基于仿真的无人机效能度量分析

摘要

由于无人机(UAV)的生产和操作成本低于有人驾驶飞机，而且应用广泛，效率高，因此许多国家都在大力发展。它的战术价值在军事ISR(情报、监视和侦察)行动领域得到了高度评价。对于将M&S应用于无人机武器系统的采办，以往衡量武器系统有效性的方法存在包含主观和定性因素的局限性。因此，需要用仿真的方法来测量武器系统在作战环境和作战概念下的性能。这项研究是开发一种新的方法来测量和分析无人机的有效性。通过文献综述、专家访谈、问卷调查、因子分析等方法确定评价效果的因素。雷竞技苹果下载根据选取的因素，组织了模拟实验设计。利用开发的仿真，根据无人机的有效性绘制了MOEs(有效性度量)。此外，通过多元线性回归和结构方程建模分析，得到了对提高无人机效能有意义的结果。将分析结果应用于改进后的场景，仿真结果显示操作效率提高了约29%。

关键字

无人机，有效性测度，仿真分析，有效性测度，因子分析，多元线性回归，结构方程建模。

简介

无人机(UAV)的定义是一种有动力的飞行器，不搭载人类操作员，使用空气动力提供飞行器升力，可以自主飞行或远程驾驶，可以消耗性或可回收性，可以携带致命或非致命有效载荷(美国国防部词典，2010)。它最近被用作UAS(无人驾驶飞机系统)，基于对需要的整个系统的认识，该系统由无人驾驶飞机、有效载荷、人的元素、控制元素、武器系统平台、显示、通信架构、生命周期后勤和支持的士兵组成，在各种使用词后，UAV(无人驾驶飞行器或无人驾驶飞行器)、RMS(遥控驾驶系统)、RPV(遥控驾驶车辆)、RCS(遥控系统)、无人机和飞行机器人(美国国防部，2010)。

由于无人驾驶飞行器的生产和操作成本低于有人驾驶飞行器，而且应用广泛，效率高，因此许多国家都在发展无人驾驶飞行器。它的战术价值在军事ISR(情报、监视和侦察)任务领域被高度评价[1］．为了开发更高效的武器，国防部研究了武器系统的有效性分析，并获得了各种量化机动、火力、生存能力和C4I等主观概念的方法，并将其应用于研究。例如，使用WEI(武器效能指数)和WUV(加权单位值)的方法，但它们包含主观和定性因素的局限性[2］．为了避免这些限制，人们创造了几种量化方法，使用模拟测量武器系统输入作战环境和作战概念的性能的M&S被广泛应用。随着2010年9月“将M&S应用于采办系统的指导方针”成为法律，需要一种新的武器系统采办方法。

无人机因其“无人”特性而被用于“3D”任务。“3D”是“沉闷、肮脏、危险”的缩写。例如，无人机将长期监视和侦察任务作为“枯燥”任务，在化学或放射性空气污染下的观察和数据收集任务作为“肮脏”任务，在敌人主导地区的ISR(情报、监视和侦察)和SEAD(压制敌人防空)行动作为“危险”任务。无人机系统已经在“3D”任务中充分证明了其实用性，逐渐取代了有人驾驶飞机的任务区域[3.］．自第一架无人机于1914年在爱荷华州军事基地与美国陆军和民用工程师联合试验成功以来，它作为一种机械装置被载具，随着科学技术的发展不断扩大对无人机的利用面积和需求[4］．在军事上，无人机已经通过黎巴嫩(1982年)、科索沃(1999年)、阿富汗(2001年)、伊拉克(2003年)等战争证明了其作为“战场之眼”的有效性[5］．就民用目的而言，它的潜在和直接需求存在于各种领域，如科学测量、监测非法活动、野生动物监测/保护、海上任务和利用卫星替代品，包括农业支持。它和实际的一样被使用。

国防M&S(建模与仿真)的定义是通过科学分析解决国防相关问题的相关模型、工具和所有活动(KIDA, 2009)。随着近年来对M&S应用的重视，它被广泛应用于武器系统采备、训练仿真游戏和战斗力分析等领域。在未来，它将是有效的决策工具[6]。M&S的概念被用于SBA(基于仿真的采办)、模拟案例设计、SMART(用于采办、需求和训练的仿真与建模)、STEP(基于仿真的测试与评估程序)和战斗实验[7］．根据我国立法的《关于在收购制度中应用M&S的指导意见》，M&S在收购制度中的应用是强制性的。在这种情况下，SBA(基于仿真的采集)得到了积极的发展。SBA是在武器系统的整个生命周期中使用DM&S方法或工具进行仿真分析和验证的科学和系统的采收活动。预期效果包括风险管理、最佳绩效、降低成本和周期[8］．为了将M&S作为SBA概念应用于采收系统，广泛使用的指标是MOE(有效性测量)。MOE是对模型或仿真性能的定性或定量度量，或表示在特定条件下执行任务或满足作战目标或要求的程度的特征(国防建模和仿真办公室在线M&S术语表，2005)。

