基于BP神经网络的某型装备作战效能评估

赵　健，张金林，李跃华，郑玉军

(空军预警学院，武汉 430019)



基于BP神经网络的某型装备作战效能评估

赵健，张金林，李跃华，郑玉军

(空军预警学院，武汉 430019)

摘要：某型装备作战效能评估中复杂的非线性关系造成了难以建立评估模型来准确评估其作战效能，利用BP神经网络在处理非线性问题上的优势，建立了BP神经网络某型装备作战效能评估模型。结果表明基于BP神经网络的某型装备作战效能评估模型具有很高的评估准确度，可以很好地反映装备的二级指标和装备作战效能之间的非线性关系，对于提高装备训练水平具有十分重要的意义。

关键词：作战效能；BP神经网络；效能评估

0引言

作战效能是指装备在规定的条件(环境、时间、人员等因素)下达到既定目标的能力，是装备运用、战术指挥的综合反映。准确评估某型装备作战效能对于提高装备训练水平具有十分重要的意义。某型装备作战效能评估是一个复杂的问题，涉及到装备自身战术指标和作战环境等因素。

文献[1]在舰艇编队作战效能评估指标体系的基础上，运用层次分析法(AHP)计算指标权重，通过模糊综合评判得出评估值，但存在主观因素的影响；文献[2]针对某型装备作战环境特点，提出了一种改进模数转换(ADC) 模型，并通过实例验证了该方法的有效性，尽管改进ADC模型能够客观地反映装备的系统效能，当研究的装备系统较为复杂时，ADC模型会变得很难解决；文献[3]提出了一种基于灰色聚类和白化权函数的要地防空指挥控制系统作战效能评估方法，但受到白化权函数准确性的制约；文献[4]采用系统有效性分析(SEA)方法评估装备的探测效能，但存在SEA法操作性不强的缺陷。上述的研究工作基于传统评估方法(AHP、ADC、SEA等)，缺点是需要评价专家对权重赋值，存在不同程度的人为因素干扰，很难做出准确评估。

BP神经网络具有强大的非线性映射能力和泛化功能，使得它为解决复杂的非线性问题提供了有力的工具[5]。针对某型装备战术指标及作战环境的特点，本文在借鉴评估指标体系设计方法的基础上，根据战场环境对某型装备的影响，建立BP神经网络某型装备评估模型。

1建立评估指标体系

建立某型装备评估指标体系是进行评估的前提。表征某型装备作战效能的要素有很多，并且过于繁琐。为了更加客观科学地评估某型装备作战效能，本文从载机性能、指挥控制能力、机载装备性能、生存能力和战场环境5个方面入手建立一级指标。某型装备作战效能评估指标体系如表1所示。

表1　某型装备作战效能评估指标体系

载机续航时间直接关系到执行任务的时间，而巡航速度则影响到达预定作战空域的时间，再次出动准备时间(TAT)反映了连续作战的能力，对机场要求程度体现了对后勤保障的依赖程度。指挥控制能力是某型装备的“神经中枢”，包括信息传输能力、情报获取能力、情报共享能力和协同处理能力。机载装备是具体执行作战任务的部分，二级指标主要由发射功率、天线增益和平均无故障时间(MTBF)组成。生存能力是作战的前提，也是发挥作战效能的保障，某型装备作战效能通常会受到敌方电子干扰的制约，也会受到地面防空武器的威胁，所以抗干扰能力、电子告警能力和战场电磁频谱管控能力尤为重要。战场环境包括气象环境和电磁环境。

2BP神经网络评估模型

2.1　建立BP神经网络评估模型

BP神经网络由输入层、隐含层和输出层组成，网络结构中同层的各神经元彼此独立而属于邻近层的各神经元相互连接[6]。网络结构中的隐含层层数可为单层或多层，该层内神经元的转移函数大多采用S型转移函数[7]。

Kolmogorov证明，3层神经网络可以逼近任何复杂函数[8]，故本文采用3层BP神经网络模型来实现样本数据的函数逼近关系，结构如图1所示。输入层节点为C1~C16，共16个，分别对应16个二级指标；输出节点为1个，对应评估值；隐含层节点数则根据Kolmogorov定理确定：

(1)

式中:k为常数(k∈[1，10];n为输入层节点数(n=16);l为输出层节点数(l=1);m为隐含层节点数。

图1　BP神经网络某型装备评估模型

2.2　训练样本归一化处理

BP神经网络对训练样本的要求很高，不是所有的BP神经网络模型经过训练后都能得到指标和评估值之间准确的线性关系[9-10]。因此，训练样本的获取、归一化处理是得到准确评估值的关键。

