中国指挥与控制学会会刊 
雷达侦察能力是衡量现代雷达水平的重要参数之一,尤其是在当今异常复杂多变的战场对抗电磁环境中[5]。目前,国内外科研机构已在雷达侦察系统作战效能评估方面取得一定的研究成果,提出了抗干扰改善因子、抗干扰能力度量公式、压制系数、自卫距离和抗干扰品质因子等评估指标,且基本具备了综合运用这些评估指标建立一套完整的指标体系的能力。然而,要想获得真实、全面和有价值的评估结果,指标体系和评估计算过程就必须遵循客观、完备和独立的原则。与其他武器装备的作战效能评估类似,雷达侦察系统作战效能评估同样存在以下一些问题。
1)评估计算过程并不是完全客观的。无论是评估指标间的权重设置,还是归一化过程中的评分值确定,一般都是由专家商议确定的,即使通过增加专家数量、专业类型和经验数据来体现公平客观的原则,但结果往往并不理想。
2)评估数据中的不确定因素影响评估结果的稳定性。在一些恶劣的使用环境中,传感器和存储介质的性能并不能达到完全的可靠,在实测的评估数据中出现噪声、冲突、冗余等不确定因素是不可避免的,这将对评估结果造成一些不可预计的影响,不能完整地体现评估对象的真实能力。
3)面对大数据、大样本的冲击,评估计算过程烦琐且容易出错。此外,当同一层次的评估指标较多时,评估结果的灵敏度将大大降低。
由于存储技术的飞速发展,大数据时代的来临,数据资源的获取变得更加容易,一些基于先验信息的机器学习(Machine Learning)方法在军事和工业中的应用变得更加频繁。本文将机器学习引申到深度学习(Deep Learning)的阶段,将最新研究成果应用于作战效能评估中,既不脱离于传统的层次分析法架构,又用智能学习的思想克服了效能评估计算中的一些主观和不确定因素,通过深度置信网络(Deep Belief Network,DBN)模型的运用,提升雷达侦察系统作战效能评估的技术水平,是效能评估研究中的一种全新尝试。
1 深度置信网络(DBN)
深度学习的概念源于人工神经网络。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。深度学习广泛应用于计算机视觉、自然语言处理等领域。
深度学习一般分为两类[6],分别是有监督学习和无监督学习。深度学习常见模型包括:深度置信网、堆叠自动编码机(降噪自动编码机、紧缩自动编码机、稀疏自动编码机)、卷积神经网络。其中,深度置信网是生成式模型,堆叠自动编码机系列和卷积神经网络是判别式模型。
DBN作为一种基础的深度学习模型,灵活地衍生出各种升级版DBN,如:卷积深度置信网(CDBN,Convolutional Deep Belief Networks)。CDBN中的卷积结构弥补了DBN对于二维空间结构的缺陷,DBN的输入忽略了二维图像的空间信息,直接把二维的矩阵拉长为一个一维的向量。此外,DBN针对语音信号处理,衍生出堆叠时间RBM。与DBN很相似的另外一种深度学习网络是堆叠自动编码机,它是通过堆叠多层的自动编码器来替换DBN的堆叠RBM。与RBM不同,自动编码机是判别式模型,普通自动编码机难以捕捉一个较好的内部特征表达。降噪自动编码机能够很好地解决此问题,且比DBN更优。此外,在普通自动编码机的基础上,增加各种正则化约束,也能针对性地学习想要的特征表达。
2 评估方法
本文提出的基于深度学习的雷达侦察系统作战效能评估方法是对传统的以层次分析法为代表的效能评估方法的一种改进,既能满足多目标、多准则问题层次化定量计算的需求,又体现了机器学习算法的灵活性和准确性,具有一定的先进性。
2.1 作战效能评估
效能评估是指采用量化的手段评价一个系统在完成某种功能时所能达到预期目标的程度。具体到武器装备中,作战效能评估可以客观地量化武器装备执行某种作战任务的能力,是武器装备研制和论证过程中不可或缺的环节,是确定武器装备战技指标和作战使用方式的重要依据,也是提高武器装备论证决策水平的关键技术。随着我国国防事业的飞速发展,各领域新式武器装备层出不穷,各种在研型号的试验测试与效能评估工作成为型号体系论证中重要的工作之一,它对验证设计方案的正确性、科学性和合理性有积极的意义。建立一套科学的评估体系和实用的评估方法,是近些年来热门的研究课题。
