摘 要： 在信息主導(dǎo)的新型軍事環(huán)境下，網(wǎng)絡(luò)化信息系統(tǒng)引起了人們的普遍關(guān)注，而基于高層體系結(jié)構(gòu)（HLA）仿真構(gòu)建的網(wǎng)絡(luò)化信息仿真系統(tǒng)成為了研究網(wǎng)絡(luò)化信息系統(tǒng)的重要媒介。提出了面向事件的仿真回放方法，有效改善了回放效率和數(shù)據(jù)冗雜度；還提出了基于敏感度分析的效能評估可信度驗證方法，構(gòu)建了面向系統(tǒng)效能的數(shù)據(jù)倉庫模型，優(yōu)化了系統(tǒng)指標體系結(jié)構(gòu)等信息。為網(wǎng)絡(luò)化信息系統(tǒng)等軍事對象的仿真回放和評估決策提供了新的思路和方法，具有良好的擴展性。

關(guān)鍵詞： 網(wǎng)絡(luò)化信息系統(tǒng)； HLA； 仿真回放； 效能評估； 敏感度分析； 數(shù)據(jù)倉庫

中圖分類號： TN911?34； TM417 文獻標識碼： A 文章編號： 1004?373X（2016）17?0067?05

0 引 言

隨著計算機信息技術(shù)的廣泛應(yīng)用，作戰(zhàn)仿真由于其自身的優(yōu)勢在軍事系統(tǒng)應(yīng)用中體現(xiàn)出了無可取代的作用。在研究新的戰(zhàn)爭理論、進行軍事人員演習(xí)、研制新型武器裝備等各個方面，作戰(zhàn)仿真都發(fā)揮了許多關(guān)鍵性的作用，成為各國專家研究的焦點。

本文主要以基于HLA的網(wǎng)絡(luò)化信息仿真系統(tǒng)為基礎(chǔ)，研究了仿真系統(tǒng)的仿真回放和評估決策問題。前者主要為了解決仿真系統(tǒng)運行后數(shù)據(jù)冗雜且利用率低的問題，從而提高仿真系統(tǒng)的回放效率；后者是為了在網(wǎng)絡(luò)化信息系統(tǒng)原有效能評估方案的基礎(chǔ)上，結(jié)合回放技術(shù)和數(shù)據(jù)挖掘，對效能評估及原仿真系統(tǒng)進行決策優(yōu)化。仿真回放研究主要采用數(shù)據(jù)立方體等技術(shù)整合高維原始數(shù)據(jù)，進行離群點檢驗并使用神經(jīng)網(wǎng)絡(luò)算法匹配關(guān)鍵數(shù)據(jù)信息，利用[N]元并行數(shù)據(jù)采集卡實現(xiàn)回放數(shù)據(jù)的存儲，完善仿真回放策略，最終實現(xiàn)網(wǎng)絡(luò)化信息系統(tǒng)的仿真事件回放。而針對原仿真系統(tǒng)的效能評估和決策優(yōu)化，主要側(cè)重于通過數(shù)據(jù)層面對效能評估的指標體系結(jié)構(gòu)進行優(yōu)化，針對系統(tǒng)進行敏感度分析，構(gòu)建面向系統(tǒng)效能的數(shù)據(jù)倉庫，針對指標體系及權(quán)重等做出相應(yīng)改進。

1 網(wǎng)絡(luò)化信息系統(tǒng)的仿真事件回放設(shè)計

1.1 總體方案設(shè)計

網(wǎng)絡(luò)化信息系統(tǒng)的的仿真回放是不斷完善和改進的過程，并且可以將數(shù)據(jù)多次重復(fù)利用，仿真事件回放的整體操作流程如圖1所示。

實現(xiàn)流程如下：

（1） 連接數(shù)據(jù)庫，設(shè)計數(shù)據(jù)采集方案，數(shù)據(jù)采集方法的設(shè)計關(guān)系到仿真數(shù)據(jù)的效率，為仿真回放和效能評估做好基礎(chǔ)。

