中国科技核心期刊      中国指挥与控制学会会刊     军事装备类重点期刊
Command Control and Simulation

Command Control and Simulation >

2021 , Vol. 43 >Issue 4: 26 - 31

DOI: https://doi.org/10.3969/j.issn.1673-3819.2021.04.006

Theory & Research

Equipment Contribution Rate to System-of-Systems Evaluation Method Based on Deep Belief Networks

  • CHEN Si-nuo ,
  • ZHANG An ,
  • GAO Fei
Expand
  • Northwestern Polytechnical University, Xi'an 710072, China

Received date: 2021-03-19

  Revised date: 2021-04-29

  Online published: 2022-05-20

Fold

Abstract

Aiming at the problems of the large number of internal weapon equipment in the system-of-systems, the cross-linking of equipment, and the lack of effectiveness of data processing in the evaluation of the contribution rate to system-of-systems. A evaluation method of the contribution rate to system-of-systems based on the deep belief network is proposed. First of all, a framework for evaluating the contribution rate to system-of-systems is built, and on this basis, an evaluation index system for the contribution rate to system-of-systems is constructed. Then, a method for evaluating the contribution rate to system-of-systems based on a deep belief network is proposed and a suitable evaluation calculation model is established to analyze the evaluation indicators at the bottom of the index system. Finally, in a typical air combat system-of-systems scenario, the proposed evaluation method is used for simulation experiments, and the results verify the feasibility and rationality of the constructed evaluation index model and the proposed evaluation method.

Key words： contribution rate to system-of-systems; air combat system-of-systems; deep belief network

Cite this article

CHEN Si-nuo , ZHANG An , GAO Fei . Equipment Contribution Rate to System-of-Systems Evaluation Method Based on Deep Belief Networks[J]. Command Control and Simulation, 2021 , 43(4) : 26 -31 . DOI: 10.3969/j.issn.1673-3819.2021.04.006

近年来,科学技术及作战理论均得到不同程度的发展,当代战争的胜负不仅仅由装备本身的性能决定,同时取决于装备间相互配合所形成的体系联合作战能力[1]。体系贡献度是衡量武器装备在作战体系中地位和作用的重要指标,可以运用体系贡献度相关技术对体系结构进行优化以提高武器装备建设效益,从而推动装备的发展[2]。体系贡献度评估方法是体系贡献度研究的核心部分,国内的专家学者对相关问题展开了深入研究并取得了显著的成果。赵丹玲等[3]基于作战环理论,将装备与装备间的关系抽象为图论中的节点和边,建立了作战体系的网络模型,以网络中的数据为指标计算装备体系贡献度。和钰[4]采用基于证据推理的信度规则库推理方法对反导武器装备体系作战能力贡献率求解,通过建立任务与能力映射关系并运用知识规则描述二者的定量关系,推理获得作战效能。刘彦等[5]考虑体系结构与功能的耦合关系,构建了空间结构网络和功能结构网络的双层耦合复杂网络模型,利用节点重要度和属性重要度对装备在体系中的地位进行综合评判。
传统评估方法过度依赖专家诊断经验,评估的准确性有限,随着武器装备趋向复杂化和综合化,评估体系贡献度时涉及大量多元数据,评估数据定性、定量混合,拥有较高的不确定性,同时数据处理缺乏有效性。因此,迫切需要研究一种新的方法以适应武器装备体系的变化。
深度置信网络(Deep Belief Network, DBN)[6-7]是一个深度学习训练算法,它拥有强大的自动特征提取能力,并且其在处理高维、非线性数据等方面有很大的优势[8],已经在图像处理等领域取得了很好的成果,但是在装备体系贡献度评估领域的运用还有待开发。在体系贡献度评估过程中,底层指标到顶层体系贡献度之间的映射关系复杂,通过DBN的特征提取能力,可以充分提取原始数据中的特征;武器装备体系是一个大型复杂体系,内部装备数量、种类繁多,每个装备性能参数众多且装备之间交联耦合,DBN具有处理大量多元数据的能力,可以对体系作战效能进行有效拟合。因此,将深度置信网络运用到武器装备贡献度评估方法中可以提高评估的准确性和有效性。
本文明确了空战装备体系的研究框架,建立了体系贡献度评估指标体系,提出了基于DBN的评估方法。本文旨在对武器装备的体系价值及作用进行全面且客观的评估,从而可以对武器装备的发展和体系建设的优化提供更加科学的建议,以推动空军装备体系的发展。

