、潜艇被探测概率以及潜艇与探测平台的相对运动趋势和潜艇和探测平台的相对位置关系，并对其进行预处理，作为系统的输入接口；构建融合探测平台探测频段、潜艇被探测概率、潜艇与探测平台的相对运动趋势并且具有自学习能力的模糊神经网络，以及融合潜艇与探测平台相对位置关系的机动规避策略，在计算机系统中编程实现；通过专家知识和模型试验获取模糊神经网络训练样本对，从中选取2/3的数据作为训练样本，对构建的模糊神经网络进行离线训练，并预留1/3的数据样本作为检测样本对训练后的模糊神经网络进行验证；依据输入接口信息，通过模糊神经网络生成潜艇运动状态、设备工况控制控制方案，通过规避策略生成潜艇规避探测平台的目标经纬度，生成3个待选方案，方案1仅对潜艇运动状态、设备工况进行控制，方案2仅对探测平台进行机动规避，方案3对潜艇运动状态、设备工况进行控制并对探测平台进行机动规避；根据方案中的潜艇运动状态、设备工况以及潜艇与探测平台的相对位置关系，通过潜艇声辐射模型、水下声传播损失模型、声纳方程、潜艇隐身态势评估模型，给出方案的效能指标；将方案和效能指标呈现给用户，用户对方案进行修改和选择；将用户选择方案中的潜艇运动状态、设备工况及其对应的系统输入信息加入到模糊神经网络的训练集中，并利用其对模糊神经网络的权值进行微调，实现模糊神经网络的在线学习。
所述的融合探测平台探测频段、潜艇被探测概率、潜艇与探测平台的相对运动趋势并且具有自学习能力的模糊神经网络；包括构建模糊神经网络结构步骤，采用五层模糊神经网络结构，第一层为输入层：探测平台的探测频段、潜艇被探测概率、潜艇与探测平台之间的相对运动趋势，3个输入变量为网络的输入神经元；第二层为模糊化输入层：计算每个输入变量对隶属度中心的隶属度；第三层为模糊规则层：实现每条规则的前件计算；第四层为模糊化输出层：计算每条规则的适应度；第五层为输出层：计算出潜艇目标状态，包括需要增加的潜深值和需要减小的航速值，以及潜艇目标设备工况，包括柴油机组、液压泵机组、主疏水泵、舱底泵、海水泵、轴系滑油泵、推进电机的工况；学习步骤包括对构建的模糊神经网络进行离线训练，获取模糊神经网络的权值和隶属度函数的参数；对训练好的模糊神经网络进行验证；应用步骤包括运行模糊神经网络，得到需要增加的潜深值和需要减小的航速值，以及潜艇目标设备工况，包括柴油机组、液压泵机组、主疏水泵、舱底泵、海水泵、轴系滑油泵、推进电机的工况。
所述的学习步骤包括：
需要学习的参数为最后一层的连接权值wkj(k＝1,2,...,r；j＝1,2,...,m)，以及第二层中的隶属度函数的中心值 和宽度 取误差代价函数为：
其中，ydk，yk分别表示神经网络的期望输出和实际输出；利用误差反向传播算法计算 然后利用梯度下降法来调节wkj， 参数调整学习算法为：
其中，β>0为学习率，x为当前参数的标号，x+1为更新的参数的标号；
模糊神经网络的学习训练过程是通过不断调整连接权值和隶属度函数，使模糊神经网络的输出与最终的期望值的误差最小，直到达到规定的迭代次数为止；在数据库中保存训练样本，离线学习完毕后将权值和隶属度函数的参数固化到神经网络结构中；使用预留的1/3的数据样本作为检测样本对训练后的模糊神经网络进行测试，以预留的1/3的测试样本的输入数据作为训练好的模糊神经网络的输入，观察其输出与样本期望值的误差是否满足要求，从而完成测试过程。
所述的模糊神经网络学习训练步骤如下：
依据输入的探测频段、潜艇被探测概率、潜艇与探测平台的相对运动趋势，基于训练好的模糊神经网络，计算潜艇目标运动状态和设备工况；具体包括：
(1.1)第一层为输入层；探测平台的探测频段、潜艇被探测概率、潜艇与探测平台之间的相对运动趋势，3个输入变量为网络的输入神经元；
(1.2)第二层为模糊化输入层；计算每个输入变量对隶属度中心的隶属度；
(1.3)第三层为模糊规则层；实现每条规则的前件计算；
(1.4)第四层为模糊化输出层；计算每条规则的适应度；
