中国指挥与控制学会会刊 
空中无人通信平台是指将通信载荷升空搭载到低空无人平台,作为通信接入节点或中继节点,与地面基站形成空地一体的综合接入系统[1⇓⇓-4]。该系统能够有效解决当前固定、车载通信基站天线架设高度有限,信号覆盖范围小,且易受地形影响的问题,满足战场无线通信保障需求。对空中无人通信平台的作战效能评估能够量化分析装备运用实效,为合理作战运用提供理论支撑,具有重要意义。目前关于武器装备作战效能评估的研究成果非常多,常见评估方法有层次分析法[5]、ADC法[6]、模糊综合评判法[7]、灰色评估法[8]等。这些方法均是通过层层解析的方式构建评估模型,或多或少依赖于专家打分,主观成分较大;并且对愈加多样的武器装备体系结构和多变的作战环境适应能力较差,计算过程繁琐复杂。为此,一些学者提出了拥有更强数据处理能力、更好适应泛化能力的人工神经网络效能评估方法[9⇓-11],很好地弥补了传统方法的缺陷。本文构建了基于BP神经网络的空中无人通信平台作战效能评估模型,旨在取得客观准确的评估结果。
1 作战效能评估指标体系
1.1 空中无人通信平台作战效能影响因素分析
空中无人通信平台作战效能同时受主观内因和客观外因的双重作用,既有系统固有能力的支撑,也有外部因素积极或消极的影响。首先,系统固有能力是空中无人通信平台在特定标准和条件下,通过执行一组任务的方法和手段集成,达到期望效果的本领,是影响作战效能的根本因素;其次,作战指挥人员、装备操作人员、技术保障人员对空中无人通信平台的规划协同、操作使用、技术保障等作战运用是影响作战效能的现实因素;另外,特殊的作战环境,包括地理、气象、电磁等自然环境和敌方的软硬杀伤等对抗环境,是影响作战效能的重要外部因素。综合分析,可绘制如图1 所示的空中无人通信平台作战效能影响因素关系图。
1.2 空中无人通信平台作战效能评估指标体系构建
2 BP神经网络基本原理
人工神经网络(Artificial Neural Network,ANN),是模仿人脑神经网络结构和功能而建立的一种信息处理系统,是理论化的人脑神经网络数学模型。自20世纪40年代被提出后,经过了充分的发展,迄今为止,已有几十种人工神经网络类型。其中,BP神经网络也称误差反向传播神经网络,是应用最广泛的人工神经网络之一,它是由非线性变换单元组成的前馈型神经网络,拥有神经网络理论中最精华的部分。
2.1 神经元模型
人工神经网络是由大量的神经元按照大规模并行的方式通过一定的拓扑结构连接而成的网络。神经元是神经网络的基本处理单元,基本的神经元模型如图3 所示。
其中,[x1,x2…xn]为神经元的输入,[w1,w2…wn]为每个输入对应的权值,θ为神经元的阈值,f为神经元的激活函数,y为神经元的输出,当各输入加权求和后达到阈值时,激活函数就会产生一个输出,即
y=f
每个神经元的输出结果取决于激活函数f,因此,整个神经网络中激活函数决定收敛效率和非线性能力,常用的激活函数有线性激活函数、S型激活函数、双S型激活函数等。
2.2 网络拓扑结构
单一的神经元不能实现复杂的功能,只有大量神经元组成庞大的神经网络,才能实现对复杂信息的处理与存储。如果将神经元按一定规则连接起来,并使各神经元的连接权按一定规则变化,就能产生各种各样的神经网络模型。BP神经网络是一个多层前馈神经网络,包含1个输入层、1个输出层和若干个隐含层,图4 为只有一个隐含层的BP神经网络拓扑结构,该网络有n个输入、m个输出,网络结构可以表示为[n,r,m],r为隐含层神经元的数量。
根据公式(1),可以求出隐含层第s个神经元的输出hs以及输出层第k个神经元的输出yk,分别为:
hs=f1
yk=f2
式中,f1、f2为隐含层和输出层的激活函数,wsi、wkj为隐含层第s个神经元第i个输入的权值和输出层第k个神经元第j个输入的权值,θs、θk为隐含层第s个神经元的阈值和输出层第k个神经元的阈值。
2.3 网络训练过程
2.4 基于BP神经网络作战效能评估可行性分析
BP神经网络因具有特殊的性能,用于空中无人通信平台作战效能评估具有得天独厚的优势,具体可行性分析如下。
1)任意输入-输出的非线性映射
空中无人通信平台作战效能影响因素众多,且各因素间存在复杂的非线性关系,对作战效能的影响方向、影响程度各不相同,多种因素同时作用时,关系更是复杂难辨,很难用一个具体的数学模型准确表达。大部分现有评估方法无法恰当地反映评估要素间复杂关联关系以及作战过程的不确定性,且应用模式单一,无法满足武器装备作战效能评估日益复杂且多样化的应用需求。而BP神经网络在解决复杂非线性映射问题上有独特的优势,在作战效能评估时,将影响作战效能的各因素作为神经网络的输入,作战效能结果作为神经网络的输出,通过对大量样本数据的训练学习,自动获取内部各层神经元的权值和阈值,建立作战效能与其影响因素间的非线性关系,评估者并不需要掌握空中无人通信平台作战效能内部这个“黑箱系统”[14]的数据转换关系,只需要输入待评估的指标数值,就可得到作战效能。
