技术领域
[0001] 本发明属于作战威胁评估技术领域，具体涉及一种人机协同威胁评估方法及装置。
相关背景技术
[0002] 随着人工智能技术的飞速发展，尤其是ChatGPT的出现吸引了全世界对于人工智能和人之间关系的思考，在军事领域，认为指挥官可以将人工智能与他们的直觉和经验相结合，做出更快、更明智的决策；也有方案强调了人工智能技术在军事建模与仿真的成功运用是建立在决策过程中与指挥官的交互和不断学习之上的；另有些方案则认为AI支持的能力无法有效补充，更无法替代人类在理解和理解战略环境方面的作用。在军事决策过程中，威胁评估是一个关键的环节，它涉及到识别敌方的威胁程度和判断敌方的作战意图。精准的威胁评估能为后续的指令下达、武器装配、作战行动提供重要依据，最大程度地支撑作战决策。未来战场环境信息的多样化和复杂化使得威胁评估变得更加重要且具有挑战性。人工智能通过处理和整合各种来源的信息来提供全面的情报和威胁评估，但在实际作战，仍然需要人类指挥官来解读和理解这些信息。人类指挥官能够运用丰富的经验和直觉，考虑到战术上的复杂性以及敌方可能的意图和行动，从而做出更全面、更准确的决策。
[0003] 迄今为止，已有大量学者对于战场的威胁评估开展研究，并提出了诸多方法，例如一些方案提出了一种基于区间数据的多无人作战飞机空战态势评估方法，另一些方案提出一种基于TOPSIS的多时刻融合直觉模糊集排序模型，还有方案引入直觉模糊粗糙集，提出基于直觉模糊余弦相似度和信息熵进行反导作战威胁评估方法、采用直觉模糊熵计算目标属性权重，建立了基于IFE和动态VIKOR的空中多目标威胁评估排序模型、在直觉模糊集的基础上，提出了一种结合TOPSIS和VIKOR的方法进行目标静态和动态属性的评估、]提出了一种面向鲁棒决策的战场态势评估人机共识形成方法等。
[0004] 战场的威胁评估是一个典型的多属性决策(MultipleAttribute Decision Making,MADM)问题，决策者需要考虑不同属性之间的相互影响和权重，以及各属性对决策结果的重要性，从而进行多属性评估和决策分析。MADM的常用方法包括层次分析法、模糊综合评价等，但随着问题复杂度的提升，仅使用单个方法存在一定局限性。
具体实施方式
[0068] 下面，结合附图对本发明的具体实施例进行详细的描述，但不作为本发明的限定。
[0069] 应理解的是，可以对此处公开的实施例做出各种修改。因此，下述说明书不应该视为限制，而仅是作为实施例的范例。本领域的技术人员将想到在本公开的范围和精神内的其他修改。
[0070] 包含在说明书中并构成说明书的一部分的附图示出了本公开的实施例，并且与上面给出的对本公开的大致描述以及下面给出的对实施例的详细描述一起用于解释本公开的原理。
[0071] 通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述，本发明的这些和其它特性将会变得显而易见。
[0072] 还应当理解，尽管已经参照一些具体实例对本发明进行了描述，但本领域技术人员能够确定地实现本发明的很多其它等效形式，它们具有如权利要求所述的特征并因此都位于借此所限定的保护范围内。
[0073] 当结合附图时，鉴于以下详细说明，本公开的上述和其他方面、特征和优势将变得更为显而易见。
[0074] 此后参照附图描述本公开的具体实施例；然而，应当理解，所公开的实施例仅仅是本公开的实例，其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本公开模糊不清。因此，本文所公开的具体的结构性和功能性细节并非意在限定，而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本公开。
[0075] 本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”，其均可指代根据本公开的相同或不同实施例中的一个或多个。
