基于ANN 的航空装备管理检查信息融合模型研究∗

2023-10-20战希臣

舰船电子工程 2023年7期

战希臣刘超

（海军航空大学航空基础学院烟台 264001）

1 引言

航空装备管理工作质量是航空兵部队战斗力的基础。航空装备管理工作检查［1］，是实现航空装备管理工作质量在航空装备使用管理阶段过程控制的关键，能够及时发现航空装备管理工作中存在的问题，从而促进航空装备管理工作建设［2］，提高航空装备管理工作质量。科学合理的航空装备管理工作状况评估是航空装备管理工作检查的重要内涵，也是当前航空装备管理工作的难点［3］。因此，优化航空装备管理工作状况评估对提高航空装备管理工作质量具有重要意义，开展航空装备管理工作状况评估优化研究十分必要。

2 航空装备管理工作检查信息融合分析

为更好地提高航空装备管理工作质量，应从优化航空装备管理工作状况评估入手，主要做好以下两点。

2.1 注重全面系统

航空装备管理工作是面向工作过程的一项全面性工作［4］，具有很强的系统性，且航空装备管理工作质量的影响因素复杂多样。

因此，航空装备管理工作状况评估应从系统的整体性出发［5］，充分考虑航空装备管理工作质量的各个影响因素，跟踪监管对航空装备管理工作质量起重要影响作用的航空装备管理主要工作方面的进展情况，从而在工作过程中尽早发现解决问题［6］，减少不良影响。

2.2 优化评估模型

航空装备管理工作状况评估的映射特征具有明显多维非线性，可以采用人工神经网络算法对其映射关系进行分析拟合。

通过信息融合模型，针对航空装备管理主要工作方面的数据信息进行分析处理，科学合理地评估航空装备管理工作状况，从而有针对性地对航空装备管理工作进行分析研究，提出改进航空装备管理工作的意见建议，提高航空装备管理工作质量。

3 航空装备管理工作检查信息融合模型原理

“智能来源于单一的算法”得到越来越多的证据证明，例如人类大脑发育初期，每一部分的职责分工是不确定的，即人脑中负责处理声音的部分其实也可以处理视觉影像。那么利用单一的算法处理世界上千变万化的问题就成为可能，我们不必对万事万物进行编程，只需采用以不变应万变的策略即可。人工神经网络（ANN）就是一种模仿动物神经网络行为特征，进行分布式并行信息处理，解决分类、预测、识别等问题的数学模型。

增强网络的分类、预测、识别能力本质是解决多维函数非线性映射问题，其唯一途径是采用多层前馈网络，即在输入层和输出层之间加上隐含层，构成多层前馈感知器网络。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到信息处理的目的。

多层人工神经网络适合分析拟合航空装备管理工作状况评估这种模糊、非线性和模式特征不明确的映射关系问题。

3.1 BP神经网络引理

BP（Error Back Propagation Training）神经网络，由Rumelhart 等于1986 年提出，系统解决了多层神经网络隐含层连接权学习问题，并在数学上给出了完整推导［7］。

是一种按照逆向传播算法进行误差校正训练的多层前馈神经网络，具有良好的逼近多维函数非线性映射能力的学习算法，是应用最广泛的神经网络模型之一，适用于复杂的分类、预测、识别等数据处理场景。采用BP神经网络可以实现航空装备管理工作检查信息分析处理。

3.1.1 BP神经网络模型的结构

从结构上讲，BP 神经网络模型具有输入层、隐藏层和输出层。左边的叫“输入层”，中间的不管有多少层都叫“隐藏层”，右边的叫“输出层”。每个节点，都代表一个神经元。理论证明，任何多层网络可以用三层网络近似地表示。一般凭经验来确定隐藏层到底应该有多少个节点，在测试的过程中也可以不断调整节点数以取得最佳效果。如图1所示。

图1 BP神经网络模型图

3.1.2 BP神经网络计算方法

航空装备管理工作检查信息分析处理是把一组表示n 个工作检查指标信息的数据作为模型的输入，把航空装备管理工作状况评估数据作为模型的输出，数据输入模型后，经过加权处理，从输入层节点传到隐藏层节点，再经过激活函数变换后，传出隐藏层节点并继续往下传，直到最终传到输出层输出。

