宋貴寶 劉澤坤 羅亞民 李一夫

1 引言

Bootstrap自助法實質(zhì)是利用重抽樣技術(shù)來評估不確定性，利用再生子樣對未知參數(shù)進行統(tǒng)計推斷，其關(guān)鍵在于獲得可信程度高的再生子樣。Bootstrap自助法是一種對中等數(shù)量規(guī)模的樣本進行統(tǒng)計推斷的較優(yōu)方法，在小子樣和特小子樣條件下再生子樣可信度不高［1］。

新時期條件下，導(dǎo)彈更新?lián)Q代速度加快、單枚造價高昂。針對導(dǎo)彈命中精度進行的評定試驗，現(xiàn)場試驗次數(shù)和觀測數(shù)據(jù)少，直接運用Bootstrap法，產(chǎn)生的再生子樣重復(fù)率高，其統(tǒng)計推斷結(jié)果偏差較大。同時，在導(dǎo)彈生產(chǎn)定型階段存在著大量的驗前信息。如何利用驗前信息去擴充現(xiàn)場試驗觀測樣本，改進Bootstrap自助法再生子樣的獲取方式，提高再生子樣的真實程度，是一個值得研究的問題。

基于此，本文針對對地攻擊導(dǎo)彈命中精度的評定問題，選取圓概率偏差CEP指標(biāo)，采用非參數(shù)Bootstrap法，通過利用各類通過相容性檢驗的驗前信息來完善現(xiàn)場試驗觀測樣本，并引入重要度抽樣的思想，保護更為寶貴的原始觀測樣本數(shù)據(jù)，提高再生子樣的真實程度和最終評定結(jié)果準(zhǔn)確性。

2 命中精度評定試驗指標(biāo)

2.1 圓概率偏差CEP

命中精度表現(xiàn)了導(dǎo)彈武器系統(tǒng)彈藥相對于固定目標(biāo)點的落點散布特性，客觀反映了導(dǎo)彈武器系統(tǒng)對目標(biāo)的命中能力。對戰(zhàn)術(shù)彈道導(dǎo)彈和攻擊地面目標(biāo)的飛航導(dǎo)彈進行命中精度的評定，其實質(zhì)就是通過獲取各類試驗信息，對導(dǎo)彈武器系統(tǒng)的命中精度進行統(tǒng)計推斷。其中，圓概率偏差（CEP）是導(dǎo)彈武器系統(tǒng)命中精度評定最常用的指標(biāo)。

圓概率偏差（CEP）指的是在穩(wěn)定的發(fā)射條件下，向目標(biāo)發(fā)射的導(dǎo)彈武器系統(tǒng)，有50%概率落入以期望彈著點（散步中心）為圓心、R為半徑的散布圓（等概率圓）內(nèi)，該散布圓半徑R即為圓概率偏差CEP［2］。

針對平面目標(biāo)射擊，以目標(biāo)為圓心，射擊方向為縱軸，垂直于射擊方向為橫軸，（X，Z）表示落點偏差坐標(biāo)并服從正態(tài)分布，縱橫向獨立，（X，Z）～N（μX，μZ，σ2X，σ2Z）。如下式所示：

式中，當(dāng)P=50%時，R即為圓概率偏差CEP；μX、μZ為縱橫向射擊準(zhǔn)確度（系統(tǒng)誤差）要求，σX、σZ為縱橫向射擊密集度（標(biāo)準(zhǔn)差）要求，因此圓概率偏差CEP可綜合反映四個指標(biāo)（μX，μZ，σ2X，σ2Z），能夠很好的融合射擊準(zhǔn)確度和密集度進行表征。

2.2 命中精度縱橫向聯(lián)合檢驗

從工程應(yīng)用的角度考慮，對圓概率偏差CEP進行評定，直接尋找相關(guān)統(tǒng)計量較為困難。一般來說，由于系統(tǒng)誤差可采用各種手段進行補償修正，當(dāng)系統(tǒng)誤差遠小于隨機散布偏差時，對導(dǎo)彈命中精度CEP的評定試驗，可轉(zhuǎn)化為對射擊密集度（標(biāo)準(zhǔn)差）σ的評定。

