基于DDBN-Cloud的舰艇编队防空目标威胁评估方法

舰艇编队潜在空中威胁估计的解析几何方法近年来，随着海上安全威胁日益增加，游弋在海上的舰艇编队面临着多种空中威胁的威胁，例如敌方的无人机、气球、远程控制无人机等空中威胁。

舰艇编队可以采取一系列措施以防止这些威胁，例如准备战备飞行器进行战斗，安装唤醒报警，保护舰队军官等。

但是，如何准确估计舰艇编队面临的潜在空中威胁尚不清楚。

有了它，我们就可以更有效地应对威胁，更好地保护舰艇编队免受不必要的危害。

为了解决这个问题，国际上探讨了一种新的解析几何方法来估计舰艇编队潜在的空中威胁。

这种方法基于海上数学理论，将传感器数据与多普勒雷达数据融合，利用空间特征、物体运动特征等，建立一套模型估计威胁程度。

首先，根据雷达数据和其他传感器数据，使用多元回归分析方法进行威胁标识，确定威胁特征；其次，使用解析几何的方法，建立物体的三维模型，估算空中威胁的威胁指数；最后，将威胁指数与其他参数综合评估，来估计舰艇编队的潜在的空中威胁程度。

解析几何方法在舰艇编队空中威胁估计方面具有重要意义。

它可以准确估计舰艇编队潜在空中威胁数量，进而有效地帮助解决安全威胁。

该方法更侧重于海上环境，更考虑舰艇编队的特殊特征，可以提高对敌方空中威胁估计的准确性。

此外，解析几何估计空中威胁方法还可以通过损失函数来验证估计等。

这种损失函数可以更准确地表示威胁，帮助更好地评估威胁的数量和影响力。

综上所述，解析几何方法在海上舰艇编队空中威胁估计方面具有重要意义。

它可以准确估计舰艇编队潜在的空中威胁指数，并通过损失函数更准确地表征威胁，使舰艇编队能够更有效地应对敌方空中威胁。

今后，这种方法可能会继续发展，为我们提供更为准确有效的空中威胁估计方法。

基于直觉模糊集的编队对潜攻击方案评估模型直觉模糊集是一种应用广泛的模糊推理方法，它将不确定因素与定量分析相结合，能够更好地反映真实世界中的复杂性和模糊性。

本文将基于直觉模糊集理论，设计一种适用于潜艇编队攻击方案评估的模型。

潜艇编队攻击是一种复杂的军事行动，需要充分考虑各种因素，如对方防御力量、水下地形、海况等。

因此，我们将攻击方案评估分为三个步骤：收集信息、编制方案和评估方案。

在收集信息阶段，我们将利用传感器获取海域信息，如水深、水温、水流等数据，并依据该数据计算出各种物理量。

同时，我们还需收集敌方情报，如敌方潜艇数量、速度、深度、武器装备等信息。

在编制方案阶段，根据收集到的信息和我方编队的实际情况，我们将设计多种攻击方案。

具体的，我们可以根据敌方防御力量和海底地形选择攻击方式，如声纳引导鱼雷攻击、舰载导弹攻击等。

此外，我们还需考虑我方编队的协同作战模式，利用编队间的协作性和互补性，提高攻击效果。

在评估方案阶段，我们将利用直觉模糊集理论进行模型构建和评估。

具体的，我们将根据各种因素的重要性和不确定度，设定一组评估准则，并将其转化为直觉模糊集。

比如，我们将根据编队的攻击效果、人员伤亡等因素来评估方案的可行性；同时还需考虑编队的资源利用率、攻击成本等经济因素。

根据直觉模糊集理论，我们可以将这些准则量化，得出各种方案的可行程度和优劣程度。

最后，我们将利用数学计算方法，如加权平均法、层次分析法等，对各种方案进行排名。

得出最有可能获得成功的方案。

此外，我们还需进行灵敏度分析，研究各种因素对方案评估的影响程度，从而为实战决策提供科学的参考依据。

综上所述，基于直觉模糊集的潜攻击方案评估模型，能够更全面、客观地评估各种攻击方案的可行性和优劣程度，为编队指挥员提供科学的决策支持。

同时，该模型具有适用范围广、数据要求少、易于理解等优点，能够广泛应用于各种实战情况中。

为了进行潜艇编队攻击方案评估，我们需要收集到各种海域、敌情等数据，进行分析和处理。

基于动态云贝叶斯网络的舰艇防空目标威胁评估李旭辉,顾颖彦,韩兴豪(江苏自动化研究所,江苏连云港222061)摘要:针对目标威胁评估中信息表达的不确定性以及威胁评估模型专家网络结构的主观性,提出一种基于结构学习的动态云贝叶斯网络评估模型㊂首先,利用云模型良好的知识表达能力定量描述不确定连续性信息;其次,使用爬山算法进行结构学习,综合专家提出的网络结构构建贝叶斯网络;接着引入时间变量,将其扩展成为动态贝叶斯网络,然后用最大似然概率估计算法学习网络参数;最后,利用联合树算法对动态云贝叶斯网络进行推理评估㊂仿真结果表明,该模型能够有效的对观测信息进行威胁评估,具有合理性和可行性㊂关键词:威胁评估;动态贝叶斯网络;云模型;结构学习中图分类号:E 141.1 文献标识码:A 文章编号:C N 32-1413(2021)01-0038-07D O I :10.16426/j .c n k i .jc d z d k .2021.01.008T h r e a t A s s e s s m e n t o f S h i p A i r D e f e n s e T a r ge t B a s e d o n D y n a m i c C l o u d B a ye s i a n N e t w o r k L I X u -h u i ,G U Y i n g -y a n ,HA N X i n g-h a o (J i a n g s u A u t o m a t i o n R e s e a r c h I n s t i t u t e ,L i a n y u n g a n g 222061,C h i n a )A b s t r a c t :A i m i n g a t t h e u n c e r t a i n t y o f i n f o r m a t i o n e x p r e s s i o n i n t a r ge t t h r e a t a s s e s s m e n t a n d t h e s u b j e c t i v i t y of e x p e r t n e t w o r k s t r u c t u r e i n t h r e a t a s s e s s m e n t m o d e l ,a d y n a m i c c l o u d B a ye s i a n n e t -w o r k a s s e s s m e n t m o d e l b a s e d o n s t r u c t u r e l e a r n i n g i s p r o p o s e d .F i r s t l y ,t h i s p a pe r u s e s t h e c l o u d m o d e l w i t h g o o d k n o w l e d g e e x p r e s s i o n a b i l i t y to d e s c r i b e t h e u n c e r t a i n c o n t i n u o u s i n f o r m a t i o n q u a n t i t a t i v e l y ;s e c o n d l y ,u s e s t h e H i l l C l i m b i n g a l g o r i t h m t o p e r f o r m s t r u c t u r e l e a r n i n g,a n d u s e s t h e n e t w o r k s t r u c t u r e p r o p o s e d b y e x p e r t s t o c o n s t r u c t B a ye s i a n n e t w o r k ,a n d i n t r o d u c e s t h e t i m e v a r i a b l e t o e x p a n d i t t o d y n a m i c B a ye s i a n n e t w o r k ,t h e n u s e s t h e m a x i m u m l i k e l i h o o d e s t i m a t i o n a l g o r i t h m t o l e a r n t h e n e t w o r k p a r a m e t e r ,f i n a l l y u s e s t h e j u n c t i o n t r e e a l go r i t h m t o e v a l u a t e t h e d y n a m i c c l o u d B a y e s i a n n e t w o r k .T h e s i m u l a t i o n r e s u l t s s h o w t h a t t h e m o d e l c a n e f f e c t i v e l y ev a l u -a t e t h e o b s e r v e d i n f o r m a t i o n a n d i s r e a s o n a b l e a n d f e a s i b l e .K e y wo r d s :t h r e a t a s s e s s m e n t ;d y n a m i c B a y e s i a n n e t w o r k ;c l o u d m o d e l ;s t r u c t u r e l e a r n