2)强大的数据处理能力
现代战争节奏快,战场态势瞬息万变,不确定性越来越大,留给指挥员的反应时间越来越少,这些挑战要求指挥机关必须更准确、更快速地评估空中无人通信平台在特殊作战环境下的作战效能,为指挥决策提供技术支撑。而传统的作战效能评估方法需要构建模型算法,并通过层层解析,计算最终评估结果,数据计算过程繁琐复杂,耗时耗力;BP神经网络拥有大规模并行、分布式存储和处理、自组织、自适应和自学习能力,在软硬件上都容易实现,能够快速处理大规模的数据。利用训练好的神经网络进行作战效能评估时,只需要简单输入,就能够迅速得出评估结论,省去了复杂的计算过程,很好地保证了作战效能评估的时效性。
3)数据驱动的客观性
传统作战效能评估依托模型算法完成,指标权重获取过度依赖专家经验,且模型算法构建具有一定的主观性。随着战争形态的演变,战场数据信息获取方式多元,体量不断增大,为使用人工神经网络提供了数据保障上的便利。应用BP神经网络进行空中无人通信平台作战效能评估的主要思想是利用神经网络算法从海量的数据中找出所隐含的信息,即数据所具有的趋势性与规律性,并依据这些规律进行预测评估,整个评估过程靠海量的战场数据驱动,极大地增强了作战效能评估的客观性,能够很好地指导战争决策。
3 BP神经网络模型构建
3.1 网络结构确定
3.2 作战效能评估流程
4 实例评估分析
4.1 确定训练样本和检验样本
本文以某型空中无人通信平台执行专项任务为评估实例,收集整理了30组末端指标数据,利用模糊综合评判法计算对应的作战效能作为期望值,具体不再赘述。将前20组数据作为训练样本,用来训练构建的BP神经网络;后10组作为检验样本,用来验证BP神经网络的可行性。部分样本数据如表1 所示。
表1 部分样本数据 |
| 指标 | C1 | C2 | … | C27 | C28 | 作战 效能 |
|---|---|---|---|---|---|---|
| 训练样本 | ||||||
| 第1组 | 95 | 92 | … | 92 | 90 | 91.02 |
| 第2组 | 96 | 90 | … | 94 | 92 | 89.81 |
| … | … | … | … | … | … | … |
| 第20组 | 78 | 79 | … | 98 | 96 | 85.93 |
| 检验样本 | ||||||
| 第1组 | 92 | 93 | … | 90 | 98 | 91.01 |
| 第2组 | 92 | 94 | … | 92 | 91 | 90.61 |
| … | … | … | … | … | … | … |
| 第10组 | 77 | 76 | … | 93 | 92 | 85.29 |
4.2 确定神经网络参数
本文调用Matlab中神经网络工具箱(Neural Network Toolbox,NNbox)进行编程,设定BP神经网络的相关参数如下:神经网络中输入层和隐含层神经元的激活函数均设定为正切S型激活函数tansig,输出层采用线性激活函数purelin;网络训练时采用基本梯度下降算法traingd;最大训练次数为105,均方差精度为10-5,学习效率为0.05。
4.3 神经网络训练
应用训练样本在Matlab上编程实现神经网络训练,训练结果发现,该BP神经网络模型经过1378次迭代误差下降到10-5,实现了预定的训练目标,图6 为训练样本误差迭代图。
4.4 样本检验及分析
5 结束语
本文使用Matlab编程BP神经网络实现了对空中无人通信平台作战效能评估,较好地克服传统评估方法主观性太强的弊端。本次仿真实验中利用的模糊综合评判法的评估结论经过了多次验证,较为接近真实值,以此作为期望值仅是为了验证模型的可行性,并不影响评估模型的客观性,在实际应用时要通过实地采集装备作战效能数据作为期望值进行网络训练;其次,BP神经网络训练需要大量精确的样本数据,才能保证精确度,本文选取的样本数量较少,在一定程度上降低了评估模型的精确度;另外,本神经网络初始权值和阈值并没有限定,采取随机赋予的方式,造成了网络收敛速度较慢,下一步要在解决这些问题上加强研究,以期构建更加的精确、实用的BP神经网络作战效能评估模型。