（2） 依照實際系統(tǒng)仿真運行數(shù)據(jù)構(gòu)建“[N]元并行數(shù)據(jù)采集模式”：XML模式和數(shù)據(jù)庫模式，具體形式的選擇依照系統(tǒng)運行情況和仿真數(shù)據(jù)量決定。對于采集來的數(shù)據(jù)進行數(shù)據(jù)預(yù)處理，主要是對數(shù)據(jù)進行清理和整合，利用馬哈拉諾比斯距離進行多維離群點檢測，將離群點剔除。為進一步分析數(shù)據(jù)，構(gòu)建系統(tǒng)的三維立方體模型結(jié)構(gòu)。

（3） 利用BP神經(jīng)網(wǎng)絡(luò)模型匹配關(guān)鍵事件數(shù)據(jù)并進行分類，獲取系統(tǒng)的輸入和輸出樣本值，確定關(guān)鍵事件名稱和數(shù)量，設(shè)計BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進行網(wǎng)絡(luò)訓(xùn)練和計算，如果計算結(jié)果不合要求則重新進行設(shè)計，直到符合誤差要求。根據(jù)之前的數(shù)據(jù)匹配結(jié)果確定事件的回放方案，按照回放方案進行回放操作演示。

1.2 仿真數(shù)據(jù)預(yù)處理

在網(wǎng)絡(luò)化信息仿真系統(tǒng)的數(shù)據(jù)預(yù)處理中，主要包括數(shù)據(jù)清理和數(shù)據(jù)集成兩部分。數(shù)據(jù)清理操作主要是通過填寫缺失的值，識別、刪除離群點，進而實現(xiàn)數(shù)據(jù)光滑去噪，解決了數(shù)據(jù)冗雜和不一致問題。對于仿真系統(tǒng)的回放而言，離群點的檢測尤為重要。使用馬哈拉諾比斯距離檢測多元離群點。對一個多元數(shù)據(jù)集，設(shè)[δ]為均值向量，對于數(shù)據(jù)集中的對象[δ，]從[δ]到[δ]的馬哈拉諾比斯（Mahalanobis）距離為：

[Mdis（δ，δ）=（δ-δ）TS-1（δ-δ）] （1）

式中：[S]是協(xié)方差矩陣；[Mdis（δ，δ）]是一元變量，于是可以對其進行Grubb檢驗，可令[θ=Mdis（δ，δ） 。]即對于數(shù)據(jù)集中的每個對象[θ，]定義z分數(shù)（z?score）為：

[z=θ-θs] （2）

式中：[θ]是輸入數(shù)據(jù)的均值；[s]是標準差；對象[θ]是離群點，如果：

[z≥N-1nt2α（2N），N-2N-2+t2α（2N），N-2] （3）

式中：[t2α（2N），N-2]是顯著[α（2N）]下的t?分布的值；N是數(shù)據(jù)集中的對象數(shù)。

因此，可以按照如下方法對多元離群點檢測任務(wù)進行變換：

（1） 計算多元數(shù)據(jù)集的均值變量；

（2） 對于每個對象[δ，]計算從[δ]到[δ]的馬哈拉諾比斯距離Mdis[（δ-δ）]；

（3） 在變換后的一元數(shù)據(jù)集[Mdis（δ-δ）δ∈D]中檢測離群點；

（4） 如果Mdis[（δ-δ）]被確定為離群點，則[δ]也被視為離群點。

對原始數(shù)據(jù)進行清洗，可初步剔除不合規(guī)范的一維或N維數(shù)據(jù)。以某次仿真實驗結(jié)果數(shù)據(jù)為例，使用馬哈拉諾比斯距離檢測534個多元數(shù)據(jù)點，經(jīng)Grubb檢驗，可以得到共有6個數(shù)據(jù)點處于[z]值之外，即超過了馬哈拉諾比斯距離，被認定為離群點，時間值分別為92.6，99.8，122.4，129.4，144.0，192.6的數(shù)據(jù)點，經(jīng)與實際數(shù)據(jù)相比較，時間值為92.6，99.8，129.4，144.0的數(shù)據(jù)點確定為離群點，另外，時間值為127.8，192.2的數(shù)據(jù)點為數(shù)據(jù)異常點但未檢驗出。從數(shù)據(jù)采集模式中剔除以上離群點。

