王申坪++付夢茵++王偉卿

摘 要：虛擬采辦成為人工智能技術和裝備信息化發(fā)展的必然產(chǎn)物，該文分析了復雜裝備虛擬采辦風險影響因素，設計出一套風險評估指標體系，通過構建自適應模糊網(wǎng)絡模型，以某型復雜裝備虛擬采辦風險評估為例，驗證模糊網(wǎng)絡模型在裝備采辦風險評估中的適用性、客觀性和準確性。

關鍵詞：ANFIS 虛擬采辦 風險評估

中圖分類號：E917 文獻標識碼：A 文章編號：1672-3791（2017）05（a）-0225-03

虛擬采辦是基于建模與仿真的武器裝備采辦實踐活動，其核心思想是通過人員、管理和技術的協(xié)同工作，實現(xiàn)在武器裝備全壽命周期采辦過程的變革與創(chuàng)新，具體包括裝備采辦各部門、各個采辦項目及項目各階段全過程的一種新型采辦模式。虛擬采辦能夠有效縮短開發(fā)時間，降低開發(fā)成本，同時保證了系統(tǒng)性能，在世界各軍事強國已經(jīng)取得很好的軍事價值和經(jīng)濟效益。復雜裝備虛擬采辦是一項系統(tǒng)工程，涉及到需求論證、設計、研制、試驗、生產(chǎn)、使用和保障以及退役處理等多個階段，其全壽命周期風險管理主要是針對采辦項目全程開展的風險識別、風險估計和風險因素及事件的風險控制活動。依據(jù)采辦實踐活動經(jīng)驗，在裝備采辦全壽命周期實踐活動中，存在著大量風險。美軍在20世紀90 年代，就通過采用科學的方法，進行系統(tǒng)分析研究，總結(jié)出了對風險實施控制管理，減少風險對采辦工作影響的有效方法[1]。該文采用定性定量結(jié)合的風險綜合評價方法，通過構建模糊神經(jīng)網(wǎng)絡模型對虛擬采辦全壽命周期風險的指標體系進行評估，得出科學正確的評估結(jié)果，能夠在復雜裝備虛擬采辦全壽命周期內(nèi)加強風險控制，提高裝備采辦經(jīng)濟效益，提高裝備采辦項目抵抗風險，為虛擬采辦的推廣應用提供一定的數(shù)據(jù)參考。

1 ANFIS基本理論

自適應神經(jīng)模糊推理系統(tǒng)（Adaptive Neuro-Fuzzy Inference System，ANFIS）是將模糊理論和神經(jīng)網(wǎng)絡有機結(jié)合起來形成的一種新型的神經(jīng)網(wǎng)絡。在專家系統(tǒng)、模式識別、智能控制、組合優(yōu)化、效能評估等領域得到成功應用。ANFIS屬于模糊神經(jīng)網(wǎng)絡，采用反向傳播算法和最小二乘法的混合算法調(diào)整前提參數(shù)和結(jié)論參數(shù)，并利用神經(jīng)網(wǎng)絡的學習機制自動地從輸入輸出數(shù)據(jù)中提取規(guī)則?？梢娝染邆渖窠?jīng)網(wǎng)絡自適應學習的功能，又具備模糊控制處理模糊信息、進行判斷和決策的功能。

1.1 模糊神經(jīng)元

模糊神經(jīng)元按功能具體可分為以下3種類型。

（1）模糊神經(jīng)元由模糊規(guī)則“if-then”進行描述，其具體結(jié)構如圖1所示。

，在第1類結(jié)構中，模型輸入為，，，模型輸出是。此結(jié)構中模糊神經(jīng)元的經(jīng)驗存儲在各項因素的模糊關系中，其中輸出由模型輸入和歷史經(jīng)驗組成。

（2）明確輸入的模型結(jié)構。把明確的輸入量進行模糊化操作后進入神經(jīng)元的稱為第二類神經(jīng)元，其結(jié)構如圖2所示。圖中第二類神經(jīng)元有N個確定值輸入，每個輸入數(shù)值通過隸屬函數(shù)進行加權，加權結(jié)果成為模糊數(shù)集中相應輸入的隸屬度數(shù)值。具體數(shù)學公式表示如下：

上式中，模糊神經(jīng)元第個輸入設為，第個權的隸屬度函數(shù)設為，則該相應的輸出值是；累積算子用表示。

（3）模糊輸入的模型結(jié)構。與第2類模糊結(jié)構不同的是，加權操作是對每個模糊輸入值進行修正的過程，結(jié)構如圖3所示。

數(shù)學表示如下：

，

上式中，第3類結(jié)構輸出的模糊集是；加權前后的第個輸入設為和；第個突觸加權操作設為。利用以上3類模糊神經(jīng)元模型，可以設計出更為高效科學的數(shù)據(jù)處理模型。

1.2 ANFIS網(wǎng)絡結(jié)構

ANFIS屬于Sugeno型模糊系統(tǒng)，由前件和后件構成。其典型的模糊規(guī)則形式為：如果x設為A，and y設為B，則z=f（x，y），其中前件模糊集合為A和B，而后件精確函數(shù)為z=f（x，y），通常情況下，輸入變量x和y的多項式為f（x，y），當f（x，y）為一階多項式時，所產(chǎn)生的系統(tǒng)就成為一階Sugeno模糊網(wǎng)絡模型，其結(jié)構如圖4所示。