假定系統(tǒng)誤差造成的落點偏差經(jīng)過補償修正，射擊無系統(tǒng)誤差，且落點散布為圓散布。對落點偏差坐標(biāo)（X，Z），有X ～ N（0，σ2X），Z ～ N（0，σ2Z）。

記σ2X?DX，σ2Z?DZ，則對于圓概率偏差CEP的評定，可轉(zhuǎn)化為對射擊密集度σ的評定［3］，且當(dāng)σX= σZ= σ0時，可得：

當(dāng)σX≠σZ時，可得：

3 Bootstrap自助法

3.1 Bootstrap法原理

設(shè)某型導(dǎo)彈靶場試驗現(xiàn)場觀測i.i.d.樣本X=｛X1，X2，…，Xn｝來自未知總體分布，Xi～ F（x），θ=θ（F）是總體分布F的未知數(shù)，由子樣X1，X2，…，Xn作經(jīng)驗分布Fn，= ( )

Fn為θ的估計，記估計誤差：

將估計值 θ(j)(F )作為θ（F）的子樣，可作出θ（F）的抽樣分布，并由此出發(fā)，作出關(guān)于θ的統(tǒng)計推斷［4～6］。

3.2 再生子樣獲取的抽樣方法

獲取再生子樣，首先要確定抽樣分布函數(shù)Fn。根據(jù)分布函數(shù)Fn中是否含有待定參數(shù)，再生子樣的抽樣方式可分為非參數(shù)抽樣和參數(shù)抽樣。這里介紹非參數(shù)抽樣法。

將獲得的i.i.d子樣X1，X2，…，Xn按從小到大排序，可得 X=｛X（1），X（2），…，X（n）｝，且X（1）≤ X（2）≤ … ≤ X（n）?？蓸?gòu)造經(jīng)驗分布函數(shù)如下［7］：

產(chǎn)生服從該經(jīng)驗分布函數(shù)的再生子樣步驟如下：

每次產(chǎn)生一個［1，n］區(qū)間上均勻分布的隨機整數(shù)η，則可根據(jù)η產(chǎn)生新的樣本點X（η）；重復(fù)該過程n次，可得到一組再生子樣X*。

由經(jīng)驗分布函數(shù)可知，每個樣本點Xi都有相同的被抽中概率，特別是抽樣次數(shù)很大時，每個樣本點的出現(xiàn)頻率都趨近于 1/n［8］。

3.3 區(qū)間估計

對于參數(shù)θ，假定根據(jù)Bootstrap法產(chǎn)生的i組再生子樣所獲得的關(guān)于θ的參數(shù)估計為j* ，將j*按照大小順序排列，可得：

因此，給定某一水平α，通過區(qū)間截取，可獲得置信度水平為1－α的Bootstrap區(qū)間估計為

4 小子樣條件下改進Bootstrap法

非參數(shù)Bootstrap抽樣法中產(chǎn)生的新的再生子樣均包含在原樣本中，且當(dāng)原樣本數(shù)量足夠時，產(chǎn)生的再生子樣中包含有重復(fù)子樣的概率極低。但是該方法的缺陷在于，當(dāng)待抽樣的原樣本的數(shù)量較少時，尤其是小子樣、特小子樣情況下（如n≤5），重抽樣的再生子樣會出現(xiàn)“退化”現(xiàn)象，即會多次出現(xiàn)兩組子樣相同的情況［9］。

因此考慮利用可信的驗前信息，對現(xiàn)場試驗數(shù)據(jù)進行補充，擴大待抽樣的原樣本容量，并引入重要度抽樣的思想保護現(xiàn)場試驗數(shù)據(jù)，提高Bootstrap方法產(chǎn)生的再生子樣與真實分布的相符合程度。

4.1 驗前信息相容性KS檢驗

導(dǎo)彈在生產(chǎn)定型等過程中的驗前信息種類繁多。在應(yīng)用這些驗前信息前，必須對驗前信息和現(xiàn)場試驗信息進行相容性檢驗，本節(jié)采用KS檢驗法。