(1.5)第五层为输出层；计算出潜艇目标状态，包括需要增加的潜深值和需要减小的航速值，以及潜艇目标设备工况，包括柴油机组、液压泵机组、主疏水泵、舱底泵、海水泵、轴系滑油泵、推进电机的工况。
步骤(1.1)中的第一层为输入层；有三个节点，分别对应探测平台的探测频段f单位为Hz、潜艇的被探测概率Pd、潜艇与探测平台的相对运动趋势d以60秒后的距离改变表示，单位为m；该层中每个神经元表示一个输入信号，神经元个数等于输入变量个数，即为3个，它把输入矢量X＝(x1,x2,...,xn)的转置直接传递给下一层；该层节点数为N1＝n，n＝3；所述的步骤(1.2)中的第二层为模糊化输入层；有9个节点，代表9个隶属度函数，完成隶属度函数值的求取；每个节点代表一个语言变量：探测平台探测频段，单位为Hz，赋予3个语言变量值，即“高频”、“中频”、“低频”，隶属度中心为1000、550、100，宽度为900；潜艇被探测概率，赋予3个语言变量值，即“大”、“中”、“小”，隶属度中心为1.0、0.75、0.5，宽度为0.5；潜艇与探测平台的相对运动趋势，单位为m，赋予3个语言变量值，即“趋近”、“不变”、“远离”，隶属度中心为-200、0、200，宽度为400；这一层中的每个神经元用于模拟输入变量的一个隶属度函数，它的作用是计算各输入分量属于对应各语言变量值模糊集合的隶属度；采用高斯函数作为隶属度函数，即：
其中， 分别表示隶属度中心和宽度，i＝1,2,...,n，si＝1,2,...,mi，n是输入量的维数，n＝3，mi是xi的模糊分割数； 是输入变量对各语言变量值模糊集合的隶属度函数；该层节点总数为：
步骤(1.3)中的第三层为模糊规则层；有27个节点，代表27条模糊规则，完成模糊规则的前件计算；其每个节点代表一条模糊规则，它的作用是用来匹配模糊规则的前层，计算每条规则的适应度；表示为：
其中，s1j∈(1,2,...,m1),s2j∈(1,2,...,m2),...,snj∈(1,2,...,mn)；j＝1,2,...,m； 该层输出节点总数为N3＝m,m＝27。
步骤(1.4)中的第四层为模糊化输出层有27个节点，代表27个隶属度的适应度，每个规则层神经元与该层表示相应结论的神经元相连，进行归一化处理：
该层节点总数为N4＝m,m＝27。
步骤(1.5)中的第五层为输出层；有9个节点，分别是潜艇要增加的潜深值、潜艇要减小的航速值以及柴油机组、液压泵机组、主疏水泵、舱底泵、海水泵、轴系滑油泵、推进电机的工况，该层输出神经元的个数等于输出变量的个数，计算每个输出，即：
其中，k＝1,2,...,r该层的节点总数为N5＝9,r＝9；输出中的潜艇设备工况，推进电机存在0-4级共5种工况，输出其他设备存在开启和关闭2种工况，推进电机的四种工况阈值为0.2、0.4、0.6、0.8，其它设备两种工况的阈值为0.5；潜艇运动状态为要增加的潜深值和要减小的航速值均为具体的数值。
所述的方案仿真推演步骤，根据三个待选方案的潜艇运动状态、设备工况、潜艇机动规避的目标经纬度，通过声源级计算模型计算方案对应的潜艇声源级，通过水下声传播损失模型计算方案对应的传播损失，通过隐身态势评估模型计算方案对应的潜艇被探测概率，给出待选方案下潜艇的声源级、传播损失和被探测概率，根据当前潜艇的声源级、传播损失和被探测概率，计算声源级、传播损失、被探测概率在待选方案下与当前相比的变化率，作为方案的效能指标；其中，声源级计算过程为：
采用基于设备加速度和传递函数的声源级计算方法，其中传递函数和设备各工况下的加速度已经给定，将潜艇XY和XZ面上距离潜艇1m处的线分别均分为36个等效声源点；通过声辐射计算模型得出各点处的等效声源级：
spl＝20*lg(a)+H；
sp＝p0*10spl/20；
其中，spl是单机设备的声源级单位dB，a是设备加速度单位m/s2，H是设备到一个等效声源点的传递函数，sp是声压单位Pa，p0是基准声压级，为0.000001；