i n g 收稿日期:202009280 引 言随着现代信息化战争中各种高精尖武器的使用,现代战场态势更加复杂化㊂指挥员需要在短时间之内处理海量多元信息,这便对现代指控系统的智能评估提出要求㊂威胁评估是舰艇作战火力分配和机动指挥的前提,是舰艇作战指挥中的重要一环㊂威胁评估[12]能够根据实时态势分析各个目标的威胁值,并基于威胁程度对各个目标进行排序㊂目前威胁评估的主要方法有线性加权法㊁神经网络[3]㊁贝叶斯网络㊁层次分析法㊁模糊理论等㊂文献[4]提出了基于模糊分类的动态贝叶斯网络模型,有效地解决了舰艇防空威胁评估问题,但是该方法在随机性知识表达方面存在缺陷㊂文献[5]提出了一种离散动态贝叶斯网络模型,用约束最大后验概率估计算法学习网络参数,能有效处理不确定对抗下的威胁评估任务㊂但贝叶斯网络(B N )模型结构由领域专家直接提出,具2021年2月舰船电子对抗F e b .2021第44卷第1期S H I P B O A R D E L E C T R O N I C C O U N T E R M E A S U R EV o l .44N o .1有较强的主观性㊂基于结合作战数据学习和专家知识的B N结构模型更加客观,能够有更强的模型适应性和实用性㊂基于上述思考,本文提出了一种基于结构学习的动态云贝叶斯网络的威胁评估模型,利用云模型知识表达模糊性和随机性的特点,对连续的威胁因子进行离散化;再采用爬山算法对贝叶斯网络进行结构学习,综合学习结果和专家知识构建模型网络结构;最后使用最大似然估计算法和联合树算法学习网络参数和推理,评估观测目标威胁等级的后验分布㊂1动态云贝叶斯网络1.1云模型云模型是一种在定性语言和定量数值之间建立映射关系的模型[6],它可以刻化定性定量两者之间的随机性和模糊性,具有良好的知识表示能力㊂云模型定义如下:设U是一个用精确数值表示的定量论域,C是U上表示定性的概念,若xɪU,且x是定性概念C上的一次随机实现,x对C的确定度μ(x)ɪ0,1是具有稳定倾向的随机数:μ:Uң0,1,∀xɪU,xɪμ(x)(1)x在论域U上的分布称为云模型,μ(x)称为x对U的隶属度,x称为云滴,用d r o p x,μx表示㊂云模型可以用期望E x,熵E n,超熵H e3个数字特征来表示,即C(E x,E n,H e)㊂期望E x表示论域U中的隶属度μ(x)=1的点,是论域U的中心;熵E n表示云模型x不确定性的范围,是云模型模糊性的体现,熵越大表示云模型裕度越大;超熵H e表示样本出现的随机性,用来表示熵的不确定性,超熵越大,云层越 厚 ㊂图1所示为E x=10,E n=5,H e=0.3,云滴数N=2000的正态云模型㊂1.2动态贝叶斯网络贝叶斯网络(B N)是用有向图来描述概率关系的理论㊂B N理论是采用概率理论在网络节点上进行推理计算,用已知的观测节点去推算未知隐藏节点的一种方法㊂动态贝叶斯网络(D B N)是将静态B N与时间信息相结合,形成具有处理时序数据的新随机模型[7]㊂D B N由T个时间片的B N和时间片间的状态转移概率组成,模型前一时刻会对后续时刻状态产生影图1正态云模型响㊂在条件独立性假设的前提下,动态贝叶斯网络推理的贝叶斯公式可以表示为:P x n1,x n2, ,x n j=ᵑj i=1P x n i|P a x n i(2)式中:nɪ[1,T],表示第n个时间片;x n i表示第n 个时间片上的子节点;P(x n1,x n2, ,x n j)表示子节点的联合概率分布;P a(x n i)表示x n i的父节点集合,父节点P a(x n i)的边缘分布和子节点的条件概率分布P(x n i|P a(x n i))通常由专家直接给出或由数据参数学习得出㊂动态云贝叶斯网络是将云模型和动态贝叶斯网络结合,利用云模型的不确定性和随机性特点处理实际作战中的不确定连续型数据,再使用动态贝叶斯网络模型评估目标威胁㊂2改进的威胁评估模型及流程对空中目标进行威胁评估是对其进行有效火力打击的基本前提,国内外学者对目标威胁评估进行了大量研究㊂基于动态云贝叶斯网络的威胁评估方法首先需要分析防空任务中的威胁因子,将其中连续型威胁因子进行云模型离散化;其次结合专家知识和数据,通过结构学习算法分析态势要素之间关联性,确定网络内结构;然后使用最大似然估计算法计算贝叶斯网络的网络参数;最后将观测信息作为证据对隐藏节点进行网络推理,得到各个时刻的威胁概率分布㊂其具体流程如图2所示㊂2.1任务想定本文考虑5种不同类型的空中目标,包括反舰导弹㊁攻击型飞机㊁辅助型飞机㊁侦察机以及以民用93第1期李旭辉等:基于动态云贝叶斯网络的舰艇防空目标威胁评估图2威胁评估模型流程图飞机为主的其他无威胁型飞机㊂反舰导弹和攻击型飞机是携带大杀伤力武器的空中目标,对舰艇有致命性打击效果,毁伤效果强,威胁等级高;辅助攻击型飞机主要包括干扰机㊁预警