基于舰炮平台的反导武器系统效能评估

肖树剑

（海军驻沈阳地区军事代表局，辽宁 沈阳 110031）

0 引言

在现代海战中，反舰导弹作为海上攻击的主要形式，具有射程远、命中率高、威力大等优点，日益成为威胁作战舰艇生存的重要因素。为了在未来海战中夺取主动权，针对现代舰艇中远程反导地需求，将舰空导弹、箔条诱饵弹和某型舰炮有机结合，合理分配武器系统火力，一方面可以扩大杀伤空域，提高武器系统反导成功概率；另一方面可以增强战术灵活性，有利于提高机动能力。本文分析了基于舰炮平台反导武器系统效能指标体系，通过引入BP神经网络来评估其反导效能。

1 效能评估指标体系的建立

基于舰炮平台反导武器系统，是指将在某型舰炮的平台上，搭载导弹和箔条诱饵分系统，综合考虑三者各自的射程、反应速度和费效比等因素，合理划分反导区域，形成优势互补的舰载反导武器系统。

效能评估的重要内容之一就是确定或选择效能评估指标。效能指标的选择是否合理，将直接影响效能评估的准确性。但由于效能概念的复杂性，使得效能指标的确定不像物理量那么直接。本文主要从以下几个方面分析此反导武器系统的效能评估指标。

1.1 舰炮分系统

在构建基于舰炮平台反导武器系统的过程中，是在某型舰炮平台的基础上搭载导弹和诱饵反导武器的。因此，该舰炮反导平台在整个武器系统中是十分重要的，而其战术技术指标对武器系统整体反导效能的影响也是比较大的。在该舰炮反导的过程中，其系统有效性、目标探测能力、反导距离及弹丸初速均对其反导效能产生很大的影响［1］。

1.2 导弹分系统

这里所指的导弹是搭载在某型舰炮反导平台上的舰空反导导弹，其在反导过程中，受到多种因素的制约，同样，其反导效能亦受到多方面因素的影响。本文经过综合考虑，提出导弹分系统的反导效能指标主要有以下几种：导弹分系统的可靠性、单发导弹的毁伤概率、毁伤半径和脱靶量［2］。

1.3 箔条诱饵分系统

箔条干扰作为传统的干扰技术，在雷达体制多样化的今天，仍发挥着重要的作用，其在反导方面的应用是不可忽略的。由文献［3］可知，箔条在反导过程中，可取以下反导效能指标：箔条云有效雷达反射面积、箔条充分散开时间、箔条云滞时间和电磁波衰减。

1.4 效能评估指标体系

由以上分析可以确定，基于舰炮平台反导武器系统的效能指标体系如图1所示。

2 BP神经网络评估模型的实现

作为运用最广泛的人工神经网络，BP网络包含输入层、输出层和多个隐层，虽然结构复杂，但由于其适应性强，在处理复杂问题时往往可以得到满意的结果。

2.1 BP网络结构的确立

网络模型的结构选择是一项十分重要的工作。在合理的结构和恰当的权值条件下，3层BP网络可以逼近任意连续函数，所以选取结构相对简单的3层BP网络，如图2所示。

由前面的分析可知，影响某型反导武器系统效能评估结果的主要指标有12个，故输入层神经元节点个数为12；输出层节点数为 1，对应多弹种多重反导效能评估值；同时，由经验公式m=，本文取隐层数为4层；神经元转换函数用sigmoid函数，表示形式为：

图1 基于舰炮平台反导武器系统效能指标

图2 BP网络模型结构

2.2 BP网络的学习过程

针对BP网络收敛速度慢、可能陷入局部极小的缺点，算法采用动量梯度下降法训练网络，可以减小学习过程的振荡趋势，改善网络的收敛性［4］。具体步骤如下：

（1）初始化权值和阀值；

（2）给定输入x和目标输出y；

（3）计算实际输出 yj：

其中，f取Sigmoid函数。

（4）修正权值，比传统算法增加了动量项：

（5）若达到误差精度或循环次数要求，则输出结果，否则返回（2）。

2.3 样本量化与处理

由于不同类型指标的量纲不同，且神经网络处理的数据一般为连续数据，因此，需要对指标体系中的数据进行量化处理，然后进行归一化处理。本文采用最小-最大规范化方法对原始数据进行归一化，该方法对于神经网络更易于学习和训练。具体方法如下：

记x′为归一化后的样本值，x为原始训练样本值，xmax（xmin）为对同一指标而言目前可能出现的最大值（最小值），则：

（1）对效益型评估指标，按公式（1）进行归一化：

（2）对成本型评估指标，按公式（2）进行归一化：

2.4 基于BP网络的应用算例

本文选取相关装备对所建立的BP网络进行训练。根据图2所示BP网络结构和动量梯度法，运用BP神经网络工具箱，将归一化以后的样本输入进行网络训练。表1给出了相关装备的指标原始值和归一化值。可运用此网络对基于舰炮平台反导武器系统的效能等级进行评判。经过此网络的评估，最终效能等级为优秀。

表1 相关装备的效能指标原始值和归一化值

表2 网络输出结果与专家评估结果

图3 网络训练误差曲线图

取训练步长为100，步数为20000，学习速度为0.05，动量因子大小为0.9，均方误差为0.001来训练网络。经过反复的学习，直到满足精度要求为止，此时的BP神经网络已具备了模式识别的能力。运用此训练好的已经具备模式识别的网络对预研的反导武器系统进行对比，所得到的结果如表2所示。同时可以得到网络训练误差，如图3所示。

由表2可知，BP网络的输出值与专家的评估值之间的相对误差较小，可以保证在3.0%之下，而这样的误差对反导武器系统效能评估等级的确定影响甚小，在允许的误差范围之内。从评估等级来看，BP网络的输出结果与专家评估结果吻合度很大，即可以认为两者评判结果一致。

经过上面的分析，可知本文所建立的BP网络训练已经具备很强的学习能力，可将评估误差控制在允许的范围之内，故

3 结语

在对基于舰炮平台反导武器系统效能评估过程中，效能指标体系的确定至关重要。本文结合反导武器系统的特点，确定了12个具有代表性的效能评估指标，建立了适合此系统的BP网络结构；并对基于舰炮平台反导武器系统的效能进行了评估，输出结果为优秀，与专家的评估结果一致。理论分析与算例结果表明，该评估方法是可行的、有效的，可为反导武器系统的研制和开发提供一定的参考依据。

［1］肖元星，张冠杰.地面防空武器系统费效分析［M］.国防工业出版社，2006

［2］陈立新.防空导弹网络化体系效能评估［M］.国防工业出版社，2007

［3］陈静.雷达箔条干扰原理［M］.国防工业出版社，2007

［4］ Stuart Russell,Peter Norvig.Artificial Intelligence:A Modern Approach［M］.Pearson Education,2002