基于BP神经网络的军民融合维修保障任务区分*

朱敦祥，史宪铭，苏小波，赵汝东

（陆军工程大学石家庄校区，石家庄 050003）

0 引言

我军新型装备大量列装部队，装备复杂程度逐渐增加，而且技术先进、系统复杂，装备的编配基数过大、型号众多、频繁动用，其维修难度越来越大。对于大部分新型装备，我军并不具备等级修理能力，而且完全依靠建制力量短期内也难以建立起其等级维修能力[1]。在这种情况下，需要将地方力量纳入到新型装备的维修任务中来，因此，军方必须拥有和建立哪些新型装备的核心能力[2]，哪些新型装备的维修任务可以交由地方来负责，通过对军地双方的维修保障能力评估实现对维修任务的区分，因此，能力评估问题尤为重要。

目前，军民融合装备维修保障任务区分的常用方法[3]有：定性分析法、定量分析法和综合分析法。具体方法主要包括逐步淘汰法、模型模拟法、综合评价法、两两对比法、层次分析法和模糊综合评判等，普遍存在主观性太强、专家信息融合不充分等弊病。BP神经网络结构简单，收敛速度快，具有较强鲁棒特性，在军民融合装备维修保障任务区分中具有广泛的应用前景[4]。同时证据理论能够克服能力指标评估时层次分析法等方法主观性太强、数据匮乏、信息不明确等弊端[5]。基于此，本文采用证据理论融合专家对军民双方维修保障力量的评价信息，将融合后的专家信息作为神经网络模型的输入样本，利用BP神经网络进行维修保障能力评估的判别，进而确定维修任务的区分问题。通过案例验证，能够提高军民融合装备维修保障任务区分的客观性、科学性和正确性。

1 能力评估指标体系构建

在装备维修保障进程中，影响保障能力的因素众多。选取能力评估指标时，应把着眼点放在紧贴维修保障能力上，选取装备技术勤务能力C1、战损抢修能力C2、机动抢修能力C3、装备技术支援能力C4、器材筹措能力C5、器材投送能力C6、器材紧急生产能力C7，建立维修保障能力评估指标体系，如图1所示。

图1 军民融合装备维修保障能力评估指标体系

通过上述指标体系，可以对军民双方的装备维修保障能力加以评估，从而确定军民双方在任务区分中的比较优势，为任务区分决策提供依据。

2 证据理论融合能力评价信息

依据上述指标体系，邀请多名装备维修工程专家对军民双方维修保障力量的各个指标进行评价。为合理公正地处理评价指标信息，借助证据理论对不同的待选目标进行信息处理，得到指标对维修保障能力的评估值。

2.1 证据合成方法

作为证据理论中的核心内容，证据合成理论能够综合处理多个不同证据，并根据证据得出信任函数和基本概率分配情况。证据合成理论存在不同的合成方法，Dempster合成方法是其中比较成熟的。该方法定义如下[6]：

其中，A的基本概率分配函数反映了对A本身的可信程度大小，K反映了各证据之间相互冲突的程度。

2.2 融合能力评价信息的步骤

第1步：利用合成式（3），将n名专家针对维修力量Pi关于指标Cl的评价信息（概率分配函数）进行组合，形成每名专家针对目标Gj关于指标Cl的概率分配函数mjl（hk）。

2.3 军民双方维修保障能力证据合成评价

对于某项维修保障任务，运用证据理论融合多名专家对军民双方维修保障力量关于7个指标的评价信息，专家权重均相同，将评价等级划分为4级，对应等级分值为{1，0.8，0.6，0.4}，依据融合评价信息的两个步骤，就可得到专家针对军民双方维修保障力量关于指标Cl的综合评价值， 如表1所示，计算过程略。

表1 军民双方维修保障力量关于指标Cl的综合评价值mjl数据表

3 基于BP神经网络的维修保障能力评估

经过证据合成理论处理过的评价值可以作为神经网络模型的输入数据，构建基于BP神经网络的目标选择模型，最终判别目标的选择情况[8-9]，实现军民融合装备维修保障任务的区分。

3.1 BP神经网络基本思想

BP神经网络（Back Propagation Neural Network），由输入层、中间隐含层、输出层3层神经元组成，每层由若干神经元组成，不同层次的神经元之间相互连接，同层之间无相互连接。经网络，由输入层、隐含层和输出层组成[10-11]，如下页图2所示。

图2 BP神经网络结构图

3.2 BP神经网络模型构建

将专家Gj关于指标Cl的评价值mjl作为神经网络模型的输入样本数据，构建BP神经网络模型，如图3所示。输入层节点数为7，分别对应7个能力评估指标C1～C7的评价值；隐层节点数不定，由经验公式计算得到；输出层节点数为1个。

图3 基于BP神经网络的目标选择模型

4 案例验证

根据同一项维修保障任务的实际数据和专家意见证据合成，分别对军方和民方维修保障力量选定用于训练的10组样本数据。

1）军方建制维修保障力量学习样本矩阵、目标输出矩阵、待评估矩阵的数据输入

民方维修保障力量学习样本矩阵、目标输出矩阵、待评估矩阵的数据输入

2）BP神经网络模型程序代码设计

3）结果输出

对应待评估矩阵的仿真结果值为：军方建制维修保障能力为Y1=0.796 5，它表示：在7个评估指标值为待评估矩阵所给出定值时，军方建制维修保障能力为0.796 5。经过42次训练后，误差收敛到规定的0.01，结束训练，如图4所示。

图4 军方建制维修保障能力训练误差变化曲线

民方维修保障能力为Y2=0.775 4。它表示：在7个评估指标值为待评估矩阵所给出定值时，民方维修保障能力为0.775 4。经过44次训练后，误差收敛到规定的0.01，结束训练，如图5所示。

图5 民方维修保障能力训练误差变化曲线

比较分析可以看出，针对该项维修保障任务，军方建制维修保障能力0.796 5要高于民方维修保障能力0.775 4，因此，该项维修保障任务交由军方建制维修保障力量来完成较为合理。

5 结论

本文充分结合了BP神经网络和证据合成理论方法，首先构建军民融合装备维修保障能力评估指标，并利用证据合成理论对各指标进行评估，得到融合信息后，借助BP神经网络实现对军民双方维修保障力量的能力评估，并利用MATLAB实现仿真运算，最终得到了军民双方维修保障能力评估值，可以作为维修任务区分决策的参考。但本文只提取了10组样本数据进行学习训练和检验，如果增加样本数量，将会显著提高所得结果的精确度。