[0076] 下面，结合附图详细的说明本发明实施例。
[0077] 首先对本申请下述实施例中所涉及的部分算法做介绍：
[0078] 球形模糊集。设U为有限论域，则称 为论域U上的一个SFS，其中对于任意的x， 代表其隶属度， 代表其非隶属度， 为犹豫度，且有记 为
x关于U的拒绝度。为了方便起见，通常定义 为一个球形模糊数(Spherical Fuzzy Number，SFN)。
[0079] 区间球形模糊集。设U为有限论域，则称
[0080]
[0081] 为论域U上的一个IVSFS，其中对于任意的x， 和 分别代表x对于论域U的隶属度、非隶属度和犹豫度的上界，且有：
[0082]
[0083] 对于一个IVSFS，可以定义 为一个区间球形模糊数(Interval‑value Spherical Fuzzy Number，IVSFN)，为了方便，本申请使用 作为替代。
[0084] 令 为两个IVSFN，则有以下基础算子：
[0085]
[0086] 对于任意的λ>0
[0087]
[0088] 对于任意一个 其得分函数和精确度函数分别为：
[0089]
[0090] 对于任意一组IVSFN， 和权重wi＝{w1,w2,…,wn},wi∈[0,1],则区间球形模糊加权算术平均算子(Interval‑Value Spherical Fuzzy Weighted Arithmetic Mean，IVSFWAM)为：
[0091]
[0092] 对于任意两个IVSFN 其距离测度算子为：
[0093]
[0094] 对于任意两组IVSFN 和 根据上述定义，本申请定义两组IVSFN的距离测度算子为：
[0095]
[0096] 对于SFS的熵计算，本申请对于任意一组IVSFN 熵可由以下公式计算：
[0097]
[0098] 进一步地，在实际的战场威胁评估中，由于作战场景的复杂性、传感器自身限制以及其他外部干扰等因素的影响，所获取的态势信息往往呈现不完整和不确定的特征。因此本申请可以使用区间数矩阵 其中 表示探测器k探测的第i个目标的第j个属性值在一段时间t～t+Δt内的变化区间， 表示区间下界， 表示区间上界。同时，根据传感器的实际操作，传感器在进行使用之前需做标定，使其探测误
2
差在一个可以接受的范围，假定一次探测误差eij服从于正态分布，即eij～N(u,σ)，基于将区间数转化为直觉模糊数的方法，本申请定义一种将探测区间数转化为区间球形模糊数的方法，如下所示：
[0099] 效益型指标：
[0100]
[0101] 其中，
[0102] 成本型指标：
[0103]
[0104] 其中，
[0105] 上式中， 表示敌方目标i在属性j的威胁隶属度区间， 为威胁非隶属度区间， 为威胁犹豫度区间。
[0106] 进一步地，令T＝{t1,t2,…,tn}表示待评估的n个敌方目标，O＝{o1,o2,…,ot1}表示敌方目标的客观属性，S＝{s1,s2,…,st2}表示敌方目标的主观属性，则Att＝S∪O，令E＝{e1,e2,…,el}表示专家集合，U＝{u1,u2,…,uk}表示无人集群。标的主观属性是不随时间变化而变化的，由于无人集群收集的数据是一个时序数据，下文中目标的客观属性等价于动态属性，而目因此目标的主观属性等价于静态属性，依赖于专家经验。
[0107] 此外 表示第r个专家关于主观指标的决策矩阵，表示无人集群关于客观指标的决策矩阵， 分
别代表目标威胁程度的隶属度、非隶属度和犹豫度区间，且满足上述定义中所述的约束条件。 表示无人集群中第k个无人侦查装备关于定量指标的度
量矩阵。
[0108] 基于上述内容，如图1所示，本发明实施例提供一种人机协同威胁评估方法，包括：
[0109] S1：采集目标的动态属性数据，所述动态属性数据为时序型数据；
[0110] S2：对所述动态属性数据进行转化处理，形成球形模糊决策矩阵；
