基于ANFIS的复杂装备虚拟采办全寿命周期风险评估预测

王申坪++付梦茵++王伟卿

摘 要：虚拟采办成为人工智能技术和装备信息化发展的必然产物，该文分析了复杂装备虚拟采办风险影响因素，设计出一套风险评估指标体系，通过构建自适应模糊网络模型，以某型复杂装备虚拟采办风险评估为例，验证模糊网络模型在装备采办风险评估中的适用性、客观性和准确性。

关键词：ANFIS 虚拟采办 风险评估

中图分类号：E917 文献标识码：A 文章编号：1672-3791（2017）05（a）-0225-03

虚拟采办是基于建模与仿真的武器装备采办实践活动，其核心思想是通过人员、管理和技术的协同工作，实现在武器装备全寿命周期采办过程的变革与创新，具体包括装备采办各部门、各个采办项目及项目各阶段全过程的一种新型采办模式。虚拟采办能够有效缩短开发时间，降低开发成本，同时保证了系统性能，在世界各军事强国已经取得很好的军事价值和经济效益。复杂装备虚拟采办是一项系统工程，涉及到需求论证、设计、研制、试验、生产、使用和保障以及退役处理等多个阶段，其全寿命周期风险管理主要是针对采办项目全程开展的风险识别、风险估计和风险因素及事件的风险控制活动。依据采办实践活动经验，在装备采办全寿命周期实践活动中，存在着大量风险。美军在20世纪90 年代，就通过采用科学的方法，进行系统分析研究，总结出了对风险实施控制管理，减少风险对采办工作影响的有效方法[1]。该文采用定性定量结合的风险综合评价方法，通过构建模糊神经网络模型对虚拟采办全寿命周期风险的指标体系进行评估，得出科学正确的评估结果，能够在复杂装备虚拟采办全寿命周期内加强风险控制，提高装备采办经济效益，提高装备采办项目抵抗风险，为虚拟采办的推广应用提供一定的数据参考。

1 ANFIS基本理论

自适应神经模糊推理系统（Adaptive Neuro-Fuzzy Inference System，ANFIS）是将模糊理论和神经网络有机结合起来形成的一种新型的神经网络。在专家系统、模式识别、智能控制、组合优化、效能评估等领域得到成功应用。ANFIS属于模糊神经网络，采用反向传播算法和最小二乘法的混合算法调整前提参数和结论参数，并利用神经网络的学习机制自动地从输入输出数据中提取规则。可见它既具备神经网络自适应学习的功能，又具备模糊控制处理模糊信息、进行判断和决策的功能。

1.1 模糊神经元

模糊神经元按功能具体可分为以下3种类型。

（1）模糊神经元由模糊规则“if-then”进行描述，其具体结构如图1所示。

，在第1类结构中，模型输入为，，，模型输出是。此结构中模糊神经元的经验存储在各项因素的模糊关系中，其中输出由模型输入和历史经验组成。

（2）明确输入的模型结构。把明确的输入量进行模糊化操作后进入神经元的称为第二类神经元，其结构如图2所示。图中第二类神经元有N个确定值输入，每个输入数值通过隶属函数进行加权，加权结果成为模糊数集中相应输入的隶属度数值。具体数学公式表示如下：

上式中，模糊神经元第个输入设为，第个权的隶属度函数设为，则该相应的输出值是；累积算子用表示。

（3）模糊输入的模型结构。与第2类模糊结构不同的是，加权操作是对每个模糊输入值进行修正的过程，结构如图3所示。

数学表示如下：

，

上式中，第3类结构输出的模糊集是；加权前后的第个输入设为和；第个突触加权操作设为。利用以上3类模糊神经元模型，可以设计出更为高效科学的数据处理模型。

1.2 ANFIS网络结构

ANFIS属于Sugeno型模糊系统，由前件和后件构成。其典型的模糊规则形式为：如果x设为A，and y设为B，则z=f（x，y），其中前件模糊集合为A和B，而后件精确函数为z=f（x，y），通常情况下，输入变量x和y的多项式为f（x，y），当f（x，y）为一阶多项式时，所产生的系统就成为一阶Sugeno模糊网络模型，其结构如图4所示。