机等,能够干扰破坏舰艇的电子通讯设备㊁搜索监视我方空中和海上目标,毁伤能力强,且具有一定程度的威胁;侦察机主要在远距离高空中执行侦察任务,威胁等级中等;其他飞机主要包括民用飞机㊁民用运输机等,不具有毁伤能力,威胁程度低㊂在舰艇防空作战任务中,影响目标威胁程度的威胁因子多种多样,结合实际作战和专家知识,本文考虑的威胁等级影响因素包括目标意图㊁毁伤能力㊁目标类型㊁航路捷径㊁敌我应答识别㊁目标距离㊁电磁辐射㊁目标高度㊁目标加速度㊁目标速度和雷达截面积㊂各个节点的状态空间如表1所示㊂在上述的节点变量中,航路捷径㊁目标距离㊁目标高度㊁目标加速度㊁目标速度都属于连续型变量㊂本文使用云模型的方法,利用云模型随机性和不确定性的特点,对连续型变量进行离散化处理㊂云模型离散化分为3步,首先确定各个连续变量划分状态数目N,将变量区间分为N个子区间[U1,U2,表1节点变量状态空间节点变量类型状态空间威胁等级离散型[高,中,低]目标意图离散型[攻击㊁辅助攻击㊁侦察㊁其他]毁伤能力离散型[强,中,弱]目标类型离散型[反舰导弹㊁攻击型飞机㊁辅助型飞机㊁侦察机㊁其他]航路捷径连续型[0,120k m]敌我应答识别离散型[有,无]目标距离连续型[0,160k m]电磁辐射离散型[有,无]目标高度连续型[0,20k m]目标加速度连续型[0,8g]目标速度比连续型[0,3]雷达截面积离散型[大,中,小],U N];其次确定各个区间云模型的3个数字特征E x㊁E n㊁H e,生成各个状态下的云模型[C1,C2, ,C N];最后将连续变量的数值输入到各状态下的云模型中,得到在各区间的隶属度[μ1,μ2, ,μN],将隶属度归一化后得到各个区间的概率,依据概率将连续变量离散到各个区间㊂本文将5种连续变量由高到低分成3~4个区间,各个区间的具体云模型参数如表2所示㊂隶属度计算采用正太云模型隶属函数,函数定义如下:μ(x)=e-(x-E x)22(E n)2(3)根据各个区间云模型参数,使用正向云发生器(F C G)对各连续变量生成云滴数N=2400的变量云簇,各连续变量云簇如图3所示㊂04舰船电子对抗第44卷表2连续变量云模型参数C1C2C3C4航路捷径/k m[0,60]C(30,20,2)[30,90]C(60,20,2)[60,120]C(90,20,2)/目标距离/k m[0,80]C(40,20,2)[40,120]C(80,20,2)[80,120]C(120,20,2)/目标高度/k m[0,8]C(4,2,0.2)[4,12]C(8,2,0.2)[8,16]C(12,2,0.2)[12,20]C(16,2,0.2)目标加速度/g[4,8]C(6,0.6,0.03)[2,6]C(4,0.6,0.03)[0,4]C(2,0.6,0.03)/目标速度/M a[1.8,3]C(2.4,0.3,0.03)[1.2,2.4]C(1.8,0.3,0.03)[0.6,1.8]C(1.2,0.3,0.03)[0,1.2]C(0.6,0.3,0.03)图3连续变量云簇14第1期李旭辉等:基于动态云贝叶斯网络的舰艇防空目标威胁评估2.2基于爬山算法的B N结构学习目前研究的舰艇防空威胁评估模型网络结构一般由专家直接给出㊂但在实际的舰艇威胁估计任务中,由专家直接设定的贝叶斯网络结构和模型参数具有主观性,不能完全满足不同类型㊁不同作战分工的舰艇的作战需求㊂而由舰艇直接收集到的作战数据学习得到的网络结构虽然能在训练集上有不错的性能,但这对样本的数据量大小提出了要求,数据量小容易使模型过拟合,而大量的真实作战数据又难以获取㊂因此,本文结合数据学习和专家知识,先采用爬山算法从训练数据学习得到评分最优的网络结构,再综合专家网络改进模型结构㊂爬山算法是一种基于评分搜索的网络结构学习算法,它通过在搜索过程中不断地进行加边㊁减边以及删除边的局部操作,并根据评分函数变化来确定是否选择该操作[8]㊂爬山算法的主要流程如表3所示㊂表3爬山算法步骤A l g o r i t h m1:H i l l C l i m b i n g算法I n p u t训练数据Dp r o c e s s1从D中识别节点集V;2 ΘGѳ结构参数的最大似然估计;3o l d S c o r eѳf(G,ΘG,D);4 w h i l e t r u e d o5f o r加边㊁减边以及删除边操作后的新G';6t e m p S c o r eѳf(G,ΘG',D);7I f t e m p S c o r e>o l d S c o r e t h e n8G*=G';9o l d S c o r e=t e m p S c o r e;10e n d11e n d12 E n dO u t p u t有向无环图D A G本文使用1000组威胁评估训练数据对威胁评估模型进行学习,通过B d e