[0111] S3：基于所述球形模糊决策矩阵、先验知识及预设置的球形模糊语言集确定定性指标决策矩阵，所述先验知识由多个军事专家基于经验信息提供，所述定性指标决策矩阵包含对应专家对每个定性指标的评价；
[0112] S4：基于所述定性指标决策矩阵计算确定每个专家的权重；
[0113] S5：基于所述专家的权重构建群体加权平均决策矩阵；
[0114] S6：基于所述专家的权重及熵权法计算确定每个定性指标的权重；
[0115] S7：至少基于与数据相似度、参考价值相关的算法处理所述加权平均决策矩阵，以得到所述目标在不同定性指标下的威胁评估值；
[0116] S8：至少基于所述威胁评估值评估所述目标的威胁度。
[0117] 本实施例的有益效果在于针对未来人工智能辅助指挥官进行威胁评估问题，提出一种将多目标时序区间数转化为区间球形模糊数的方法，将区间球形模糊数与模糊熵测算等方法进行结合，建立了一套基于区间球形模糊数和模糊熵的决策框架，该决策框架通过实施本申请的方法可以更好地模拟未来实际作战环境，同时在进行敌方目标的威胁度评估时综合考虑了威胁评估中目标的静态属性与动态特征、有/无专家群体的评估结果，为决策者在实际场景中及时作出高效的指挥决策奠定基础。也即，通过本实施例的方法能够为决策者快速准确地对敌方目标作出威胁度评估，且评估结果更接近实际情况。
[0118] 示例性地，所述采集目标在第一时段的动态属性数据，包括：
[0119] S9：基于无人侦查装备集群采集所述目标在第一时段内的动态属性数据，所述动态属性数据包括目标相对自身节点间的距离、空袭高度、移动速度、航向角。
[0120] 本实施例中， 表示无人集群U＝{u1,u2,…,uk}中k个无人侦查装备在时间t～t+Δt内的度量矩阵。
[0121] 接着，如图2所示，所述对所述动态属性数据进行转化处理，形成球形模糊决策矩阵，包括：
[0122] S10：将所述动态属性数据处理形成满足时序的多个区间数据；
[0123] S11：基于所述多个区间数据进行转换处理，形成球形模糊决策矩阵。
[0124] 例如，对每一组Φk进行区间数矩阵的规范化处理，利用下述公式将其转化为无人集群综合球形模糊决策矩阵 然后将决策信息共享给l位专家；
[0125]
[0126] 具体地，l位专家结合无人装备集群的评估结果和自身的经验知识，也即先验数1 2 l
据，并根据球形模糊语言集，给出关于定性指标的决策矩阵Y＝[Y ,Y ,…,Y ]，其中[0127] 在一实施例中，所述定性指标包括成本型指标及效益型指标，所述基于所述定性指标决策矩阵计算确定每个专家的权重，包括：
[0128] S12：将对应所述专家的定性指标决策矩阵进行标准化处理，以将所有定性指标的类型统一为效益型指标；
[0129] S13：获得所述专家的初始专家权重，并基于所述初始专家权重及标准化处理后的定性指标决策矩阵计算确定初始群体加权平均策略矩阵；
[0130] S14：基于得分函数处理所述定性指标决策矩阵得到决策得分矩阵；
[0131] S15：基于所述决策得分矩阵确定群体最优决策矩阵及群体最劣决策矩阵；
[0132] S16：分别计算所述定性指标决策矩阵与初始群体加权平均策略矩阵、群体最优决策矩阵及群体最劣决策矩阵之间的距离；
[0133] S17：基于各个所述距离计算确定对应的所述专家的贴近度指数；
[0134] S18：基于所述专家的贴近度指数计算确定对应所述专家的权重。
[0135] 示例性地，首先将每一位专家的决策矩阵进行标准化处理，即利用下述公式将成本型指标转化为效益型指标。
[0136]
[0137] 在给定初始专家权重 的情况下，利用前文所述的区间球形模糊加权算术平均算子的计算公式计算得到初始群体加权平均决策矩阵(Group Weight Mean Decision,GWMD)：
[0138]