（1）第一層：每一個單元代表模糊分割后的一個模糊子集，各單位的活化函數(shù)就是相應的隸屬函數(shù)，一般采用鐘形函數(shù)。

（2）第二層：每一個單元以常見的相乘符號“∏”標注，作用與普通神經(jīng)網(wǎng)絡的隱含層相同，是把不同的輸入變量的不同模糊子集組合成相應的規(guī)則，各個單元的輸出一般采用所有輸入信號的算術乘積。

（3）第三層：這一層的每個單元以符號“N”標注，其作用是把各條規(guī)則的激勵強度進行歸一化處理，第i條規(guī)則歸一化的激勵強度是該條規(guī)則的激勵強度與所有規(guī)則的激勵強度之和的商：

，i=1，2，3，4。

（4）第四層：這一層的單元以符號“”標注，活化函數(shù)是線性函數(shù)，輸入的一部分是網(wǎng)絡的輸入（和）；另一部分是第三層向第四層傳輸?shù)臍w一化激勵強度，輸出時活化函數(shù)與歸一化激勵強度的乘積：

，i=1，2，3，4。

式中，{pi，qi，ri}是這一層各個單元的結(jié)論參數(shù)。

（5）第五層：輸出層以符號“”標注，總輸出為：

。

2 構建ANFIS網(wǎng)絡模型及實例驗證

由軟件平臺生成ANFIS初始網(wǎng)絡結(jié)構，并對該網(wǎng)絡模型進行學習訓練，能夠很好地滿足評估準確性的要求。某型復雜裝備虛擬采辦全壽命周期風險評估網(wǎng)絡模型結(jié)構如圖5所示，明顯看出，這七個評估指標之間有著復雜的邏輯關系，各個評估指標間由樣本數(shù)據(jù)形成了特定的運算規(guī)則，經(jīng)科學計算后最終輸出一個評估結(jié)果。經(jīng)過100次訓練后，網(wǎng)絡模型誤差僅為error=5.2×10-3，能夠較好滿足風險評估因子的精確度。

該文采取定量分析與定性分析相結(jié)合，統(tǒng)籌考慮主客觀方面影響因素，定量因素主要考慮七項指標：信息技術風險、進度風險、軍工企業(yè)風險、質(zhì)量風險、人力資源風險、保障條件風險和外部環(huán)境風險，定性因素主要是復雜裝備虛擬采辦全壽命周期風險指標體系中的其它類風險，比如，人機交互界面問題是否集成到系統(tǒng)采辦文件中、是否完成復雜電磁環(huán)境的構建與在電磁環(huán)境下能力評估等，根據(jù)領域?qū)＜业木C合衡量，得出模糊函數(shù)對應關系，利用隸屬度求出具體數(shù)值，爾后綜合這上述評估指標，得出風險評估的具體結(jié)果。通過設計調(diào)查問卷，經(jīng)過領域?qū)＜蚁到y(tǒng)客觀評判，構造科學準確的樣本訓練數(shù)據(jù)，并把相關數(shù)據(jù)歸一化、標準化處理。其中1～10組為領域?qū)＜覕?shù)據(jù)，11～13三組數(shù)據(jù)為某型復雜裝備虛擬采辦全壽命周期風險數(shù)據(jù)值，分別如表1、表2所示。

從以上評估結(jié)果來看，編號12是復雜裝備虛擬采辦全壽命周期風險數(shù)值0.95，結(jié)合其它風險定性結(jié)果，可以得出如果降低虛擬采辦的風險，需要從質(zhì)量風險管控為突破口，進一步提高信息技術的成熟度，建立完善試驗基地的作戰(zhàn)試驗鑒定基礎設施建設，但更為關鍵的是不斷充實完善信息數(shù)據(jù)庫建設，使得樣本數(shù)據(jù)量更加豐富，進一步提高復雜裝備虛擬采辦風險評估的精準度。

4 結(jié)語

虛擬采辦是一項復雜的系統(tǒng)工程，通過建模與仿真技術，美國、英國等各世界軍事強國在裝備采辦實踐活動中取得了許多成功經(jīng)驗。我國在這方面的研究相對較晚，在裝備采辦實踐過程中，目前研究正處在起步階段。該文通過人工智能和仿真建模技術相融合，采取定性與定量相結(jié)合的方法，分析復雜裝備虛擬采辦風險影響因素，提出復雜裝備虛擬采辦風險評估指標體系，科學構建模糊神經(jīng)網(wǎng)絡模型，運用相關數(shù)據(jù)驗證了模型的正確性科學性，以某型復雜裝備虛擬采辦風險評估為實例進行了評估預測，評估結(jié)果具有較好的可信度和精準度，為下步開展復雜裝備虛擬采辦和管理層決策具有一定參考價值。

參考文獻

[1] 胡緒杰，劉尚鈔，劉志田，等.美軍航天器裝備采辦風險監(jiān)控機制探析[J].航天器環(huán)境工程，2010，27（1）：118-120.

[2] 蔡自興，徐光張.人工智能及其應用（研究生用書）[M].3版.清華大學出版社，2004：67-76.