回顾了仿真工具和分析方法的清单，每个研究根据自己的目的使用不同的工具和分析方法。在仿真工具方面，国际上曾多次使用基于agent的MANA (Map Aware Non-Uniform Automata)模型。国内尚无主要的仿真模型。几个模型，如系统动力学模型和竞技场模型用于各自的研究目的。在分析工具方面，多元线性回归在国内外研究中被多次使用。为了将仿真模型应用于我军无人机，需要能够反映朝鲜战场地形、天气等作战条件的仿真模型。以往研究中使用的仿真模型都是国外军队或公司制作的。仿真模型存在一定的局限性。对仿真数据进行分析需要先进的分析方法。在之前的研究中，由于分析方法的能力，他们考虑了各个属性对MOE的影响。 Even though Multiple Linear regression is a useful and effective statistical method to analyze the effectiveness, it cannot consider how the patterns grouped by similar attributes affect the effectiveness of an UAV. So, simulation tool reflected Korean warfare condition and advanced analytic method which can measure the factor’s effectiveness should be developed for improving of a methodology to measure and analyze the MOE of an UAV. Therefore, the purpose of this paper is to develop a new methodology for measuring and analyzing an UAV operating effectiveness, which is required for developing a future essential Army Tactical UAV. Factors of quantifying UAV operating effectiveness were selected from previous studies, the model for assessing operating effectiveness was set, the UAV operating effectiveness was analyzed by simulation, and finally meaningful conclusions were drawn.

研究方法

框架

为了测量和分析某型无人机的运动模态，本文采用如下步骤建立了该方法:图1)．程序分为三个步骤-因素选择，模拟与数据分析和验证。在第一步中，通过文献综述和专家访谈确定MOE属性。雷竞技苹果下载然后，利用前面步骤中回顾的MOE属性，通过因子分析确定MOE因子。第二步，利用确定的MOE因子通过实验设计进行模拟，利用模拟数据采用多元线性回归、结构方程建模等先进统计方法进行数据分析。第三步，利用数据分析的结果，将之前的场景与改进后的场景进行对比验证。

因素选择

识别MOE属性

在以往的研究中，影响无人机效能的因素很多。许多属性也被用来衡量无人机的有效性。在美国陆军，他们强调了在过去的无人机作战测试中，从DOT&E的角度来看，无人机测试已经证明存在问题的领域。有了这些知识，他们坚持认为“信息价值”、“及时性”、“图像质量”、“探测、分类、识别标准”、“目标定位误差标准”和“生存能力标准”是影响无人机有效性的主要因素[9］．但是我们需要属性来调整韩国的战斗条件(地形，天气等)，并暗示我们自己的无人机开发程序。利用仿真技术对无人机的效能进行测量和分析是目前研究的热点。从这些研究中提取出28个属性如下(表1)，以识别影响无人机机动功率的属性[10-17］．这些属性可以是MOE测量因子的池。通过概念分析或专家访谈等选择过程，可以提取和添加这些信息，以发现影响无人机有效性的基本属性。

表1:一种无人机MOE的文献综述。

确定MOE因素

为了确定实验设计中使用的MOE因子，可以进行因子分析。探索性因子分析(EFA)通常用于发现一个测度的因子结构和检验其内部信度。当研究人员对其测量的潜在因素结构的性质没有假设时，通常建议采用EFA。探索性因子分析有三个基本决策点(1)决定因子的数量，(2)选择提取方法，(3)选择旋转方法(Kim & Mueller, 1978)。利用选择过程中选定的属性，可以对无人机研究人员和操作人员进行调查，提取无意义的属性，选择解释无人机属性的因素。在因子分析的基础上，通过特征值和因子加载提取无意义属性。属性则是由组和重命名因子组成的规则模式，以表示因子中的属性。

