基于置信規(guī)則庫(kù)推理的裝備戰(zhàn)損等級(jí)評(píng)定①

劉嘉迪,郝建國(guó),黃 健

(國(guó)防科技大學(xué) 智能科學(xué)學(xué)院,長(zhǎng)沙 410073)

現(xiàn)代條件作戰(zhàn),面臨的將是高精度、遠(yuǎn)距離、高毀傷的火力戰(zhàn),裝備的受損將成倍增加,如何保持部隊(duì)持續(xù)作戰(zhàn)能力是取得勝利的關(guān)鍵.在第4 次中東戰(zhàn)爭(zhēng)中,以色列軍隊(duì)在開(kāi)戰(zhàn)之初有過(guò)半的坦克受到損傷,但憑借其高效的戰(zhàn)場(chǎng)搶修能力,損傷的坦克在基本在一天內(nèi)就能恢復(fù)戰(zhàn)斗力,進(jìn)而獲得了戰(zhàn)爭(zhēng)主動(dòng)權(quán).在海灣戰(zhàn)爭(zhēng)中,伊軍雖有近萬(wàn)輛坦克和裝甲裝備,但無(wú)法進(jìn)行有效的戰(zhàn)場(chǎng)搶修,使其損壞率高達(dá)到66%,最終潰不成軍.因此,戰(zhàn)場(chǎng)已經(jīng)變成了交戰(zhàn)雙方戰(zhàn)場(chǎng)搶修能力的競(jìng)爭(zhēng)場(chǎng),而裝備戰(zhàn)場(chǎng)損傷等級(jí)評(píng)定又是戰(zhàn)場(chǎng)搶修的前提與基礎(chǔ)[1].

目前對(duì)裝備戰(zhàn)場(chǎng)損傷等級(jí)評(píng)估的研究方法包括貝葉斯推理[2-4]、案例推理[5]、神經(jīng)網(wǎng)絡(luò)[6,7]以及模糊集合理論[8,9]等.傳統(tǒng)的方法如貝葉斯推理、案例推理不能有效處理不確定性信息.而置信規(guī)則推理方法能有效地處理各種類(lèi)型的數(shù)據(jù)信息,建立輸入和輸出之間的非線性模型.相比于神經(jīng)網(wǎng)絡(luò)、模糊理論等方法,置信規(guī)則庫(kù)是一個(gè)“白盒系統(tǒng)”,其推理過(guò)程與人類(lèi)思考問(wèn)題的方式類(lèi)似,具有良好的可解釋性.此外,專(zhuān)家信息可參與也是此方法所特有的優(yōu)勢(shì).

鑒于以上分析,本文建立一種BRB-ER 戰(zhàn)損等級(jí)評(píng)定模型,采用BRB 表示裝備戰(zhàn)損等級(jí)評(píng)定過(guò)程中所需專(zhuān)家知識(shí)和相關(guān)信息,利用局部粒子群算法對(duì)初始BRB 進(jìn)行優(yōu)化學(xué)習(xí),得到更新后的BRB 進(jìn)行推理的過(guò)程.最后,通過(guò)實(shí)例驗(yàn)證了所提方法的有效性.

1 裝備戰(zhàn)損影響因素分析及評(píng)定等級(jí)劃分

1.1 戰(zhàn)場(chǎng)損傷影響因素分析

分析實(shí)際情況下的裝備戰(zhàn)場(chǎng)受損因素,主要包括:威脅因素、裝備因素、防護(hù)因素.對(duì)裝備戰(zhàn)損影響因素進(jìn)行細(xì)致分析,是設(shè)計(jì)置信規(guī)則庫(kù)前提屬性的重要基礎(chǔ).考慮到實(shí)際可以將3 種影響因素細(xì)化為[10]:

(1)威脅因素

①威脅程度(X1):威脅對(duì)目標(biāo)裝備的損傷均是通過(guò)損傷機(jī)理與目標(biāo)之間的相互作用實(shí)現(xiàn)的.戰(zhàn)場(chǎng)上威脅種類(lèi)繁多,損傷機(jī)理各異,威脅的參數(shù)和指標(biāo)往往是不為人知的,可以通過(guò)專(zhuān)家主觀判斷,將威脅分為高、中、低3 級(jí).

②炸點(diǎn)與裝備中心之間的距離(X2):炸點(diǎn)到裝備的距離是影響戰(zhàn)損結(jié)果的重要因素,距離越近,裝備受到的損傷越大,反之越小.