[0139] 接着根据每一位专家的决策矩阵Yi，通过前文所述的得分函数计算得到决策得分i矩阵 然后根据S获得群体最优决策(Group Best Decision,GBD)、群体最劣决策矩阵(Group Worst Decision,GWD),具体计算公式如下所示：
[0140]
[0141] 根据前文所述的距离测度算子分别计算每一位专家的初始决策矩阵Yi与在每一个敌方目标i下GWMD、GWD、GBD之间的距离，分别用 和 表示，其中，k＝1,2,…,l，i＝1,2,…,n。即计算得到三种不同类型的距离。之后根据所求的三种距离，利用下述公式计算每一位专家的贴近度指数(Closeness Index,CI)：
[0142]
[0143] 其中，k＝1,2,…,l。
[0144] 根据所求的CI(k)计算每一位专家修复后的权重，也即专家的权重[0145]
[0146] 在一实施例中，所述基于所述专家的权重构建群体加权平均决策矩阵，包括：
[0147] S19：基于所述专家的权重更新处理所述初始加权平均策略矩阵，得到所述群体加权平均策略矩阵；
[0148] 所述基于每个所述专家的权重及熵权法计算确定每个定性指标的权重，包括：
[0149] S20：基于所述群体加权平均策略矩阵计算每个所述定性指标的区间球形模糊熵；
[0150] S21：基于所述定性指标的区间球形模糊熵计算信息冗余度；
[0151] S22：基于所述信息冗余度计算确定所述定性指标的权重。
[0152] 具体地，本实施例中首先根据修复后的专家权重，重新求得修复后的群体加权平均决策矩阵 和相应的得分矩阵
[0153] 接着根据求得的RGWMD，利用前文所述的熵算法计算每一个定性指标的区间球形模糊熵：
[0154] EAj＝B(RWMD1j,RWMD2j,…,RWMDnj)
[0155] j＝1,2,…,t2
[0156] 之后根据求得的每一指标的熵，通过信息冗余度Dj计算主观指标权重，也即计算得到每个定性指标的权重
[0157] Dj＝1‑EAj
[0158]
[0159] 进一步地，所述至少基于与数据相似度、参考价值相关的算法处理所述加权平均决策矩阵，以得到所述目标在不同定性指标下的威胁评估值，包括：
[0160] S23：基于TOPSIS算法处理所述群体加权平均策略矩阵，得到对应每个所述定性指标的正理想解和负理想解；
[0161] S24：计算确定所述群体加权平均策略矩阵中每个数据元素分别与对应的正理想解、负理想解之间的距离，得到第一距离矩阵和第二距离矩阵；
[0162] S25：基于所述第一距离矩阵、第二距离矩阵计算所述目标的加权正负距离和；
[0163] S26：对所述加权正负距离和进行无量纲化处理，并基于处理结果计算对应所述定性指标的距离贴近度比率；
[0164] S27：至少基于所述距离贴近度比率确定所述目标在对应的定性指标下的威胁评估值。
[0165] 例如，根据SRWMD，求得RGWMD在每一指标下的正理想解PIS和负理想解NIS：
[0166]
[0167] 基于距离测度算子计算RGWMD每一元素与PIS和NIS之间的距离矩阵，分别为和Ω+‑和Ω ：
[0168]
[0169] 根据上述的结果，利用如下公式计算每一目标的加权正负距离和，并进行无量纲化处理，之后利用DCRi公式计算距离贴近度比率(Distance Closeness Ration，DCR)：
[0170]
[0171] 如图2所示，在本申请的另一实施例中，所述方法还包括：
[0172] S28：基于所述目标的第一距离矩阵、第二距离矩阵计算所述目标关于各个定性指标的正负灰色关联度矩阵；
[0173] S29：对每个所述正负灰色关联度矩阵进行无量纲化处理，并基于处理结果计算灰色贴近度比率；
[0174] S30：基于各所述灰色贴近度比率计算正负距离灰色矩阵；
[0175] S31：基于所述正负距离灰色矩阵计算得到对应所述目标的综合贴近度；
[0176] 所述至少基于所述距离贴近度比率确定所述目标在对应的定性指标下的威胁评估值，包括：