仿真与数据分析

仿真:仿真是一种工具，用于评估系统在不同配置和长时间实时下的现有或拟议性能。在改变现有系统或建立新系统之前使用，以减少不符合规格的可能性，消除不可预见的瓶颈，防止资源不足或过度利用，并优化系统性能[18］．利用因子分析得到的属性对无人机的数据进行了仿真。

在进行模拟之前，需要设计实验。实验设计在模拟研究的进行中起着不可或缺的作用。首先要确定各因素的变化。模拟可以使用因子。每个因子可以设置为两个或多个属性。设计点由研究中每个因素的规格组成。仿真模型中有许多参数，可以通过改变这些参数来探索对性能的影响。由于计算的限制，这些参数的一个子集，被认为是最有可能对所选的moe造成主要影响，被选为实验设计的因素。然后确定这些因素的合理范围。代理的当前能力被扩展，以确定因素的最大范围[19］．

其次，要确定实验水平和实验点的选择。这些因素的最小值和最大值构成了实验区域的框架。为了探究这些因素的主要影响和相互作用，我们需要在该实验区域内选择取样点[20.］．尽管计算机技术不断进步，但实际上仍然不可能在一个实验区域内对所有可能的点运行一个模型。因此，我们需要复杂的技术来找到一个有效的设计点的数量，这些设计点一起允许从实验中获得最大的信息。根据Sanchez的说法，拉丁超立方(LH)设计提供了一种灵活的方法来构建有效的定量因素设计，并具有阶乘设计的一些空间填充特性，但需要较少数量级的采样[21］．

•无人机的属性(因素、特征等的变化)

敌人的属性(因素、特征等的变化)

•目标属性(数量，类型，伪装等)

•环境因素(地形、雾、温度等)

•计算的限制(因素限制等)

数据分析

运行模型后，获取moe的数据集。可以使用几种统计方法来分析数据集。但是，这种分析的合适方法是MLR(多元线性回归)和SEM(结构方程建模)。MLR可用于分析各属性对可动要素的有效性，SEM可用于分析各因素对可动要素的有效性。MLR是确定因素对响应变量影响的常用方法。它涉及通过最小化误差来预测响应变量的因素系数的线性组合。最小化误差项会产生基于这些因素的响应的精确拟合。各种统计软件包可用于促进多元回归分析。虽然MLR给出了每个重要因素的系数估计，但这里的重点是每个因素的相对重要性，而不是系数的值。响应是一个概率，因此被限制在0到1之间的值。 SEM grows out and serves purposes similar to multiple regression, but in a more powerful way which takes into account multiple latent independents each measured by multiple indicators, one or more latent dependents also each with multiple indicators, the modeling of mediators as both causes and effects, modeling of interactions, nonlinearities, correlated independents, measurement error, and correlated error terms. SEM may be used as a more powerful alternative to multiple regression, path analysis, factor analysis, time series analysis, and analysis of covariance [22］．

验证

为了验证数据分析的结果，需要进行验证。虽然方法多种多样，但本文提出的方法是一种比较验证方法。在该方法中，为比较方法开发了反映数据分析结果的改进场景。在改进后的情景下进行模拟，得到了新的MOEs结果。将前一个场景的结果与改进后的场景的结果进行比较，可以验证数据分析的正确性。

结果

案例研究-陆军战术无人机

本文针对陆军战术无人机进行案例研究，以应用本研究的新方法。该方法的过程分为三个部分:因素选择、模拟和数据分析与验证。

因素选择

为了选择无人机作战效能的衡量因素，对无人机作战效能进行了文献综述和专家访谈。雷竞技苹果下载以下内容(图1)是因素选择的过程。第一步，从无人机作战效能文献中选取43个不同的属性;第二步，剔除多余的13个属性，保留28个属性;雷竞技苹果下载第三步，通过专家对无人机研究人员和现场操作人员的访谈，获得了14个属性，并通过增加2个属性将仿真设置为16个属性。第四步，通过对无人机研究人员和现场操作人员的调查，分析因子分析，增加有统计意义的十个属性[23］．

