基于AHP-BPNN的末端光电防护系统作战效能评估方法

王 亮，童忠诚

(国防科技大学，安徽 合肥 230037)

0 引 言

在现代战争中，随着侦察能力和精确打击能力的提升，战场上各类重要目标面临严峻威胁。因此，重要目标防护成为防空作战关注的重点问题之一。电子战的著名战例“贝卡谷地之战”表明，单一的火力防空并不能确保目标的安全，尤其是随着电子对抗技术的发展，末端电子防护在遂行防空任务中发挥着越来越重要的作用。

末端光电防护是指利用光电对抗装备，在敌空中打击目标接近己方防护阵地时进行的防护行动。对末端光电防护系统的作战效能进行科学评估，能够帮助指挥员在战场上做出正确的决策[1-2]。目前，对于作战系统效能评估问题的研究大多难以解决评价的客观性与模型可靠性的矛盾，在数据处理中缺乏一定的容错性和自适应能力。本文提出一种将层次分析法(AHP)与逆传播神经网络(BPNN)法相结合的作战系统效能评估方法，通过AHP法实现定性与定量指标相结合的多目标决策问题，通过BPNN构建反馈型网络，降低评价过程中的主观性因素，提高评估结果的准确性和客观性。

1 运用AHP法建立评估指标体系

1.1 选取评价指标

评估指标的科学选取是建立评估模型的基础。在末端光电防护系统评估指标的选取中，首先要准确了解影响系统的各项因素[3-5]。

(1) 指挥控制子系统

指挥控制子系统负责对整个战场态势的整合与分析，制定防护策略以及向其他子系统发送指令任务。因各项指令均不同程度体现指挥员的个人意志，可将指挥员指挥决策水平、指挥通信抗干扰能力、装备操作熟练度、综合保障能力列为其评价指标，从而充分体现系统中的主观因素与客观因素。

(2) 侦察告警子系统

侦察告警子系统负责获取战场信息，监视敌方动向，具有敌我识别、侦察告警、搜索定位的功能。光电末端防护主要具备红外告警和激光告警2种手段，可将红外告警距离、激光告警覆盖率、告警定位精度、光电敌我识别系统对抗能力列为其评价指标。

(3) 光电干扰子系统

光电干扰子系统负责对敌打击目标进行干扰，使其不能命中防护目标。根据干扰方式的不同，分为有源干扰和无源干扰。有源干扰中，根据干扰手段的不同，分为激光干扰、红外干扰和光电引信干扰。根据不同干扰方式和手段确定评价指标。

(4) 战场环境因素

在末端防护中，战场环境因素主要考虑气象环境因素和地理环境因素。气象环境因素中，大气能见度以及风速对光电装备效能的发挥具有一定影响；地理环境因素中，地形遮蔽物和通视条件以及防护地幅面积大小对光的传播和防护的难度具有一定影响，所以将其确定为评价指标。

1.2 建立指标体系

确定了评价指标后，根据AHP法，综合指挥控制子系统、侦察告警子系统、光电干扰子系统以及不可忽视的战场环境中包含的各指标之间的隶属关系，建立末端电子防护系统的作战效能评估指标体系[6-8]，如图1所示。

图1 AHP指标体系图

1.3 构建判断矩阵

根据层次分析法运用原理，对准则层和指标层的各项指标进行两两对比，为了降低主观因素的影响，在对准则层4项准则和指标层16项指标进行评价时，引入重要性程度W，按照重要性程度由弱至强依次用数值[1,9]表示，分别构建准则层和指标层判断矩阵B和C1、C2、C3、C4。

(1)

其中，bij=Wi/Wj，cij=Wi/Wj，C1、C2、C3、C4的构造方法与矩阵B相同。

1.4 根据权重选取关键指标

构建判断矩阵后，运用方根法对各准则、指标的权重进行求解，分别计算2个判断矩阵每一行元素成绩的n次方根，得出每个准则、指标在对应矩阵内的权重。

运用公式(2)对权重数值进行归一化处理，矩阵B的权重Mi(B)与矩阵Cn(n=1,2,3,4)的权重Mi(C)的乘积即为各评价指标在末端光电防护系统内的权重，则：