③炸點(diǎn)到裝備中心連線與地水平線夾角(X3):該參數(shù)與炸點(diǎn)到裝備中心的直線距離X2共同反映了裝備和炸點(diǎn)之間的地形環(huán)境,不同的X2、X3值則表示了不同的地形環(huán)境.

④彈著點(diǎn)相對(duì)于目標(biāo)裝備的位置(X4):以裝備中心線為軸,從裝備方向線順時(shí)針旋轉(zhuǎn)到裝備中心到炸點(diǎn)的方向線之間的夾角表示彈著點(diǎn)相對(duì)于目標(biāo)裝備的位置.

(2)裝備因素(X5)

裝備因素主要是指裝備的類(lèi)型和名稱(chēng),不同種類(lèi)和類(lèi)型裝備的損傷機(jī)理往往是不同的,例如:坦克、履帶式步兵戰(zhàn)車(chē)等裝甲裝備,其自身防護(hù)能力較強(qiáng),戰(zhàn)時(shí)受到破片、沖擊波等損害威脅較低;而牽引火炮等輪式裝備,其防護(hù)能力較差,戰(zhàn)時(shí)易受到破片、沖擊波等威脅機(jī)理的作用發(fā)生破孔損傷;此外,電子類(lèi)裝備諸如雷達(dá)、通信設(shè)備等除了會(huì)受到破片、沖擊波等傳統(tǒng)威脅機(jī)理的破壞外,還易受到電磁脈沖的影響.在此,我們可以通過(guò)編碼的方式來(lái)表示不同類(lèi)型的裝備.

(3)防護(hù)因素(X6)

合理設(shè)置掩體對(duì)于降低裝備損傷程度具有重要作用,掩體防護(hù)主要包括半掩體、簡(jiǎn)易掩體和永固掩體3 種.不同掩體的防護(hù)能力是不同的,可對(duì)其進(jìn)行歸一化.

1.2 戰(zhàn)損等級(jí)的劃分

根據(jù)戰(zhàn)損裝備的功能喪失程度和可修復(fù)性,結(jié)合維修保障資源配置情況,以及修復(fù)損傷裝備所需時(shí)間,我軍習(xí)慣上將裝備戰(zhàn)場(chǎng)損傷等級(jí)劃分為4 等6 級(jí),如表1所示.

表1 戰(zhàn)場(chǎng)損傷等級(jí)劃分表

2 BRB-ER 戰(zhàn)損等級(jí)評(píng)定模型

2.1 BRB 專(zhuān)家系統(tǒng)

置信規(guī)則庫(kù)[11]是一類(lèi)模型的總稱(chēng),這類(lèi)模型在傳統(tǒng)IF-THEN 規(guī)則的基礎(chǔ)上引入了置信度和權(quán)重參數(shù),克服了傳統(tǒng)規(guī)則庫(kù)過(guò)于簡(jiǎn)單絕對(duì)的問(wèn)題.一個(gè)基本的BRB 模型描述如下,即:

其中,Rk(k=1,2,···,L)表示BRB 模型的第k條規(guī)則,L表示規(guī)則的數(shù)量,公式的第一部分為規(guī)則的前件,表達(dá)推理所用到的先驗(yàn)知識(shí),xi(i=1,2···,M)表示第i個(gè)前提屬性值,表示第k條規(guī)則的第i個(gè)前提屬性的參考值;公式的第二部分為規(guī)則的后件,表達(dá)推理的最終結(jié)論,Dj(j=1,2,···,N)表示第j個(gè)評(píng)價(jià)結(jié)果等級(jí),βj,k表示在第k條規(guī)則中第j個(gè)評(píng)價(jià)等級(jí)的置信度;θk為第k條規(guī)則的權(quán)重,為第i個(gè)屬性的屬性權(quán)重.

2.2 BRB 推理

BRB 中規(guī)則的推理包括兩步,首先是計(jì)算每條規(guī)則的激活權(quán)重,然后根據(jù)激活權(quán)重將規(guī)則進(jìn)行融合.

