基于改進多簇支持向量機的裝甲裝備技術狀況評估

趙戰(zhàn)彪， 楊　帆， 王生鳳

(裝甲兵工程學院科研部， 北京 100072)

?

基于改進多簇支持向量機的裝甲裝備技術狀況評估

趙戰(zhàn)彪， 楊帆， 王生鳳

(裝甲兵工程學院科研部， 北京 100072)

摘要：針對多簇支持向量機參數(shù)設置缺乏科學依據(jù)、參數(shù)選取隨意性較大的問題，利用布谷鳥搜索算法對其進行了改進，并應用改進的多簇支持向量機對裝甲裝備技術狀況進行了評估，最后與粒子群優(yōu)化算法、遺傳算法改進的多簇支持向量機評估結果進行了對比分析，驗證了該方法在裝甲裝備技術狀況評估中的可行性與合理性。

關鍵詞：多簇支持向量機； 裝甲裝備； 技術狀況評估； 布谷鳥搜索算法

裝甲裝備技術狀況評估是車務管理工作的核心內容，是衡量部隊管理水平的基本要素與根本標準。目前，我軍裝甲裝備技術狀況評估工作中普遍存在主觀性較大、評估過程繁瑣等問題，如何科學、便捷地評估裝甲裝備技術狀況已受到裝備管理者和裝備科研人員的廣泛關注，也相繼開展了積極有效的研究和探索。周俊杰等[1]應用模糊理論對裝備技術狀況進行了評估，分析了裝備各子系統(tǒng)及其權重；萬延斌[2]將定性分析與定量分析相結合，采用層次分析法(Analytic Hierarchy Process,AHP)對船舶裝備技術狀況進行了評估。但是，這些方法在分析權重時受專家的主觀影響較大。阮羚等[3]將神經網(wǎng)絡與信息融合技術評估相結合來評估變壓器的技術狀況；劉伯運等[4]將DS理論與神經網(wǎng)絡結合來評估裝甲裝備的技術狀況，但是這種方法中神經網(wǎng)絡的結構不易確定，且易陷入局部最小；劉艷斌等[5]結合遺傳算法和模糊聚類對裝甲裝備技術狀況進行評估，但是遺傳算法參數(shù)選擇的科學性尚存在不足。單臺裝甲裝備技術狀況指標向量維數(shù)較高，可視為非線性分類，近年來，多簇支持向量機(Multi Cluster Sport Vector Machine, MCSVM)已成功用于解決多分類問題，其克服了一對一多分類支持向量機 (One Against One，OAO) 和一對多多分類支持向量機 (One Against All，OAA)存在的“決策盲區(qū)”和“類不平衡”等問題，但其在參數(shù)設置方面仍然缺乏科學依據(jù)，參數(shù)選取隨意性較大，從而影響MCSVM的實際分類效果。布谷鳥搜索(Cuckoo Search，CS)算法全稱為基于利維飛行的布谷鳥搜索算法[6]，是一種全新的群智能搜索算法，具有參數(shù)少、適應性強、易實現(xiàn)、算法簡單和對目標初始狀態(tài)要求低等優(yōu)點。為此，筆者采用布谷鳥搜索算法對MCSVM進行改進，并采用改進的MCSVM對裝甲裝備技術狀況進行評估，為科學、便捷地評估裝甲裝備技術狀況提供參考。

1多簇支持向量機原理

OAO和OAA多分類支持向量機通過對多個二值分類器進行組合來實現(xiàn)集體決策，是目前應用最多的多分類支持向量機[7]。其中：OAA分類的基本思想是訓練k個二分類SVM，使每個決策超平面將某一類樣本與其他所有類樣本分割開來；OAO則是訓練k(k-1)/2個分類器，每個分類器分別對待分類樣本進行判別，投票最多的即為待分類樣本所屬類別。

圖1多簇支持向量機的分類原理

(1)

(2)

式(2)為對所有非第k類樣本進行約束，硬性條件下表示其與該超平面的距離至少為1。對式(1)、(2)構造Lagrange對偶函數(shù)，可求出每類樣本對應的最優(yōu)非平行超平面，進而得到MCSVM的決策函數(shù)為

(3)

由式(3)可知：最接近待測樣本的超平面所表示的類別即為待測樣本所屬的類別。

2多簇支持向量機的改進

2.1布谷鳥搜索算法的原理與步驟

CS算法是模擬布谷鳥的產卵行為，即將布谷鳥所選寄生鳥巢映射為搜索空間的解，用解的適應度表示所選鳥巢位置的優(yōu)劣。布谷鳥搜索、選擇鳥巢的過程即為算法搜索與優(yōu)化的過程。與布谷鳥實際巢寄行為相比，CS算法作了如下假設[9]：