與數(shù)據(jù)清理的清洗工作不同，數(shù)據(jù)集成主要是為了合并來自多個數(shù)據(jù)源存儲的數(shù)據(jù)。數(shù)據(jù)集成有助于減少結(jié)果數(shù)據(jù)集的冗余和不一致，完成數(shù)據(jù)值沖突的檢測和處理，提高其后挖掘過程的準確性和速度，為多次仿真數(shù)據(jù)的分析做好基礎(chǔ)。針對網(wǎng)絡(luò)化信息仿真系統(tǒng)，數(shù)據(jù)集成的重點工作是數(shù)據(jù)立方體的構(gòu)建。

1.3 基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)匹配算法設(shè)計

首先需要獲取網(wǎng)絡(luò)的輸入和目標樣本。本次算法設(shè)計考慮兩個目標的情況，對網(wǎng)絡(luò)化信息仿真系統(tǒng)進行多次運行，獲得了多組狀態(tài)樣本數(shù)據(jù)。接下來，確定具體的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。根據(jù)Kolmogorov定理，采用[K×（2K+1）×M]的三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，其中，[K]表示輸入特征向量的分量數(shù)即維數(shù)；[M]表示輸出狀態(tài)類別總數(shù)。首先確定輸入層[K，]隨之可以確定中間層[（2K+1）。]輸入層[K]根據(jù)輸入變量的個數(shù)確定，由網(wǎng)絡(luò)化信息仿真系統(tǒng)的實際情況可知，輸入變量為[UT]（仿真時間以s為單位），[UK]（對象編號，0表示目的地，1表示第一個目標，2表示第二個目標），[UX]（對象的[X]方向位置坐標值），[UY]（對象的[Y]方向位置坐標值），[UZ]（對象的[Z]方向位置坐標值）。結(jié)合實際回放要求，針對原采集模式進行適當(dāng)擴展，加入自定義事件屬性及0?1規(guī)則，使用[UD]代表目標的被探測情況，0代表目標未被發(fā)現(xiàn)，1代表目標被發(fā)現(xiàn)；使用[UE]代表該對象損壞情況，0代表該對象未受損壞，1代表該對象完全損毀，0～1之間的小數(shù)代表著不同的毀壞程度。經(jīng)上述設(shè)計之后，輸入層K的值為7，中間層2K+1的值為15。即該BP網(wǎng)絡(luò)結(jié)構(gòu)輸入層有7個神經(jīng)元，中間層有15個神經(jīng)元。

然后，確定關(guān)鍵事件個數(shù)和名稱并確定輸出層[M。]在網(wǎng)絡(luò)化信息仿真系統(tǒng)中，事件主要包括三類：目標被發(fā)現(xiàn)、目標被攔截、目標到達目的地，具體事件個數(shù)與目標個數(shù)相關(guān)。例如有[N]個目標，則分別與[2N+1]種狀態(tài)相關(guān)聯(lián)，這[2N+1]種狀態(tài)也是仿真回放時對應(yīng)的關(guān)鍵事件，即：目標1被發(fā)現(xiàn)、目標2被發(fā)現(xiàn)、…、目標[N]被發(fā)現(xiàn)、目標1被攔截、目標2被攔截、…、目標[N]被攔截、目標到達目的地，分別對應(yīng)類別1，2，…，[2N+1。]在此次仿真中以兩個目標為例，關(guān)鍵事件個數(shù)為5個，分別是：[Y1]（目標1被發(fā)現(xiàn)），[Y2]（目標2被發(fā)現(xiàn)），[Y3]（目標1被攔截），[Y4]（目標2被攔截），[Y5]（目標到達目的地）?？紤]到在實際的仿真系統(tǒng)運行過程中，有很多時刻對象屬性發(fā)生的變化并不與上述事件相關(guān)聯(lián)，故“N元并行數(shù)據(jù)采集模式”經(jīng)BP神經(jīng)網(wǎng)絡(luò)匹配的分類有6種，可以采用（0，1）編碼形式表示，用（0，0，0）表示類別0（無直接相關(guān)數(shù)據(jù)，也可表示為[Y0]）、用（0，0，1）表示類別1（目標1被發(fā)現(xiàn)）、（0，1，0）表示類別2（目標2被發(fā)現(xiàn)）、（1，0，0）表示類別3（目標1被攔截）、（1，1，0）表示類別4（目標2被攔截）、（1，1，1）表示類別5（目標到達目的地），故輸出層[M]的值為6，整個BP網(wǎng)絡(luò)層次結(jié)構(gòu)為7×15×6，如圖2所示。