1 体系贡献度研究框架构建

1.1 体系贡献度评估整体思路

为了计算待评装备的体系贡献度,可以对比待评装备加入空战装备体系前后体系作战效能的变化[9]。根据体系贡献度的概念内涵,对体系贡献度进行评估时,将武器装备各项技战术指标作为评估输入,从下至上逐级聚合计算。
具体评估思路如图1所示。
图1 体系贡献度评估思路

1.2 体系贡献度评估求解模型

武器装备体系贡献度的高低,可以用体系作战效能值的变化情况来体现,对体系贡献度的评估求解模型如表1所示。
表1 武器装备体系贡献度评估矩阵
体系结构 能力1 … 能力m 体系作战效能
基准体系 z11 … z1m E0
评估体系 z21 … z2m Ei
其中,基准体系和待评武器装备组成评估体系,zij表示体系i中能力j的度量,Aij表示能力贡献度,εj表示能力权重,Ei表示体系作战效能,Ci表示装备i的体系贡献度,有
Aij= z i j - z 1 j z 1 j
Ei= ∑ j = 1 mzijεj
Ci= E i - E 1 E 1

1.3 体系贡献度评估指标体系构建

通过1.1中研究框架的整体思路以及体系作战过程的相关需求,分析体系所需的作战能力,再确定支持各项作战能力的武器装备及其所需具有的功能,结合专家经验,建立自上而下涵盖能力层和功能层的空战装备体系贡献度评估指标体系,如图2所示。
图2 空战装备体系贡献度评估指标体系

2 基于DBN的体系贡献度评估方法

2.1 DBN模型网络结构建立

利用已有的仿真数据,构建基于深度置信网络的效能拟合模型。采用无监督训练方法对拟合模型进行预训练,针对简单网络训练时间长和容易陷入局部最优的缺点[10],采用回归层对初始的网络参数进行全局微调。
模型的输出为体系效能指标的值,输入数据则为各个关键性能指标值,这些关键的性能指标值会影响最终的体系效能指标值。一个训练样本将装备的关键性能指标值作为输入向量X,其与输出向量Y构成一个训练样本。由此提出的效能拟合模型如图3所示。
如图3所示,网络由k个受限玻尔兹曼机(Restricted Boltzmann Machine, RBM)单元堆叠而成,其中RBM分为上下两层,上层为隐层,下层为显层。利用其堆叠成深度神经网络(Deep Neural Networks, DNN)时,前一个RBM的输出层作为下一个RBM单元的输入层,依次堆叠形成了DBN的基本结构,最后添加一层BP神经网络层用于回归,形成最终的DBN-DNN结构。

2.2 DBN模型的预训练

本文利用对比散度算法进行权值初始化。
1) 通过对比散度算法对权重和偏置进行预训练,训练过的权重和偏置值被用来确定相应隐元的开启和关闭。计算每个隐元的激励值如下:
h(l)=W(l)·v+b(l)
其中,l为层数索引。
2) 计算隐藏层中各个隐元的激励值并逐层向上传播,用sigmoid函数对其进行标准化,如下所示:
σ(hj)(l)= 1 1 + e - h j
3) 最后,通过计算得到输出层的激励值和输出。
h(l)=W(l)·h(l-1)+b(l)
X=f(h(l))
其中,输出层的激活函数为f(·),X为输出层的输出值。
训练具体过程如图4所示。
图4 DBN网络训练过程

