本發(fā)明涉及的是一種信息處理檢測(cè)領(lǐng)域的技術(shù)，具體是一種雷達(dá)抗干擾效能評(píng)估可信性度量實(shí)現(xiàn)方法。

背景技術(shù)：

評(píng)估可信性是一個(gè)模糊性的定性概念，它代表評(píng)估結(jié)論的準(zhǔn)確性及真實(shí)性的滿(mǎn)意程度。在仿真系統(tǒng)可信性研究中將不同仿真粒度下產(chǎn)生的數(shù)據(jù)與真實(shí)系統(tǒng)產(chǎn)生的數(shù)據(jù)比較，根據(jù)數(shù)據(jù)分布、變化趨勢(shì)、數(shù)據(jù)大小等，判斷與仿真系統(tǒng)的相似性，進(jìn)而判斷仿真系統(tǒng)的可信性。為了提高評(píng)估的可信性，學(xué)者們從評(píng)估方法入手，通過(guò)論述評(píng)估方法的科學(xué)性、合理性，進(jìn)而闡述評(píng)估結(jié)果的可信性，因此不斷有新的評(píng)估理論出現(xiàn)。例如，從最早的層次分析法到后來(lái)的模糊層次分析法，就是為了盡可能減少人的主觀因素對(duì)評(píng)估結(jié)果的影響，從而提高評(píng)估結(jié)果的可信性。然而，截止目前，直接對(duì)評(píng)估結(jié)果可信性的研究還很少。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明針對(duì)現(xiàn)有技術(shù)無(wú)法解決的技術(shù)問(wèn)題包括抽象模型的可信性度量方法及可信性的具體量化等缺陷，提出一種雷達(dá)抗干擾效能評(píng)估可信性度量實(shí)現(xiàn)方法，

本發(fā)明是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的：

本發(fā)明針對(duì)模式分類(lèi)與效能評(píng)估之間的聯(lián)系，將效能評(píng)估看作效能等級(jí)分類(lèi)，從分類(lèi)可信性出發(fā)，研究評(píng)估可信性。將不確定性理論引入到該方法中，實(shí)現(xiàn)試驗(yàn)數(shù)據(jù)不確定性處理。根據(jù)分類(lèi)模型性能評(píng)價(jià)指標(biāo)，通過(guò)計(jì)算得到評(píng)估模型可信性度量方法。融合多種單樣本分類(lèi)置信度計(jì)算方法，得到使用廣泛的單樣本評(píng)估置信度計(jì)算方法，進(jìn)一步通過(guò)可信性傳播模型，得到綜合效能評(píng)估可信性度量結(jié)果。

本發(fā)明通過(guò)分析影響雷達(dá)抗干擾效能評(píng)估可信性的因素，得到影響評(píng)估結(jié)果的因素主要有評(píng)估數(shù)據(jù)、評(píng)估模型以及待測(cè)樣本自身等。評(píng)估數(shù)據(jù)的可信性受數(shù)據(jù)來(lái)源影響，由效能評(píng)估試驗(yàn)活動(dòng)本身的不確定性決定的；評(píng)估模型的可信性受模型準(zhǔn)確率的影響；單樣本評(píng)估置信度受樣本分布情況影響，由樣本及近鄰樣本所在高維空間的分布決定。通過(guò)分析以上幾個(gè)因素，并分別解決其可信性量化的問(wèn)題，解決雷達(dá)抗干擾效能評(píng)估可信性量化主觀性較強(qiáng)的問(wèn)題，提高雷達(dá)抗干擾效能評(píng)估可信性的精度，在實(shí)際的應(yīng)用過(guò)程中操作簡(jiǎn)單，實(shí)用性強(qiáng)。

本發(fā)明具體包括如下步驟：

步驟a：對(duì)待評(píng)估對(duì)象中的不確定性數(shù)據(jù)按照模糊數(shù)據(jù)、隨機(jī)數(shù)據(jù)及區(qū)間數(shù)據(jù)分別進(jìn)行處理得到評(píng)估數(shù)據(jù)的不確定性<x,crd(x)>，具體包括：