按照實際系統(tǒng)需求進行設(shè)計，中間層神經(jīng)元的傳遞函數(shù)為[S]型正切函數(shù)，輸出神經(jīng)元的傳遞函數(shù)為[S]型對數(shù)函數(shù)，之所以選擇S型對數(shù)函數(shù)，是因為該函數(shù)為0?1函數(shù)，與分類器的輸出要求相匹配。另外，[P]表示網(wǎng)絡(luò)的輸入樣本向量，[T]表示網(wǎng)絡(luò)的目標向量，可選用trainlm為網(wǎng)絡(luò)的訓(xùn)練函數(shù)，該函數(shù)的運行速度比較快，采用了梯度下降法進行學(xué)習(xí)，并且學(xué)習(xí)速率是自適應(yīng)的，適用于這樣的中型網(wǎng)絡(luò)。學(xué)習(xí)函數(shù)選擇learngdm，性能函數(shù)選擇mse，以滿足相應(yīng)誤差要求。

2 系統(tǒng)效能評估優(yōu)化

2.1 評估指標體系結(jié)構(gòu)優(yōu)化

考慮到評價指標體系結(jié)構(gòu)中的信息處理效能下層指標只有信息處理能力，主觀程度偏重，且敏感度相對太高，與實際系統(tǒng)的情況存在偏差，故對其進行相應(yīng)改進，引入可評價信息處理的輔助決策能力，信息處理能力主要面向計算機的量化指標，而輔助決策能力面向決策者的決策能力，這樣就可對系統(tǒng)信息處理效能進行綜合評價。改進后的信息處理效能指標體系結(jié)構(gòu)如圖3所示。

結(jié)合實際系統(tǒng)需求，設(shè)計對應(yīng)底層指標的定義和計算方式如下所示。

信息處理精度：取火控計算機對所屬的火控單元上報的目標信息經(jīng)過融合處理后的精度。

[PI=13（X-Xreal）+（Y-Yreal）+（Z-Zreal）] （4）

式中：[X，Y，Z]分別代表目標經(jīng)過信息融合后的三維坐標值；[Xreal，Yreal，Zreal]代表對應(yīng)時刻目標的三維坐標真實值。

信息處理容量：考慮每個網(wǎng)絡(luò)節(jié)點在單次仿真運行可以使系統(tǒng)保持正常運行時的信息容量（單位GB）。

[Vs=1N（V1+V2+…+Vn）] （5）

式中：[N]代表系統(tǒng)單元內(nèi)總的節(jié)點數(shù)量；[Vi]代表某次仿真運行的信息容量。

多傳感器信息融合速率：考慮整個火力系統(tǒng)和火控系統(tǒng)計算機在一次仿真任務(wù)中來自多傳感器的信息融合速率。

[Vt=1Ttran+Tproc] （6）

式中：[Ttran]代表多個傳感器傳輸信息到系統(tǒng)處理器的時間；[Tproc]代表系統(tǒng)處理器處理多路信息并做出一次決策的時間。

威脅評估能力：以多次來襲目標的平均威脅判斷質(zhì)量并結(jié)合專家知識定量威脅評估能力，共分為9個等級，等級9代表最高威脅評估能力，等級1代表最低威脅評估能力，等級越高能力越高。

