基于BP神經網絡的雷達情報組網系統戰場搶修排序研究?

吳彩華 花良發 馬建朝 焦曉麗

（空軍預警學院黃陂士官學校 武漢 430345）

基于BP神經網絡的雷達情報組網系統戰場搶修排序研究?

吳彩華 花良發 馬建朝 焦曉麗

（空軍預警學院黃陂士官學校 武漢 430345）

確定雷達情報組網系統戰場搶修任務的順序是進行戰場搶修的前提。針對現有方法缺乏自學習能力，難以反映歷史維修規律及評價結果隨意性較大的問題，提出采用BP神經網絡方法，構建雷達情報組網系統戰場搶修排序模型。結合雷達情報組網系統裝備特點及保障分隊特點，提出戰場搶修排序決策指標體系。并以某自動化站維修數據為例，給出了建模的具體實現過程。并通過實驗驗證了該模型的有效性。

雷達情報組網系統；BP神經網絡；戰場搶修

1 引言

雷達情報組網系統是情報保障網的分系統，擔負著大區域內諸軍兵種聯合作戰防空情報保障任務的重要使命。雷達情報組網系統作戰環境惡劣，裝備分布區域廣闊，是敵方重點打擊的目標，在作戰中裝備戰損概率非常大，一旦發生戰斗損傷，必須確保在最短的時間內恢復作戰能力。而裝備戰場搶修，正是在戰爭中保持裝備持續作戰能力最直接，最有效，最經濟的手段，是戰斗力的“倍增器”。

確定雷達情報組網系統戰場搶修任務的先后順序是進行戰場搶修的前提，合理的搶修順序可以縮短系統的搶修等待時間，提高重要裝備完好率，延長系統的參戰時間，更大限度地發揮系統的作戰效能。同時還可以提高搶修資源的利用率，發揮搶修人員的搶修效能。最初，確定裝備戰場搶修任務的先后都是搶修指揮員憑借準則和經驗進行決策，這需要花費一定的時間和綜合各種信息進行判斷，且不夠精確。為了解決這個問題，戰損裝備搶修決策順序模型研究出現。所采用的方法主要包括AHP 類方法［1～4］，貝葉斯網絡［5～6］方法，熵權法［7］，TOPSIS決策評估算法［8～9］等等。這些方法在實際的運用中，由于決策者的主觀不確定性及認識的模糊性等因素的影響，且缺乏自學習能力，導致評價結果隨意性較大。雷達情報組網系統戰場搶修排序基于歷史維修數據，戰場環境，搶修分隊情況等多個不確定因素影響，這些方法很難反映出歷史維修規律。而BP神經網絡具有記憶性，它可以通過大量歷史數據的學習，記住歷史維修規律，再結合當前的維修數據及搶修分隊情況，達到較好的評估效果。因此，本文結合雷達情報組網系統裝備特點，及保障分隊的情況，在獲得大量維修數據的基礎上構建了雷達情報組網系統戰場搶修排序決策指標體系，提出了基于BP神經網絡的雷達情報組網系統戰場搶修排序模型，并通過對比實驗驗證了該模型的有效性。

2 雷達情報組網系統戰場搶修排序決策指標體系

通過對裝備戰時搶修過程分析得出，裝備搶修任務優先度決策排序受到搶修對象自身的情況及搶修分隊條件的影響。構建的雷達情報組網系統戰時搶修決策指標體系如圖1所示。各指標定義如下。

圖1 雷達情報組網系統戰場搶修排序決策指標體系

1）搶修對象重要性

雷達情報組網系統是情報保障網的分系統，擔負著大區域內諸軍兵種聯合作戰防空情報保障任務的重要使命，是空軍指揮信息系統不可或缺的重要組成部分。很顯然，受損裝備在雷達情報組網系統中發揮的作用越大，重要性越強，在滿足搶修條件下，越應該優先維修。雷達情報組網系統按體系結構劃分，可以分為雷達站系統、雷達旅系統和組網中心系統三級。針對每級分系統，根據設備重要性程度，又劃分為2個等級。因此在本文中，將搶修對象的重要性劃分為｛極端重要，非常重要，重要，比較重要，一般，可忽略｝6個等級，賦值為｛10，9，7，6，4，2｝。