①由區(qū)間值定義可知，區(qū)間變量在不確定性空間內(nèi)的信息是未知的，即其在區(qū)間范圍內(nèi)每個(gè)抽樣點(diǎn)的概率相等。因此可以認(rèn)為區(qū)間變量是在區(qū)間范圍內(nèi)均勻分布的；記區(qū)間變量為[a,b]，則轉(zhuǎn)換為均勻分布后的分布函數(shù)為：

②在得到區(qū)間變量的概率密度分布后，得到參數(shù)取區(qū)間內(nèi)任意微小區(qū)間的概率，進(jìn)一步得以簡(jiǎn)單將區(qū)間數(shù)據(jù)離散化，求取參數(shù)取某一點(diǎn)值的概率，即：模糊變量a通過(guò)轉(zhuǎn)換算子可以將其轉(zhuǎn)化為區(qū)間變量，從而可以利用處理區(qū)間值的辦法解決模糊變量不確定性測(cè)度問(wèn)題。

所述的轉(zhuǎn)換算子為：其中：為區(qū)間下限，為區(qū)間上限，al(α)及au(α)為模糊變量a的α截集，該轉(zhuǎn)換算子能最大性質(zhì)保持模糊變量的不確定性。

優(yōu)選地，在已知模糊變量的隸屬度的情況下，也可以直接對(duì)模糊變量的不確定性進(jìn)行描述。當(dāng)模糊性不確定性數(shù)據(jù)集合a表示為：其中：μa(xi)表示數(shù)據(jù)xi的隸屬度；數(shù)據(jù)xi的不確定性測(cè)度為：模糊數(shù)據(jù)xi的可信性為：

優(yōu)選地，在已知隨機(jī)變量的概率空間情況下，可以直接將隨機(jī)變量轉(zhuǎn)換為區(qū)間變量。

另外，根據(jù)信息系統(tǒng)的信息熵變化情況解決了不完備數(shù)據(jù)的填充問(wèn)題，前面本發(fā)明也討論了信息熵的具體內(nèi)涵，可以看出，信息熵在某種程度上是不確定性的度量方法，信息熵表示消除不確定性的程度，當(dāng)某試驗(yàn)過(guò)程中隨機(jī)不確定性數(shù)據(jù)的在論域x上的概率分布為：p＝{px|x∈x}，則定義試驗(yàn)數(shù)據(jù)x的不確定性測(cè)度為：

步驟b：評(píng)估模型可信性分析，即采用svm分類(lèi)器及神經(jīng)網(wǎng)絡(luò)模型等進(jìn)行效能評(píng)估計(jì)算，實(shí)測(cè)數(shù)據(jù)為訓(xùn)練樣本進(jìn)行訓(xùn)練后，對(duì)待評(píng)估樣本數(shù)據(jù)進(jìn)行分類(lèi)預(yù)測(cè)，并根據(jù)模型得到每一類(lèi)樣本分類(lèi)正確的可能性及必要性，進(jìn)而得到分類(lèi)模型的可信性。

所述的svm分類(lèi)器，具體是：設(shè)有樣本集((x1，y1)，(x2，y2)，…，(xn，yn)}，其中xi∈r^d表示輸入，y∈{±l}表示目標(biāo)輸出(其中i＝1，…，n)。設(shè)最優(yōu)超平面為ω^txi+b＝0，則權(quán)值向量ω和偏置b必須滿(mǎn)足約束：yi(ω^txi+b)≥1-εi，其中：εi￡為松弛變最，表示模式與理想線(xiàn)性情況的偏離程度。svm模型的目標(biāo)是找到一個(gè)使訓(xùn)練數(shù)據(jù)平均錯(cuò)誤分類(lèi)誤差最小的超平面，從而可推導(dǎo)出優(yōu)化問(wèn)題：其中：c為需指定的正參數(shù)(懲罰系數(shù))，表示svm對(duì)錯(cuò)分樣本的懲罰程度。根據(jù)拉格朗日乘子法，最優(yōu)分類(lèi)超平面的求解可轉(zhuǎn)化為優(yōu)化問(wèn)題：其約束條件為：ai≥0,i＝1,…,n，其中：為拉格朗日乘子。k(xi,xj)為滿(mǎn)足mercer定理的核函數(shù)，常用的有線(xiàn)性核(linear)、多項(xiàng)式核(polynomial)、sigmoid核與高斯徑向基核(rbf)等。