u评分函数对网络结构评估分数,得到每个节点最强关联度的节点集合和网络最优评分结构D A G㊂结合专家直接给出的网络模型[4],增加网络中目标类型和目标距离之间的边㊂因为反舰导弹和攻击型飞机执行攻击任务时通常从远距离启动,随着时刻目标距离由远逐渐变近;而辅助型飞机和侦察机执行任务时通常全程在中远距离的高空㊂所以2个节点之间存在较强的关联性㊂为了使模型具有处理时序信息的能力,将单时间片的贝叶斯网络模型拓展到相邻时间片下,使B N模型扩展成为D B N模型㊂威胁评估动态贝叶斯网络模型结构如图4所示㊂在图4中,长方形节点表示威胁评估模型中的观测节点,椭圆形节点表示模型中的隐藏节点㊂将舰载传感器得到的敌方目标观测信息云化处理后作为威胁评估模型中的证据信息,再使用贝叶斯网络推理算法推算隐藏节点的概率分布㊂图4威胁评估D B N模型结构图2.3网络参数学习确定威胁评估模型网络结构,本文使用最大似然估计[9](M L E)算法学习威胁评估模型的网络参数㊂模型的网络参数包括父子节点间条件概率分布㊁时间片间的威胁等级的状态转移概率分布和威胁等级的边缘概率分布㊂本文使用1000组数据对动态贝叶斯模型进行参数学习,其中每组数据包含10个时刻㊂参数学习得到的威胁等级的边缘概率㊁状态转移概率以及条件概率分布如表4~表6所示㊂其中,H㊁M㊁L分别表示毁伤能力强㊁中㊁弱;而A㊁S㊁M㊁O分别表示目标意图为攻击㊁辅助攻击㊁侦察和其他㊂表4威胁等级边缘概率分布威胁等级高中低概率0.0980.2660.636表5威胁等级状态转移概率T+1/T高中低高0.9000.0180.010中0.0330.9240.027低0.0770.0580.96324舰船电子对抗第44卷表6 威胁等级条件概率分布威胁等级毁伤能力H HH H M M M M L L L L 目标意图ASMOASMOASMO高威胁程度H 1.001.000.00*0.240.460.000.00**0.000.00中威胁M 0.000.001.00*0.760.541.000.00**0.000.00低威胁L0.000.000.00*0.00.00.001.00**1.001.003 推理威胁评估为了验证动态云威胁评估模型的可行性和有效性,本文假定我方舰艇在某时刻检测到5个不同类型的目标,雷达记录了连续10个时刻的目标观测数据,展示几种不同类型目标执行任务的观测数据进行分析㊂表7展示了反舰导弹执行攻击任务模拟生成的1组观测数据㊂将观测数据通过云模型离散化方法预处理,处理后数据如表8所示,可以看出离散化后数据具有一定的差异,这体现了云模型的不确定性和随机性的特点㊂最后使用联合树算法[10]推理云化后的观测数据㊁计算威胁等级㊁目标类型㊁目标意图的后验分布㊂表7 反舰导弹观测数据时刻12345678910航路捷径27.37624.03821.56933.03823.35122.23522.26827.35835.37024.999敌我应答识别2222222222目标距离111.12486.23480.67277.70174.28371.67058.92048.11440.26733.706目标高度3.4323.7764.5053.6632.0962.9122.6531.7433.1392.123电磁辐射2222222111目标加速度1.2301.1181.2661.2881.2981.1731.2192.2672.5242.611目标速度4.2733.9444.04103.5773.4553.9565.2885.8395.7836.126雷达截面积2222222222表8 反舰导弹云处理观测数据时刻12345678910航路捷径1121111112敌我应答识别2222222222目标距离2222322333目标高度4444444444电磁辐射2222222111目标加速度3324333111目标速度2222221111雷达截面积2222222222将威胁等级低㊁中㊁高分别赋予权值[0,0.5,1],计算出直观表示威胁程度的威胁评估值,显然威胁评估值在区间[0,1]内,数值越大表示威胁越高㊂表9对比了反舰导弹在执行攻击任务时在不同模型下10个时刻的威胁评估值,其中原模型表示专家提出的动态贝叶斯网络模型,改进模型表示结构学习和专家知识融合后的动态贝叶斯网络模型㊂从表中可以看出,2种模型都能够较好地完成威胁评估任务,原模型由于变量节点间关联性较差,推理结果与实际情况贴合不够,而改进后模型威胁评估数值更为合理㊂表9 