(1)激活權(quán)重計(jì)算

一般而言,當(dāng)輸入xi(i=1,2,···,M)為定量信息且為數(shù)值形式時(shí),可以采用基于效用的方法計(jì)算其對(duì)應(yīng)的前提屬性參考值相似度即:

然后通過(guò)式(2)計(jì)算第k條規(guī)則的激活權(quán)重:

(2)ER 算法融合

通過(guò)ER 算法對(duì)BRB 中所有激活的規(guī)則進(jìn)行融合推理,ER 算法的解析公式如下:

選擇最高置信度對(duì)應(yīng)的輸出等級(jí)作為最終的戰(zhàn)損等級(jí)評(píng)估結(jié)果:

2.3 BRB-ER 模型結(jié)構(gòu)

顯然,裝備發(fā)生戰(zhàn)斗損傷的3 種影響因素與裝備的受損程度(裝備的損傷等級(jí))之間存在一種非線性映射關(guān)系.為此,建立如圖1所示的BRB-ER 戰(zhàn)損等級(jí)評(píng)定模型進(jìn)行推理.該模型主要包含兩個(gè)部分:第1 部分是置信規(guī)則專(zhuān)家系統(tǒng),主要進(jìn)行裝備戰(zhàn)損等級(jí)評(píng)定規(guī)則的建立;第2 部分是ER 算法,主要進(jìn)行規(guī)則的推理合成.當(dāng)通過(guò)對(duì)裝備戰(zhàn)損數(shù)據(jù)進(jìn)行預(yù)處理后,利用BRB-ER 模型的進(jìn)行推理融合,就能得到裝備戰(zhàn)損等級(jí)評(píng)估結(jié)果.

圖1 BRB-ER 戰(zhàn)損等級(jí)評(píng)定模型結(jié)構(gòu)

現(xiàn)有BRB 的構(gòu)建大多采用遍歷組合的方式,當(dāng)前提屬性個(gè)數(shù)較多時(shí),就容易造成“組合爆炸”問(wèn)題.如果構(gòu)建的置信規(guī)則庫(kù)共有M個(gè)前提屬性,并且第m個(gè)前提屬性有mi個(gè)參考值時(shí),總共需要構(gòu)建條規(guī)則.例如,在裝備戰(zhàn)損等級(jí)評(píng)估問(wèn)題中,共有6 個(gè)前提屬性信息,若每個(gè)前提屬性均有4 個(gè)參考值時(shí),就有46=4096 條規(guī)則需要構(gòu)造.若再增加BRB 中前提屬性數(shù)量或參考值數(shù)量,則BRB 中的規(guī)則數(shù)會(huì)呈指數(shù)遞增的趨勢(shì),系統(tǒng)的復(fù)雜度會(huì)大大增加,嚴(yán)重影響推理的效率和精度.鑒于此,本文在構(gòu)建裝備戰(zhàn)損等級(jí)評(píng)定置信規(guī)則庫(kù)時(shí),并非使用傳統(tǒng)的遍歷組合的方式,而是利用Chang 等[12]提出的線性組合的方式,如圖2所示,線性組合的方式可以克服傳統(tǒng)置信規(guī)則庫(kù)“組合爆炸”的問(wèn)題.

圖2 構(gòu)建規(guī)則庫(kù)的不同組合方式

3 基于局部粒子群的參數(shù)訓(xùn)練方法

在構(gòu)造初始BRB 時(shí),系統(tǒng)的參數(shù)通常由人為隨機(jī)給定,造成主觀性過(guò)大,其戰(zhàn)損評(píng)估的準(zhǔn)確度可能會(huì)被降低.因此,本文提出了一種基于局部粒子群的BRB參數(shù)優(yōu)化算法來(lái)提高戰(zhàn)損等級(jí)評(píng)定精度.

3.1 BRB-ER 的參數(shù)優(yōu)化模型

為了選取置信規(guī)則庫(kù)的最優(yōu)參數(shù),Yang 提出了對(duì)置信規(guī)則庫(kù)參數(shù)優(yōu)化的基本思想[11].其優(yōu)化學(xué)習(xí)模型具體結(jié)構(gòu)見(jiàn)圖3.

圖3 BRB 系統(tǒng)參數(shù)優(yōu)化模型

對(duì)于BRB 的參數(shù)優(yōu)化模型,其符號(hào)表達(dá)式如下:

其中,V表示由組成的參數(shù)向量,ξ(V)表示推理誤差;A(V)表示等式約束條件;B(P)表示不等式約束條件.