所述的神經(jīng)網(wǎng)絡(luò)模型，具體是指：設(shè)bp神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本集為其中xi＝[xi1,xi2,…,xim]為一個(gè)m維的輸入，oi為在輸入為xi時(shí)神經(jīng)網(wǎng)絡(luò)的輸出。令η＞0為學(xué)習(xí)率參數(shù)。隱含層中第l個(gè)神經(jīng)元的輸出可推導(dǎo)為：輸出層輸出可推導(dǎo)為：在增量處理方式下，第i個(gè)樣本對(duì)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)誤差函數(shù)為：從隱藏層第l個(gè)神經(jīng)元到輸出層之間的連接權(quán)值，更新增量計(jì)算公式為：其中：f2′為激勵(lì)函數(shù)的導(dǎo)數(shù)。同樣，我們可以得到：輸入層第m個(gè)神經(jīng)元到隱藏層第l個(gè)神經(jīng)元的連接權(quán)重變化增量，一般采用公式：同樣，我們可以得到：根據(jù)以上求得的各神經(jīng)元連接權(quán)重值及閾值的增量變化，可以不斷更新下一輪網(wǎng)絡(luò)訓(xùn)練的神經(jīng)元權(quán)重值及閾值，其公式為：和m＝1,2,…,m。在每次迭代后，都要重新進(jìn)行學(xué)習(xí)，并計(jì)算每次的全局誤差，判斷網(wǎng)絡(luò)誤差是否在允許范圍內(nèi)。如果誤差滿(mǎn)足要求或者達(dá)到設(shè)定學(xué)習(xí)次數(shù)，則停止計(jì)算。否則，算法繼續(xù)。

所述的svm分類(lèi)器，其分類(lèi)準(zhǔn)確率是指分類(lèi)器正確地預(yù)測(cè)新的沒(méi)有類(lèi)標(biāo)號(hào)信息的數(shù)據(jù)樣本的類(lèi)標(biāo)號(hào)的能力，其中：f是判斷函數(shù)，當(dāng)g(xi)＝y(tǒng)i時(shí)，f(g(xi),yi)＝1，否則為0；a是包含n個(gè)樣本的數(shù)據(jù)集，樣本的形式為以(xi,yi)存在，xi表示樣本屬性集，yi表示類(lèi)標(biāo)簽。

所述的神經(jīng)網(wǎng)絡(luò)模型的分類(lèi)性能通過(guò)繪制roc曲線(xiàn)和auc曲線(xiàn)評(píng)價(jià)得到。

所述的roc曲線(xiàn)以真正率和假正率作為坐標(biāo)軸，曲線(xiàn)上的點(diǎn)代表著正樣本及負(fù)樣本的分類(lèi)準(zhǔn)確率，可充分利用模型對(duì)待測(cè)樣本預(yù)測(cè)得到的概率，同時(shí)可以直觀的表現(xiàn)算法對(duì)不同分布情況下樣本預(yù)測(cè)準(zhǔn)確率的差別。

樣本通過(guò)分類(lèi)模型分類(lèi)后，被模型預(yù)測(cè)為正的正樣本稱(chēng)之為真正(truepositive,tp)，被模型預(yù)測(cè)為負(fù)的正樣本稱(chēng)為假負(fù)(falsenegative,fn)，被模型預(yù)測(cè)為正的負(fù)樣本稱(chēng)為假正(falsepositive,fp)，被模型預(yù)測(cè)為負(fù)的負(fù)樣本稱(chēng)為真負(fù)(truenegative,tn)。真正率(tpr)＝tp/(tp+fn)，假正率(fpr)＝fp/(fp+tn)。

所述的auc曲線(xiàn)是在roc曲線(xiàn)上進(jìn)行積分得到的，其值越接近1代表著分類(lèi)器的性能越好。

所述的分類(lèi)模型的可信性，即模型對(duì)第a類(lèi)樣本分類(lèi)的可信度為：其中：事件a的可能性pos(a)即a類(lèi)樣本被劃分到a類(lèi)的概率，ta表示a類(lèi)的準(zhǔn)確率，|tsa|代表a類(lèi)樣本被正確劃分的個(gè)數(shù)，|sa|代表a類(lèi)樣本的個(gè)數(shù)；事件a的必要性nec(a)，即不屬于a類(lèi)的樣本被劃分到a類(lèi)的不可能性，|fsa|代表不是a類(lèi)樣本被錯(cuò)誤分為a類(lèi)的個(gè)數(shù)，對(duì)應(yīng)事件a的可信性為：