层次分析法是美国著名的运筹学家T. L. Satty等人在20世纪70年代提出的一种定性与定量分析相结合的多准则效能评估方法,是一种最经典的效能评估方法,因其具有模型直观、逻辑清晰、量化明确的特点,至今仍在很多领域广泛应用。这一方法的特点是在对复杂决策问题的本质、影响因素以及内在关系等进行深入分析后,构建一个层次结构模型,然后,利用较少的定量信息,把决策的思维过程数学化,从而为求解多目标、多准则或无结构特性的复杂问题,提供一种简便的决策方法。具体地说,它是将决策问题的有关元素分解成目标、准则、方案等层次,用一定的标度对人的主观判断进行客观量化,在此基础上进行定性分析和定量分析的一样效能评估方法。它把人的思维过程层次化、数量化,并用数学方法为分析、决策、预报或控制提供定量的依据。
对于一般的问题来说,建立问题的层次结构模型是层次分析法中最重要的一步,这样就可以把复杂的问题分解成称之为元素的各个组成部分(如图1 所示)。最高层只有一个元素,它表示决策者所要达到的目标;中间层次一般为准则、子准则,表示衡量是否达到目标的判断准则;最底层表示要选用的解决问题的各种措施、决策、方案等,它们的数据是可以直接采集的。各层级的指标间依靠某种数学关系向高一层级的指标聚合。
层次分析法是一种有组织有规律地进行效能评估的好方法,对效能评估的直观性和规范性起到了非常重要的作用。然而,层次分析法带来的问题也不容忽视。
1)权重确定不够客观。即使用了九分法做标度,但其权重里还是包含了专家的主观因素,专家的专业知识和行业权威性便成了指标体系是否合理的重要依据。此外,一旦权重向量不符合一致性,又需要反复咨询专家的意见,影响效能评估的进展。
2)计算过程较为烦琐。除了需要计算权重向量,一致性检验也是必不可少的计算过程。如果同一层次的评估指标较多(比如大于10),且不论以上计算过程的复杂性如何,仅仅是让专家完成判断矩阵表就是一个非常困难的事情。
于是,本文考虑用一种新的模型来改进层次分析法,特别是对与数据采集直接相关的底层指标的聚合计算方法进行调整,实现效能评估性能和效率的提升。
2.2 基于深度学习的作战效能评估方法
本文的研究将深度学习中的一种深度置信网络(DBN)模型应用于作战效能评估的分类计算中。针对指标体系的底层采样数据容易出现的数据量大、缺乏统一标度、指标间权重难以确定等问题进行了模型化处理,取得了较好的效果。
DBN模型是由多层受限波尔兹曼机(Restricted Boltzmann Machine, RBM)和一层反向传播(Back Propagation,BP)神经网络构成的,实现了一种无监督学习和有监督学习的混合网络,它的结构如图2 所示。简单来说,有监督学习是指利用一组已知类别/标签的样本调整分类器的参数,使其达到所要求性能的过程;而在无监督学习中,样本的类别/标签是未知的。在DBN模型中,多层RBM网络采用无监督的学习方法,而BP神经网络采用有监督的学习方法。自底向上每一层RBM对输入数据进行提取、抽象,尽可能保留重要信息,将最后一层RBM网络的输出信息作为BP神经网络的输入数据。由于每层RBM的学习训练过程只能使该层网络参数达到最优,而不能使整个网络达到最优,所以要用有监督学习的方式微调整个网络,最终输出对输入数据的分类结果。这个结果既保证了客观性,又不失稳定性。
DBN模型的结构是由机器学习和生物学的前期研究结果所决定的。
无监督学习在生物认知过程中发挥重要作用。带有类别/标签信息的样本数量往往较少,并且包含的信息量有限,无监督学习有助于增加先验知识,从而提高网络的性能。
在生物系统中, 稳定的神经网络一旦形成, 则难以改变。如果没有无监督学习, 只使用随机初始化的有监督学习, 往往会导致模型训练失败。
DBN模型是一个生成式模型。一个RBM包括一个可见层和一个隐藏层,可见层与隐藏层之间相互连接,各层内部没有连接。DBN模型由多层RBM组成。隐藏层神经元被用于训练捕捉可见层高阶数据的相关性,DBN最顶端的两层是一个模式判别层。RBM相比传统深层的sigmoid信念网,更容易学习层间的连接权值。此外,Hinton还提出了一种非监督的逐层贪婪算法,通过该算法初始化得到的深度模型参数被证明是有效的,利于有监督的调参。该算法又被称为对比分歧(Contrastive Divergence,CD)算法。