平均決策時間：考慮整個系統(tǒng)任務(wù)運行過程中涉及實際探測與打擊等重要決策所用的平均時間（單位s）。

[TD=1N（T1+T2+…+Tn）] （7）

式中[Ti]代表每次重要決策所耗費的時間。

2.2 指標權(quán)重優(yōu)化

目標捕獲能力對應(yīng)的四個底層指標，即探測覆蓋面積、最大捕獲目標距離、預(yù)警時間及平均目標發(fā)現(xiàn)概率，無論是針對信息獲取效能還是系統(tǒng)效能來說，預(yù)警時間顯然是影響最大、敏感程度最高的指標，故需要對權(quán)重值做進一步改進。結(jié)合改變后的信息處理效能指標體系及實際情況對信息處理精度、信息處理容量、多傳感器信息融合速率、威脅評估能力、平均決策時間分配合理的權(quán)重值。當(dāng)?shù)讓又笜酥堤岣吡?0%時，再次進行系統(tǒng)敏感度計算和分析，實驗結(jié)果如圖4所示。

分析圖4經(jīng)過系統(tǒng)優(yōu)化后的敏感度計算結(jié)果，對系統(tǒng)效能值產(chǎn)生較大影響的幾個關(guān)鍵指標為預(yù)警時間、虛警率、毀傷目標概率、威脅評估能力、漏警率，而且它們之間的敏感度差距并不大，在信息獲取能力作為優(yōu)勢性能的網(wǎng)絡(luò)化信息系統(tǒng)中，預(yù)警時間為捕獲目標能力的最直接衡量指標，漏警率和虛警率的高低直接影響系統(tǒng)對目標的有效識別能力，而威脅評估能力是信息融合的最終體現(xiàn)結(jié)果，毀傷目標概率是火力系統(tǒng)利用信息進行目標攔截的直接能力體現(xiàn)，這些因素被驗證為影響系統(tǒng)效能值的“瓶頸”因素，與實際情況較吻合。經(jīng)過系統(tǒng)優(yōu)化的指標體系結(jié)構(gòu)和權(quán)重信息經(jīng)過敏感度計算實驗以及比較分析，其效能評估的可信度得到了較好的驗證，為實際系統(tǒng)下一步的改進提供了有效的反饋和輔助決策支持。

3 軟件界面及運行結(jié)果

該軟件依托于HLA仿真體系結(jié)構(gòu)，仿真系統(tǒng)的運行支撐環(huán)境為pRTI 1.3，仿真系統(tǒng)的開發(fā)環(huán)境為Windows XP操作系統(tǒng)，聯(lián)邦成員的開發(fā)工具使用Visual C++ 6.0，其兼容性較強。使用Oracle 9i作為仿真回放及系統(tǒng)評估的數(shù)據(jù)庫系統(tǒng)，引入地理信息系統(tǒng)（GIS）為仿真回放提供展示平臺，評估結(jié)果的圖形化顯示采用Teechart控件，整個系統(tǒng)具有良好的擴展性。

3.1 回放預(yù)案生成及仿真回放實現(xiàn)

首先進行仿真預(yù)案的選擇，通過數(shù)據(jù)庫模塊連接數(shù)據(jù)庫，選擇仿真預(yù)案1，調(diào)用仿真回放模塊中的數(shù)據(jù)預(yù)處理操作對原始數(shù)據(jù)處理，實現(xiàn)數(shù)據(jù)相關(guān)性匹配，建立數(shù)據(jù)與仿真事件的對應(yīng)關(guān)系，構(gòu)建的關(guān)鍵事件為：目標1被發(fā)現(xiàn)、目標2被發(fā)現(xiàn)、目標1被攔截、目標2被攔截、目標到達目的地。

按照之前完成的回放方案進行仿真回放，如圖5（a）所示為仿真事件回放的初始界面，五角星代表需要保護的基地，空心圓圈代表火力單元的打擊范圍，帶有標號的實線為信息融合后的目標軌跡，右邊信息欄顯示回放過程中的各類信息?；胤欧桨钢羞x擇不同的事件，界面運行不同的仿真事件過程，如圖5（b）所示為仿真事件的回放運行界面，表示的事件為“目標1被發(fā)現(xiàn)”。