步驟c：對(duì)未知標(biāo)簽的測(cè)樣樣本按照單樣本分類(lèi)的預(yù)測(cè)置信度大小進(jìn)行劃分，具體包括：

由于svm分類(lèi)器的置信度f(wàn)(x)＝exp(-1/d(x))，其中：d(x)為待測(cè)樣本到svm分類(lèi)面的距離，且現(xiàn)有的最近鄰分類(lèi)器的置信度計(jì)算公式為：t＝km(x)/k，其中：k為待測(cè)樣本近鄰點(diǎn)的個(gè)數(shù)，km(x)為待測(cè)樣本通過(guò)模型判斷所屬類(lèi)別包含的近鄰訓(xùn)練樣本點(diǎn)的個(gè)數(shù)；因此采用最近鄰分類(lèi)器的單樣本分類(lèi)的預(yù)測(cè)置信度為f1(x)＝1-d1(x)/d2(x)及f2(x)＝(d2(x)-d1(x))/(d2(x)+d1(x))，其中：d1(x)為待測(cè)樣本x與最近的訓(xùn)練樣本xm間的距離，d2(x)為待測(cè)樣本x與訓(xùn)練樣本中與xm屬于不同類(lèi)別的其他訓(xùn)練樣本的最近距離；并且d2(x)應(yīng)大于d1(x)，于是置信度的取值范圍是0～1；待測(cè)樣本x的分類(lèi)結(jié)果置信度為：并且當(dāng)待測(cè)樣本鄰域內(nèi)無(wú)異類(lèi)樣本時(shí)d(y)＝0，其中：km(x)為待測(cè)樣本的領(lǐng)域樣本與其同類(lèi)的個(gè)數(shù)，k為待測(cè)樣本鄰域樣本的個(gè)數(shù)，d(x)為待測(cè)樣本x與鄰域樣本中所有同類(lèi)樣本的歐氏距離和，d(y)為待測(cè)樣本x與鄰域樣本中不同類(lèi)樣本的歐氏距離和。

步驟d：根據(jù)可信性的串聯(lián)和并聯(lián)情況，將評(píng)估過(guò)程中不同環(huán)節(jié)的可信性進(jìn)行綜合，計(jì)算綜合可信性的測(cè)度，即在串聯(lián)情況下，可信性測(cè)度傳播模型為：cr(e)＝cr(y)*cr(f(x)；在并聯(lián)情況下，可信性測(cè)度傳播模型為：cr(e)＝min{cr(x),cr(f(x))}；通過(guò)傳播模型，得以將評(píng)估過(guò)程中不同環(huán)節(jié)的可信性進(jìn)行綜合，得到總的評(píng)估可信性測(cè)度。

步驟e：可信性綜合分析并計(jì)算得到待測(cè)樣本總的分類(lèi)可信度，具體包括：

①計(jì)算區(qū)間變量在某一點(diǎn)區(qū)間段內(nèi)的可信性：設(shè)xi＝(xi1,xi2,…,xin)為n維空間的某一樣本，當(dāng)樣本分量xi1的值無(wú)法通過(guò)試驗(yàn)精確獲得，但是得以給出其區(qū)間范圍的估計(jì)，即xi1＝[a,b]為區(qū)間變量時(shí)，在效能評(píng)估時(shí)分別采用區(qū)間上限及區(qū)間下限分別進(jìn)行效能評(píng)估，對(duì)應(yīng)會(huì)出現(xiàn)兩種情況，即采用區(qū)間上限和區(qū)間下限得到的評(píng)估分類(lèi)結(jié)果一致，此時(shí)區(qū)間數(shù)據(jù)不影響被評(píng)估對(duì)象的效能等級(jí)劃分；或者采用區(qū)間上限及區(qū)間下限時(shí)得到的效能評(píng)估分類(lèi)結(jié)果不一致，此時(shí)進(jìn)一步討論兩種效能等級(jí)的可能性：當(dāng)取區(qū)間上限b時(shí)，通過(guò)評(píng)估模型對(duì)樣本的評(píng)估分類(lèi)結(jié)果為y1，當(dāng)取區(qū)間的下限a時(shí)，通過(guò)評(píng)估模型對(duì)樣本的評(píng)估分類(lèi)結(jié)果為y2，此時(shí)需要分別計(jì)算該樣本屬于y1與y2的可信性：在已知xi1在區(qū)間[a,b]內(nèi)的概率密度函數(shù)的情況下，當(dāng)通過(guò)判斷xi1取區(qū)間中的c點(diǎn)時(shí)，樣本xi＝(xi1,xi2,…,xin)處在分界面上；此時(shí)，將區(qū)間值[a,b]分為[a,c]和[c,b]，分別計(jì)算[a,c]及[c,b]的概率分布值，此時(shí)概率分布可以看作僅考慮試驗(yàn)數(shù)據(jù)情況下評(píng)估分類(lèi)結(jié)果的可信性。

