基于BP神經網絡的某型裝備作戰效能評估

趙　健，張金林，李躍華，鄭玉軍

(空軍預警學院，武漢 430019)

?

基于BP神經網絡的某型裝備作戰效能評估

趙健，張金林，李躍華，鄭玉軍

(空軍預警學院，武漢 430019)

摘要：某型裝備作戰效能評估中復雜的非線性關系造成了難以建立評估模型來準確評估其作戰效能，利用BP神經網絡在處理非線性問題上的優勢，建立了BP神經網絡某型裝備作戰效能評估模型。結果表明基于BP神經網絡的某型裝備作戰效能評估模型具有很高的評估準確度，可以很好地反映裝備的二級指標和裝備作戰效能之間的非線性關系，對于提高裝備訓練水平具有十分重要的意義。

關鍵詞：作戰效能；BP神經網絡；效能評估

0引言

作戰效能是指裝備在規定的條件(環境、時間、人員等因素)下達到既定目標的能力，是裝備運用、戰術指揮的綜合反映。準確評估某型裝備作戰效能對于提高裝備訓練水平具有十分重要的意義。某型裝備作戰效能評估是一個復雜的問題，涉及到裝備自身戰術指標和作戰環境等因素。

文獻[1]在艦艇編隊作戰效能評估指標體系的基礎上，運用層次分析法(AHP)計算指標權重，通過模糊綜合評判得出評估值，但存在主觀因素的影響；文獻[2]針對某型裝備作戰環境特點，提出了一種改進模數轉換(ADC) 模型，并通過實例驗證了該方法的有效性，盡管改進ADC模型能夠客觀地反映裝備的系統效能，當研究的裝備系統較為復雜時，ADC模型會變得很難解決；文獻[3]提出了一種基于灰色聚類和白化權函數的要地防空指揮控制系統作戰效能評估方法，但受到白化權函數準確性的制約；文獻[4]采用系統有效性分析(SEA)方法評估裝備的探測效能，但存在SEA法操作性不強的缺陷。上述的研究工作基于傳統評估方法(AHP、ADC、SEA等)，缺點是需要評價專家對權重賦值，存在不同程度的人為因素干擾，很難做出準確評估。

BP神經網絡具有強大的非線性映射能力和泛化功能，使得它為解決復雜的非線性問題提供了有力的工具[5]。針對某型裝備戰術指標及作戰環境的特點，本文在借鑒評估指標體系設計方法的基礎上，根據戰場環境對某型裝備的影響，建立BP神經網絡某型裝備評估模型。

1建立評估指標體系

建立某型裝備評估指標體系是進行評估的前提。表征某型裝備作戰效能的要素有很多，并且過于繁瑣。為了更加客觀科學地評估某型裝備作戰效能，本文從載機性能、指揮控制能力、機載裝備性能、生存能力和戰場環境5個方面入手建立一級指標。某型裝備作戰效能評估指標體系如表1所示。

表1　某型裝備作戰效能評估指標體系

載機續航時間直接關系到執行任務的時間，而巡航速度則影響到達預定作戰空域的時間，再次出動準備時間(TAT)反映了連續作戰的能力，對機場要求程度體現了對后勤保障的依賴程度。指揮控制能力是某型裝備的“神經中樞”，包括信息傳輸能力、情報獲取能力、情報共享能力和協同處理能力。機載裝備是具體執行作戰任務的部分，二級指標主要由發射功率、天線增益和平均無故障時間(MTBF)組成。生存能力是作戰的前提，也是發揮作戰效能的保障，某型裝備作戰效能通常會受到敵方電子干擾的制約，也會受到地面防空武器的威脅，所以抗干擾能力、電子告警能力和戰場電磁頻譜管控能力尤為重要。戰場環境包括氣象環境和電磁環境。

2BP神經網絡評估模型

2.1　建立BP神經網絡評估模型

BP神經網絡由輸入層、隱含層和輸出層組成，網絡結構中同層的各神經元彼此獨立而屬于鄰近層的各神經元相互連接[6]。網絡結構中的隱含層層數可為單層或多層，該層內神經元的轉移函數大多采用S型轉移函數[7]。

Kolmogorov證明，3層神經網絡可以逼近任何復雜函數[8]，故本文采用3層BP神經網絡模型來實現樣本數據的函數逼近關系，結構如圖1所示。輸入層節點為C1~C16，共16個，分別對應16個二級指標；輸出節點為1個，對應評估值；隱含層節點數則根據Kolmogorov定理確定：

(1)

式中:k為常數(k∈[1，10];n為輸入層節點數(n=16);l為輸出層節點數(l=1);m為隱含層節點數。

圖1　BP神經網絡某型裝備評估模型

2.2　訓練樣本歸一化處理

BP神經網絡對訓練樣本的要求很高，不是所有的BP神經網絡模型經過訓練后都能得到指標和評估值之間準確的線性關系[9-10]。因此，訓練樣本的獲取、歸一化處理是得到準確評估值的關鍵。