2）搶修對象受損程度

根據指揮自動化裝備損傷部位，受損設備的數量及其重要程度、系統功能損傷的情況，實施搶修所需要的資源，實施搶修所需要的時間等因素［10］，指揮自動化裝備戰損等級劃分為為4級，分別為｛輕度損傷，中等損傷，嚴重損傷，報廢｝，賦值為｛9，7，5，2｝。

表1 自動化裝備損傷程度判定標準

3）預計修復時間

指的是受損裝備從開始進行戰場搶修到搶修結束所需要的時間。預計修復時間越短，越應該優先進行戰場搶修。若預計修復時間大于允許修復時間，則失去了戰場搶修的意義。對于輕度損傷來說，允許修復時間0.5～2小時；中等損傷允許修復時間在2～6小時；嚴重損傷一般允許修復時間在6～12小時。

4）戰場環境

指對行動地域的地形、氣候、道路狀況、戰場的態勢、以及搶修對象與搶修分隊距離的綜合描述，分為｛極差、差、較差、一般｝4個等級，賦值為｛9，7，5，2｝。

5）技術資料完整性

雷達情報組網系統屬于高科技裝備，技術密集型高。搶修時對于技術資料的依賴性強。搶修時需要的技術資料種類包括［9］：操作使用手冊、技術維護手冊、指揮自動化設備布局圖及連接圖、指揮自動化系統信息流程圖、連接外部通信配線資料、系統設備配電線資料、指揮自動化裝備搶修手冊、指揮自動化系統、設備應急搶修預案、系統軟件、應用軟件程序盤等等。分為｛完整，一般，不全｝3個等級，賦值為｛9，5，3｝。

6）搶修工具及器材數量滿足率

指的是搶修分隊提供的搶修工具和器材的數量能否滿足裝備搶修需要。分成｛滿足，不滿足｝2個等級，賦值為｛9，3｝。

7）搶修工具及器材品種滿足率

指的是搶修分隊提供的搶修工具和器材的品種能否滿足裝備搶修所需。分成｛滿足，不滿足｝2個等級，賦值為｛9，3｝。

8）搶修人員專業水平

指的是搶修人員能否根據經驗快速準確判斷故障部位，并進行故障維修。分成｛高，比較高，一般｝3個等級，賦值為｛9，7，5｝?？梢愿鶕哪挲g、專業特長、職稱、從業時間等方面進行判定。

9）保障資源調度能力

實施戰場搶修過程中，保障資源不滿足需要時，向上級維修部門請領，調度運輸保障資源到搶修地點的能力。很顯然，所需時間越短，保障資源調度能力越強。分成｛好，比較好，一般，差｝4個等級。賦值為｛9，7，5，2｝。

10）組織實施能力

雷達情報組網系統戰場搶修的組織實施可以劃分為三個階段，即準備階段，組織實施階段，總結評估階段。準備階段可以從搶修預案的可行性，與友鄰部隊、戰技部門、器材供應部門、后勤運輸部門，地方修理單位之間的協同情況，以及對裝備、器材、設備、資料、備件，工具的檢查情況進行評定。實施階段可以從損傷評估的方法，損傷修復的方法、執行原則、損傷檢驗的方法、搶修記錄、搶修報告、保障人員安排、保障資源安排、時間等方面進行評定?？偨Y評估階段可以從對保障人員及裝備物資消耗的統計情況，損傷數據的整理情況，搶修技術資料庫的更新情況，完成搶修任務的總結報告等方面進行評定。一般分成｛好，比較好，一般，差｝4個等級。賦值為｛9，7，5，2｝。

11）自我防衛能力

雷達情報組網系統戰場搶修分隊的自我防衛能力［11］可以從隱蔽性、對敵主動干擾能力、主動防護能力、機動性、分散配置性等方面進行評定。一般分成｛好，比較好，一般，差｝4個等級。賦值為｛9，7，5，2｝。

3 基于BP神經網絡的戰場搶修排序決策模型

戰場搶修排序決策問題可以歸結為多元非線性回歸問題。針對非線性回歸問題，可以采用的方法有遺傳算法、人工神經網絡、模糊理論、粗集理論、貝葉斯網絡及支持向量機等。本文選用了目前最常用的BP 神經網絡［12］。