②當(dāng)同一樣本多個(gè)分量存在不確定性參數(shù)時(shí)，將評(píng)估指標(biāo)體系中指標(biāo)按照“效益型”和“成本性”進(jìn)行分類(lèi)，將屬于“效益性”和“成本性”的不確定性參數(shù)分別取區(qū)間的上限和下限，判斷最有利情況下被評(píng)估對(duì)象的效能分類(lèi)；然后再分別取區(qū)間的下限和上限，判斷最不利情況下被評(píng)估對(duì)象的效能分類(lèi)，當(dāng)兩種情況下的效能分類(lèi)相同，則暫時(shí)不考慮試驗(yàn)數(shù)據(jù)不確定性的影響，否則需要分別討論各參數(shù)取值不同時(shí)效能分類(lèi)的變化及其可信度。顯然指標(biāo)參數(shù)包含少量區(qū)間值變量時(shí)，在區(qū)間值上限和下限時(shí)效能分類(lèi)結(jié)果不同的樣本是分類(lèi)邊界附近的樣本，因此單個(gè)或少量的指標(biāo)變化，引起樣本與分界面距離的變化，最終被分為不同的類(lèi)別。這類(lèi)樣本無(wú)論分為哪一類(lèi)，其結(jié)果的可信性都不高，在無(wú)法進(jìn)一步驗(yàn)證區(qū)間值參數(shù)的具體數(shù)值時(shí)，可以分別給出不同效能分類(lèi)的可信度大小，供決策者參考。

③計(jì)算待測(cè)樣本總的分類(lèi)可信度cr(x)＝crd(x)*crm(f)*crs(x)，其中：crd(x)表示試驗(yàn)數(shù)據(jù)的置信度，crm(f)表示模型的可信性，crs(x)表示單樣本的評(píng)估分類(lèi)的置信度。

技術(shù)效果

與現(xiàn)有技術(shù)相比，本發(fā)明能夠處理雷達(dá)對(duì)抗效能評(píng)估可信性綜合分析，給出了完整的分析過(guò)程及相應(yīng)的計(jì)算公式；本發(fā)明可以不受專(zhuān)家知識(shí)限制的客觀度量方法，給出的運(yùn)算結(jié)果具有較強(qiáng)的穩(wěn)健性；在大多數(shù)武器系統(tǒng)效能評(píng)估中，本發(fā)明中的效能評(píng)估可信性分析方法都能滿(mǎn)足評(píng)估結(jié)果分析的需求。

附圖說(shuō)明

圖1可信性測(cè)度傳播模型示意圖；

圖2本發(fā)明中綜合可信性分析流程圖。

具體實(shí)施方式

如圖2所示，本實(shí)施例包括以下步驟：

步驟1，采集訓(xùn)練樣本及待測(cè)樣本：

本實(shí)施例中是以雷達(dá)抗干擾效能評(píng)估可信性分析為例，采集到的140組數(shù)據(jù)如表1所示；

表1，雷抗干擾效能評(píng)估數(shù)據(jù)

