基于PCA-SOM神經網絡的反艦導彈作戰目標分類模型

吳 鵬，諸德放，戎韜玉

（1.空軍勤務學院，江蘇 徐州 221000；2.解放軍94285部隊，山東 諸城 262200）

0 引言

反艦導彈是我軍進行海面作戰的重要武器，科學合理制定其作戰使用策略具有重要意義，而依據作戰價值對目標進行分類是制定作戰使用策略的基礎。目前我軍對戰場目標分類的研究對集中在炮兵打擊目標領域，很少涉及海面目標；對于目標分類方法，目前多采用層次分析法、多屬性決策法或模糊分析法，此類方法需要從現有指標中精選出若干個主要的有代表性的指標進行評價或人為給定評價權數，帶有主觀隨意性。本文針對此問題，提出了基于PCA-SOM神經網絡的反艦導彈作戰目標價值評估方法，該方法結合主成分分析（PCA）和自組織映射（SOM）網絡的優點，能夠避免評價指標選取的主觀隨意性，消除重復信息[1]，此外，在保證SOM網絡數據綜合和映射功能的同時，解決了其學習速度和無效神經元的問題。

1 目標價值評估指標

目標價值評估指標的選取直接影響著評估結論的準確性和客觀性，綜合考慮反艦導彈性能特點、作戰任務規劃和目標屬性，并結合相關文獻，選取如下目標價值評估指標：

（1）任務一致性：指目標對主要作戰行動的影響程度[2]，體現在對我方戰術目標的影響和對敵方企圖的影響兩方面。與作戰任務越一致，目標價值越大。

（2）打擊緊迫性：指對目標進行打擊的時限要求。體現在目標對我方部隊產生危害所需時間和不對目標進行射擊目標逃匿的可能性兩個方面，由目標所處狀態和機動性兩個因素決定[3]。對目標進行打擊的緊迫程度越高，目標價值越大。

（3）信息可靠性：指目標信息的可靠程度。體現在情報信息的準確性和目標識別準確性兩個方面，情報越準確、目標識別準確性越高，目標信息越可靠。信息可靠性越高，目標價值越大。

（4）目標威脅性：指目標火力強弱和作戰企圖對我方載機、指揮機構乃至整個作戰意圖構成威脅的大小。威脅程度越大，目標價值越高。

（5）目標反擊能力：指目標對彈藥打擊的抗擊強度以及可能對我造成的損傷程度[4]。主要體現在目標對彈藥進行封鎖和干擾的能力。目標反擊能力越高，價值越高。

（6）目標易毀性：指受到相同程度的打擊后目標的毀傷程度。體現在目標被摧毀的難易程度和快速恢復能力兩個方面[5]。易毀性越高，目標價值越大。

2 PCA-SOM神經網絡模型

2.1 SOM神經網絡

SOM網絡是一個由全連接的神經元陣列組成的無教師、自組織、自學習網絡，具有優秀的數據綜合和映射功能，在分類、聚類與預測等領域有著廣泛的應用，典型SOM網絡結構如圖1所示。

圖1 二維陣列SOM神經網絡模型

應用SOM神經網絡的步驟如下：

（1）網絡初始化。用隨機數設定輸入層和映射層之間權值的初始值。

（2）輸入向量的輸入。把輸入向量 X=（x1，x2，x3，…，xm）T輸入給輸入層。

（3）計算映射層的權值向量和輸入向量的距離（歐式距離）。在映射層，計算各神經元的權值向量和輸入向量的歐式距離。映射層的第j個神經元和輸人向量的距離，如式（1）所示。

（4）權值的學習。按照式（2）修正輸出神經元j及其“鄰接神經元”的權值：

式中，學習率η為一個0至1之間的常數，隨著時間變化逐漸下降到0.

（5）計算輸出ok

式中，一般f（*）為0至1函數或者其他非線性函數。

（6）判斷是否達到預先設定要求。如達到要求則算法結束，否則返回步驟（2），進入下一輪學習。

2.2 主成分分析法

主成分分析法（PCA）可將多個相關指標轉化為少數幾個綜合指標，從而降低指標體系的維度，消除重疊信息。依據價值評估指標對反艦導彈作戰目標進行量化打分，評分結果為樣本矩陣 X，有 x1，x2，x3，…，xp，p個變量，為各目標某一指標的得分集合，樣本中共有n個樣品，代表n個目標，如式（4）所示。

將p個觀測變量通過坐標系變換，綜合成p個新的變量，即

坐標變換需要滿足以下條件：

（1）Fi，Fj互不相關（i≠j，i，j=1，2，…，p）；

（2）F1的方差大于F2的方差，大于F3的方差，依次類；

（3）a2k1+a2k2+ …+a2kp＝ 1，k=1，2，…，p.