识别MOE属性

选取了43个属性，并将其用于以往无人机作战效能研究中的自变量。以下内容(表2)表示因子。去掉了15个冗余或相同的属性，剩下的属性是“EO/IR范围”、“传感器范围”和“传感器系统”的“图像质量”。作为同样的概念;“分类范围”表示“探测范围”，“分类概率”表示“P(识别)”，“P(分类)”和“分类率”，“有效载荷”表示“有效载荷重量”，“高度”表示“上限”，“空速”表示“最大速度”和“漂浮速度”，“天气易损性”表示“天气”，“续航时间”表示“飞行持续时间”，“操作范围”表示“任务计划”和“任务半径”。经过第一次筛选后的28个属性按目的分为7类。“飞行器能力”分为“飞行速度”、“耐力”、“高度”、“操作范围”、“有效载荷”和“燃料容量”七个类别。“传感器能力”指的是“图像质量”、“分类范围”、“分类概率”、“扫描宽度”、“视场”和“目标定位误差”。“生存性”指的是“事故率”、“隐身性”、“平均故障间隔时间”、“平均修复时间”和“生存性”。“数据链路”是指“链路可靠性”、“消息延迟”、“目标进程容量”和“数据链路”。“环境效应”指的是“天气易感性”和“地形”。“等”是指“反应性”、“信息价值”、“航路点属性”、“可操作性”和“及时性”。

表2:影响无人机效能的属性列表。

第二次筛选是通过专家访谈完成的。从10月3日到21日，由国防采办事业厅(DAPA)、国防开发厅(ADD)、国防分析研究院(KIDA)、国防技术质量厅(DTaQ)和军级情报大队的专家们进行了为期两周的调查。在访谈的基础上，增加14个属性，修改2个属性，纳入2个属性。第二次筛选的属性是“燃料容量”、“扫描宽度”、“MTBF”、“MTTR”、“生存性”、“消息延迟”、“目标处理能力”、“数据链”、“天气”、“地形”、“反应性”、“信息价值”、“航路点属性”、“机动性”、“无人机可用性”和“及时性”。修改了“事故率”的“回报率”和“隐身”的“雷达探测率”两个属性。“抗ea能力”和“温度”被额外列入，因为它们被认为是重要的。最后的16个属性是表2通过过滤两次，从43个中得到29个，并添加两个属性。

确定MOE因素

调查于10月17日至21日进行，为期一周。研究对象是无人机研究人员和现场操作人员。研究人员是在陆军情报学校、DAPA、ADD、KIDA和DTaQ工作的人，现场操作员是陆军6个无人机连中的3个的士兵[24］．

调查采用7-Likert量表进行标记。“1”分表示“无效”，“7”分表示“最有效”。剔除无信度的样本后，可以得到96个样本(86%)。样本包括28名研究人员(29%)和68名现场操作人员(71%)。在无人机工作年限方面，“1年以下”占11%，“2年以下5年以上”占14%，“6年以下10年以上”占49%，“11年以上”占26%。平均工作时间约7.3年。对调查结果进行探索性因子分析。看到图2为各因素的平均分。

范围最小值为“5.81”，最大值为“6.58”，从高到低依次为“图像质量”、“续航时间”、“天气敏感性”、“数据链”、“分类概率”、“分类范围”、“位置误差”、“高度”、“操作范围”、“反ea能力”、“返回率”、“雷达探测率”、“空速”、“视场”、“有效载荷”和“温度”。通过因素细化过程剔除了6个自变量。探索性因子分析采用主成分分析法和正交旋转法。本分析的标准为特征值≥1.0，共同性≥0.60，因子负荷≥0.50。通过四次分析，剔除了“有效载荷”、“目标位置误差”、“温度”、“返回率”、“链路可靠性”和“视场范围”。16个变量中的10个用于探索性因子分析。测量变量按以下4个因素分组(表3)．“图像质量”、“分类范围”、“分类概率”和“天气易感性”变量被聚合为第一个因素。“雷达接收率”和“反ea能力”变量收敛为第二个因素。“空气速度”和“高度”变量收敛为第三个因素。“操作范围”和“持续时间”变量收敛为第四个因素。除“海拔高度”(0.747)和“耐力”(0.763)外，其余变量的特征值均大于0.80。的值也很高(超过0.80)。累积的分布式描述为85.495%。也就是说，这10个变量很好地解释了模型的85%以上。通过因子分析的结果，采用统计方法在10个属性中选取4个因素作为影响无人机效能测度的因素。4个因素分别为载具能力、传感器能力、战术作战能力、电子战能力。图3)．这些属性用于无人机效能度量指标。“载具能力”因素可用于衡量飞机性能对无人机任务成就的影响程度。“传感器能力”因子可用于衡量无人机传感器分辨率对无人机任务完成的影响程度。“战术作战”因素可用于衡量作战战术如路由对无人机任务成就的影响。“电子战”因子可用于衡量从电子战效果到无人机任务成就的生存能力。

