基于模糊神經網絡的艦空導彈協同制導能力評估*

趙永鐵　王永杰　王　琦

(92941部隊　葫蘆島　125001)

ZHAO Yongtie　WANG Yongjie　WANG Qi

(No. 92941 Troops of PLA, Huludao　125001)

?

基于模糊神經網絡的艦空導彈協同制導能力評估*

趙永鐵王永杰王琦

(92941部隊葫蘆島125001)

通過分析艦空導彈協同制導能力指標體系，建立了基于BP神經網絡和模糊評價法結合的艦空導彈協同制導能力評估模型。通過訓練樣本對神經網絡進行了訓練，得到了指標體系的權重值，在此基礎上對某艦空導彈協同制導的驗證樣本數據進行了模糊評估計算，仿真結果表明基于模糊神經網絡的艦空導彈協同制導能力評估模型具有一定的實用性。

艦空導彈協同制導; BP神經網絡; 模糊評價法; 能力評估

ZHAO YongtieWANG YongjieWANG Qi

(No. 92941 Troops of PLA, Huludao125001)

Class NumberTP183

1　引言

當前，隨著反艦導彈技術的迅猛發展，新型反艦導彈具有越來越先進的隱身性、超低空飛行突防能力、大射程、高速度、抗干擾集群作戰等特點，使其已經成為了海面艦艇編隊的最大威脅。現有的艦空導彈雖具有反應快速、防御區域大的特點，但其受本艦平臺的探測和制導限制，有效航程優勢不能充分展示，艦空導彈協同制導是克服單艦防空能力不足、發揮艦艇編隊整體優勢的重要舉措。不同的武器配置和使用戰術的艦空導彈協同制導，其抗來襲目標效果差別較大，所以如何評估其能力也日益重要。影響艦空導彈協同制導的能力的因素較多，各個因素之間相互作用，互相影響，且在實際分析過程中，由于判斷的模糊性和不確定性問題，傳統數學方法結果具有單一性缺陷，模糊評估可以很好地解決此類問題。模糊評估法是在模糊環境下，考慮多種因素的影響，為了某一目的對一事物做出綜合決策的方法，特點在于，評判逐一對象進行，對被評價對象有唯一的評價值，不受被評價對象所處對象集合的影響[1～3]。

艦空導彈協同制導反導能力評價的指標體系是評估的首要工作，其中評估指標的考評值易于確定，但每一項指標的權重較難確定。根據指標體系權重和值的特點，并充分發揮神經網絡的非線性優勢，采用BP神經網絡和模糊評估法相結合的方法來對艦空導彈協同制導能力效果進行評估。具體方法是利用已有成熟的樣本，對BP神經網絡進行訓練，得出指標體系的每個因素在總結果中的權重值，并在其基礎上，運用模糊綜合評價法對艦空導彈協同制導能力進行評估。

2　艦空導彈協同制導能力評估指標體系

艦空導彈協同制導能力評估指標較多，有些對抗擊空中目標能力影響較大，有些較小，按照目的性、系統性(完備性)、評估的相互獨立性、可比性、穩定性、可操作性的原則，選取影響較大，且具有較好獨立性的因素作為評估指標，并將指標分為一級指標和二級指標，這樣可以避免兩個問題：一是因素過多，它們的權重分配難以確定；二是即使確定了權重值，由于需要指標滿足歸一化條件，每個因素的權值都比較小。一級指標主要有指揮控制能力、網絡抗干擾能力、戰場感知能力和火力協同打擊能力等四項，二級指標主要有協同指揮質量、傳感器協同控制能力、指揮控制速度等項[4～5]。能力評估指標見圖1。同時確定好評價等級，這里確定為很好、較好、中等、較差、很差等五級。