对于等效声源点i，计算所有设备到该点的声压级spi，其中j表示设备号：
根据上述计算过程可依次计算出72个等效声源点的声源级；通过插值可以计算出潜艇艇体坐标系下，探测平台位置处的等效声源级SL；
传播损失的计算过程为：
采用如下的估算公式计算潜艇噪声传播损失TL：
定义距离：
其中H为海水深度，L为浅海表面的混合层深度，单位均为km；则有以下估算公式：
其中r为水平距离单位为km，a为海水吸收指数单位为dB/km，kL为近场传播异常单位为dB/km，ar为浅海衰减系数单位为dB/km；
潜艇被探测概率的计算过程为：
由声纳方程：
SL-TL-NL+DI＝DT；
建立信号余量SE模型：
SE＝SL+DI-TL-NL-DT；
其中，接收指向性指数DI以及海洋环境噪声NL作为输入给定，声纳检测阈值DT由探测概率阈值pfa和虚警率pT计算得到：
计算探测平台对潜艇的探测概率Pd：
从而得出待选方案下潜艇的声源级、传播损失和被探测概率，根据当前潜艇的声源级、传播损失和被探测概率，计算声源级、传播损失、被探测概率在待选方案下与当前相比的变化率，作为方案的效能指标。
本发明的有益效果在于：
(1)本发明的基于模糊神经网络的辅助决策方案自动生成方法，训练集容易建立，可以只包括几种典型态势和相应方案的数值对，采用神经网络对模糊规则进行快速提取，所述方案生成模块的特性能够适应复杂的海战场环境，利用模糊神经网络的自学习能力，在运行过程中能够不断完善辅助决策规则，不断提高方案的适用性；
(2)本发明使用潜艇对应的设备加速度和传递函数对声源级进行计算，结构简单，可以只计算某个方向上的声源级，时效性好，并能保证一定的计算精度，且针对不同潜艇只需修改数据库中的加速度和传递函数表；
(3)本发明所设计的潜艇隐身辅助决策系统在生成辅助决策方案的基础上，对生成的方案进行仿真推演，有助于提高辅助决策方案的合理性和有效性。同时，能够使用户对方案的效能有直观的了解，以提供方案修改和选择依据。
附图说明
图1为本发明潜艇隐身辅助决策系统体系结构图；
图2为本发明潜艇隐身辅助决策方法流程；
图3为本发明潜艇与探测平台的相对位置关系；
图4为本发明模糊神经网络决策系统图；
图5为本发明模糊神经网络结构图；
图6为本发明部分模糊神经网络训练样本对比图；
图7为本发明潜艇机动规避探测平台策略示意图；
图8为本发明仿真推演流程图；
图9为本发明潜艇XY面36个等效声源点示意图；
图10为本发明潜艇XZ面36个等效声源点示意图。
具体实施方式
结合附图和实施例对本发明作进一步详细说明：
本发明一种潜艇隐身辅助决策系统，包括基于模糊神经网络和规避策略的方案生成模块，基于潜艇声辐射模型、水下声传播损失模型、潜艇隐身态势评估模型的方案仿真推演模块，进行方案修改和选择的人机交互模块，在线学习模块，以及以上模块所需的数据库。
其中，基于模糊神经网络和规避策略的方案生成模块接收探测平台的探测频段、潜艇被探测概率、潜艇与探测平台的相对运动趋势以及潜艇与探测平台的相对位置关系，经过计算，得到包括潜艇运动状态、设备工况控制方案以及潜艇对探测平台进行规避的目标位置在内的待选方案；然后，基于潜艇声辐射模型、水下声传播损失模型、潜艇隐身态势评估模型的方案仿真推演模块接收来自方案生成模块的待选方案，经过计算，得到待选方案的效能指标，包括方案对应的潜艇声源级、传播损失、潜艇被探测概率，以及以上三者相对于当前状态的变化率；最后，人机交互模块接收方案生成模块的待选方案和仿真推演模块的方案效能指标，呈现给用户，经过修改和选择，得到要实施的方案；在线学习模块接收人机交互模块选定的方案以及该方案对应的方案生成模块的输入信息，通过方案生成模块中模糊神经网络的自学习功能，实现方案的在线学习；数据库包括：方案生成模块模糊神经网络所需的训练数据对，潜艇辐射噪声计算模型所需的潜艇设备加速度和传递函数，潜艇隐身态势评估模型所需的探测平台接收指向性指数、海洋环境噪声。