表3:因子分析结果。

仿真与数据分析

进行了仿真实验设计。在实验设计中，采用因子选择过程提取的属性作为自变量和因变量。该仿真是通过为衡量陆军战术无人机的有效性而设计的场景进行的。模拟完成后，采用统计学方法进行数据分析。由于数据分析的结果有意义，设计了改进方案进行验证，并与之前的方案进行比较。

无人机仿真分析模型

无人机仿真模型是基于无人机的特性、朝鲜半岛的地形和天气、韩国军队2003年的作战条件，为衡量陆军战术无人机的作战效能而开发的。陆军利用该仿真模型生成兵团、师、营级无人机的能力要求(ROC)，制定特定条件下无人机的航路策略和最优飞行高度、航路点。

无人机仿真模型的检测算法采用美国国防部批准的标准之一，“空中STD 80/15 <图像解释的最小分辨率物体尺寸>”。该标准定义了卫星图像的图像检测过程和目标的最小尺寸代表主体。这个标准是为卫星图像设定的，但有有效性，因为它与无人机的过程相同[25］．看到图4为无人机仿真模型的目标检测算法。

实验设计

场景:本研究使用的仿真工具为无人机仿真分析模型。该系统用于陆军战术无人机的ROC生成，由Sim模型开发。该模型通过严格的物理模型，应用无人机的飞行特性，隐含敌方部队的部署，模拟战斗条件，并反映韩国的天气和地形，使用科学分析工具。

故事的背景是半岛中部的“骊州”，有山、有水、有路。作战区域为25000米× 25000米，每5000米× 5000米有5个目标。目标是“T-59”，朝鲜军队的主要坦克。这种情况的假设如下。

•无人机执行ISR任务的操作区域为25平方公里，该区域河流、山地、道路分布不规则。

•ISR任务在本作战区域的目的是获取敌方位置和图像信息。

•在ISR任务中，无人机采取“区域侦察”侦察方法，并具有“2公里”的扫描宽度。

•无人机的飞行时间是对敌方作战区域进行空中侦察的时间。

•作战区域内的敌人为准备突击作战，集中在战术集结区。

的变化

仿真环境允许模型操纵大范围的因素，在设计实现中提供了卓越的灵活性。每个选择的因素然后变化，以评估其对无人机效能的影响。本研究中不同的因素可分为受控和非受控两组。受控因素是指用户可以直接控制的因素。例如，无人机的速度可以在设计阶段和使用过程中由操作员控制。不可控因素要么不受用户影响，要么不为用户所知。这些通常带有敌人的特征，比如伪装，能力。这里的可控因素和不可控因素都是不同的[26］．

本研究中的因素是通过选择过程的结果来选择的。在这个场景中，选择飞行器能力中的“空气速度”和“高度”因素，传感器能力中的“图像质量”和“天气敏感性”因素。而“敌人伪装”因素作为一个不受控制的因素也包含在这个场景中。各因素的变化情况见表4．筛选实验的有效性是根据每个场景下分类敌人的概率来衡量的。由于敌方特工的数量是125，分类百分比的总和除以125就是该区域内敌方分类的经验概率。陆军指挥官希望将这种可能性最大化。

表4:模拟因素的变化。

正交拉丁超立方体设计

在可控因素和不可控因素之间，有大量的因素值得考虑。在尝试在广泛的可能级别上有效地改变这些因素时会出现一个问题。传统的析因实验设计只测试两个或三个水平的少数因素。为了利用这种方法，一些因素将被排除在实验设计之外，并假设线性关系。聪明的设计是必需的。

正交拉丁超立方(OLH)设计具有良好的空间填充特性，导致因素输入之间的低相关性，以及识别非线性关系的能力。OLHs可用于设计一个实验，以高效和有效的方式在17个水平上评估多达7个因素。近正交拉丁超立方体(NOLHs)具有几乎相同的性质，但因子之间的相关性略高，但可以忽略不计。nolh可用于评估多达129个水平的8至22个因素。

设计的正交性导致没有显著的设计强加的相关性。这提供了在分析过程中独立查看每个变量的影响以及相互作用的能力。通过优化olh或nolh的链，可以在保持设计的正交性和无显著设计点相关性的情况下增加空间填充特性。这提供了更强的分析多维数据的能力。

本研究使用正交拉丁超立方体作为控制因素。这为控制因素优化提供了17个设计点，以实现大空间填充。对于未受控因素，应用11级。结果是17乘以11=185个设计点，每个设计点针对9种传感器(4.3mm, 6mm, 8mm, 12mm, 16mm, 20mm, 24mm, 68mm和160mm)的5个阶乘情况运行。最后，这1665个设计点(传统方式:9401700→OLH方式:1665)各运行5次迭代，以利用无人机仿真模型的随机性。这将导致该场景总共运行8,325次(图5)．