圖3 中,xm為輸入信息,ym為實(shí)際系統(tǒng)的輸出,為由置信規(guī)則庫(kù)得到的模擬輸出,V為由構(gòu)成的參數(shù)向量,ξ(V)為推理誤差,A(V)表示等式約束條件,B(V)表示不等式約束條件.其次,優(yōu)化目標(biāo)為使模擬輸出與真實(shí)輸出之間的誤差盡可能小,則對(duì)于第i組輸入數(shù)據(jù),若評(píng)定結(jié)果與實(shí)際相同,誤差計(jì)為“0”;若不相同,則誤差為“1”,即:

則系統(tǒng)的推理誤差可用均方誤差(mean square error,MSE)表示,即:

BRB 優(yōu)化模型中各參數(shù)需滿(mǎn)足如下約束條件:

(1)標(biāo)準(zhǔn)化前提屬性參考值,對(duì)于第i個(gè)屬性的第k個(gè)參考值必須滿(mǎn)足如下約束:

其中,lbi和ubi分別表示訓(xùn)練數(shù)據(jù)中第i個(gè)屬性的最小值和最大值.

(2)任意一條規(guī)則中每個(gè)評(píng)價(jià)結(jié)果上的置信度需滿(mǎn)足:

(3)規(guī)則權(quán)重的取值需要?dú)w一化,即:

在優(yōu)化過(guò)程中,首先給定初始參數(shù),根據(jù)優(yōu)化模型,利用訓(xùn)練數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練.目前已有不少優(yōu)化方法被提出,諸如Matlab 中的FMINCON 函數(shù)[13]以及群智能算法,包括差分進(jìn)化算法[14]、布谷鳥(niǎo)算法[15]、粒子群算法[16]等.粒子群算法需要調(diào)整的參數(shù)少,原理簡(jiǎn)單,容易實(shí)現(xiàn),本文通過(guò)局部粒子群算法求解BRB參數(shù)的最優(yōu)值.

3.2 局部粒子群算法

粒子群算法(particle swarm optimization,PSO)的基本概念源于對(duì)鳥(niǎo)群覓食行為的研究.PSO 是一種基于迭代的優(yōu)化算法,每個(gè)粒子都有一個(gè)由被目標(biāo)函數(shù)決定的適應(yīng)度值.在搜索開(kāi)始前,在解集范圍內(nèi)隨機(jī)初始化每個(gè)粒子的速度和位置,然后在每次迭代搜索中,粒子根據(jù)個(gè)體極值pbest和全局極值gbest來(lái)不斷更新自身速度和位置,最后通過(guò)不斷迭代找到問(wèn)題的最優(yōu)解.粒子群的運(yùn)動(dòng)函數(shù)如下所示[17]:

其中,ω是保持原來(lái)速度的系數(shù),稱(chēng)為慣性權(quán)重,c1和c2為學(xué)習(xí)因子,r1和r2為[0,1]之間的服從隨機(jī)分布的兩個(gè)變量.

為克服粒子群算法易早熟收斂和陷入局部最優(yōu)解等問(wèn)題,改變粒子速度更新公式,即將影響粒子速度更新的全局極值gbest改為鄰域內(nèi)粒子的最優(yōu)值lbest,這樣就得到了局部粒子群算法(local particle swarm optimization,LPSO).LPSO 有多種鄰域選擇方式,本文按照環(huán)形編號(hào)的方式取粒子的領(lǐng)域,如圖4所示,每個(gè)粒子的領(lǐng)域?qū)㈦S著迭代次數(shù)的增加而擴(kuò)大,最終擴(kuò)展到整個(gè)粒子群.LPSO 的優(yōu)化流程如圖5所示,其算法步驟如下.

圖4 按環(huán)形編號(hào)取粒子鄰域

圖5 局部粒子群算法優(yōu)化流程圖

步驟1.設(shè)置算法參數(shù).對(duì)BRB 需要優(yōu)化的參數(shù)V=[θk,δi,βj,k]T進(jìn)行編碼并設(shè)置約束條件,設(shè)置算法種群數(shù)量n、最大迭代次數(shù)Gmax、學(xué)習(xí)因子c1和c2.

步驟2.初始化粒子群.在式(9)-式(11)的約束條件范圍內(nèi),隨機(jī)初始化種群中各粒子的速度和位置.

步驟3.計(jì)算適應(yīng)度值.對(duì)于每個(gè)粒子,通過(guò)適應(yīng)度函數(shù)來(lái)計(jì)算適應(yīng)度值,并記錄個(gè)體最優(yōu)解pbest和其鄰域所記錄的最優(yōu)解lbest.

步驟4.更新粒子速度和位置.將標(biāo)準(zhǔn)PSO 更新速度和位置的公式中的gbest改為L(zhǎng)PSO 的lbest.

步驟5.判斷終止條件.當(dāng)達(dá)到了預(yù)設(shè)的最大迭代次數(shù)Gmax,則終止迭代,輸出此時(shí)的領(lǐng)域最優(yōu)解lbest,即可得到優(yōu)化后的BRB 參數(shù);否則返回步驟3 繼續(xù)搜索.