（1）第一层：每一个单元代表模糊分割后的一个模糊子集，各单位的活化函数就是相应的隶属函数，一般采用钟形函数。

（2）第二层：每一个单元以常见的相乘符号“∏”标注，作用与普通神经网络的隐含层相同，是把不同的输入变量的不同模糊子集组合成相应的规则，各个单元的输出一般采用所有输入信号的算术乘积。

（3）第三层：这一层的每个单元以符号“N”标注，其作用是把各条规则的激励强度进行归一化处理，第i条规则归一化的激励强度是该条规则的激励强度与所有规则的激励强度之和的商：

，i=1，2，3，4。

（4）第四层：这一层的单元以符号“”标注，活化函数是线性函数，输入的一部分是网络的输入（和）；另一部分是第三层向第四层传输的归一化激励强度，输出时活化函数与归一化激励强度的乘积：

，i=1，2，3，4。

式中，{pi，qi，ri}是这一层各个单元的结论参数。

（5）第五层：输出层以符号“”标注，总输出为：

。

2 构建ANFIS网络模型及实例验证

由软件平台生成ANFIS初始网络结构，并对该网络模型进行学习训练，能够很好地满足评估准确性的要求。某型复杂装备虚拟采办全寿命周期风险评估网络模型结构如图5所示，明显看出，这七个评估指标之间有着复杂的逻辑关系，各个评估指标间由样本数据形成了特定的运算规则，经科学计算后最终输出一个评估结果。经过100次训练后，网络模型误差仅为error=5.2×10-3，能够较好满足风险评估因子的精确度。

该文采取定量分析与定性分析相结合，统筹考虑主客观方面影响因素，定量因素主要考虑七项指标：信息技术风险、进度风险、军工企业风险、质量风险、人力资源风险、保障条件风险和外部环境风险，定性因素主要是复杂装备虚拟采办全寿命周期风险指标体系中的其它类风险，比如，人机交互界面问题是否集成到系统采办文件中、是否完成复杂电磁环境的构建与在电磁环境下能力评估等，根据领域专家的综合衡量，得出模糊函数对应关系，利用隶属度求出具体数值，尔后综合这上述评估指标，得出风险评估的具体结果。通过设计调查问卷，经过领域专家系统客观评判，构造科学准确的样本训练数据，并把相关数据归一化、标准化处理。其中1～10组为领域专家数据，11～13三组数据为某型复杂装备虚拟采办全寿命周期风险数据值，分别如表1、表2所示。

从以上评估结果来看，编号12是复杂装备虚拟采办全寿命周期风险数值0.95，结合其它风险定性结果，可以得出如果降低虚拟采办的风险，需要从质量风险管控为突破口，进一步提高信息技术的成熟度，建立完善试验基地的作战试验鉴定基础设施建设，但更为关键的是不断充实完善信息数据库建设，使得样本数据量更加丰富，进一步提高复杂装备虚拟采办风险评估的精准度。

4 结语

虚拟采办是一项复杂的系统工程，通过建模与仿真技术，美国、英国等各世界军事强国在装备采办实践活动中取得了许多成功经验。我国在这方面的研究相对较晚，在装备采办实践过程中，目前研究正处在起步阶段。该文通过人工智能和仿真建模技术相融合，采取定性与定量相结合的方法，分析复杂装备虚拟采办风险影响因素，提出复杂装备虚拟采办风险评估指标体系，科学构建模糊神经网络模型，运用相关数据验证了模型的正确性科学性，以某型复杂装备虚拟采办风险评估为实例进行了评估预测，评估结果具有较好的可信度和精准度，为下步开展复杂装备虚拟采办和管理层决策具有一定参考价值。

参考文献

[1] 胡绪杰，刘尚钞，刘志田，等.美军航天器装备采办风险监控机制探析[J].航天器环境工程，2010，27（1）：118-120.

[2] 蔡自兴，徐光张.人工智能及其应用（研究生用書）[M].3版.清华大学出版社，2004：67-76.