数据分析

多元线性回归:多元线性回归(MLR)是确定因素对响应变量影响的常用方法。它涉及应用预测响应变量的因素系数的线性组合，使误差最小化。最小化误差项会产生基于这些因素的响应的精确拟合。各种统计软件包可用于促进多元回归分析。虽然MLR给出了每个重要因素的系数估计，但这里的重点是每个因素的相对重要性，而不是系数的值。响应是一个概率，因此被限制在0到1之间的值。本研究采用SPSS 18.0统计软件。

利用模拟数据，以“分类率”为因变量，以“敌人的伪装”、“海拔高度”、“风速”、“雾率”和“图像质量”为自变量。看到表5用于变量的描述性统计。对于模型拟合，r平方值和Durbin-Watson值是很好的。该模型的r平方值为0.602。r平方是回归模型解释的可变性的度量。这个r平方值不是很高。但即使只有六个变量，它也实现了。Durbin-Watson值为1.522。Durbin-Watson统计量是一种检验统计量，用于检测回归分析残差中因给定时滞而相互分离的值之间是否存在关系。该值远不是0或4个值，而接近2个值。模型中的F值为63.641。 Significant provability is 0.000. It can interpret that the model fit is good. See the表6模型拟合的价值。根据系数结果，自变量“空气速度”、“雾率”和“图像质量”被接受(t>1.96, Sig<0.05)。其他自变量“敌人的伪装”、“海拔高度”和“风速”由于t值和显著性因素不被接受。不存在共线性问题，因为所有变量的公差值都超过0.10。“敌人的伪装”对这个模型没有任何意义。“高度”和“风速”对分类概率有负向影响。但“风速”、“雾率”和“图像质量”对其有积极影响。特别是“图像质量”变量与分类概率有较高的相关性。对分类概率的重要性由高到低依次为:图像质量-高度-风速-雾率-空速-敌人伪装。看到表7对于系数值。

表5:变量的描述性统计。

表6:MRL模型拟合指标。

表7:系数表(图像质量< 16mm)。

由系数值建立多元线性回归方程。该系数值可用于无人机的优化问题。例如，根据载具或传感器能力(分类范围，FOV)与MOE优化有效载荷设备的开发成本，以及根据MOE优化运行成本(根据高度或速度的燃料成本)。两组图像质量结果的比较发现。q图像的系数< 16 mm (表8)为正(0.027*)，而q图像>16mm为负(-0.001**)。因此，高质量的图像并不能产生高的分类概率。它可以解释为存在一个图像质量的针尖点，使分类概率最高

表8:系数表(图像质量> 16mm)。

结构方程建模

结构方程建模(SEM)发展出来，其目的类似于多元回归，但以一种更强大的方式考虑到多个潜在的独立因素，每个独立因素都由多个指标测量，一个或多个潜在的依赖因素也都具有多个指标，介质的建模既是原因也是结果，相互作用的建模，非线性，相关独立因素，测量误差和相关误差项。SEM可以作为多元回归、通径分析、因子分析、时间序列分析和协方差分析的更强大的替代方法。本研究采用AMOS 16.0 [27］．

利用第三章探索性因子分析的结果，提取了本研究中结构方程建模的因子。潜变量为“车辆能力”和“传感器能力”两个因素。“载具能力”以“风速”、“海拔高度”、“风速”和“风向”为观测变量。对于“传感器能力”，观测变量使用“敌人的伪装”、“雾率”和“图像质量”。看到表9为潜变量和观测变量。