3.1 模型建立步驟

雷達情報組網系統戰場搶修排序應綜合考慮受損裝備情況以及搶修分隊的實際情況，其中，受損裝備情況應主要考慮：搶修對象重要性（I1）、搶修對象受損程度（I2）、預計修復時間（I3）、戰場環境（I4），搶修對象技術資料完整性（I5）。搶修分隊情況應主要考慮：搶修工具及器材數量儲備（I6）、搶修工具及器材品種儲備（I7），搶修人員專業水平（I8）、搶修分隊保障資源調度能力（I9）、組織實施能力（I10）和自我防衛能力（I11）。通過建立BP神經網絡模型，進行雷達情報組網系統戰場搶修決策值的估計。具體步驟如下：

1）確定BP神經網絡的輸入。根據雷達情報組網系統各分系統及其設備特點，結合搶修分隊的實際情況，確定輸入參數為：I1，I2，I3，I4，I5，I6，I7，I8，I9，I10，I11。

2）數據收集。數據收集工作是非常重要的，直接關系到模型評估結果的準確性。通常來自雷達情報組網系統歷史維修數據，及對雷達情報組網系統受損設備和搶修分隊的評估數據。

3）將采集到的數據劃分為訓練樣本和測試樣本，并根據模型需要對數據進行預處理。對數據進行預處理包括：數據標準化、剔除特異樣本點、歸一化處理等等。此外還要進行預測誤差指標函數的選取。通常選取均方誤差MSE作為預測誤差指標函數。

4）神經網絡模型結構的確定；包括輸入層和隱層神經元的個數、傳遞函數的確定、權值、閾值的確定等等。

5）應用Matlab神經網絡工具箱，設置網絡參數，訓練數據。

6）選用測試樣本進行測試，如果可以滿足預測精度要求，則結束訓練，否則轉向5），重新進行網絡參數的設置。直到滿足預測精度為止。

7）將待預測的雷達情報組網系統戰場搶修的數據輸入訓練好的BP神經網絡，得到戰場搶修決策值的預測結果。很顯然，戰場搶修決策值分數越高，排序越靠前，越應該優先進行維修。

3.2 BP神經網絡結構

本文中，以某自動化站3個雷達旅配發的雷達情報組網系統進行搶修而收集的20個維修數據為例，建立適合于雷達情報組網系統戰場搶修決策的BP神經網絡模型。收集的數據集見表2所示。（此表中的數據都是由維修專家根據雷達情報組網系統受損情況以及搶修分隊情況給出的。）該數據集共包含20組數據，每組數據包含11個輸入，1個輸出。在作為BP神經網絡的輸入之前，應進行標準化處理，將各組輸入的數據取值限制在［0，1］范圍內。

本文使用Matlab神經網絡工具箱實現（MatlabR 7.1 Neutral Network toolbox），選用均方誤差MSE作為預測誤差指標函數。建立的神經網絡結構如圖2所示。

1）本文采用3層神經網絡，第一層包含4個神經元，第二層包含3個神經元，第三層包含1個神經元。其中第一層和第二層選用雙曲正切sigmoid型函數（tansig（））作為傳遞函數，第三層選用純線性函數（purelin（））作為傳遞函數。

2）選用Levenberg-Marquardt BP函數（trainlm（））作為訓練函數。設定學習步長為0.05，訓練次數為2000次，訓練目標誤差為10-7。應用前17組數據訓練網絡，應用后3組數據測試網絡，最終訓練出的網絡的權值如下所示。

表2 基于BP神經網絡的雷達情報組網系統戰場搶修決策預計數據

圖2 本文構建BP神經網絡結構

net.LW{3,2}=[0.7868 -0.0368 -0.7601]

其中，第一個矩陣為訓練出的網絡的輸入權值，第二個、第三個矩陣為訓練出的網絡的各層的權值。訓練出的BP神經網絡的仿真結果如圖3所示。

從圖3可以看出，應用BP神經網絡預計出的戰場搶修決策值與實際的戰場搶修決策值非常接近。這說明訓練出的BP神經網絡的仿真效果非常好。在不具備維修數據集的情況下，可以利用本文訓練好的網絡進行雷達情報組網系統裝備戰場搶修決策值預計以確定戰場搶修順序。需說明的是，上述訓練好的網絡是根據原北空所轄的3個雷達旅的維修數據進行訓練的，不同的雷達旅，不同的雷達站，不同的搶修分隊，應用上述模型進行戰場搶修預計時有可能會出現評估不準確的問題。因此，本文建議首先根據收集的雷達情報組網系統維修數據訓練網絡，然后再預計戰場搶修決策值，以使得預計效果達到最佳。