(2)

为确保重要性程度的一致性，对判断矩阵B和判断矩阵C进行一致性检验，其关系式为：

CR=CI/RI

(3)

CI=(λmax-n)/(n-1)

(4)

式中：CR，CI，RI分别为一致性比例、一致性指标、平均随机一致性指标；λmax为矩阵B、C的最大特征值。

当CR<0.1时，则认为矩阵通过一次性检验，否则调整判断矩阵直至通过一次性检验。

为减少神经网络的输入层数，简化神经网络结构，加快神经网络的学习效率，提升系统评价精度和效率，根据各评价指标在末端光电防护系统内的权重，选取重要的指标作为BP神经网络的输入层，剔除不重要的评价指标。

2 构建BP神经网络模型

2.1 构建三层神经网络结构

根据BP神经网络模型的构建方法，将评估模型设计为输入层、隐含层、输出层3个部分，并设置目标层进行检验。由AHP法筛选后的末端光电防护系统的指标数量确定输入层的神经元数，将标准化处理后的评价指标值作为BP神经网络的学习样本。将输出层的神经元数设置为1个，由公式L=(m·n)/2(L为隐含层神经元数，m为输入层神经元数，n为输出层神经元数)确定隐含层的神经元数。由此构建3层BP神经网络模型[9-11]，如图2所示。

图2 BP神经网络图

图2中，C1，C2…Cn为输入样本，Z为实际输出，T为目标输出，ΔZ为可以允许的实际输出与目标输出的最大差值，wij为输入层第i个节点对应隐含层第j个节点的权重，wj为隐含层第j个节点对应输出层的权重。

该BP神经网络中，对第p个学习样本，节点j的输入总和记为tpj，输出记为Opj,则有：

(5)

Opj=f(tpj)

(6)

式中：f为激活函数，采用Sigmoid函数，即f(u)=1/(1+e-u)。

在网络运行前，初始权值是任意设置的，对每个输入样本p，实际输出与输出单元j的目标输出Tpj之间的误差为：

(7)

当误差E>Δ1时，对权值进行修正，修正公式为：

wji=wji(t)+ηδpjOpj+α(wji(t)-wji(t-1))

(8)

式中：η为学习速率；α为势态因子；δ为修正参量。

采用梯度下降法在误差反向传播中逐层完成权值修正，经过多个学习周期的迭代后，使实际输出达到目标输出的期望要求，从而确定BP神经网络的各层权重值和阈值。当各组训练样本都满足要求时，说明BP网络已经完成学习。

2.2 对评估指标数据进行量化处理

对末端光电防护系统作战效能进行评估时，评估指标量化方法是否科学合理，是否符合实际作战情况，直接影响着评估结果的准确性。对于评估指标，要根据其相关特性进行区分处理。

对于指挥员的指挥决策水平C1，装备操作熟练度C3，防护地幅空间影响C16等无法估算出具体数值的指标，可以听取专家建议，根据指标程度的由弱至强，采用设定[1,9]标度，由专家打分取标度内适当区间的方法对其赋值。对于红外告警距离C5，激光干扰能力C9等可以量化的指标，根据装备手册和演习实践得出的数据区间直接进行量化。

2.3 对量化数据进行标准化转换

在末端光电防护系统中，由于不同的评价指标具有不可公度性，直接使用各指标的量化值不便于分析和比较评价目标。所以，在评价目标前，引入评价指标标准化转换函数模型，将各指标的变量进行处理，使其指标值统一在(0,1]范围内，从而使得数据更加规范化。

在评价指标处理时，区分成本型、效益型和适度型对指标进行分类，分别进行标准化转换。对末端光电防护系统进行作战效能评估时，若仅有1个被评价防护系统，每个防护系统经筛选后有n个评价指标，则评价指标矩阵为：

X=(xn)1×n，n≤16,n∈N

(9)