表9:潜变量和观测变量。

模拟数据用于此分析。本研究采用典型的模型拟合指标。除p值外，模型拟合结果总体较好。χ²、cmin/df、TLI、CFI、RMSEA均高于最佳水平。看到表10详细的模型拟合结果。SEM模型建立如下(图6)．该模型以“车辆能力”和“传感器能力”因子作为潜变量。“高度”、“空气速度”、“风速”和“风向”因素用于飞行器能力变量的观测变量。“敌人的伪装”，“图像质量”和“雾率”因素被用作“传感器能力”变量的观测变量。有效性度量由“分类概率”作为内生变量来定义。在“车辆能力”和“传感器能力”两个潜在变量之间建立相关关系。每个变量都有误差项。由于“分类概率”的方差，误差项“e8”的方差值设为“0.005”。本研究建立模型，分析“载具能力”和“传感器能力”在无人机效能衡量中的有效性程度。SEM结果显示，“Vehicle ability”的回归估计值为-0.003 (p=0.850)，“Sensor ability”的回归估计值为0.107 (p=0.059)。 So “Sensor ability” factors are more effective factors compared with “Vehicle ability” for the measure of effectiveness of an UAV. Even the standardized values of estimate of “Sensor ability” are higher than “Vehicle ability.” And the only “Sensor ability” has significant value in 95% confidence level. But SEM gives low coefficient estimates for each significant factor; the focus here is on the relative importance of each factor and not value of the coefficient. As values of the observed variable influenced the exogenous variables, the only “Altitude” variable in the “Vehicle ability” variable has significant values and the only “Quality of imagery” variable in the “Sensor ability” variable has significant value. The Squared multiple correlation of each variable are -0.284 (for “Altitude”) and 0.862 (for “Quality of imagery”). See the表11求变量的系数。

表10:SEM模型拟合指标。

表11:变量的系数。

数据分析总结

应用多元线性回归和结构方程建模等统计方法，利用仿真数据对无人机作战效能进行分析。结果可以解释如下。对于多元线性回归，模型拟合是可以接受的(R平方=0.362,Durbin-Watson=1.522, F=63.641 sig=0.000)。该模型也不存在共线性(所有变量的公差值>0.90)。通过MLR结果得出了一些发现。首先，图像质量是影响无人机作战效能最大的因素。分析结果显示，“空气速度”、“雾率”和“图像质量”三个因素达到了统计学显著水平。然而，“图像质量”(0.027)的系数值极高。也就是说，可以认为，更高的“Quality of imagery”是无人机拥有更有效的目标分类概率操作结果的最重要因素。其次，“图像质量”的适当范围是无人机最有效的操作结果。 The values of coefficient of regressions with 16mm less of quality of imagery or with more were different. The value of coefficient of the former was 0.027 (p=19.168) and the latter was -0.001 (p=-15.413). That is, it is meaningful to increase quality of imagery to the certain level for more effective operating results of an UAV. It is not necessary, however, to increase the quality of imagery beyond the certain level. Therefore, a study is needed to find the certain level of the quality of imagery for the optimized results. Third, the optimization for the effectiveness of UAVs is possible using regression equation. New applications are possibly developed to optimize the UAV’s combat effectiveness in limited conditions by utilizing regression equation driven by data analysis [28］．

对于结构方程建模，除(p-=0.036)外，模型拟合均可接受(cmin/df=1.676, TLI=0.905, CFI =0.939, RMSEA=0.066)。通过扫描电镜的结果也得到了一些发现。首先，“传感器能力”和“车辆能力”对增强作战效能的影响。“传感器能力”的回归估计值为0.107，而“车辆能力”的回归估计值为-0.003。预计提高图像质量以提高作战效率或使用红外成像(I2R)来降低敌人的伪装水平比“空速”或设置“高度”更重要。二是“图像质量”和“高度”对无人机作战效能的影响。各SMC(平方多重相关性)值分别为Quality of imagery(0.862)和Altitude(-0.284)。图像质量对无人机作战效能有积极影响，而高度对作战效能有消极影响。

验证

为了验证数据分析的结果，将改进方案的模拟结果与以往的结果进行了比较。通过MLR的数据分析，“图像质量”严重影响无人机的作战效能。此外，通过对一个数据集(Quality of imagery > 16mm)和另一个数据集(Quality of imagery > 16mm)的“Quality of imagery”系数值的模拟MLR分析，可以发现图像质量越高，结果越好。也就是说，适当的“图像质量”可以对无人机产生积极影响。此外，通过SEM数据分析发现，“Quality of imagery”和“Altitude”对作战效能有影响。以下表12说明仿真结果。如果“图像质量”以及高度和空速降低，则模拟的操作效率将提高29%左右。因此，对分析的数据结果进行仿真，可以提高作业效率。

表12:仿真结果进行验证。

讨论

本研究是针对无人机效能的测量与分析方法。通过文献综述、专家访谈、问卷调查、因子分析等方法确定评价效果的因素。雷竞技苹果下载根据选取的因素，组织了模拟实验设计。通过开发的模拟，根据无人机的有效性绘制了不同的moe(有效性度量)。此外，通过多元线性回归和结构方程模型分析，得出了提高无人机作战效能的有意义的结论。