1)布谷鳥單次產卵數(shù)為1，且隨機置于某一被選鳥巢中；

2)位置最好的鳥巢將保留至下代；

3)布谷鳥可利用的鳥巢數(shù)量是固定常數(shù)，而宿主鳥巢中布谷鳥蛋存在一定被發(fā)現(xiàn)的概率。

CS算法搜索和優(yōu)化的基本步驟如下[10-11]：

1)對參數(shù)進行設置，產生N個隨機鳥巢位置。

2)對每個鳥巢位置適應度進行評價，確定全局最優(yōu)位置并將其保留至下一代。

3)對鳥巢位置進行更新，對更新后鳥巢位置的適應度進行評價，并與原位置進行比較，選擇較優(yōu)位置進入下一代。

5)判斷算法是否滿足終止條件，若滿足條件，則算法終止，輸出最優(yōu)解；若不滿足條件，返回步驟2。

2.2布谷鳥-多簇支持向量機

徑向基核函數(shù)(Radial Basis Function，RBF)為支持向量機中優(yōu)勢最大、應用范圍最廣的核函數(shù)[12-13]，筆者主要對RBF的支持向量機參數(shù)C、ε和σ進行尋優(yōu)。

在對布谷鳥-多簇支持向量機進行訓練之前，首先需確定布谷鳥搜索的適應度。筆者采用分類準確率作為模型評價標準，分類準確率是指正確分類樣本數(shù)占總體樣本數(shù)的百分比。由此可知：分類準確率越小，則模型誤差越大，訓練效果越差；反之，模型誤差越小，訓練效果越好，對應參數(shù)選擇越優(yōu)。

布谷鳥-多簇支持向量機尋優(yōu)的具體步驟如下：

1)收集與處理多臺裝甲裝備技術狀況數(shù)據(jù)。

2)根據(jù)經驗確定多簇支持向量機參數(shù)C、ε和σ的取值范圍，確定布谷鳥搜索算法的最大步長Smax、最小步長Smin及最大迭代次數(shù)Nmax。

5)利用式(4)、(5)對利維飛行步長進行自適應調整：

Si=Smin+(Smax-Smin)×di；

(4)

(5)

式中：ni為第i個鳥巢位置；nbest為當前最優(yōu)鳥巢位置；dmax為當前最優(yōu)鳥巢位置與其他鳥巢位置之間的最大距離。通過自適應步長調節(jié)可保證越接近全局最優(yōu)位置時，利維飛行步長越小，越易實現(xiàn)快速收斂[14]。根據(jù)步長對鳥巢位置進行更新，并計算鳥巢新位置的分類準確率。

9)將最優(yōu)位置鳥巢所對應C、ε和σ作為多簇支持向量機參數(shù)，并利用該支持向量機對樣本進行重新訓練，得出最優(yōu)分類結果。

3裝甲裝備技術狀況評估

以某型坦克為例，將其分為底盤系統(tǒng)、武器系統(tǒng)、觀瞄裝置、電氣系統(tǒng)、火控系統(tǒng)、通信系統(tǒng)及防護系統(tǒng)7個子系統(tǒng)[15]。選取10臺某型坦克，邀請10名專家對每臺坦克分系統(tǒng)的技術狀況進行評估，得到原始樣本數(shù)據(jù)集，每臺坦克的綜合評估等級可從相關部門獲取。表1為10臺坦克的技術狀況及等級。

根據(jù)目前我軍裝甲裝備技術狀況分類規(guī)定，將坦克技術狀況分為一類車、二類車、三類車和四類車。鑒于樣本量較少，筆者采用5折交叉驗證，即將10個樣本分為5組，每次隨機選取其中4組作為訓練樣本，剩余1組作為驗證樣本，最終得到n(n-1)/2個分類準確率，取其均值作為1次模型所得分類準確率。為了使結果更加精確，重復進行10次5折交叉驗證，這樣既能保證每次訓練中幾乎所有樣本都參與訓練，得到最接近于原始樣本的技術狀況分類結果，又減少了隨機因素對模型的影響，確保模型的可重復性。

根據(jù)經驗設置參數(shù)如下：Pa=0.75；Nmax=500；鳥巢數(shù)量N=25；Smax=0.1，Smin=0.01；C太小會降低分類準確性，而太大又會降低分類意義，因此選取C∈[0.1,100]；ε的取值范圍為[0.001,0.1]；σ太大會出現(xiàn)過擬合情況，而太小又會導致欠擬合，因此選取σ∈[0.01,10]；當分類準確率即布谷鳥搜索算法適應度函數(shù)值f>90%時，訓練停止。利用MATLAB 2014軟件平臺，調用Libsvm工具箱，通過10組樣本對模型進行訓練與測試，得到10次最優(yōu)解，如表2所示。

