基于RAGA-PPC和灰色理想点的阵地目标伪装效果评价

张海瑞，李彦彬

（空军工程大学防空反导学院，西安 710051）

0 引言

积极防御是我国现阶段实行的军事战略方针，而伪装是军事斗争中有效的防御途径，是决定战争胜负的关键因素。阵地目标位置固定且装备精良，能够有效防御多种武器，是敌人首选的打击目标。高速发展的侦查技术对伪装效果的挑战越来越明显，这使得各国不断加强伪装技术的研究与应用。进一步提高伪装技术，使伪装由消极被动转为积极主动，能够有效增加自身在战场上的生存能力和作战能力。因此，阵地目标伪装效果评估对于准确判断自身防御能力具有重要意义。

1 阵地目标暴露征候分析

对伪装效果进行衡量的主要参数是目标的暴露征候。目标的暴露征候是指敌方探测系统借以发现、识别处在背景上的目标的各种特征［1］。伪装的根本着眼点在于通过一定的手段减小或消除目标的暴露征候。根据现代战场侦查技术的发展水平，阵地目标的暴露征候主要是光波反射、红外辐射和雷达反射3种。结合相关文献和资料中关于阵地目标的内容，总结出，阵地目标伪装效果可以从3个方面进行评价：光学伪装效果、热红外伪装效果和雷达伪装效果［2］。

1.1 光学伪装效果

阵地目标布局较为模式化，通常为露天操作，部署在阵地目标上的武器装备较多，车辆、人员活动对原有地形、地貌会造成一定的破坏。阵地目标与周围环境对光的反射能力不同，造成阵地目标与背景之间的差异，被人眼或光学照片发现并识别，这种差异主要表现为亮度、颜色［3］上的差异。同时，阵地目标暴露尺寸及其与空袭目标之间的距离也是影响光学伪装效果的主要因素。

1.2 热红外伪装效果

部署在阵地目标上的武器装备工作时，会散发热量，产生红外辐射，这一特征易被敌方利用红外探测器捕捉到。物理学中，物体的辐射能量由斯蒂芬—玻耳兹曼定律确定，即

式（1）中，E为辐射能量；ε为物体的发射率；σ为玻耳兹曼常数；T为物体的热力学温度。由该定律可知，物体单位面积的热辐射功率［4-5］与其表面温度和表面发射率有关。因此，影响阵地目标热红外伪装效果的主要因素为阵地目标与背景的辐射温差、阵地目标的表面发射率及阵地目标的斑点暴露尺寸。

1.3 雷达伪装效果

阵地目标识别跟踪目标主要依靠雷达，电磁波是雷达探测的依据。雷达截面积（RCS）是确定目标反射电磁波能力的有效指标。根据雷达的测距方程，雷达目标截面积为：

式（2）中，Pt为发射功率；G为发射和接受天线增益；为雷达波长；R为目标到雷达的距离；Pr为接受功率［6］。由该式可知在部队使用同一型号雷达时，影响阵地目标雷达伪装效果的主要因素为阵地目标与背景的雷达后向散射系数差。

2 阵地目标伪装效果评价模型

2.1 指标权重的确定

建立加速遗传算法——投影寻踪模型（RAGA-PPC），确定指标权重。遗传算法作为一种仿生人工智能算法，其原理是将原始数据编码，经过选择、交叉、变异处理得到最优解。投影寻踪［7］是通过优化投影指标，降低数据维数的一种数学分析方法。RAGA-PPC模型的基本原理是根据实际应用背景定义投影指标函数，确定其所有的投影方向，采用加速遗传算法寻求最优向量值，从而得到最佳投影方向。

第1步，建立初始评价矩阵。设某单位有m个阵地目标，经过仪器测得其n个指标数据，构成，其中，xij表示第i个阵地目标的第j个评价指标。由于原始数据不能统一度量，需消除数据的量纲。

对效益型指标采用式（3）：

对成本性指标，采用式（4）：

经变换后得到标准化判断矩阵

第2步，定义投影指标函数。根据投影寻踪模型的原理，将n维数据进行降维处理，得到，即令

为使小范围投影点尽可能地聚集，并使整体上得到相对散开的投影点团，本文采用Friedman—Tukey投影指标函数，即投影指标函数［8］为：

式（7）中，S（a）为数据扩展的度量，用标准差表示；D（a）为局部密度；a为投影方向。则有：

第3步，求最佳投影方向。由加速遗传算法的原理，将投影指标函数转化为求解最优化问题，即得到最佳投影方向，约束条件为对投影方向aj的限制。因此，优化问题［9］为：

由式（10）可知，此优化问题为非线性的优化问题，利用MATLAB编写加速遗传算法程序，对高维数据进行降维处理，经过迭代处理，可得到最佳投影方向。在评价过程中，最佳投影方向代表各指标对总体的贡献大小。由于其是单位投影方向向量，满足平方和为 1，故可将作为各指标相应的权重。

