报告核心观点 - 该研究提出了一种用于防空系统的动态、学习型人工智能威胁评估模型，旨在通过整合缺失数据补全、多标准分析和人工神经网络来自动化威胁评估和目标分配过程 [1] - 与文献中大多数使用少量标准且为静态的研究不同，该模型采用了**26个不同标准**，并能够动态更新威胁分数，提供更广泛的视角 [1][3] - 模型性能表现优异，在测试中**均方误差（MSE）介于0.0005至0.0072之间**，**相关系数（R）高于95%**，表明其能高精度预测威胁等级，可加速决策支持过程，减少人为影响并提高系统效能 [1][56] 文献综述与行业现状总结 - 文献中的威胁评估方法主要分为四类：**基于规则的模糊逻辑（灰色关联分析）、贝叶斯网络与随机方法、多标准决策制定方法以及人工神经网络** [5][6][7][8][9] - 现有研究在使用的标准数量上差异很大，从1个到55个不等，且多数为静态模型，难以适应不断变化的战场条件 [1][10] - 威胁感知和反应时间因个人或地理条件而异，这源于操作人员的经验、知识库和决策链长度等因素，因此需要决策支持系统来减少初始不确定性并正确识别优先级 [11] - 不同国家基于其地理位置和战略，对威胁的视角和防御技术重点各不相同，例如美国和中国关注大数据与人工智能，而土耳其和以色列强调作战速度和精确防御 [14][16][18] 研究方法论 - **数据收集与标准选择**：研究从56项文献研究中编译了**223个目标数据集**，涵盖了**26个最常用且可进行数据补全的标准**，共收集了**5,798个数据点**，其中**4,246个通过数据补全过程生成** [21][24] - **数据预处理**：对数值进行了标准化，对分类数据添加了“未知”类别，并通过专家调查确定了20种不同目标类型的优先级权重，数据补全基于标准之间的关联网络，采用基于最近邻聚类估计的方法完成缺失值 [25][26][28][29] - **威胁分数计算**：提出了**组合几何威胁分数（CGTS）**，通过几何平均法结合文献中的威胁分数和基于标准重要性级别的加权分数，旨在减少不同来源的偏见评估，为神经网络训练提供更可靠的目标变量 [40][41] - **人工神经网络模型**：模型采用**26个标准化标准作为输入层**，**CGTS值作为输出层**，隐藏层神经元数量作为可变参数，使用**Levenberg-Marquardt反向传播算法**进行训练，并采用**均方误差（MSE）** 作为性能函数 [42][45][49] 模拟与实证结果 - **模型性能**：在**70%训练、10%验证、20%测试**的数据分割比例下，模型取得了最佳结果，**测试集的均方误差（MSE）为0.0025，相关系数（R）为0.9617**，表明模型具有高预测精度和泛化能力 [56][60] - **比较分析**：与文献中其他人工神经网络研究相比，该研究考虑了更多的标准（26个），并在更少的训练周期（9个）内取得了良好结果，计算出的**模型效率值为26,577**，高于所列的多数对比研究 [66][67][68] - **模拟场景**：模型对五个不同目标进行了测试，例如，由于弹药容量高（8，460）和交战距离短（10），**轰炸机（目标3）被评估为具有最高威胁分数（0.7303）**，而**SEAD飞机（目标4）** 尽管电子战能力高，但由于交战距离较远（28），威胁分数相对较低（0.5904），这证明了模型能通过平衡不同标准进行现实且可解释的威胁优先级排序 [74][75][77] 结论与贡献 - 该研究通过整合人工神经网络的动态学习能力与缺失数据补全算法，**填补了文献中缺乏动态自适应威胁评估模型的空白** [81][86] - 主要贡献包括：**编译并标准化了56项研究中的标准**，**首次揭示了标准间的关系网络并据此进行数据补全**，**提出了创新的组合几何威胁分数（CGTS）计算方法**，以及**设计并验证了一个高精度（R=0.96）且可泛化的人工神经网络模型** [82][83][84][85] - 该模型为下一代网络中心化防空系统提供了实时、智能威胁评估的基础验证，未来研究方向包括使用实时雷达数据测试模型、与深度学习架构比较、集成自动武器分配模块等 [85][87]