RBM的训练过程可以用一个图像识别的例子来形象化的描述。假设有一个二值图像训练集,图像的像素值相当于RBM的可见层向量v的神经元,它再将值传递给隐藏层h,得到<vihj>data用于更新RBM,<vihj>data代表由图片(样本)数据得到的玻尔兹曼分布下的vihj期望值。然后,新建一个RBM模型,其可见层单元值由随机选择的二值(0或1)得来,传递给隐藏层h,再用h尝试去重构可见层v,得到<vjhj>model。权值更新依据隐藏层神经元的激活值和可见层输入之间的相关性差别,即Δwij=∈(<vihj>data-<vihj>model)用于更新建立的RBM模型,其中∈是学习速率。在重构v的过程中,可重复执行映射h和v,这样反复执行的过程叫做吉布斯采样(Gibbs Sampling)。这种训练方式能明显减少训练时间。可以证明,DBN网络的性能比单纯的BP算法训练的神经网络更好。其解释如下:DBN的每一层参数已经经过RBM预训练,初始化的参数已经达到一个较好表达原始数据的特征,最后的BP算法只需要在这个较好的初始化权值的基础上进行一个局部的搜索,即微调。这与只用BP算法训练整体随机初始化权值的神经网络相比,训练速度更快,收敛时间少,效果更好。
显然,如果我们将效能评估看作对评估数据的分类过程,那么,这种具有分类能力的模型和方法是可以用于效能评估的。
在DBN模型的训练过程中,确定网络的深度,也就是RBM的个数是一个重要的问题。用重构误差法解决这个问题是一种常用的方法。
设重构误差ERROR为
ERROR={ (pij-dij)2}1/2
其中,n为样本个数,m为输入个数,p为网络结算的值,d为真实值。
规定:如果重构误差ERROR大于某个设定的值,则增加一层RBM,继续学习;否则,交由BP进行反向调节(如图3 所示)。由于样本的真实值是可以提前预知的, 在应用中可通过计算得到重构误差值,最终使正确率保持在90%以上。
2.3 评估流程
效能评估的通用流程如图4 所示,目的是将分散的、描述各个评估指标的具体数据聚合转化为统一的效能值,提供给决策者。具体来看,这个过程包含了以下10个步骤。
1) 分析评估需求:根据用户需求,结合外部条件和约束,给出合理的运用构想、主要功能、作战性能、质量需求和综合保障等的武器装备概念和效能评估框架,并形成需求定义。
2) 制定评估方案:根据需求分析结果,结合评估对象在结构、功能、性能和状态等方面的特点,制定具体的评估方案,包括评估数据的类型和数量,仿真的环境和次数等。
3) 建立指标体系:根据现有的相关联的指标体系和已制定的具体评估方案,对指标体系进行裁剪和优化。指标体系应满足完整性、简明性、客观性、独立性、可测性和可运算性的要求。
4) 选择评估方法:根据评估数据的实际情况,选择合理的效能评估方法。如层次分析法、模糊综合评判法、灰色综合评判法和ADC法等,以及本文提出的基于深度学习的方法。
5) 搭建评估模型:将指标体系和评估方法相结合,搭建效能评估的具体计算模型。
6) 采集评估数据:因为采集到的实测数据往往存在量纲不同的问题,需要对它们进行一些预处理(比如,归一化处理),保证这些数据在同一个指标体系中可以相互比较和聚合计算。
7) 优化评估模型:用数据挖掘和数据融合等智能信息处理的方法优化效能评估模型。此外,还可以通过对初步评估结果的可靠性分析,优化该模型。
8) 计算评估结果:这个结果应包含指标体系中各单项指标的效能评估值和整个系统的综合评估值。
9) 效能评估分析:通过运用元评估等分析方法,对以上效能评估结果的可靠性和置信度进行分析,迭代效能评估模型。当然,这个迭代过程不是必须的,如果效能评估模型已经得到决策者的认可,则可以省略迭代优化的过程。
10) 提供决策信息:将合理可信的评估结果提供给决策者使用。
3 雷达侦察机综合能力评估应用实例
雷达侦察机综合能力评估用于量化考察某型号雷达侦察机在电子战中的任务完成能力。
3.1 指标体系