圖1　艦空導彈協同制導反導能力評估指標

3　模糊神經網絡的綜合評價

模糊評價過程中，如何給各因素分配一個合理的權重一直是普遍的難題，所以可以利用BP人工神經網絡的學習功能，通過對一些實際數據的反復學習，可以使得最終的權重結果在可接受的精度內完全可靠。BP神經網絡的結構如圖2所示。第一層是輸入層，輸入各評價因素值xi；第二層是中間層，實現求各因素對各指標的隸屬度值rij=μij(xi)；第三層是結果輸出層，輸出評價結果的各元素bj；第一層和第二層的聯接權值為常數1；第二、三層之間的聯接權值為不同因素的權重值ai，通過它的調整來實現模糊綜合評價問題中的合成運算；作用函數為模糊隸屬函數μij(·)，即第i個因素與第j個指標間的模糊關系隸屬函授。其中，xi為要評價的各因素的值；rij為第i個因素對第j個因素的隸屬度；ai為第i個因素的權重值；bj為評價結果隸屬于第j個指標的程度；它們之間滿足rij=μij(xi)，bj=min(1,∑airij)[6]。

圖2　BP神經網絡結構

通過調節網絡的權值aij，使E最小，即輸出結果Bi與期望輸出B*i盡可能地接近。

算法步驟如下：

1) 給定學習樣本(Xi,Bi)，初始化權值ω0，給定允許誤差值ε，計數p1=0；

2) 選出一組樣本作為輸入與期望輸出，計數p1=p1+1；

3) 計算中間層輸出RP1及輸出層輸出BP1

4) 計算網絡實際輸出與期望輸出的誤差；

5) 判斷是否p1>p，若總誤差E<ε，則停止學習，否則p1=0，轉入2)。

所建立的模糊綜合評價神經網絡，通過對一些典型數據的學習來確定綜合評價權重，因此它對歷史數據情況下的評價問題具有明顯優勢。

基于模糊綜合評價神經網絡對艦空導彈協同制導的能力評估，是模糊神經網絡綜合評價的具體應用。首先采用已有的經過實踐檢驗的樣本對神經網絡進行訓練，訓練可用Matlab等計算工具軟件直接對多組樣本同時反復訓練，以得出各指標因素的權重值，作為模糊評定所需。然后建立二級模糊評價模型，在各評定數據的基礎上，利用神經網絡得出的權重值，得出二級指標的評定結果，進而組成一級指標的評定矩陣。最后再次利用BP神經網絡確定的一級指標權重值，求出最終評定結果[7]。

4　實例分析

1) 確定各指標的隸屬度

以某型艦空導彈協同制導為例，首先對指標的實際值進行有量綱向無量綱的轉化，轉化前確定指標符合正指標[8]，轉化公式如下：

式中：xmax指評價系統區域范圍內某項指標的最大值；xmin指評價系統區域范圍內該指標的最小值；xi指評價系統區域范圍內該指標的實際值。

如果指標為無量綱指標，則進行如下的歸一化處理：

經過歸一化處理的驗證樣本考核表見表1。

表1　艦空導彈協同制導驗證樣本考核表

2) 確定各指標權重值

利用已有的實際評估樣本，對每個一級指標內的各二級指標的權重值，建立相應的BP神經網絡。把樣本的指標值作為神經網絡的輸入，當網絡的所有實際輸出與理想輸出間的誤差符合要求時，表明訓練結束；否則修改權值使網絡的理想輸出與實際輸出一致。這樣可排除人為因素，得到正確表示的權重矩陣，以作為模糊評判使用[9]。經過多次迭代計算，一級指標權重為

A=(0.27,0.17,0.36,0.20)

二級指標權重為：

A1=(0.39,0.36,0.25)

A2=(0.27,0.17,0.36)

A3=(0.47,0.53)

A4=(0.64,0.36)

3) 計算二級指標評價向量

首先，確定每個二級指標的單因素評價矩陣R。對每個二級指標，用rij表示對第i個樣本的第j個指標的評價結果(i=1,2,…,m；j=1,2,…,n)，這樣就構成了單因素評價矩陣R。