结合图2所示，一种潜艇隐身辅助决策方法，包括：首先构建一种潜艇隐身辅助决策方法的体系结构，该体系结构包括：首先，接收潜艇隐身态势评估中的探测平台探测频段、潜艇被探测概率以及潜艇与探测平台的相对运动趋势和潜艇和探测平台的相对位置关系，并对其进行预处理，作为系统的输入接口。其次，构建融合探测平台探测频段、潜艇被探测概率、潜艇与探测平台的相对运动趋势并且具有自学习能力的模糊神经网络，以及融合潜艇与探测平台相对位置关系的机动规避策略，在计算机系统中编程实现；通过专家知识和模型试验获取模糊神经网络训练样本对，从中选取2/3的数据作为训练样本，对构建的模糊神经网络进行离线训练，并预留1/3的数据样本作为检测样本对训练后的模糊神经网络进行验证；依据输入接口信息，通过模糊神经网络生成潜艇运动状态、设备工况控制控制方案，通过规避策略生成潜艇规避探测平台的目标经纬度，生成3个待选方案，其中，方案1仅对潜艇运动状态、设备工况进行控制，方案2仅对探测平台进行机动规避，方案3对潜艇运动状态、设备工况进行控制并对探测平台进行机动规避。然后，根据方案中的潜艇运动状态、设备工况以及潜艇与探测平台的相对位置关系，通过潜艇声辐射模型、水下声传播损失模型、声纳方程、潜艇隐身态势评估模型，给出方案的效能指标。最后，将方案和效能指标呈现给用户，用户对方案进行修改和选择；将用户选择方案中的潜艇运动状态、设备工况及其对应的系统输入信息加入到模糊神经网络的训练集中，并利用其对模糊神经网络的权值进行微调，实现模糊神经网络的在线学习。
具体方法如步骤：
(1)一种潜艇隐身辅助决策系统接收潜艇隐身态势评估中的探测平台探测频段、潜艇被探测概率、潜艇与探测平台的相对运动趋势以及潜艇和探测平台的相对位置关系，其中探测频段为探测平台常用的100Hz-1000Hz之间的1/3倍频程频段；通常潜艇隐身态势评估中的检测阈值为0.5，潜艇被探测概率在50％-100％之间，因此输入的潜艇被探测概率数值为0.5-1.0；通过潜艇和探测平台的当前位置、速度、航向计算60秒后潜艇与探测平台的距离变化，以米为单位，接近表示为负数，远离表示为正数。
结合图3所示，通过潜艇与探测平台的当前位置，计算潜艇艇体坐标系下，探测平台相对于潜艇的位置，用高低角、方向角和距离表示。
(2)构建融合探测平台探测频段、潜艇被探测概率、潜艇与探测平台的相对运动趋势并且具有自学习能力的模糊神经网络。其中，探测频段用于结合单机设备噪声频率分布进行设备工况的辅助决策，潜艇被探测概率以及潜艇与探测平台的相对运动趋势决定对潜艇运动状态和设备工况控制的力度。
结合图4所示，本发明所设计的模糊神经网络包括：模糊神经网络模块，用于实现输入量的模糊化、模糊推理、模糊决策规则和解模糊；离线学习模块，用于进行所述神经网络模块的学习，学习网络节点的权值。
结合图5所示，本发明采用五层模糊神经网络结构，第一层为输入层：探测平台的探测频段、潜艇被探测概率、潜艇与探测平台之间的相对运动趋势，3个输入变量为网络的输入神经元；第二层为模糊化输入层：计算每个输入变量对隶属度中心的隶属度；第三层为模糊规则层：实现每条规则的前件计算；第四层为模糊化输出层：计算每条规则的适应度；第五层为输出层：计算出潜艇目标状态，包括需要增加的潜深值和需要减小的航速值，以及潜艇目标设备工况，包括柴油机组、液压泵机组、主疏水泵、舱底泵、海水泵、轴系滑油泵、推进电机的工况。
所述的第一层为输入层。有三个节点，分别对应探测平台的探测频段f单位为Hz、潜艇的被探测概率Pd、潜艇与探测平台的相对运动趋势d以60秒后的距离改变表示，单位为m。该层中每个神经元表示一个输入信号，神经元个数等于输入变量个数，即为3个，它把输入矢量X＝(x1,x2,...,xn)的转置直接传递给下一层。该层节点数为N1＝n，n＝3。