[0177] S32：至少基于所述距离贴近度比率、综合贴近度确定所述目标在对应的定性指标下的威胁评估值。
[0178] 具体地，根据得到的Ω+和Ω‑，结合下述公式计算第i个目标关于第j个指标的正负灰色关联度矩阵 其中：
[0179]
[0180] 根据上述计算结果，利用如下公式计算每一敌方的正负加权灰色关联度和，并进行无量纲化处理，进而计算灰色贴近度比率(Gray Closeness Ratio，GCR)，并依据GCR对目标进行降序：
[0181]
[0182] 接着利用下述公式计算正负距离‑灰色矩阵 其中α，β为决定系数，α+β＝1：
[0183] Θ+＝αΩ‑+βγ+
[0184] Θ‑＝αΩ++βΥ‑
[0185] 计算每一敌方目标的正负距离‑灰色加权和，并进行无量纲化处理，然后利用下述公式计算综合贴近度CCRi：
[0186]
[0187] 进一步地，所述方法还包括：
[0188] S33：在预设参考点下，基于前景价值算法处理所述第一距离矩阵和第二距离矩阵，以得到表征真实场景下用于判断目标威胁度的决策者面临收益及损失时的心理状态的正前景矩阵和负前景矩阵；
[0189] S34：基于所述定性指标权重计算确定所述正前景矩阵、负前景矩阵的权重矩阵；
[0190] S35：基于所述正前景矩阵、负前景矩阵及权重矩阵计算确定累计前景矩阵，所述累计前景矩阵用于表征所述决策者在面临收益及损失时对目标威胁度判断的影响程度；
[0191] S36：结合所述累计前景矩阵协同评估所述目标的威胁度。
[0192] 其中，所述结合所述累计前景矩阵评估所述目标的威胁度，包括：
[0193] S37：获得预设的专家群体权重及用于采集目标的动态属性数据的无人侦查装备集群的集群权重，所述专家群体权重与集群权重的和为1；
[0194] S38：结合所述累计前景矩阵、专家群体权重与集群权重协同评估所述目标的威胁度。
[0195] 示例性地，本实施例是在前述步骤的基础上，考虑决策者的心理因素，利用累计前景理论对目标威胁程度进行综合评估。具体地，根据上式所求的正负距离‑灰色矩阵，现将设置为参考点，根据前景价值计算公式，计算在决策者面临收益时，其对决策的影响，表+现为正前景矩阵P，可根据如下公式计算：
[0196]‑
[0197] 同时，若将 设置为参考点，当决策者面临损失时，负前景矩阵P可根据如下公式计算：
[0198]
[0199] 一般而言，β＝γ＝0.88，λ＝2.25
[0200] 根据下述公式计算决策者面临收益和面临损失时的权重矩阵：
[0201]
[0202] 根据下述公式计算累计前景矩阵P：
[0203]
[0204] 由于在勘察敌方目标时，并非仅有一个目标，也即目标通常是多个，而且采集数据的无人装备也并非仅有一个，因此对于多目标，多无人装备，本实施例中的方法是基于确定的无人装备集群综合球形模糊决策矩阵UY＝(uyij)n×t1，重复前述多个计算步骤，得到基于GRA‑CPT‑TOPSIS的无人装备集群的综合累计前景UP＝(upij)1×n。该综合累计前景能够更为真实地体现决策者进行评估判断时对评估结果的影响。
[0205] 在确定了综合累计前景后，便可基于给定的专家群体权重 和无人装备集群权重σ， 之后计算目标综合威胁度：
[0206] 给定的权重例如可以分别为0.6,0.4等，具体不唯一。
[0207] 如图3所示，本发明另一实施例同时提供一种人机协同威胁评估装置100，包括：
[0208] 采集模块，用于采集目标的动态属性数据，所述动态属性数据为时序型数据；
[0209] 第一处理模块，用于对所述动态属性数据进行转化处理，形成球形模糊决策矩阵；
[0210] 第一确定模块，用于根据所述球形模糊决策矩阵、先验知识及预设置的球形模糊语言集确定定性指标决策矩阵，所述先验知识由多个军事专家基于经验信息提供，所述定性指标决策矩阵包含对应专家对每个定性指标的评价；
[0211] 第二确定模块，用于根据所述定性指标决策矩阵计算确定每个专家的权重；