圖3 已訓練好的神經網絡的仿真結果

4 結語

確定雷達情報組網系統戰場搶修任務的先后順序是進行戰場搶修的前提，合理的搶修順序可以縮短系統的搶修等待時間，提高重要裝備完好率，延長系統的參戰時間，更大限度地發揮系統的作戰效能。針對現有方法缺乏自學習能力，難以反映歷史維修規律及評價結果隨意性較大的問題，本文結合雷達情報組網系統裝備特點，及保障分隊的情況，在獲得大量維修數據的基礎上構建了雷達情報組網系統戰場搶修排序決策指標體系，提出了基于BP神經網絡的雷達情報組網系統戰場搶修排序模型。并以某自動化站維修數據為例，給出了建模的具體實現過程。實驗結果表明，該模型可以較準確地反映出戰爭搶修任務的順序。

［1］閆志雄，姜光，閆鵬飛.基于改進AHP的船艇裝備戰損搶修排序決策方法［J］.裝備學院學報，2015，26（5）：17-21.

［2］張勇軍，陳立江.基于FAHP的通信裝備戰場搶修順序決策模型［J］.西安通信學院學報.2010，9（4）：10-12.

［3］肖凡，王平，趙金超.基于Fuzzy-AHP裝備技術保障后備人員篩選決策［J］.裝備學院學報，2013，24（5）：40-43.

［4］顏炳斌，徐航，石全.基于多準則的戰損裝備搶修排序決策模型［J］.軍械工程學院學報，2007，19（1）：1-3.

［5］劉利，王宏，石全等.基于貝葉斯網絡的戰場搶修順序優化模型［J］.航天控制.2005，23（6）：72-75.

［6］劉飛，楊江平，常春賀.雷達裝備戰場損傷修復順序優化研究［J］.空軍雷達學院學報.2011，25（1）：9-11.

［7］周振喜，王曉薇，郭銳.基于組合賦權的導航裝備戰場搶修次序決策模型研究［J］.通信導航與指揮自動化.2010.1：17-27.

［8］牛天林，王潔，杜燕波等.裝備戰場搶修任務優先度排序決策研究［J］.火力與指揮控制.2011，36（3）：127-130.

［9］陳蓋凱，李海瑞.基于應急模式的飛機維修資源優化調度方法［J］.空軍預警學院學報.2016，30（1）：9-13.

［10］黃子俊，周焰，童世明等.指揮自動化裝備戰場搶修規程［M］.中國人民解放軍空軍裝備部，2008.09，13-14.

［11］樊榮.野戰條件下裝備保障分隊的自我防衛［J］.軍械維修工程研究，2002（4）：28-30.

［12］陳守余，周梅春，人工神經網絡模擬實現與應用［M］，武漢：中國地質大學出版社，2000：77-82.

Research on Sequencing Decision-making for Equipment Battlefield Repair of Radar Intelligence Network System Based on BP Network

WU Caihua HUA Liangfa MA Jianchao JIAO Xiaoli
（Huang Pi NCO School，Air Force Early Warning Academy，Wuhan 430345）

It is the chief task to confirm the sequencing decision-making for equipment battlefield repair of radar intelligence network system.The current methods exists the problems of lacking self-learning ability，historical maintenance rule can’t be reflected，and evaluations results are random.A new model based on BP network about sequencing decision-making for battlefield repair of radar intelligence network system is proposed.By combining with the characteristic of radar intelligence network system and unit equipment support，decision-making index system of battlefield repair is proposed.For maintenance data from automation station control system an example，the whole modeling process is given.The validity of the model is verified by contrast experiments。

radar intelligence network system，BP network，battlefield repair

TN95

10.3969∕j.issn.1672-9730.2017.10.022

Class Number TN95

2017年4月7日，

2017年5月26日

吳彩華，女，博士研究生，講師，研究方向：軟件可靠性，雷達情報組網系統。