2.3 DBN模型的调优

每一层RBM只能保证自身层内权值最优,并不是对整个DBN网络达到最优,而反向传播网络可将错误信息自顶向下传至每一层RBM,对整个DBN网络进行调整。
通过前向传播算法,可以从输入得到一定的输出值,然而网络的权重和偏置值需要采用后向传播算法对其进行更新,从而完成有监督的调优训练。实施的具体步骤如下:
1)整个网络的参数可以运用最小均方误差准则的反向误差传播算法来进行更新,具体代价函数如下:
E= 1 N ∑ i = 1 N( Y ˙ i(W(l),b(l))-Yi)2
其中,E为DNN学习的平均平方误差, Y ˙ i表示输出层的输出,Yi表示理想的输出,i为样本索引。(W(l),b(l))表示在l层有待学习的权重和偏置的参数。
2)网络权重和偏置的参数可以运用梯度下降法进行更新,具体方法如下:
(W(1),b(1))← ( W ( 1 ) , b ( 1 ) ) - ε · ∂ E ∂ ( W ( 1 ) , b ( 1 ) )
其中,λ为学习效率。
为使误差函数达到最小,运用上述的规则更新权值,不断地调整权重,从而使误差函数值最小,得到最优的权重组合。

3 体系贡献度评估指标建模

3.1 预警侦察功能建模

雷达探测水平Ar的指标参数包括最大发现目标距离Dr,发现目标概率Pr,最大搜索总方位角Ar,雷达体制衡量系数Kr,同时跟踪目标数量m1和同时允许攻击目标数量 m 2 [ 11 ]。计算公式为
Ar= D r 2 4× A r 360×Pr×Kr×(m1×m2)0.05
作战飞机红外探测水平的指标参数与雷达探测水平的上述参数基本保持一致[12],只需将式(10)的Kr替换为KIR。
为使指标数值处于0和1之间,对指标数值进行归一化处理[13](归一化后的符号上方用“—”标识,下同)。预警侦察功能FA可通过下式计算
FA=ar A r ¯+aIR A I R ¯
其中,ar和aIR表示指标对应的权值。

3.2 态势感知功能建模

态势感知功能的建模评估可以从两方面进行,分别是态势感知的信息域水平和态势感知的认知域水平。
信息域水平的评估主要衡量态势信息的完备性和准确性[14]。
t时刻的完备性为
F(t)= J ( t ) J T ( t )×100%
其中,J(t)为正确感知到的目标数量,JT(t)为客观态势中目标的数量。
t时刻的准确性为
V(t)= ∑ i = 1 J ( t ) 1 - ∑ j = 1 n | p i j ( t ) - g i j ( t ) | | g i j ( t ) | / n/J(t)
其中,gij(t)、pij(t)分别表示在t时刻下对目标i所感知的态势特征和客观真实态势特征,n表示目标的态势特征参数数量。
通过综合完备性和准确性,得到信息域水平I,即
I=F(t)×V(t)
认知域水平主要体现在对搜集的战场态势进行理解从而实现对敌方意图和对抗态势进行判断决策的水平[15]。t时刻的态势感知水平为
S(t)= α I S 1 + e - α I S ( t - d )
式中,α为感知单元的认知能力;IS表示待处理信息质量的综合评判值,IS∈(0,1];d为曲线的平移距离,其作用是确定曲线在t=0时的取值。
该时限内态势感知水平S(t)的最大值可以反映认知域的态势感知能力,因此,武器装备态势感知功能的通用计算模型为
FT=a1I+a2Smax
其中,a1和a2表示指标对应的权值。

3.3 信息共享功能建模

采用平均路径长度和聚类系数衡量装备信息共享功能。作战网络平均路径长度可表示为
L= 2 N ( N + 1 ) ∑ i ≥ jdij
其中,dij表示网络中节点i和j之间最短路径上的边数,N表示网络节点数。L的值越小表明节点间的连接越紧密,网络的信息传输能力越强[16]。
聚类系数是指节点i的邻居节点之间也互为邻居的比值,其表达式为
Ci= 2 E i k i ( k i - 1 )
式中,ki是节点i的邻居节点个数,Ei为ki个节点间实际存在的边数。
在作战网络组织结构中,增加信息共享交互连接能够减小网络平均路径长度及增强节点间的协作关系,由此获得网络收益[17]。但与此同时,也会造成信息传输网络的成本升高或某节点的信息负荷过大,影响信息共享质量。所以,在建模时还需考虑成本因素,因此引入成本因子σc,装备信息共享功能可通过下式计算
FI= C i L×σc

