[發明專利]基于模糊小波神經網絡的目標攻擊優先級評估方法及系統

在審

• 申請號: 202110234555.2
• 申請日: 2021-03-03
• 公開（公告）號: CN112966437A
• 公開（公告）日: 2021-06-15
• 發明（設計）人: 田曉峰;孫華東;龐來學
• 申請（專利權）人: 山東交通學院
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 黃海麗

1.基于模糊小波神經網絡的目標攻擊優先級評估方法，其特征是，包括：

仿真機器人獲取攻擊目標的類型、攻擊目標的能力、攻擊目標的價值、攻擊目標的命中難度和攻擊目標裝甲板的像素面積；

判斷攻擊目標是否在機器人的射程范圍內，如果是，則進入下一步；如果否，就返回上一步；

根據攻擊目標的類型、攻擊目標的能力、攻擊目標的價值、攻擊目標的命中難度和攻擊目標裝甲板的像素面積，基于訓練后的改進的模糊小波神經網絡中，得到待射擊目標的優先級；

根據確定的待射擊目標的優先級，確定相應的射擊指令，根據射擊指令向待射擊目標進行射擊。

2.如權利要求1所述的方法，其特征是，所述改進的模糊小波神經網絡，包括：

輸入層、隸屬度函數層、模糊規則層、小波函數層和輸出層；

其中，輸入層，包括N個輸入端口；N為正整數；隸屬度函數層，包括3N個隸屬度函數單元；模糊規則層，包括N個模糊規則單元；小波函數層，包括N個小波函數單元；

輸入層的第i個輸入端口，分別與隸屬度函數層的三個隸屬度函數單元的輸入端連接；i的取值范圍為1到N；

隸屬度函數層的三個隸屬度函數單元的輸出端，均模糊規則層的第i個模糊規則單元的輸入端連接；

輸入層的第i個輸入端口，還與小波函數層的第i個小波函數單元的輸入端連接；

第i個小波函數單元的輸出端的輸出值與第i個模糊規則單元的輸出值進行相乘運算，將乘積輸入到輸出層的求和單元；

輸出層的求和單元對N個乘積進行求和后，得到最終的輸出結果。

3.如權利要求2所述的方法，其特征是，

輸入層，用于對輸入的數據進行量化處理；

隸屬度函數層中的隸屬度函數單元，用于將輸入的不確定非量化的信息指標轉換為量化確定的值用于下一步輸入；

模糊規則層中的模糊規則單元，用于將量化后的參考數據通過模糊規則輸出為用于表示目標攻擊優先級的指標；

小波函數層中的小波函數單元，用于擬合在確定輸入信息的情況下的目標攻擊優先級函數；

輸出層，用于輸出對于目標的攻擊優先級量化和判斷。

4.如權利要求1所述的方法，其特征是，

所述訓練后的改進的模糊小波神經網絡的訓練步驟包括：

構建改進的模糊小波神經網絡；

構建訓練集；所述訓練集為已知射擊目標優先級的目標數據；所述目標數據包括：攻擊目標的類型、攻擊目標的能力、攻擊目標的價值、攻擊目標的命中難度和攻擊目標裝甲板的像素面積；

將訓練集的攻擊目標的類型、攻擊目標的能力、攻擊目標的價值、攻擊目標的命中難度和攻擊目標裝甲板的像素面積輸入到改進的模糊小波神經網絡中將訓練集的已知射擊目標優先級作為改進的模糊小波神經網絡的輸出值；對網絡進行訓練，得到訓練后的改進的模糊小波神經網絡。

5.如權利要求1所述的方法，其特征是，目標類型，包括：哨兵、英雄、步兵、工程車、前哨站、基地、能量機關。

6.如權利要求1所述的方法，其特征是，目標攻擊能力，包括：目標傷害能力與槍管數目、發射彈丸的類型、命中率。

7.如權利要求1所述的方法，其特征是，目標價值，包括：最高、高、中、低和極低；命中難度，包括：極低、低、中和高。

8.基于模糊小波神經網絡的目標攻擊優先級評估系統，其特征是，包括：

獲取模塊，其被配置為：仿真機器人獲取攻擊目標的類型、攻擊目標的能力、攻擊目標的價值、攻擊目標的命中難度和攻擊目標裝甲板的像素面積；

判斷模塊，其被配置為：判斷攻擊目標是否在機器人的射程范圍內，如果是，則進入下一步；如果否，就返回獲取模塊；

優先級計算模塊，其被配置為：根據攻擊目標的類型、攻擊目標的能力、攻擊目標的價值、攻擊目標的命中難度和攻擊目標裝甲板的像素面積，基于訓練后的改進的模糊小波神經網絡中，得到待射擊目標的優先級；

仿真射擊模塊，其被配置為：根據確定的待射擊目標的優先級，確定相應的射擊指令，根據射擊指令向待射擊目標進行射擊。