Ri表示第i個樣本的評價向量。

然后計算二級指標評價結果Bi=Ai·Ri，得到：

B1=A1·R1=(0.355,0.224,0.386,0.036,0)

B2=A2·R2=(0.336,0.094,0.202,0.120,0.050)

B3=A3·R3=(0.104,0.376,0.342,0.127,0.047)

B4=A4·R4=(0.062,0.558,0.172,0.208,0)

4) 計算一級指標評價向量

將四個Bi向量組成一級評價向量矩陣R′，進而得到一級指標評價向量B=A′·R′。A′表示一級指標的權重向量，由神經網絡對訓練樣本的訓練后獲得[10]：

B=A′·R′=(0.27,0.17,0.36,0.20)

=(0.203,0.323,0.296,0.117,0.025)

根據隸屬度最大的原則，認為對該艦空導彈協同制導的評價為很好。

5　結語

從仿真分析可以看出，基于模糊神經網絡的艦空導彈協同制導能力評估具有較好的可行性，提供的評估結果內容包含豐富。但BP神經網絡的準

確性取決于訓練樣本的準確性，因此樣本量的大小和質量變得非常重要。并且BP神經網絡的參數調整也很重要，否則，結果易陷入局部極小值、迭代過程振蕩和過擬合等問題。此外，艦空導彈協同制導能力評估是一項非常復雜的工作，其涉及的因素較多，忽略某些因素或某些指標的評定標準偏差，可造成最終結論的較大差異。總之，該評估方法對樣本數據有較高要求，才能使結果更加準確且符合實際。

[1] 李大鵬,楊根源,譚樂祖.艦空導彈超視距協同反導技術及發展趨勢[J].飛航導彈,2012(7):61-62.

[2] 陳國生,馬良,張明.艦艇編隊協同防空作戰效能評估[J].艦船科學技術,2011(2):106-107.

[3] 金釗,徐建志,朱傳偉.網絡化協同制導條件下的艦空導彈作戰效能分析[J].戰術導彈技術,2015(1):27-28.

[4] 張楊,張嵩,馮昌順.艦空導彈網絡化協同作戰能力及關鍵技術[J].飛航導彈,2011(2):15-16.

[5] 郭予并,孫連包,王維.基于AHP雷達抗干擾效果評估分析研究[J].現代雷達,2009(9)：23-24.

[6] 杜棟,龐慶華，吳炎.現代綜合評價方法與案例精選[M].北京：清華大學出版社,2008:191-197.

[7] 王永紅.基于模糊神經網絡聚類模型的雷達目標識別方法[J].艦船電子對抗,2012(6):48-49.

[8] 肖愛明,周國輝,陳璇,等.模糊評價的雷達抗干擾能力分析[J].火力與指揮控制,2012(5):33-34.

[9] MATLAB中文論壇.MATLAB神經網絡30個案例分析[M].北京：北京航空航天大學出版社,2010:1-8.

[10] 司守奎,孫璽菁.數學建模算法與應用[M].北京：國防工業出版社,2011:201-204.

Capability Evaluation of Ship-to-air Missile Cooperative GuidanceBased on Fuzzy BP Neural Network*

Based on analyzing evaluation index of ship-to-air missile cooperative guidance, a fuzzy BP neural network is established. The neural network are trained by the training samples for the weight of each factor. Based on the weight of the factor the fuzzy calculation is used to evaluate the capability of ship-to-air missile cooperative guidance by test samples, the result shows that the model of the capability of ship-to-air missile cooperative guidance based on fuzzy BP neural network has advantage of feasibility.

ship-to-air missile cooperative guidance, BP neural network, fuzzy calculation method, capability evaluation

2016年2月11日,

2016年3月18日

趙永鐵,男,工程師，研究方向：目標跟蹤與制導控制。王永杰，男，高級工程師，研究方向：導彈武器系統試驗。王琦，女，高級工程師，研究方向：目標跟蹤與制導控制。

TP183

10.3969/j.issn.1672-9730.2016.08.035