[0212] 构建模块，用于根据所述专家的权重构建群体加权平均决策矩阵；
[0213] 第一计算模块，用于根据所述专家的权重及熵权法计算确定每个定性指标的权重；
[0214] 第二处理模块，用于至少基于与数据相似度、参考价值相关的算法处理所述加权平均决策矩阵，以得到所述目标在不同定性指标下的威胁评估值；
[0215] 评估模块，用于至少基于所述威胁评估值评估所述目标的威胁度。
[0216] 作为一可选实施例，所述采集目标在第一时段的动态属性数据，包括：
[0217] 基于无人侦查装备集群采集所述目标在第一时段内的动态属性数据，所述动态属性数据包括目标相对自身节点间的距离、空袭高度、移动速度、航向角。
[0218] 作为一可选实施例，所述对所述动态属性数据进行转化处理，形成球形模糊决策矩阵，包括：
[0219] 将所述动态属性数据处理形成满足时序的多个区间数据；
[0220] 基于所述多个区间数据进行转换处理，形成球形模糊决策矩阵。
[0221] 作为一可选实施例，所述定性指标包括成本型指标及效益型指标，所述基于所述定性指标决策矩阵计算确定每个专家的权重，包括：
[0222] 将对应所述专家的定性指标决策矩阵进行标准化处理，以将所有定性指标的类型统一为效益型指标；
[0223] 获得所述专家的初始专家权重，并基于所述初始专家权重及标准化处理后的定性指标决策矩阵计算确定初始群体加权平均策略矩阵；
[0224] 基于得分函数处理所述定性指标决策矩阵得到决策得分矩阵；
[0225] 基于所述决策得分矩阵确定群体最优决策矩阵及群体最劣决策矩阵；
[0226] 分别计算所述定性指标决策矩阵与初始群体加权平均策略矩阵、群体最优决策矩阵及群体最劣决策矩阵之间的距离；
[0227] 基于各个所述距离计算确定对应的所述专家的贴近度指数；
[0228] 基于所述专家的贴近度指数计算确定对应所述专家的权重。
[0229] 作为一可选实施例，所述基于所述专家的权重构建群体加权平均决策矩阵，包括：
[0230] 基于所述专家的权重更新处理所述初始加权平均策略矩阵，得到所述群体加权平均策略矩阵；
[0231] 所述基于每个所述专家的权重及熵权法计算确定每个定性指标的权重，包括：
[0232] 基于所述群体加权平均策略矩阵计算每个所述定性指标的区间球形模糊熵；
[0233] 基于所述定性指标的区间球形模糊熵计算信息冗余度；
[0234] 基于所述信息冗余度计算确定所述定性指标的权重。
[0235] 作为一可选实施例，所述至少基于与数据相似度、参考价值相关的算法处理所述加权平均决策矩阵，以得到所述目标在不同定性指标下的威胁评估值，包括：
[0236] 基于TOPSIS算法处理所述群体加权平均策略矩阵，得到对应每个所述定性指标的正理想解和负理想解；
[0237] 计算确定所述群体加权平均策略矩阵中每个数据元素分别与对应的正理想解、负理想解之间的距离，得到第一距离矩阵和第二距离矩阵；
[0238] 基于所述第一距离矩阵、第二距离矩阵计算所述目标的加权正负距离和；
[0239] 对所述加权正负距离和进行无量纲化处理，并基于处理结果计算对应所述定性指标的距离贴近度比率；
[0240] 至少基于所述距离贴近度比率确定所述目标在对应的定性指标下的威胁评估值。
[0241] 作为一可选实施例，所述装置还包括：
[0242] 第二计算模块，用于根据所述目标的第一距离矩阵、第二距离矩阵计算所述目标关于各个定性指标的正负灰色关联度矩阵；
[0243] 第三处理模块，用于对每个所述正负灰色关联度矩阵进行无量纲化处理，并基于处理结果计算灰色贴近度比率；
[0244] 第三计算模块，用于根据各所述灰色贴近度比率计算正负距离灰色矩阵；
[0245] 第四计算模块，用于根据所述正负距离灰色矩阵计算得到对应所述目标的综合贴近度；
[0246] 所述至少基于所述距离贴近度比率确定所述目标在对应的定性指标下的威胁评估值，包括：