所述的第二层为模糊化输入层。有9个节点，代表9个隶属度函数，完成隶属度函数值的求取。每个节点代表一个语言变量：探测平台探测频段，单位为Hz，赋予3个语言变量值，即“高频”、“中频”、“低频”，隶属度中心为1000、550、100，宽度为900；潜艇被探测概率，赋予3个语言变量值，即“大”、“中”、“小”，隶属度中心为1.0、0.75、0.5，宽度为0.5；潜艇与探测平台的相对运动趋势，单位为m，赋予3个语言变量值，即“趋近”、“不变”、“远离”，隶属度中心为-200、0、200，宽度为400。这一层中的每个神经元用于模拟输入变量的一个隶属度函数，它的作用是计算各输入分量属于对应各语言变量值模糊集合的隶属度。采用高斯函数作为隶属度函数，即：
其中， 分别表示隶属度中心和宽度，i＝1,2,...,n，si＝1,2,...,mi，n是输入量的维数，n＝3，mi是xi的模糊分割数。 是输入变量对各语言变量值模糊集合的隶属度函数。该层节点总数为：
所述的第三层为模糊规则层。有27个节点，代表27条模糊规则，完成模糊规则的前件计算。其每个节点代表一条模糊规则，它的作用是用来匹配模糊规则的前层，计算每条规则的适应度。即：
其中：
s1j∈(1,2,...,m1),s2j∈(1,2,...,m2),...,snj∈(1,2,...,mn)
j＝1,2,...,m
该层输出节点总数为N3＝m,m＝27。
所述的第四层为模糊化输出层。有27个节点，代表27个隶属度的适应度，每个规则层神经元与该层表示相应结论的神经元相连，进行归一化处理：
该层节点总数为N4＝m,m＝27。
所述的第五层为输出层。有9个节点，分别是潜艇要增加的潜深值、潜艇要减小的航速值以及柴油机组、液压泵机组、主疏水泵、舱底泵、海水泵、轴系滑油泵、推进电机的工况，该层输出神经元的个数等于输出变量的个数，计算每个输出，即：
k＝1,2,...,r
该层的节点总数为N5＝9,r＝9。
输出中的潜艇设备工况：推进电机存在0-4级共5种工况，输出其他设备存在开启和关闭2种工况，推进电机的四种工况阈值为0.2、0.4、0.6、0.8，其它设备两种工况的阈值为0.5；潜艇运动状态：要增加的潜深值和要减小的航速值均为具体的数值。
(3)根据专家经验和模型试验构造模糊神经网络所需的样本对，结合图6所示，从中选取2/3作为训练样本，对构建的模糊神经网络进行离线训练，确定模糊神经网络的权值和阈值。由于输入分量的模糊分割数已经确定，需要学习的参数为最后一层的连接权值wkj(k＝1,2,...,r；j＝1,2,...,m)，以及第二层中的隶属度函数的中心值 和宽度 取误差代价函数为：
其中，ydk,yk分别表示神经网络的期望输出和实际输出。利用误差反向传播算法计算 然后利用梯度下降法来调节wkj, 参数调整学习算法为：
其中，β>0为学习率，x为当前参数的标号，x+1为更新的参数的标号。
模糊神经网络的学习训练过程是通过不断调整连接权值和隶属度函数，使模糊神经网络的输出与最终的期望值的误差最小，直到达到规定的迭代次数为止。在数据库中保存训练样本，离线学习完毕后将权值和隶属度函数的参数固化到神经网络结构中。
使用预留的1/3的数据样本作为检测样本对训练后的模糊神经网络进行测试，以预留的1/3的测试样本的输入数据作为训练好的模糊神经网络的输入，观察其输出与样本期望值的误差是否满足要求，从而完成测试过程。运行模糊神经网络，得到需要增加的潜深值和需要减小的航速值，以及潜艇目标设备工况，包括柴油机组、液压泵机组、主疏水泵、舱底泵、海水泵、轴系滑油泵、推进电机的工况。
(4)、结合图7所示，建立潜艇机动规避探测平台的策略，在潜艇的经纬度和探测平台的经纬度之间连直线，规定潜艇的机动规避目标经纬度在直线上，方向为潜艇到探测平台的相反方向，机动的距离与潜艇的被探测概率成正比，即：
L＝Pd*1000(m)