每一个箭头指向的连线上，都要有一个权重参数。输入层的每个节点，都要与隐藏层的每个节点做点对点计算，计算方法是加权求和后激活。通过计算得出的隐藏层上的每个节点，再与输出层上的每个节点做点对点计算，方法相同，激活函数是Sigmoid。

3.1.3 BP算法

神经网络模型的本质是充分拟合样本输入值与输出值之间的多维非线性映射关系，也就是实现实际输出值与期望输出值的误差最小，然后对新输入数据进行有效处理［8］。其中误差的计算方式是，将输入数据经过模型处理得到的实际输出数据与样本期望输出数据相减并求平方即最小二乘法。而误差大小又受各个权重参数影响。

网络的每条连接线上都有一个权重参数，如何有效的修改这些参数，使误差最小化，成为一个很棘手的问题。从人工神经网络诞生的20世纪60年代，人们就一直在不断尝试各种方法来解决这个问题。直到20 世纪80 年代，误差反向传播算法（BP算法）的提出，才提供了真正有效的解决方案，使神经网络的研究绝处逢生。

BP 算法是一种通过偏导数来修正权重参数，从而实现误差最小化的方法，它的基本原理是将样本中的输入数据输入网络模型，利用前向传播输出层输出的结果来计算误差的偏导数，再用这个偏导数和前面的隐藏层进行加权求和，如此一层一层的向后传下去，直到输入层，最后利用每个节点求出的偏导数来更新权重。

偏导数计算方法：

输出层→隐藏层：偏导数=-（输出值-样本值）*激活函数的导数

隐藏层→隐藏层：偏导数=（右层每个节点的偏导数加权求和）*激活函数的导数

权重更新方法：

输入层：权重增加= 当前节点的Sigmoid * 右层对应节点的偏导数*学习率

隐藏层：权重增加=输入值*右层对应节点的偏导数*学习率

偏移值的权重增加=右层对应节点的偏导数*学习率

反复进行这样的计算，直到输出的误差达到一个很小的值为止。

4 航空装备管理工作检查信息融合模型构建

4.1 输入层

x1是输入层节点，分别为航空装备管理工作检查指标对应的数据，设X=(x1,x2,…,xn)为一组表示n 个航空装备管理工作检查指标信息的数据构成的向量。

4.2 隐藏层

yj为隐藏层节点，，λij为输入层节点至隐藏层节点的权重参数，α(x)为隐藏层的激活函数即，设Y=(y1,y2,…,ym)为数据处理中间值。

4.3 输出层

是输出数据变量，表示航空装备管理工作状况评估值，，γj为隐藏层节点至输出层节点的权重参数，β(x)为输出层的激活函数即

4.4 误差函数

4.5 偏导数

输出层偏导数：

o是样本参考输出数据变量，隐藏层偏导数：

4.6 权重修正

新隐藏层权重：

η(0<η<1) 是学习率，是一个预先设置好的参数，用于控制每次更新的幅度。

新输出层权重：

不断修正权重参数，直到E<ε，停止。

5 工作检查信息融合实例仿真

为了检验信息融合模型的有效性，本文仅针对前期已建立的“航空装备管理工作检查指标体系”，选取一级指标“机关装备管理工作检查”下的二级工作检查指标“主要工作方面”，对航空单位机关装备管理工作状况评估进行实例仿真［9］。通过基于ANN 的航空装备管理工作检查信息融合模型，统计处理对应的数据信息，分析评估机关装备管理工作状况。

5.1 工作检查指标数据统计

5.1.1 工作检查指标

航空单位机关装备管理工作包括8 个主要工作方面［10］：机关组织领导、规章制度、机关人员素质、日常管理、业务训练、战备管理、安全管理、经费管理。

5.1.2 指标数据统计

调研多个航空单位，邀请专家针对机关装备管理工作的8个“主要工作方面”进行专家评分，并对机关装备管理工作整体状况进行评估打分，得到大量关于8 个“主要工作方面”及整体状况的相关评分数据，选取其中有代表性的30 组用来训练信息融合模型拟合映射关系，选取10 组用来验证信息融合模型有效性。评分采用百分制，方法对同一对象的评分去掉最大值及最小值后求平均值。为了更直观展示航空装备管理工作状况评估结果，将航空装备管理工作状况评估按照评分划分为4 个等级［11］，分别为优秀（100 分～91 分）、良好（90 分～81分）、合格（80分～60分）、不合格（60分以下）。具体评分如表1所示。