4 實(shí)例分析

4.1 實(shí)例背景

如上文所述,裝備戰(zhàn)損等級(jí)評(píng)估的過(guò)程受6 個(gè)因素的影響,所以本文建立的BRB-ER 評(píng)估模型只考慮此6 類(lèi)因素.由于目前的裝備戰(zhàn)損數(shù)據(jù)有限,僅以122 榴彈炮、152 加農(nóng)榴彈炮和130 加農(nóng)炮為例,建立戰(zhàn)損等級(jí)評(píng)定置信規(guī)則庫(kù).對(duì)戰(zhàn)場(chǎng)損傷模擬試驗(yàn)數(shù)據(jù)進(jìn)行整理,篩選出120 組訓(xùn)練樣本,根據(jù)各威脅對(duì)裝備的毀傷作用效果,組織有關(guān)專(zhuān)家對(duì)裝備的損傷情況進(jìn)行了評(píng)分,具體評(píng)分標(biāo)準(zhǔn)如表2 所列.

表2 裝備損傷程度評(píng)分表

4.2 置信規(guī)則庫(kù)建立

根據(jù)戰(zhàn)場(chǎng)損傷等級(jí)劃分標(biāo)準(zhǔn),可采用有向無(wú)環(huán)圖來(lái)構(gòu)建裝備戰(zhàn)損等級(jí)評(píng)定的眾倉(cāng)決策模型,如圖6所示.可以看出,需要建立5 個(gè)BRB 對(duì)裝備戰(zhàn)損數(shù)據(jù)進(jìn)行分類(lèi),每條規(guī)則僅設(shè)計(jì)兩個(gè)評(píng)價(jià)等級(jí),其推理結(jié)果只做出是與否的置信決策.每個(gè)BRB 在訓(xùn)練的過(guò)程中互不影響,可以采用并行的策略同時(shí)進(jìn)行訓(xùn)練.實(shí)驗(yàn)環(huán)境為:Intel(R)Core(TM)UHD i7-8550U CPU @ 1.80 GHz處理器、8 GB 內(nèi)存,Windows 10 操作系統(tǒng).程序均在Matlab 2020a 中實(shí)現(xiàn).

圖6 裝備戰(zhàn)損等級(jí)評(píng)定眾倉(cāng)決策模型圖

隨機(jī)選擇100 組樣本作為訓(xùn)練數(shù)據(jù),設(shè)每個(gè)BRB的規(guī)則數(shù)均為4 條,在初始權(quán)重都相同的情況下,等間隔輸入規(guī)則參考值,評(píng)價(jià)結(jié)果對(duì)應(yīng)的置信度由專(zhuān)家給定,得到初始置信規(guī)則庫(kù)規(guī)則.因篇幅原因,初始置信規(guī)則庫(kù)在此不羅列.利用本文提到的基于LPSO 優(yōu)化方法,選擇粒子群種群個(gè)數(shù)為100,最大迭代次數(shù)為50,對(duì)參數(shù)進(jìn)行訓(xùn)練后,得到優(yōu)化后5 個(gè)BRB 為表3 至表7所示.

表3 置信規(guī)則庫(kù)1

表4 置信規(guī)則庫(kù)2

表5 置信規(guī)則庫(kù)3

表6 置信規(guī)則庫(kù)4

表7 置信規(guī)則庫(kù)5

4.3 對(duì)比分析

將剩余的20 組戰(zhàn)損試驗(yàn)數(shù)據(jù)作為測(cè)試集,利用本文提到的基于LPSO 優(yōu)化方法,在相同的約束條件下與基于標(biāo)準(zhǔn)PSO 參數(shù)優(yōu)化方法作為比較對(duì)象,分別對(duì)初始BRB 進(jìn)行參數(shù)優(yōu)化訓(xùn)練,得到測(cè)試結(jié)果如表8.

表8 評(píng)估結(jié)果對(duì)比(%)

根據(jù)結(jié)果可知,初始BRB 模型的評(píng)定準(zhǔn)確度有所欠缺,經(jīng)過(guò)PSO 優(yōu)化后的BRB 模型將評(píng)定結(jié)果的總體準(zhǔn)確度提高到了90%.LPSO-BRB 模型則是經(jīng)過(guò)LPSO 算法優(yōu)化,得到了準(zhǔn)確度非常高的結(jié)果,達(dá)到了96.7%,充分說(shuō)明了所提戰(zhàn)損評(píng)定模型的有效性.