步驟2：評(píng)估模型可信性分析

步驟2.1：以支持向量機(jī)(svm)評(píng)估模型為例，訓(xùn)練樣本為75組，待測(cè)樣本為65組，其中：第一類(lèi)樣本15個(gè)，第二類(lèi)樣本12個(gè)，第三類(lèi)樣本18個(gè)，第四類(lèi)樣本20個(gè)。采用svm模型進(jìn)行預(yù)測(cè)，有10個(gè)樣本預(yù)測(cè)結(jié)果不正確。預(yù)測(cè)結(jié)果如下表所示。

errorrateis：0.153846

wronglypredicteddataindexis：4，wronglypredictedlabelis：2

wronglypredicteddataindexis：13，wronglypredictedlabelis：2

wronglypredicteddataindexis：18，wronglypredictedlabelis：1

wronglypredicteddataindexis：22，wronglypredictedlabelis：4

wronglypredicteddataindexis：30，wronglypredictedlabelis：2

wronglypredicteddataindexis：39，wronglypredictedlabelis：4

wronglypredicteddataindexis：40，wronglypredictedlabelis：3

wronglypredicteddataindexis：47，wronglypredictedlabelis：2

wronglypredicteddataindexis：52，wronglypredictedlabelis：3

wronglypredicteddataindexis：62，wronglypredictedlabelis：3

表2，采用svm評(píng)估算法對(duì)待測(cè)樣本的評(píng)估結(jié)果。

將第一類(lèi)分為第二類(lèi)的2個(gè)，將第二類(lèi)分為第一類(lèi)及第四類(lèi)均為1個(gè)，將第三類(lèi)分為第一類(lèi)、第二類(lèi)及第四類(lèi)均為1個(gè)，將第四類(lèi)分為第二類(lèi)及第三類(lèi)的分別為1個(gè)和2個(gè)。

步驟2.2：根據(jù)模型得到每一類(lèi)樣本分類(lèi)正確的可能性及必要性分別為：

步驟2.3：根據(jù)模型得到每類(lèi)樣本分類(lèi)結(jié)果的可信性為：

步驟3：待測(cè)樣本置信度分析

步驟3.1：表3為試驗(yàn)采集的待測(cè)裝備的3組指標(biāo)數(shù)據(jù)，其中部分?jǐn)?shù)據(jù)無(wú)法獲取準(zhǔn)確的數(shù)據(jù)，但是得以獲得取值的范圍(如表3所示)。

表3，待測(cè)樣本信息

步驟3.2：t3中平均虛假航跡改善因子以及t2中抗干擾扇面有效度兩個(gè)指標(biāo)的試驗(yàn)數(shù)據(jù)并不精確值而是區(qū)間范圍。再無(wú)法通過(guò)試驗(yàn)進(jìn)一步獲取精確值的情況下，本發(fā)明要討論區(qū)間數(shù)據(jù)對(duì)效能評(píng)估工作的影響。通過(guò)前面的分析，本發(fā)明將首先考慮區(qū)間上限及下限情況下，分別作為兩組數(shù)據(jù)進(jìn)行評(píng)估。判斷兩組數(shù)據(jù)的下的效能等級(jí)是否一致。經(jīng)過(guò)分析，t3中取區(qū)間下限時(shí)，效能等級(jí)為3，取區(qū)間上限時(shí)，效能等級(jí)為4。t2中，取區(qū)間上限及下限效能等級(jí)結(jié)果相同。因此，本發(fā)明需要對(duì)t3數(shù)據(jù)進(jìn)一步分析，通過(guò)區(qū)間搜索的方法，本發(fā)明發(fā)現(xiàn)當(dāng)取值為8.81時(shí)，效能等級(jí)為3，取值為8.82時(shí)，效能等級(jí)為4，因此本發(fā)明近似的認(rèn)為8.815為效能的分界點(diǎn)。

步驟3.3：當(dāng)該參數(shù)在區(qū)間內(nèi)取每一點(diǎn)值的可能性相同，由均勻分布區(qū)間值概率密度函數(shù)，于是本發(fā)明得到結(jié)論為：當(dāng)平均虛假航跡改善因子取值為[8.79,8.815]時(shí)，效能等級(jí)為3，其概率大小為0.42；當(dāng)平均虛假航跡改善因子取值為[8.815,8.85]時(shí)，效能等級(jí)為4，其概率大小為0.58。

步驟3.4：表4中的樣本通過(guò)svm進(jìn)行了評(píng)估，其結(jié)果是否正確本發(fā)明并不知道，但是本發(fā)明根據(jù)模型對(duì)樣本分類(lèi)的準(zhǔn)確率計(jì)算得到了模型的可信性，模型的可信性一定程度上代表了模型對(duì)上面三組樣本效能劃分結(jié)果的可信性。但是上述步驟的描述可以看出，僅僅知道模型的可信性是不夠的，因此，需要進(jìn)一步分析單樣本的置信度。