3.4 火力打击功能建模

对于超视距空战,火力打击功能定义为
FF=0.4Pd+0.6PG
其中,Pd为中距导弹的杀伤概率,PG为中距导弹的制导性能。
对于视距内空战,火力打击由近程导弹的杀伤概率和航炮火力系数决定。航炮的火力系数为
Ap= v 1 1200 v 2 1000 2 M 0 400R0n
式中,R0为弹丸口径尺寸,M0为弹丸质量,n为此种航炮配置数量,v1为航炮的射速,v2为航炮的初速。
定义视距内火力打击功能为
F'F=0.7P'p+0.3A'p
式中,P'p 为近程导弹的杀伤概率,A'p为归一化后的火力系数。

3.5 隐蔽伪装功能建模

隐蔽伪装功能Fh可通过飞机的几何尺寸与雷达截面积(Radar Cross Section, RCS)来反映[11]。计算公式为
Fh= 10 b h × 15 L h × 5 R C S 0.0625
式中,bh为作战飞机的翼展,Lh为作战飞机的全长(含空速管的长度),计算单位为m。RCS指迎头或尾后方位120°左右对应3 cm波长雷达的平均值,单位为m2。

4 仿真实现与结果分析

4.1 空战体系背景描述

红蓝双方在某空域发生交战,红方派出空中打击力量对敌方进行突防打击,对预警机的体系贡献度评估问题进行作战想定。红蓝双方的体系构型组成如图5所示。
图5 红蓝双方体系构型

4.2 数据仿真

1) 评估指标计算
根据上文对各项武器装备功能的指标分析建模结果,进行前期数据搜集工作。对于定量指标,参考相关文献与书籍确定相应的装备技战术参数;对于定性指标,给出指标相对于评语等级的隶属度,其中,评语等级设置为五个等级,分别为:高、较高、中、较低、低。表2给出了空战武器装备的部分典型参数指标搜集结果。
表2 空战武器装备的部分典型参数指标
参数指
标名称		 歼击机 空战无
人机		 电子战
飞机		 预警机 侦察机
最大发现距离(雷达/红外)/km 150/100 \ \ 200/80 180/70
发现目标概率 0.85 \ \ 0.9 0.8
搜索总方位角/° 120 \ \ 180 120
同时跟踪目标数(雷达/红外) 10/6 \ \ 8/3 6/3
雷达体制衡量系数(K2) 0.95 \ \ 0.9 0.9
翼展/m 10.01 14.87 22.10 44.42 16.95
长度/m 15.04 8.27 23.27 46.61 32.75
RCS/m2 2~5 5~9 6~10 8~11 4~7
导弹杀伤概率 0.95 0.9 \ \ \
导弹制导性能 高 较高 \ \ \
瞄准具修正系数 1.5 1.2 \ \ \
初速/m/s 1036 780 \ \ \
导弹射速/发/min 6000 1200 \ \ \
单发命中概率 0.95 0.95 \ \ \
信息融合处理
时效性		 高 高 \ 高 \
装备操纵性 高 较高 较高 高 中
根据以上的评估指标参数,计算体系武器装备功能值,再利用层次分析法[18]聚合得到空战装备体系在加入预警机前后体系作战能力值的变化,仿真评估数据如图6所示。
图6 体系作战能力值变化
2) 体系贡献度计算
通过仿真评估得到了体系作战能力值之后,结合体系作战效能计算,将体系作战能力值输入所构建的DBN网络中可得到预警机加入空战体系前后各项体系作战效能的变化情况。根据建立的评估计算公式,可得到预警机的体系贡献度。仿真评估数据如表3所示。
表3 预警机体系贡献度
基准体系作战效能 评估体系作战效能 体系贡献度
0.402 2 0.506 2 25.86%

4.3 结果分析

通过分析4.2节在空战装备体系中加入预警机对体系作战能力值和体系作战效能值影响的仿真结果,可以得到如下结论。
通过比较评估体系与基准体系的体系作战能力值变化情况可知,当预警机加入空战体系后,体系整体的预警侦察能力、信息共享能力、态势感知等与预警机自身功能特点、作战运用密切相关的各项体系作战能力得到了显著提升。其中,态势感知能力变化最为明显,由0.404 2提高至0.706 3,预警机作为空战装备体系安插在战场前沿的尖兵,具备极强的态势感知能力。预警侦察能力及电子对抗能力的提高紧随其后,贡献度分别为59.37%和42.53%。根据表3可知,预警机的加入使空战体系作战效能由0.402 2提高至0.506 2,贡献度为25.86%。由此验证了预警机能够对战场实施全天候、全时域、全地域、全频段的预警和侦察,为战场决策的下达、作战力量的指挥提供实时、准确的信息支持。
结合仿真评估结果,提高预警机的性能指标能够有效地提升体系的整体作战效能,使我方在空中作战中占据更大优势的同时,对敌方的有生作战力量形成更为有效的压制,使得体系具有更好的作战效果。对比分析预警机加入作战体系前后相关指标的变化情况以及最终的体系贡献度评估结果,可以发现评估结果与实际战场作战情况相符。