假定有來自于總體分布F（x）的樣本：

其經(jīng)驗分布函數(shù)為Fm（x）。

另有來自總體分布G（y）的樣本：

其經(jīng)驗分布函數(shù)為Gn（y）。

取檢驗統(tǒng)計量

并給定顯著性水平α，若

則可認(rèn)為兩樣本不屬于同一總體，否則屬于同一總體。式中

Dl，α可通過查找柯爾莫格洛夫檢驗臨界值表得出。

4.2 基于驗前信息的改進Bootstrap抽樣

假定有n組現(xiàn)場觀測數(shù)據(jù)為

且(Xi，Zi) ～ N（0，0，σX2，σZ2）。另有NF組已經(jīng)通過顯著性水平為α的KS檢驗的驗前信息落點偏差數(shù)據(jù)為

為避免現(xiàn)場試驗數(shù)據(jù)被大量驗前信息所“湮沒”，引入重要度抽樣的思想［10～11］，根據(jù)不同類信息源的臨界檢驗水平αL（即超過該水平無法通過相容性檢驗）來映射信息源的置信度ωi。

工程上相容性檢驗的水平一般取0.1～0.4，因此采用以下從臨界檢驗水平αL到置信度ωi的線性映射：

假定存在p類驗前信息源，每類信息源的臨界檢驗水平為 αL(i)（i=1，2 ，…，p），則有線性映射：

根據(jù)置信度確定重要度。先令現(xiàn)場試驗子樣本的置信度ε0為1，則p類驗前信息源的重要度為

將上述兩組數(shù)據(jù)相混合，可以得到能夠產(chǎn)生再生子樣X*的待抽樣樣本：

現(xiàn)場試驗子樣本的重要度為

4.3 改進區(qū)間估計法

針對傳統(tǒng)區(qū)間估計方法估計效率不高，且總體分布非對稱時效果不佳的不足，本節(jié)采用Bootstrap-t區(qū)間估計法。

Bootstrap-t區(qū)間估計相關(guān)步驟如下：

1）根據(jù)觀測子樣X獲得參數(shù)θ的估計值 和標(biāo)準(zhǔn)差 se()；

2）由經(jīng)驗函數(shù)再抽取k組再生子樣本為

并由各子樣本分別獲得估計值 *i和估計標(biāo)

3）取統(tǒng)計量

并根據(jù)大小順序排列 t*i，得到

則給定某一水平α，通過區(qū)間截取，可獲得置信度水平為1－α的Bootstrap區(qū)間估計為

5 實例分析

某型對地攻擊導(dǎo)彈進行命中精度評定，經(jīng)過現(xiàn)場靶場試射，得到5組真實縱橫向落點偏差值數(shù)據(jù)，且服從正態(tài)分布N（0，502），具體數(shù)據(jù)見表1。

表1 現(xiàn)場觀測樣本數(shù)據(jù)

另有兩類通過了KS相容性檢驗的驗前信息，一類是改進前相似型號試射的6組驗前數(shù)據(jù)（臨界檢驗水平αL1為0.1），另一類是模擬彈道仿真試驗的6組驗前數(shù)據(jù)（臨界檢驗水平αL2為0.2），兩類驗前數(shù)據(jù)均服從正態(tài)分布N（0，552），具體數(shù)據(jù)見表2、表3。

根據(jù)式（16）線性映射，可得相似型號試射信息的置信度為1/2，彈道仿真信息的置信度為2/3；

表2 改進前相似型號試射驗前信息數(shù)據(jù)

表3 模擬彈道仿真驗前信息數(shù)據(jù)

根據(jù)式（17）、式（18），可得相似型號試射驗前信息分配權(quán)重為

彈道仿真信息分配重要度為

現(xiàn)場真實數(shù)據(jù)分配重要度為

因此，相似型號試射驗前數(shù)據(jù)的6個子樣本每個被抽中概率約為0.038；彈道仿真信息的6個子樣本每個被抽中概率約為0.052；現(xiàn)場真實數(shù)據(jù)5個樣本，每個被抽中的概率約為0.092。

根據(jù)圖2仿真步驟進行抽樣，設(shè)定再生子樣的容量為20（即每20個新產(chǎn)生的數(shù)據(jù)為一組再生子樣），共抽取2000組。由獲得的子樣本相關(guān)數(shù)據(jù)，分別進行縱、橫向射擊密集度（標(biāo)準(zhǔn)差）點估計、置信度80%的區(qū)間估計以及計算圓概率偏差CEP值。仿真步驟如下：

