运用人工神经网络的防空系统威胁评估模型

本研究旨在利用基于动态学习的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。与文献中采用不同标准和方法的威胁评估研究不同，本研究将缺失数据补全、多标准分析和人工神经网络相结合，动态更新威胁分数。此外，与文献中的研究不同，所使用的标准数量已增加，以使模型能够提供更广泛的视角。大多数研究是静态的，并且使用很少的标准；本研究提出了一种动态、多标准模型，可以处理不完整的数据。

• 数据收集和标准选择：从56篇文献中收集了223个目标数据点，确定了26个最常用、最易于获取且允许数据补全的标准。其中1,552个数据点可直接获得，其余4,246个数据点通过数据补全过程获得。
• 数据预处理：对数值数据进行标准化，对分类数据进行“未知”编码。根据标准之间的关系网络进行数据补全，优先考虑最重要和最丰富的标准。
• 威胁分数计算：使用加权总威胁分数（𝐯^）和从文献中收集的威胁分数（𝐯𝐣）进行比较，发现两者之间的平均绝对误差值（AAE）接近于零，表明相似性。为了标准化从文献中获得的威胁分数，并消除通过缺失数据补全过程获得的新的数据表的正向影响，提出了组合几何威胁分数（CGTS）。
• 人工神经网络模型：模型由输入层、输出层和隐藏层组成。输入层包含26个神经元的标准化标准值，输出层包含CGTS值，隐藏层的神经元数量作为参数。使用Levenberg-Marquardt反向传播算法进行训练，并采用MSE作为模型性能指标。
• 模拟和实证结果：最佳结果是在训练率为70%、验证率为10%、测试率为20%时获得的。均方误差在0.0005到0.0072之间，相关系数（R）为0.9617。结果表明，该模型能够以高精度预测威胁分数，并具有在不同验证场景中表现出高性能和泛化能力。

研究结果表明，该模型在威胁评估方面具有较高的准确性和效率，能够有效减少人为错误，提高决策速度和准确性。此外，该模型能够动态更新威胁分数，并整合缺失数据补全算法，为下一代网络中心防空系统提供了基础验证。