其中L为机动的距离，Pd为潜艇被探测概率；通过潜艇的当前经纬度，规避方向和机动距离计算潜艇目标经纬度。
(5)根据步骤(2)、(3)、(4)，组合潜艇运动状态、设备工况控制和机动规避策略，生成3个待选方案，其中，方案1仅对潜艇运动状态、设备工况进行控制，方案2仅对探测平台进行机动规避，方案3对潜艇运动状态、设备工况进行控制并对探测平台进行机动规避。
(6)结合图8所示，根据三个待选方案的潜艇运动状态、设备工况、潜艇机动规避的目标经纬度，通过声源级计算模型计算方案对应的潜艇声源级，通过水下声传播损失模型计算方案对应的传播损失，通过隐身态势评估模型计算方案对应的潜艇被探测概率，给出待选方案下潜艇的声源级、传播损失和被探测概率，根据当前潜艇的声源级、传播损失和被探测概率，计算声源级、传播损失、被探测概率在待选方案下与当前相比的变化率，作为方案的效能指标。其中，声源级计算过程为：采用基于设备加速度和传递函数的声源级计算方法，其中传递函数和设备各工况下的加速度已经给定，如图9、10所示，将潜艇XY和XZ面上距离潜艇1m处的线分别均分为36个等效声源点。通过声辐射计算模型得出各点处的等效声源级：
spl＝20*lg(a)+H
sp＝p0*10spl/20
其中，spl是单机设备的声源级(dB)，a是设备加速度(m/s2)，H是设备到一个等效声源点的传递函数，sp是声压(Pa)，p0是基准声压级，为0.000001。
对于等效声源点i，计算所有设备到该点的声压级spi，其中j表示设备号，n为设备总数：
根据上述计算过程可依次计算出72个等效声源点的声源级。通过插值计算出潜艇艇体坐标系下，探测平台位置处的等效声源级SL。
传播损失的计算过程为：
采用如下的估算公式计算潜艇噪声传播损失TL：
定义距离：
其中H为海水深度，L为浅海表面的混合层深度，单位均为km。则有以下估算公式：
其中r为水平距离(km)，a为海水吸收指数(dB/km)，kL为近场传播异常(dB/km)，ar为浅海衰减系数(dB/km)。
潜艇被探测概率的计算过程为：
由声纳方程：
SL-TL-NL+DI＝DT
建立信号余量SE模型：
SE＝SL+DI-TL-NL-DT
其中，接收指向性指数DI以及海洋环境噪声NL作为输入给定，声纳检测阈值DT由探测概率阈值pfa和虚警率pT计算得到：
计算探测平台对潜艇的探测概率：
从而得出待选方案下潜艇的声源级、传播损失和被探测概率，根据当前潜艇的声源级、传播损失和被探测概率，计算声源级、传播损失、被探测概率在待选方案下与当前相比的变化率，作为方案的效能指标。
(7)呈现方案及其对应的效能指标，用户可以对方案中的潜艇运动状态、设备工况按需求进行修改，并选择要执行的方案，将当前输入数据以及用户选择方案对应的潜艇运动状态、设备工况数据作为训练数据对加入到训练集中，并使用该数据对通过步骤(2)、(3)建立的模糊神经网络在线学习，对神经网络的参数进行微调。完成潜艇隐身辅助决策过程。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
一种潜艇隐身辅助决策系统及决策方法专利购买费用说明
Q：办理专利转让的流程及所需资料
A：专利权人变更需要办理著录项目变更手续，有代理机构的，变更手续应当由代理机构办理。
1：专利变更应当使用专利局统一制作的“著录项目变更申报书”提出。
2：按规定缴纳著录项目变更手续费。
3：同时提交相关证明文件原件。
4：专利权转移的，变更后的专利权人委托新专利代理机构的，应当提交变更后的全体专利申请人签字或者盖章的委托书。
Q:专利著录项目变更费用如何缴交
A：（1）直接到国家知识产权局受理大厅收费窗口缴纳,（2）通过代办处缴纳，（3）通过邮局或者银行汇款,更多缴纳方式
Q：专利转让变更，多久能出结果
A：著录项目变更请求书递交后，一般1-2个月左右就会收到通知，国家知识产权局会下达《转让手续合格通知书》。
动态评分
0.0