[0247] 至少基于所述距离贴近度比率、综合贴近度确定所述目标在对应的定性指标下的威胁评估值。
[0248] 作为一可选实施例，所述装置还包括：
[0249] 第四处理模块，用于在预设参考点下，基于前景价值算法处理所述第一距离矩阵和第二距离矩阵，以得到表征真实场景下用于判断目标威胁度的决策者面临收益及损失时的心理状态的正前景矩阵和负前景矩阵；
[0250] 第五计算模块，用于根据所述定性指标权重计算确定所述正前景矩阵、负前景矩阵的权重矩阵；
[0251] 第六计算模块，用于根据所述正前景矩阵、负前景矩阵及权重矩阵计算确定累计前景矩阵，所述累计前景矩阵用于表征所述决策者在面临收益及损失时对目标威胁度判断的影响程度；
[0252] 结合所述累计前景矩阵协同评估所述目标的威胁度。
[0253] 作为一可选实施例，所述结合所述累计前景矩阵评估所述目标的威胁度，包括：
[0254] 获得预设的专家群体权重及用于采集目标的动态属性数据的无人侦查装备集群的集群权重，所述专家群体权重与集群权重的和为1；
[0255] 结合所述累计前景矩阵、专家群体权重与集群权重协同评估所述目标的威胁度。
[0256] 本发明另一实施例还提供一种电子设备，包括：
[0257] 至少一个处理器；以及，
[0258] 与所述至少一个处理器通信连接的存储器；
[0259] 其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被设置为用于执行如上文中任一项实施例所述的中文医学实体标准化方法。
[0260] 本发明另一实施例还提供一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制包括所述存储介质的设备执行如上文中任一项实施例所述的中文医学实体标准化方法。
[0261] 本发明实施例还提供了一种计算机程序产品，所述计算机程序产品被有形地存储在计算机可读介质上并且包括计算机可读指令，所述计算机可执行指令在被执行时使至少一个处理器执行诸如上文所述实施例中的中文医学实体标准化方法。应理解，本实施例中的各个方案具有上述方法实施例中对应的技术效果，此处不再赘述。
[0262] 需要说明的是，本申请的计算机存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读介质例如可以但不限于是电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储介质(RAM)、只读存储介质(ROM)、可擦式可编程只读存储介质(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储介质(CD‑ROM)、光存储介质件、磁存储介质件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输配置为由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、天线、光缆、RF等等，或者上述的任意合适的组合。
[0263] 所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本申请的保护范围限于这些例子；在本申请的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本申请中一个或多个实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
[0264] 本申请中一个或多个实施例旨在涵盖落入本申请的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本申请中一个或多个实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本申请的保护范围之内。