2.2 灰色理想点评价模型的建立

第1步，计算加权评价矩阵。将标准化处理后的矩阵利用RAGA-PPC模型优化的权重进行处理，即令

确定负理想点为

式中，j+为效益型目标集合，j-为成本型目标集合。

第3步，计算各阵地目标到理想点和负理想点的欧几里得度量。

计算第i个阵地目标到理想点的欧几里得度量为

计算第i个阵地目标到负理想点的欧几里得度量为

计算第i个阵地目标采用单一理想点法的相对贴近度为

式（18）中，ξ为分辨系数，一般取 0.5。

第5步，计算灰色关联度。利用指标权重综合处理每个阵地目标的灰色关联系数向量，可得到灰色关联度和。即第i个阵地目标与理想点的灰色关联度为

第i个阵地目标与负理想点的灰色关联度为

计算灰色关联相对贴近度为

第6步，归一化各阵地目标关于理想点法的欧几里得度量和灰色关联度。令Pt分别代表归一化为，仍记为

第7步，计算理想点法的欧几里得度量和灰色关联度的组合值。即令：

第8步，计算综合相对贴近度。第i个阵地目标的综合相对贴近度为

根据综合相对贴近度的大小对阵地目标伪装效果进行排序，综合相对贴近度越大，说明该阵地目标伪装效果越好；反之，说明该阵地目标伪装效果越差［10-13］。

3 算例分析

根据影响阵地目标伪装效果的因素，建立指标体系如下页图1所示。

3.1 计算指标权重

根据式（3）～式（10）计算出最佳投影方向为（0.324 5，0.403 6，0.350 5，0.410 1，0.386 9，0.306 4，0.328，0.299 2），则各指标的权重为（0.105 3，0.162 9，0.122 9，0.168 2，0.149 7，0.093 9，0.107 6，0.089 5）。

图1 阵地目标伪装效果评价指标体系

3.2 确定和

理想点为（0，0，0，0.168 2，0，0，0，0），负理想点为（0.105 3，0.162 9，0.122 9，0，0.149 7，0.093 9，0.107 6，0.089 5）。

3.3 计算阵地目标的综合评价值

根据式（17）～式（21）求得各阵地目标与理想点的灰色关联度为（0.866 0，1，0.731 8，0.742 4）；各阵地目标与负理想点的灰色关联度为（0.7525，0.8145，0.908 8，1）。

评价者对各阵地目标到理想点法的欧几里得度量和对灰色关联度组合的偏好均相等，即，则可以得到各阵地目标伪装效果评价计算，如表2所示。

表1 各阵地目标数据测评值

表2 各阵地目标伪装效果评价计算表

将综合相对贴近度作为各阵地目标最终的评价值，则各阵地目标的评价向量为（0.537 3，0.552 8，0.429 6，0.417 7）；采用理想点法时，相对贴近度为（0.539 7，0.554 5，0.412 2，0.409 1）；灰色关联相对贴近度为（0.535 0，0.551 1，0.446 1，0.426 1）。

3.4 计算结果分析

由于指标经过无量纲处理，综合评价值越大，则该阵地目标伪装效果越好，从计算结果看，4个阵地目标伪装效果的排序为：。

4 结论

现代战场瞬息万变，能否在这种恶劣的环境中生存下来至关重要，提高阵地目标的生存能力也是部队面临的主要课题。而阵地目标伪装效果与其反应能力、防护能力、保障能力等要素共同决定了阵地目标的生存能力。

本文就伪装效果要素建立了一套有效评价阵地目标伪装效果的方法体系，根据伪装技术及相关原理，系统地建立了指标体系，构建了基于RAGA-PPC和灰色理想点的评价模型。利用加速遗传算法求解投影寻踪模型，更加科学、合理地确定指标权重。利用灰色关联度和欧几里得度量构造综合相对贴近度，对阵地目标伪装效果进行评价研究。相对于单一的理想点法和灰色关联法，灰色理想点法在提高指标评价分辨率、避免灰关联度失真等方面有一定改进，具有一定的参考价值。