本研究的贡献可以概括为以下几点。首先，提出了基于M&S的武器系统作战效能评估方法。在过去，它们是主观的和定性的，但基于多元线性回归和结构方程模型的模拟，现在更加客观和定量。其次，通过模拟得出实际因素，计算运行效果。通过专家访谈，而不是过去的判断分析，这些因素更加一般化。由此获得了适合朝鲜半岛和韩国军队有效无人机作战理念的实际因素。它们被应用到模拟中。

然而，这项研究也有局限性。首先，尽管通过模拟给出了衡量武器系统作战效能的新方法，但没有开发新的实际应用。利用数据分析驱动的回归方程，在有限条件下优化无人机的作战效能，有可能开发新的应用。其次，在实验设计步骤中，选取了总选择因素中的少数因素。如果将“分类概率”和“生存能力”、“电子战”等因素综合考虑，反映在作战效能上，则可以进行更可靠的分析。第三，国内外已经开发了多种无人机仿真模型，但本研究仅限于韩国陆军无人机。它将更加可靠;然而，如果将国内外各种无人机仿真模型的仿真结果进行比较。

参考文献

1. 孔建平，等。智能无人机(SUAV)起落架跌落冲击分析及与实验数据比较高等计算工程与实验(ei).2009;40:192-197。
2. Andreas B等人。安全，安保和救援任务与无人机(UAV)，空中镶嵌和自主飞行。2009。
3. 无人驾驶飞行器:对军事行动的影响，航空大学偶尔论文。2000.
4. 乔治五世等人。从任务规划到无人机飞行控制:策略和实施工具。控制科学，20雷竞技苹果下载05;29:101-115。
5. Elizabeth B和Christopher B.无人机:国会的背景和问题。国会研究服务部，2003年。
6. Jeffrey AD等人。美国国防部高级研究计划局高空耐力无人机项目的创新管理，兰德，1999。
7. 卡明斯ML和米切尔PJ。多无人机监控中的操作员调度策略。航空航天科学技术。2007;11:339-348。
8. 无人机市场的发展:预测和趋势。航空航天欧洲，2000;2:25-27。
9. Lee C，等。无人机操作测试与评估经验教训。国防分析研究所。2003.
10. Park等。基于飞行试验数据的DURUMI-II控制面故障实时参数估计研究。中国机械工程学报。2007;5:457 - 457。
11. 多架无人机在B面搜索和控制中的有效使用。海军研究生院硕士论文。2004。
12. Lawrence AH和Liang。基于agent的战场协同感知仿真的应用。海军研究生院硕士论文。2005。
13. L. A. Ingham, T. Jones, A. Maneschijn(2006)，南非空域无人机设计和操作的考虑因素。航空学报。2006;695:695-701
14. 李国平，胡国臣。群决策下军用无人机选择的高效模糊加权平均算法。系统工程。2011;24:877-889。
15. 凯文LM。无人机生存能力:速度、可探测性和敌人能力的影响。海军研究生院硕士论文。2005。
16. 詹妮弗GW。无人机任务级模拟。空军技术学院，1999。
17. Bahri Y.探索使用无人机和其他资产来加强边境保护。海军研究生院硕士论文。2009
18. 全球鹰无人机采办过程:第一阶段经验总结。兰德》1997。
19. 无人机对远征行动的情报、监视和侦察任务的贡献。海军研究生院硕士论文。2004。
20. 小型无人驾驶飞行器中的人类系统集成和自动化问题。海军研究生院硕士论文。2004
21. Dalamagkidis K等。在无人机系统问题上，阻碍集成的挑战和操作限制。国家空域系统，2008;503-519。
22. Sujit PB和Ghose D.使用飞行时间限制的多架无人机进行搜索。航空航天与电子系统学报。2003;40:491-509。
23. patrick L等。操作多个半自动ugv:导航、策略和瞬时性能。工程心理学与认知工效学。2007;732-740。
24. 无人驾驶飞机系统路线图2010-2035，美国陆军。2010。
25. 勇L和何塞BC。弹出式威胁的通用马尔可夫模型及其在持久区域拒止中的应用。空军研究实验室，2006。
26. Vasileios L.利用基于代理的模拟探索岛屿复杂的无人机海军战术。海军研究生院硕士论文。2007。
27. Suk和jinyoung。无人机飞行控制系统地面试验与评价。KSAS国际杂志，2004;5:57-63。
28. 保罗一个。无人驾驶飞行器:现在和未来的用途。大气成分观测系统。2007;106-118。