由表2可以看出：第2組的分類準確率最高，其對應參數(shù)值(31,0.005 8,1.07)應作為多簇支持向量機的參數(shù)值。為了進一步驗證模型的可行性和合理性，采用上述樣本，利用粒子群優(yōu)化(Particle Swarm Optimization，PSO)算法和遺傳(genetic algorithm,GA)算法改進的多簇支持向量機進行評估，并將評估結果與CS算法改進的多簇支持向量機的評估結果進行對比，結果如圖2所示。

圖2CS-SVM、PSO-SVM 和GA-SVM
坦克技術狀態(tài)評估結果對比分析

由圖2可以看出：CS算法改進的多簇支持向量機在速度和尋優(yōu)精度方面均明顯優(yōu)于PSO和GA算法改進的多簇支持向量機。

參考文獻：

[1]周俊杰,王德功.基于模糊理論的機載電子裝備狀態(tài)評估[J].飛機設計,2011,31(2):33-37.

[2]萬延斌.船舶動力裝置技術狀態(tài)綜合評價方法研究[J].裝備制造技術,2014,(7):167-174.

[3]阮羚,謝齊家,高勝友,等.人工神經網(wǎng)絡和信息融合技術在變壓器狀態(tài)評估中的作用[J].高壓電技術,2014,40(3):822-828.

[4]劉伯運,歐陽光耀,常漢寶.基于神經網(wǎng)絡和D-S證據(jù)理論的柴油機狀態(tài)評估[J].車用發(fā)動機,2005,(5):14-17.

[5]劉艷斌,劉建敏,喬新勇,等.遺傳算法優(yōu)化的柴油機技術狀態(tài)評價方法研究[J].車用發(fā)動機,2008,(3):17-20.

[6]Yang X S, Deb S. Cuckoo Search via Levy Flights [C]∥Proceeding of World Congress on Nature & Biologically Inspired Computing. India: IEEE, 2009:210-214.

[7]Hsu C W, Lin C J. A Comparison of Methods for Multiclass Support Vector Machines[J]. IEEE Transactions on Neural Networks, 2001,13(2):415-425.

[8]王之怡,楊一帆.多分類簇支持向量機方法[J]. 計算機應用,2010,(1):143-149.

[9]鄭巧燕,莫愿斌,劉付永,等.一種小規(guī)模多種群布谷鳥算法[J].計算機應用與軟件,2014,(10):278-317.

[10]龍文,陳樂.求解約束化工優(yōu)化問題的混合布谷鳥搜索算法[J].計算機應用,2014,34(2):523-527.

[11]李煜,馬良.新型元啟發(fā)式布谷鳥搜索算法[J].系統(tǒng)工程,2012,30(8):64-69.

[12]Keethi S S, Lin C J. Asymptotic Behaviors of Support Vector Machines with Gaussian Kernel[J]. Neural Computation,2003,15(7):1667-1689.

[13]王泳,胡包鋼.應用統(tǒng)計方法評估核函數(shù)分類能力的研究[J].計算機學報,2008,31(6):942～952.

[14]賀興時,王燕.基于高斯擾動的布谷鳥搜索算法[J].西安工程大學學報,2011,25(4):566-569.

[15]趙戰(zhàn)彪,楊帆.基于貝葉斯判別的裝甲裝備技術狀況評估[J].裝甲兵工程學院學報,2015,29(4):22-26.

(責任編輯：尚彩娟)

Technical Status Evaluation of Armored Equipment Based on Modified Multi-class Cluster Support Vector Machine

ZHAO Zhan-biao, YANG Fan, WANG Sheng-feng

(Department of Science Research, Academy of Armored Force Engineering, Beijing 100072, China)

Key words:Multi-class Cluster Support Vector Machine (MCSVM); armored equipment; technical status evaluation; cuckoo search algorithm

Abstract：Considering the parameter setting of Multi-class Cluster Support Vector Machine (MCSVM) lacks scientific basis and parameter selection is much more random, the cuckoo search algorithm is used to improve the MCSVM, and the improved MCSVM is applied to technical status evaluation of armored equipment. Finally, through comparing with Particle Swarm Optimization (PSO) MCSVM and Genetic Algorithm (GA) MCSVM, the feasibility and rationality of cuckoo search MCSVM are verified in the technical status evaluation of armored equipment.

文章編號：1672-1497(2016)03-0022-04

收稿日期：2016-01-22

作者簡介：趙戰(zhàn)彪(1976-)，男，副教授，博士。

中圖分類號：E92

文獻標志碼：A

DOI：10.3969/j.issn.1672-1497.2016.03.005