3.2 數(shù)據(jù)倉庫構(gòu)建及效能評估數(shù)據(jù)結(jié)構(gòu)

按照仿真時間維、仿真預(yù)案維、評估方法維、評價等級等多個維度構(gòu)建面向效能的數(shù)據(jù)倉庫，其模型結(jié)構(gòu)如圖6所示。圖7則表示評估底層指標的數(shù)據(jù)結(jié)構(gòu)，包含各維度值及屬性值等信息。

3.3 系統(tǒng)效能評估操作及運行結(jié)果

圖8為設(shè)計的系統(tǒng)效能評估主界面，界面左欄為顯示的指標體系結(jié)構(gòu)，右欄為相關(guān)的效能評估操作，首先，選擇調(diào)用數(shù)據(jù)庫模塊并選擇之前的仿真預(yù)案，然后進行數(shù)據(jù)預(yù)處理，選擇權(quán)重計算參數(shù)，如圖9信息處理能力權(quán)重指標選擇界面，進行相應(yīng)各子系統(tǒng)效能及系統(tǒng)效能評估，以可視化界面進行結(jié)果展示，如圖10跟蹤目標能力權(quán)重結(jié)果顯示，并導(dǎo)出本次的評估結(jié)果報告，包含指標體系結(jié)構(gòu)、效能值、敏感度分析等多項結(jié)果信息。

4 結(jié) 論

在網(wǎng)絡(luò)化信息仿真系統(tǒng)的應(yīng)用研究中，仿真回放是進行定量分析和可行性評估的重要基礎(chǔ)，它為事后分析仿真過程提供了強有力的支持。對于網(wǎng)絡(luò)化信息系統(tǒng)的效能評估研究不斷完善，構(gòu)建合理的指標體系結(jié)構(gòu)至關(guān)重要，系統(tǒng)評估的可行性和可信度需要進一步的驗證。本文以基于HLA的網(wǎng)絡(luò)化信息仿真系統(tǒng)作為研究背景，主要針對仿真回放和評估決策兩方面展開研究。

網(wǎng)絡(luò)化信息系統(tǒng)的體系結(jié)構(gòu)、規(guī)模、關(guān)鍵技術(shù)等在不斷更新，仿真系統(tǒng)的回放和評估難度也在不斷加大，因此對此類研究不可避免地存在一些問題，需要更深入地研究與完善。

圖9 信息處理能力權(quán)重指標選擇界面

圖10 跟蹤目標能力權(quán)重顯示界面

參考文獻

[1] 孫家平.網(wǎng)絡(luò)化防空系統(tǒng)研究[J].現(xiàn)代雷達，2013，35（5）：14?17.

[2] 侯磊.網(wǎng)絡(luò)化防空體系作戰(zhàn)組織結(jié)構(gòu)探析[J].科技信息，2012，25（7）：62?63.

[3] 宋輝，劉曉建，金士堯.HLA 環(huán)境下基于聚合屬性的數(shù)據(jù)采集方法[J].計算機仿真，2013，21（4）：60?62.

[4] 王赟.車載信息仿真平臺設(shè)計與系統(tǒng)評估決策分析[D].北京：北京理工大學(xué)，2013.

[5] 蘇續(xù)軍.基于HLA的裝備保障全要素集成模擬訓(xùn)練系統(tǒng)設(shè)計[J].現(xiàn)代電子技術(shù)，2014，37（2）：60?63.

[6] PERUMALLA K， SEAL S. Reversible parallel discrete?event execution of large?scale epidemic outbreak models [C]// Proceedings of 2010 IEEE Workshop on Principles of Advanced and Distributed Simulation. Atlanta： IEEE， 2010： 80?90.

[7] USAMA M， GREGORY P S， PADHRAIC S. From data mining to knowledge discovery in databases [R]. US： American Association for Artificial Intelligence， 1996.

[8] HOME G E， MEYER T E. Data farming： discovering surprise [C]// Proceeding of 2004 Winter Simulation Conference. Washington， D. C.： IEEE， 2004： 1082?1087.