雷达侦察机的主要作战任务包括对真目标的识别和测量两个方面。对比真目标航迹和雷达输出结果,可以评价雷达侦察机的综合能力。雷达侦察机综合能力评估指标体系如图5 所示。
各指标的含义如下:
1) 正确识别率为正确分选辐射源的个数占辐射源总数的比例。该指标为效益性指标,值越大说明被试装备性能越好。
2) 增批率为获得错误辐射源的个数占辐射源总数的比例。该指标为成本性指标,值越小说明被试装备性能越好。
3) 正确截获率为试验中正确截获辐射源的次数与无干扰条件下辐射源最大能被截获的次数(设为250)的比值。该指标为效益性指标,值越大说明被试装备性能越好。
4) 错误截获率为试验中错误匹配次数和增批截获次数之和与无干扰条件下辐射源最大能被截获的次数(设为250)的比值。该指标为成本性指标,值越小说明被试装备性能越好。
5) 测频误差为试验中频率测量绝对误差的最大值。该指标为成本性指标,值越小说明被试装备性能越好。
6) 测向误差为试验中方位向测量绝对误差的最大值。该指标为成本性指标,值越小说明被试装备性能越好。
7) 脉宽测量误差为试验中脉冲宽度测量绝对误差的最大值。该指标为成本性指标,值越小说明被试装备性能越好。
8) 脉冲重复周期测量误差为试验中脉冲重复周期测量绝对误差的最大值。该指标为成本性指标,值越小说明被试装备性能越好。
本文分别对测量、分选两个阶段平均脉冲丢失率进行统计,二者和为总的平均脉冲丢失率。该指标为成本性指标,值越小说明被试装备性能越好。
3.2 评估计算
根据图5 所示的指标体系,我们可以用深度学习的方法计算“分选识别能力”和“测量能力”的效能。然后对这两个指标的效能计算结果用加权计算的方法得到“雷达侦察机综合能力”的最终评估结果。
具体来看,我们需要在软件中新建一个指标体系,并完成其中各指标的属性配置。然后我们不需要指定底层各指标间的权重关系,通过“深度学习”完成“分选识别能力”和“测量能力”的DBN模型的训练后,就可以进行评估数据的计算,并获得客观的评估结果。此时,再选择“加权计算”,完成“分选识别能力”和“测量能力”评估结果的融合,最终获得“雷达侦察机综合能力”的评估结果。
为了验证深度学习算法的准确性,我们可以从评估结果对样本容量和噪声等级的敏感性这两个角度考察算法及软件的性能。已知“分选识别能力”和“测量能力”的评估结果是由DBN模型计算得到的,所以我们重点研究这两个指标对样本容量和噪声等级的敏感性。
首先,我们从训练样本中随机挑选指定容量的数据组成一组评估数据。用训练好的DBN模型计算这组评估数据,检查评估结果与原训练样本中的评估结果是否相同。验证结果如表1 所示。
表1 不同数据容量时评估结果的准确性 |
| 指标名称 | 评估数据容量 | |||
|---|---|---|---|---|
| 10 | 20 | 50 | 100 | |
| 分选识别能力 | 100% | 100% | 98% | 98% |
| 测量能力 | 100% | 100% | 100% | 100% |
然后,我们在容量为100的那组评估数据中,随机加入不同等级的噪声,再次产生一组新的评估数据。用训练好的DBN模型计算这组新的评估数据,检查评估结果与原训练样本中的评估结果是否相同。验证结果如表2 所示。
表2 不同噪声等级时评估结果的准确性 |
| 指标名称 | 噪声等级 | |||
|---|---|---|---|---|
| 1% | 2% | 3% | 5% | |
| 分选识别能力 | 95% | 98% | 92% | 94% |
| 测量能力 | 100% | 100% | 100% | 100% |
考察结果如表1 和表2 所示。显然,在这两种验证实验中基于深度学习的作战效能评估方法对数据容量和噪声等级也并不敏感,同样表现出了较高的算法稳定性。评估准确性始终大于92%,优于层次分析法的85%,从而验证了深度学习算法在效能评估中的可行性和实用性。
4 结束语
本文提出了一种新的基于深度学习的作战效能评估方法,并将该方法与传统的层次分析法相结合,用深度置信网络(DBN)模型实现了底层评估数据的分类与判定,并结合雷达侦察系统作战能力的评估,仿真验证了该评估方法的合理性和正确性。