為體現(xiàn)本文方法有效性,同樣針對(duì)戰(zhàn)損評(píng)定問(wèn)題,利用相同的裝備戰(zhàn)損數(shù)據(jù)將本文方法和BP 神經(jīng)網(wǎng)絡(luò)方法以及支持向量機(jī)方法進(jìn)行對(duì)比.首先建立3 層BP 神經(jīng)網(wǎng)絡(luò),輸入層包含6 個(gè)節(jié)點(diǎn),每個(gè)節(jié)點(diǎn)表示一種戰(zhàn)損影響因素,隱含層節(jié)點(diǎn)數(shù)則根據(jù)經(jīng)驗(yàn)公式選取為13,輸出層則為1 個(gè)節(jié)點(diǎn),表示裝備損傷程度的評(píng)估值,根據(jù)評(píng)估值進(jìn)而確定戰(zhàn)損等級(jí),如圖7所示.將支持向量機(jī)應(yīng)用于多分類(lèi)問(wèn)題,一般使用LibSVM 工具包[18]進(jìn)行解決,本文設(shè)置核函數(shù)為徑向基函數(shù)(RBF 核函數(shù)),使用網(wǎng)格搜索法確定參數(shù)c=11.3137 和g=0.125.

圖7 裝備戰(zhàn)損等級(jí)評(píng)定神經(jīng)網(wǎng)絡(luò)模型

3 種方法針對(duì)測(cè)試集的戰(zhàn)損評(píng)定結(jié)果如圖8-圖10所示,從圖中可以看出BP 神經(jīng)網(wǎng)絡(luò)方法有3 個(gè)測(cè)試數(shù)據(jù)分類(lèi)錯(cuò)誤,評(píng)定準(zhǔn)確率為85%;本文方法與支持向量機(jī)均只有一個(gè)測(cè)試數(shù)據(jù)分類(lèi)錯(cuò)誤,評(píng)定準(zhǔn)確率為95%.

圖8 優(yōu)化的BRB 的評(píng)定結(jié)果

圖9 BP 神經(jīng)網(wǎng)絡(luò)的評(píng)定結(jié)果

圖10 SVM的評(píng)定結(jié)果

記錄3 種方法對(duì)測(cè)試數(shù)據(jù)的累積誤差和MSE,分別見(jiàn)圖11 和圖12.從圖中可以看出,優(yōu)化后的BRB 評(píng)定的誤差要明顯低于BP 神經(jīng)網(wǎng)絡(luò)和SVM,可見(jiàn)在樣本較少的情況下,本文所提方法的戰(zhàn)損等級(jí)評(píng)定性能更好,具有更高的推理精度.

圖11 不同方法的累積誤差對(duì)比

圖12 不同方法的MSE 對(duì)比

5 結(jié)語(yǔ)

本文基于多源信息處理過(guò)程中的數(shù)據(jù)融合以及不確定性推理方法,提出了一種新的裝備戰(zhàn)損等級(jí)評(píng)定方法.該方法綜合利用裝備戰(zhàn)損數(shù)據(jù)和專(zhuān)家知識(shí)建立置信規(guī)則庫(kù),再通過(guò)證據(jù)推理算法對(duì)裝備戰(zhàn)損等級(jí)進(jìn)行分類(lèi)評(píng)估.針對(duì)初始置信規(guī)則庫(kù)推理精度差的問(wèn)題,利用局部粒子群算法對(duì)模型參數(shù)進(jìn)行優(yōu)化,并建立二擇眾倉(cāng)決策模型,以此改進(jìn)置信規(guī)則庫(kù)推理性能.最后,根據(jù)某戰(zhàn)損試驗(yàn)對(duì)該方法的有效性進(jìn)行驗(yàn)證.研究結(jié)果表明,本文方法能夠有效融合戰(zhàn)損數(shù)據(jù)的定量信息和專(zhuān)家經(jīng)驗(yàn)的定性知識(shí),且無(wú)需大量統(tǒng)計(jì)數(shù)據(jù)也能夠?qū)ρb備戰(zhàn)損等級(jí)進(jìn)行準(zhǔn)確評(píng)估.因此,本文方法是一種有效的裝備戰(zhàn)損等級(jí)評(píng)定方法,具有較大的應(yīng)用價(jià)值和較強(qiáng)的適用性,進(jìn)而為戰(zhàn)場(chǎng)態(tài)勢(shì)分析和指揮決策提供可靠依據(jù).