为了得到客观准确的评估结果，本文收集了不同作战环境、不同对抗态势下的战技数据，该数据能充分体现装备作战的规律，全面反映各因素与指标的内在关系。

由于样本数据涉及到不同量纲，代表不同类型和物理含义的指标数据，需要经过归一化处理(式2)，转换为统一量纲的数据以便后续实验：

(2)

3实验过程及结果

采用Matlab(2010b以后版本有完整的工具箱)中的神经网络工具箱进行仿真实验。首先，将实验收集的100组原始数据进行归一化处理；然后，随机抽取95组数据作为训练样本，并送入BP神经网络的输入层作为网络输入值，那么网络的输出值为评估值；最后，使用nnstart指令调出toolbox，导入实验数据开始训练，训练过程如图2所示。

图2　BP神经网络评估模型训练仿真

从图2中可以看出，随着训练迭代次数的增加，相对误差逐渐减小，在迭代850次时误差控制在0.1；并且模型在500步之前收敛速度较快，在900步时趋于稳定。将剩下的5组样本数据作为测试样本检验训练好的BP神经网络。将BP神经网络输出评估值与实测值进行比较分析，计算出相对误差，如表2所示。

表2　实测值与预测值数据对比

从表1中可以看出，基于BP神经网络的某型装备作战效能评估模型的评估值和实测值之间的相对误差较小，平均相对误差为3.54%，其中相对误差最大为8.3%，最小为1.9%。

4结束语

针对传统评估方法存在评估准确度低、评估速度慢等问题，本文提出了一种基于BP神经网络的某型装备作战效能评估方法，通过收集科学客观的样本数据，提高了模型收敛速度，避免了传统评估方法中复杂的计算，直接输出指挥员最关心的评估结果。仿真实验证明该方法可以准确地对某型装备的作战效能进行评估，为检验作战能力提供了手段，为提高训练水平提供了参考，并为指挥员决策提供了依据。

参考文献

[1]徐海峰,李相民,王磊.基于AHP与熵权的舰艇编队信息作战能力模糊综合评估[J].火力与指挥控制,2013,38(6):93-96.

[2]郑玉军,张金林,李跃华.基于改进ADC方法的某型特种装备作战效能评估[J].空军雷达学院学报,2012,26(3):202-204.

[3]王昌金,张永辉,黄彬.要地防空指挥控制系统作战效能灰色聚类评估[J].现代防御技术,2013,41(4):61- 67.

[4]蔡金煌,王晓薇,叶博.远程支援干扰下搜索雷达探测效能评估[J]科学技术与工程,2012,20(21):5163- 5167.

[5]郑玉军,张金林,李跃华.基于GA-BP神经网络的某型装备作战效能评估方法[J].空军雷达学院学报,2012,26(5):346-348.

[6]孙韶媛,李琳娜,赵海涛.采用KPCA和BP神经网络的单目车载红外图像深度估计[J].红外与激光工程,2013,42(9):2348-2352.

[7]曲仕茹,杨红红.采用Kalman_BP神经网络的视频序列多目标检测与跟踪[J].红外与激光工程,2013,42(9):2553-2560.

[8]齐晓慧,李杰,韩帅涛.基于BP神经网络的自适应自抗扰控制及仿真[J].兵工学报,2013,34(6):776- 782.

[9]郑玉军,张金林,李跃华.基于改进ADC方法的某型特种装备作战效能评估[J].空军雷达学院学报,2012,26(3):202-204.

[10]尚琳,刘国华,张锐，等.基于BP神经网络的自主定轨自适应Kalman滤波算法[J].宇航学报,2013,34(7):926-931.

Operational Efficiency Evaluation of A Certain Equipment

Based on BP Neutral Network

ZHAO Jian，ZHANG Jin-lin，LI Yue-hua，ZHENG Yu-jun

(Air Force Early-warning Academy,Wuhan 430019，China)

Abstract:The complex nonlinear relationship in operational efficiency evaluation for a certain equipment makes it difficult to set up an evaluation model to evaluate the operational efficiency exactly.This paper builds up the model of operational efficiency evaluation for a certain equipment based on BP neural network by utilizing the advantages of BP neural network in handling nonlinear problem.The results indicate that the model of operational efficiency evaluation for a certain equipment based on BP neural network has perfect evaluation accuracy,and can reflect the nonlinear relationship between second level index and operational efficiency of the equipment very well,which is of very important meaning for raising the level of equipment training.

Key words:operational efficiency;BP neural network;efficiency evaluation

基金项目：2014年度全军军事类研究生资助课题，项目编号：2014JY548

收稿日期:2015-06-17

DOI:10.16426/j.cnki.jcdzdk.2015.05.018

中图分类号：TP391.9

文献标识码：A

文章编号：CN32-1413(2015)05-0081-03