表4，t1樣本的最近鄰樣本及相關(guān)信息

步驟3.5：計(jì)算單樣本的置信度需要分別計(jì)算樣本與鄰域樣本的歐氏距離以及鄰域樣本的類(lèi)別與自身類(lèi)別的關(guān)系。表3給出了t1樣本的最近樣本及距離信息。由表4得到，t1樣本的分類(lèi)置信度為：

步驟3.6：本發(fā)明對(duì)t2和t3兩組數(shù)據(jù)進(jìn)行分析。以t2的區(qū)間下限值作為指標(biāo)的精確值時(shí)的樣本記為t21，以區(qū)間上限值作為指標(biāo)的精確值時(shí)的樣本記為t22，分別計(jì)算t21和t22的鄰域樣本及其距離，經(jīng)計(jì)算t21和t22的鄰近樣本相同，距離信息如表5所示。

表5，t2樣本的最近鄰樣本及相關(guān)信息

由表5得到t21及t22樣本的分類(lèi)置信度分別為：

可以看出，t2樣本取區(qū)間上限和下限對(duì)樣本的分類(lèi)影響很小，在該樣本中，基本可以不用考慮區(qū)間值(不確定數(shù)據(jù))的影響。

對(duì)于t3樣本的情況可采用同樣的方法進(jìn)行分析，求得其分類(lèi)置信度。這里不再贅述。

從圖2給出的可信性分析流程可以看出，在綜合分析樣本評(píng)估結(jié)果的可信性時(shí)，根據(jù)試驗(yàn)中不確定性度量數(shù)據(jù)類(lèi)型的不同，將其轉(zhuǎn)化為區(qū)間值或者給出可信性測(cè)度，這兩種方法都可以處理試驗(yàn)中的數(shù)據(jù)不確定性。轉(zhuǎn)換為區(qū)間值的處理方式實(shí)際上是將不確定性數(shù)據(jù)分為多個(gè)精確數(shù)據(jù)的思想。在計(jì)算得到評(píng)估模型可信性及單樣本可信性后，通過(guò)可信性傳播模型，將試驗(yàn)數(shù)據(jù)的可信性、模型的可信性及單樣本的置信度進(jìn)行綜合，即可以得到樣本評(píng)估結(jié)果的可信性測(cè)量值。

上述的傳播模型具體指的是步驟d中描述的傳播模型，即為：cr(e)＝cr(y)*cr(f(x)。

步驟4，綜合可信性計(jì)算：

步驟4.1：通過(guò)上述步驟，獲得了模型對(duì)每一類(lèi)樣本分類(lèi)的可信性，同時(shí)給出了單樣本的置信度。因此，通過(guò)步驟d的方法，可以得到總的評(píng)估可信性為：cr(t1)＝cr(a2)*f(t1)＝0.88*0.68＝0.60，cr(t2)＝cr(a2)*f(t2)＝0.89*0.84＝0.75。

步驟4.2：至此，本實(shí)施例計(jì)算得到了樣本t1和t2所代表的裝備效能評(píng)估結(jié)果為等級(jí)2和等級(jí)3的可信性分別為60％和75％。本實(shí)施例中并不需要專(zhuān)家參與打分，對(duì)人力要求低。該結(jié)果清楚的表明了效能評(píng)估人員給出的雷達(dá)抗干擾效能評(píng)估結(jié)果的可信程度，為評(píng)估結(jié)論的使用提供切實(shí)可靠的依據(jù)，且該結(jié)果不受使用本發(fā)明人員知識(shí)水平限制，可信度更高。

上述具體實(shí)施可由本領(lǐng)域技術(shù)人員在不背離本發(fā)明原理和宗旨的前提下以不同的方式對(duì)其進(jìn)行局部調(diào)整，本發(fā)明的保護(hù)范圍以權(quán)利要求書(shū)為準(zhǔn)且不由上述具體實(shí)施所限，在其范圍內(nèi)的各個(gè)實(shí)現(xiàn)方案均受本發(fā)明之約束。