反舰导弹2种模型在10个时刻威胁评估值推理结果威胁值\时刻12345678910原模型0.7350.7350.5300.7420.8380.7350.8360.8390.8390.839改进模型0.7930.7930.5770.7860.8840.7930.8800.8840.8840.884表10和表11展示了攻击型飞机在执行攻击任务时,2种模型在第10个时刻的目标类型和目标意图的推理结果㊂由于反舰导弹和攻击型飞机在执行攻击任务时在观测变量上有一定程度的相似性,导致原模型目标类型的推理结果并不准确;而2种模型在目标意图上的推理结果相差不大㊂综合上述两34第1期李旭辉等:基于动态云贝叶斯网络的舰艇防空目标威胁评估者,基于结构学习的改进模型推理结果更为可靠㊂图5展示了反舰导弹㊁攻击型飞机㊁辅助型飞机㊁侦察机和其他类型飞机分别执行攻击㊁辅助攻击㊁侦察和其他任务时10个时刻的威胁评估值㊂从图中可以看出,改进模型对于不同类型的目标得到的结论与实际情况基本相符㊂表10 攻击型飞机两种模型在第10时刻目标类型推理结果目标类型反舰导弹攻击型飞机辅助型飞机侦察机其他原模型0.62250.37750.00000.00000.0000改进模型0.35540.64460.00000.00000.0000表11 攻击型飞机2种模型在第10时刻目标意图推理结果目标意图攻击辅助攻击侦察其他原模型0.82510.17490.00000.0000改进模型0.77570.22430.00000.0000图5 改进模型各类型目标威胁评估结果4 结束语本文通过基于网络结构学习的动态云贝叶斯网络模型对舰艇防空中目标的威胁等级进行评估㊂该方法利用了云模型知识表达的不确定性和随机性的特点,将舰艇防空威胁因素中的连续变量离散化;结合网络学习和专家知识,学习得到更有效的贝叶斯模型网络结构,增加了原结构内部的关联性;最后利用动态贝叶斯网络的推理能力,求解各个时刻目标的威胁等级㊁目标类型和目标意图的概率分布㊂威胁评估的推理结果表明,动态云贝叶斯网络模型在舰艇防空威胁评估问题上是有效的,改进网络模型和原模型相比,在推理结果上具有更优秀的表现㊂此外,贝叶斯网络参数学习的速度和其他智能威胁评估模型,将是笔者下一步研究的重要问题㊂参考文献[1] 代进进,李相民.舰艇编队网络化防空作战空袭目标威胁评估[J ].系统工程与电子技术,2013,35(3):532538.[2] 孙春生,齐新战,鲁军.水面舰艇编队防空目标威胁评估[J ].系统仿真技术,2016,12(2):130133.[3] 陈侠,乔艳芝.基于小波神经网络的无人机目标威胁评估[J ].火力与指挥控制,2018,43(8):6669+74.[4] 卞泓斐,杨根源.基于动态贝叶斯网络的舰艇防空作战威胁评估研究[J ].兵工自动化,2015,34(6):1419.[5] 高晓光,杨宇.基于贝叶斯网的舰艇防空威胁评估[J ].战术导弹技术,2020(4):4757.[6] 叶琼,李绍稳,张友华,等.云模型及应用综述[J ].计算机工程与设计,2011,32(12):41984201.[7] 肖秦琨,高嵩.动态贝叶斯网络智能信息处理及应用[M ].北京:国防工业出版社,2019:22.[8] 曹杰.贝叶斯网络结构学习与应用研究[D ].合肥:中国科学技术大学,2017.[9] 马明.贝叶斯网络算法研究及应用[D ].秦皇岛:燕山大学,2014.[10]刘涵宇.基于联合树的贝叶斯网络推断算法研究[D ].青岛:青岛大学,2019.(上接第21页)[3] A D AMY D L .E W 104:E W a ga i n s t A N e w G e n e r a t i o n o fT h r e a t s [M ].B o s t o n ,U S A :A r t e c hH o u s eI n c .,2015.[4] T O R R I E R I D.P r i n c i p l e s o f S p r e a d S pe c t r u m C o mm u -n i c a t i o n S y s t e m [M ].B o l i n ,G e r m a n y :S p r i n ge r ,2018.[5] 李圣安,朱秀珍,罗超.一种有效的对直接序列扩频信号干扰技术[J ].舰船电子对抗,2013,36(5):2831.[6] 刘秋冶.基于序列抖动的直扩通信系统干扰技术[D ].哈尔滨:哈尔滨工程大学,2018.[7] 张严平,陆锐敏.一种改进的混沌扩频序列优选算法[J ].计算机工程,2016,42(3):121124.[8] 赖平,陆锐敏,沈俊,等.一种改进的S m a r t A G C 扩频干扰抑制技术[J ].通信技术,2013,46(12):15.[9] 石荣,阎剑,刘畅.调相扩频信号的相位随机性及其L P I 特性分析[J ].无线电通信技术,2015,41(4):5660.[10]石荣,徐剑韬,阎剑.利用调零天线测向与夹角比对的导航欺骗信号检测[J ].现代导航,2017,8(3):193198.44舰船电子对抗 第44卷。