求解后得F1為第一主成分，F2為第二主成分，依次類推，有p個主成分，aij為主成分系數。最終的目標價值函數為：

其中，Y 為目標價值得分，a1，a2，a3，…，ap為各個主成分的貢獻率。

2.3 PCA-SOM神經網絡

利用PCA優化SOM網絡可以消除評價指標間的重復、冗余信息，保證SOM網絡數據綜合和映射功能的同時，解決其學習速度和無效神經元的問題。利用PCA優化SOM神經網絡的具體流程如下：

（1）對樣本數據進行主成分分析，篩選累計貢獻率達到90%的前項成分作為入選數據，并對入選數據進行Z-Score標準化處理，處理方法如下：

其中，xi為入選數據中第項成分的集合為ZScore標準化處理之后的數據，為xi中數據的平均值，Si為xi中數據的方差。

（2）將標準化處理后的入選數據輸入SOM網絡模型進行聚類，對于SOM網絡的參數設置，其采樣點數目與樣本數目一致，神經元數目與分類數目一致，例如將目標分為四類，則將神經元設定為4個。若將目標分為五類，則將神經元數目設定為5個。

（3）計算各樣本、各類別的綜合得分。

3 實例分析

假定我方遂行襲擊敵方艦隊任務，計劃使用反艦導彈對敵艦隊進行打擊，天氣狀況良好，彈藥性能正常。在此背景下，有專家評定的12類典型目標的經驗數據，將前11項作為訓練樣本，第12項作為測試項。

利用MATLAB軟件進行仿真計算。第一步，對專家數據進行主成分分析，結果如表1、表2所示。

表1 主成分系數表

表2 典型目標主成分得分表

從表1可以看出，前5個主成分的累計貢獻率已經達到95%以上，信息損失率很低，故選取前5項成分作為入選數據。

第二步，將表2中典型目標主成分得分矩陣進行Z-Score標準化并作為SOM網絡的輸入變量，通過網絡訓練實現樣本聚類，并計算綜合得分。競爭層采用一維結構，采樣點11個，神經元設置為4個，結果如表3所示，網絡拓撲效果如圖2所示。

表3 各類別綜合得分情況

圖2 聚類效果圖

由此，通過PCA-SOM神經網絡模型分析11組樣本數據，建立了一個反艦導彈作戰目標分類模型。該模型綜合各類因素，將反艦導彈的作戰打擊目標按照其價值分為了四級。在戰場環境中，如果出現了一個新目標，則依據上述步驟可以很迅速準確地對其進行分類，確定打擊該目標的優先級。

下面以征用民船為例，驗證該模型的準確性。對于征用民船來說，其特征明顯、結構脆弱且無反擊手段，反艦導彈對其識別準確率高、毀傷效果好、攻擊風險低，攻擊成本極低。攻擊征用民船的收益也很明顯，能夠對敵艦隊供應鏈造成顯著破壞。在實際戰場環境中，征用民船屬于優先攻擊目標。

利用模型對征用民船進行分類，首先用6個目標價值評估指標對征用民船進行評分，得分情況為：

X=（0.61 0.11 0.95 0.01 0.01 0.95）

按照上述步驟將得分數據輸入PCA-SOM神經網絡模型，得到其聚類結果為Ⅰ，屬于最應優先打擊的高價值目標。該結論與實際結果一致，驗證了目標分類模型的準確性。

4 結論

本文提出了基于PCA-SOM神經網絡的反艦導彈作戰目標分類模型，該模型首先依據反艦導彈性能特點、作戰任務規劃和目標屬性，選取了6個目標價值評估指標；利用PCA優化SOM神經網絡，既消除了評價指標間的重復、冗余信息，又在保證SOM網絡數據綜合和映射功能的同時，解決了其學習速度和無效神經元的問題。實例分析表明，該分類模型能夠依據目標價值完成對反艦導彈作戰目標的分類，為指揮機關決策提供依據或參考。