设maxxn=an，an为第n项指标的最大值；minxn=bn，bn为第n项指标的最小值。

(1) 对于红外告警距离C5这类效益型指标，指标数值越大越好，令:

(10)

(2) 对于地形遮蔽物影响C15这类成本型指标，指标数值越小越好，令：

(11)

(3) 对于防护地幅空间影响C16这类适度型指标，根据装备综合性能选取最合适值d，指标值以稳定在最合适值d为最佳，令：

(12)

由此可以得到无量纲化的数据矩阵：Y=(yn)1×n,yn∈[0,1]。

将末端光电防护系统的防护实验数据输入BP神经网络模型，设置适当的训练步数、误差性能目标值和学习速率，即可训练出末端光电防护系统作战效能评价模型。

3 模型运用方法

在军事实践过程中，通常将末端防护系统防护成功的概率P作为其作战效能优劣的评估标准。在模型运用时，可以根据防护成功的概率设定好、较好、一般、较差、差5个评价级，并对各等级的防护成功概率进行赋值：P≥95%，好；80%≤P<95%，较好；60%≤P<80%，一般；40%≤P<60%，较差；P<40%，差，以便于对末端光电防护作战性能进行评价。

AHP-BPNN末端光电防护系统作战效能评估模型流程图如图3所示，评估步骤如下：

图3 评估模型流程图

(1) 依据专家建议和军事实践要求，采用层次分析法建立末端光电防护系统的层次性指标体系结构。

(2) 根据建立的层次性指标体系结构，构建判断矩阵。

(3) 运用方根法计算各指标权重，并进行归一化处理，根据指标权重排序剔除非关键性指标。

(4) 根据选出的关键性指标个数确定输入层神经元个数，构建3层BP神经网络模型。

(5) 结合专家意见，对定性指标进行量化处理。

(6) 将量化指标进行标准化转换，消除量纲差异。

(7) 将数据样本输入BPNN模型，建立末端光电防护系统评估模型。

(8) 运用模型对待评估的末端光电防护系统的作战效能进行评估。

4 仿真实验

为了检验该AHP-BPNN模型的实际性能，选取某型号的末端光电防护系统进行仿真实验。实验数据来源于系统装备演习过程中的数据采集。共收集了500组数据指标，参与训练的数据指标具体体现形式见表1。

表1 末端光电防护系统评估数据指标体现形式

将数据指标的各项体现参数归一化处理后，运用层次分析法确定各项指标的权重，最终得到各项指标权重，见表2。

表2 末端光电防护系统各评价指标权重表

为兼顾神经网络的学习效率和数据集可靠性的关系，选取权重较大的7项指标。由表2可知，指挥员指挥决策水平C1、红外告警距离C5、激光告警覆盖率C6、激光干扰能力C9、红外干扰能力C10、无源干扰能力C12、地形遮蔽物影响C15这7项评价指标对末端光电防护系统的作战效能发挥影响较大，将该7组数据进行处理，组成新的数据集，运用MATLAB软件进行仿真实验，选取其中400组数据作为训练样本，另100组数据作为测试样本，根据MATLAB仿真实验对测试样本的检测结果，发现目标输出与测量输出之间相关性较强，结果如图4所示。

图4的仿真实验结果表明，AHP-BPNN法可以较为准确地反映末端光电防护系统作战效能的变化趋势，通过AHP-BPNN法对末端光电防护系统的作战效能进行评估的方法是可行的。

图4 AHP-BPNN目标输出与测量输出相关性

5 结束语

本文以末端光电防护系统为例，针对其防护效能评估问题进行了研究。首先，运用层次分析法构建评估指标体系，确定各评估指标权重，为神经网络的样本选择做好铺垫。其次，构建3层BP神经网络模型，采用梯度下降法在误差反向传播中不断修正权值，降低了人为计取权重和相关系数的主观影响。最后，通过仿真实验验证了模型的有效性。实验表明，使用AHP-BPNN模型可以有效评估作战系统的作战效能，在军事实践中具有一定参考意义。