舰艇编队潜在空中威胁估计的解析几何方法标题为《舰艇编队潜在空中威胁估计的解析几何方法》的文章，近年来，由于海军舰艇编队已经成为一种重要的海军作战兵力，它必须能够可靠地明智地应对空中威胁，这就要求我们能够准确地估计潜在空中威胁的位置和动态特性。

由于潜在空中威胁的特征可能发生变化，因此它不同于传统的对静态目标的跟踪，而是要求研究者研究可以有效估计空中威胁的有效方法。

为了解决此类问题，研究者们提出了一种基于解析几何的潜在空中威胁估计方法。

该方法利用舰艇编队的观测特性，结合空中威胁的特性，建立解析几何模型，定量地分析出潜在空中威胁的位置和动态特性。

首先，根据舰艇编队的观测特性，建立坐标系。

假设参观舰艇编队的观测特性是以一定间隔观察空中威胁特征，参观舰艇编队可以观测到空中威胁特征的范围。

以参观舰艇编队的中心舰为原点，建立一个包含了舰艇编队的空间坐标系。

其次，根据空中威胁的特性，建立解析几何模型。

假设空中威胁在观测范围内的空间位置有一定的几何约束特性。

为了在满足这种空间约束的情况下进行估计，可以建立相应的几何模型，对潜在空中威胁的位置进行解析几何估计。

最后，利用舰艇编队和空中威胁特性建立的解析几何模型，针对潜在空中威胁的位置和动态特性进行精确的估计。

具体而言，该方法可以有效估计潜在空中威胁的空间位置，以及威胁路径的静态特性和动态特性，进而对海军舰艇编队的及时有效应对空中威胁提供有力支持。

因此，解析几何方法可以有效地估计潜在空中威胁的位置和动态特性，从而为海军舰艇编队提供有效的反应和应对措施。

在未来，研究者还需要深入研究如何进一步提升解析几何方法估计潜在空中威胁的精度，以及如何应用该方法满足舰艇编队需求的有效策略。

综上所述，解析几何方法是一种有效的潜在空中威胁估计方法，它可以有效估计海军舰艇编队的潜在空中威胁的位置和动态特性，弥补了传统的跟踪方法的不足。

研究者们有责任深入研究解析几何方法，提出更有效的方法，以满足海军舰艇队安全防范的需求。