為了得到客觀準確的評估結果，本文收集了不同作戰環境、不同對抗態勢下的戰技數據，該數據能充分體現裝備作戰的規律，全面反映各因素與指標的內在關系。

由于樣本數據涉及到不同量綱，代表不同類型和物理含義的指標數據，需要經過歸一化處理(式2)，轉換為統一量綱的數據以便后續實驗：

(2)

3實驗過程及結果

采用Matlab(2010b以后版本有完整的工具箱)中的神經網絡工具箱進行仿真實驗。首先，將實驗收集的100組原始數據進行歸一化處理；然后，隨機抽取95組數據作為訓練樣本，并送入BP神經網絡的輸入層作為網絡輸入值，那么網絡的輸出值為評估值；最后，使用nnstart指令調出toolbox，導入實驗數據開始訓練，訓練過程如圖2所示。

圖2　BP神經網絡評估模型訓練仿真

從圖2中可以看出，隨著訓練迭代次數的增加，相對誤差逐漸減小，在迭代850次時誤差控制在0.1；并且模型在500步之前收斂速度較快，在900步時趨于穩定。將剩下的5組樣本數據作為測試樣本檢驗訓練好的BP神經網絡。將BP神經網絡輸出評估值與實測值進行比較分析，計算出相對誤差，如表2所示。

表2　實測值與預測值數據對比

從表1中可以看出，基于BP神經網絡的某型裝備作戰效能評估模型的評估值和實測值之間的相對誤差較小，平均相對誤差為3.54%，其中相對誤差最大為8.3%，最小為1.9%。

4結束語

針對傳統評估方法存在評估準確度低、評估速度慢等問題，本文提出了一種基于BP神經網絡的某型裝備作戰效能評估方法，通過收集科學客觀的樣本數據，提高了模型收斂速度，避免了傳統評估方法中復雜的計算，直接輸出指揮員最關心的評估結果。仿真實驗證明該方法可以準確地對某型裝備的作戰效能進行評估，為檢驗作戰能力提供了手段，為提高訓練水平提供了參考，并為指揮員決策提供了依據。

參考文獻

[1]徐海峰,李相民,王磊.基于AHP與熵權的艦艇編隊信息作戰能力模糊綜合評估[J].火力與指揮控制,2013,38(6):93-96.

[2]鄭玉軍,張金林,李躍華.基于改進ADC方法的某型特種裝備作戰效能評估[J].空軍雷達學院學報,2012,26(3):202-204.

[3]王昌金,張永輝,黃彬.要地防空指揮控制系統作戰效能灰色聚類評估[J].現代防御技術,2013,41(4):61- 67.

[4]蔡金煌,王曉薇,葉博.遠程支援干擾下搜索雷達探測效能評估[J]科學技術與工程,2012,20(21):5163- 5167.

[5]鄭玉軍,張金林,李躍華.基于GA-BP神經網絡的某型裝備作戰效能評估方法[J].空軍雷達學院學報,2012,26(5):346-348.

[6]孫韶媛,李琳娜,趙海濤.采用KPCA和BP神經網絡的單目車載紅外圖像深度估計[J].紅外與激光工程,2013,42(9):2348-2352.

[7]曲仕茹,楊紅紅.采用Kalman_BP神經網絡的視頻序列多目標檢測與跟蹤[J].紅外與激光工程,2013,42(9):2553-2560.

[8]齊曉慧,李杰,韓帥濤.基于BP神經網絡的自適應自抗擾控制及仿真[J].兵工學報,2013,34(6):776- 782.

[9]鄭玉軍,張金林,李躍華.基于改進ADC方法的某型特種裝備作戰效能評估[J].空軍雷達學院學報,2012,26(3):202-204.

[10]尚琳,劉國華,張銳，等.基于BP神經網絡的自主定軌自適應Kalman濾波算法[J].宇航學報,2013,34(7):926-931.

Operational Efficiency Evaluation of A Certain Equipment

Based on BP Neutral Network

ZHAO Jian，ZHANG Jin-lin，LI Yue-hua，ZHENG Yu-jun

(Air Force Early-warning Academy,Wuhan 430019，China)

Abstract:The complex nonlinear relationship in operational efficiency evaluation for a certain equipment makes it difficult to set up an evaluation model to evaluate the operational efficiency exactly.This paper builds up the model of operational efficiency evaluation for a certain equipment based on BP neural network by utilizing the advantages of BP neural network in handling nonlinear problem.The results indicate that the model of operational efficiency evaluation for a certain equipment based on BP neural network has perfect evaluation accuracy,and can reflect the nonlinear relationship between second level index and operational efficiency of the equipment very well,which is of very important meaning for raising the level of equipment training.

Key words:operational efficiency;BP neural network;efficiency evaluation

基金項目：2014年度全軍軍事類研究生資助課題，項目編號：2014JY548

收稿日期:2015-06-17

DOI:10.16426/j.cnki.jcdzdk.2015.05.018

中圖分類號：TP391.9

文獻標識碼：A

文章編號：CN32-1413(2015)05-0081-03