5 结束语

本文的研究对象为空战装备体系,评判目标为体系作战效能,研究了预警机对空战装备体系的贡献度。本文提出了基于DBN的体系贡献度评估方法,在所设定的红蓝双方空战作战想定下进行仿真实验,对前述所建立的指标评估模型与提出的体系贡献度评估方法进行了验证,评估结果符合实际情况,验证了本文建立的相关指标评估模型与提出的装备体系贡献度评估方法的合理性和可行性。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
李际超. 基于作战网络模型的装备体系贡献度研究[D]. 长沙: 国防科学技术大学, 2015.

[2]
梁家林, 熊伟. 武器装备体系贡献度评估方法综述[J]. 兵器装备工程学报, 2018, 39(4):67-71.

[3]
赵丹玲, 谭跃进, 李际超, 等. 基于作战环的武器装备体系贡献度评估[J]. 系统工程与电子技术, 2017, 39(10):2239-2247.

[4]
和钰. 基于RIMER方法的反导武器装备体系作战能力贡献率研究[D]. 长沙: 国防科学技术大学, 2016.

[5]
刘彦, 陈春良, 昝翔, 等. 考虑双层耦合复杂网络的装备重要度评估方法[J]. 兵工学报, 2018, 39(9):1829-1840.

[6]
JABARDI M H, AL-FATLAWI A H, LING S. Jabardi Diagnosis System For Parkinson'S Disease Using Speech Characteristics Of Patients And Deep Belief Network[J]. CAAI Transaction on Intelligence Technology, 2017, 2(9): 246-253.

[7]
HINTON G E, OSINDERO S, TEH Y W. A Fast Learning Algorithm For Deep Belief Nets[J]. Neural Computation, 2014, 18(7): 1527-1554.

DOI

[8]
刘方园, 王水花, 张煜东. 深度置信网络模型及应用研究综述[J]. 计算机工程与应用, 2018, 54(1):16-23,52.

[9]
张书腾, 胡娟. 基于规则推理的陆军突击装备体系贡献度分析[J]. 指挥控制与仿真, 2020, 42(2):76-79.

[10]
李波, 雒浩然, 田琳宇, 等. 基于DBN效能拟合的舰艇编队作战效能敏感性分析[J]. 航空学报, 2019, 40(12):156-166.

[11]
朱宝鎏, 朱荣昌, 熊笑非. 作战飞机效能评估[M]. 北京: 航空工业出版社, 1993.

[12]
董彦非, 王礼沅, 张恒喜. 战斗机空战效能评估的综合指数模型[J]. 航空学报, 2006(6):1084-1087.

[13]
陈颖文. 空战武器装备系统的效能评估技术研究[D]. 长沙: 国防科学技术大学, 2003.

[14]
周彦, 蒋晓原, 王春江. 基于仿真的信息优势能力评估研究[J]. 系统工程与电子技术, 2004, 26(1):61-65.

[15]
张慧文, 鲍广宇, 张义. 栅格化网络态势感知能力评估模型[J]. 指挥控制与仿真, 2013, 35(2):15-18+35.

[16]
张强, 李建华, 沈迪. 基于复杂网络的战场信息共享效能建模与分析[J]. 系统仿真学报, 2015, 27(4):875-880.

[17]
王斌, 谭东风, 凌云翔. 基于复杂网络的作战描述模型研究[J]. 指挥控制与仿真, 2007, 29(4):17-21.

[18]
杨东岳, 周博强. 基于层次分析法的云探测作战效能评估[J]. 飞机设计, 2019, 39(5):46-51.

Options
Outlines

/

〈 〉