根據(jù)仿真流程，所獲得的仿真結(jié)果與分析結(jié)論如下：

1）基于驗前信息的改進Bootstrap法與經(jīng)典統(tǒng)計方法的仿真結(jié)果見表4。

分析可知，經(jīng)典統(tǒng)計方法直接應(yīng)用現(xiàn)場觀測樣本與驗前信息共17個樣本數(shù)據(jù)，該方法并不產(chǎn)生再生子樣，其σX與σZ的點估計要大于采用重要度抽樣的自助法的σX與σZ的點估計，且經(jīng)典統(tǒng)計方法區(qū)間估計遠不夠精確，如σX的80%置信區(qū)間估計，經(jīng)典統(tǒng)計方法的［46.4407，73.8400］區(qū)間范圍遠大于自助法的［42.3384，61.5753］區(qū)間范圍；

表4 縱、橫向射擊密集度σ估計結(jié)果（1）

2）采用重要度抽樣的Bootstrap法與不采用重要度抽樣的Bootstrap法的統(tǒng)計推斷數(shù)據(jù)見表5。

表5 縱、橫向射擊密集度σ估計結(jié)果（2）

分析可知，相比于不采用重要度抽樣，采用重要度抽樣的評估結(jié)果更接近現(xiàn)場觀測樣本的分布特征，如σX的點估計51.9537更接近σ0的估計值50；σX的80%置信區(qū)間估計［42.3384，61.5753］比區(qū)間［43.5150，64.6456］更接近正態(tài)分布 N（0，502）；

3）射擊密集度σ分布（以σX為例）見下圖3、4。

分析可知，采用重要度抽樣的改進自助法，其射擊密集度σX的區(qū)間（總體）分布更近似于正態(tài)分布，且σX的點估計和區(qū)間估計，更接近于現(xiàn)場觀測樣本的分布N（0，502），其真實性和可信程度更好。

綜上可知，在小子樣條件下，基于驗前信息的改進Bootstrap法所產(chǎn)生的再生子樣，其可信程度比改進前Bootstrap法產(chǎn)生的再生子樣可信度更高，其統(tǒng)計推斷結(jié)果相比于經(jīng)典統(tǒng)計方法也更加得精確，因此該方法能夠為小子樣條件下導(dǎo)彈命中精度的評定提供一種可供參考的結(jié)果。

6 結(jié)語

本文結(jié)合某型對地攻擊導(dǎo)彈的現(xiàn)場試驗數(shù)據(jù)，選取射擊密集度σ作為命中精度評定指標(biāo)，針對非參數(shù)Bootstrap法不適用于小子樣條件下統(tǒng)計推斷的缺陷，通過綜合利用各類真實的驗前信息數(shù)據(jù)，引入重要度抽樣思想，對Bootstrap再生子樣的獲取方式進行改進。仿真結(jié)果表明，基于驗前信息的改進Bootstrap法所獲得的σ估計與置信區(qū)間，其結(jié)果的真實性更好，能夠為導(dǎo)彈命中精度評定試驗提供一定的參考。

當(dāng)然，Bootstrap自助法作為一種原始樣本信息的“提攜”手段，在小子樣甚至特小子樣條件下應(yīng)用，存在著許多可以改進之處。如現(xiàn)場數(shù)據(jù)的大致分布已知時能否采用參數(shù)Bootstrap法（原始樣本仍是小子樣條件），落點縱橫向偏差非獨立時如何應(yīng)用驗前信息，各類驗前信息的重要度如何更好地進行分配，再生子樣的容量如何設(shè)定才能更加合理等。這些問題值得進行更為深入地研究。

［1］唐雪梅，蔡洪，楊華波等.導(dǎo)彈武器精度分析與評估［M］.北京：國防工業(yè)出版社，2015：250-263.

［2］王正明，盧芳云，段曉君等.導(dǎo)彈試驗的設(shè)計與評估［M］.北京：科學(xué)出版社，2010：438-440.

［3］張宗梅，宋維軍，李雙喜等.一種融合驗前信息的特小子樣精度評估方法［J］.航天控制，2011，29（6）：49-53.

［4］Davison，A.C.（Anthony Christopher），Hinkley，D.V.Bootstrap Methods and Their Application［J］.Technometrics，1997，42（2）：216-217.

［5］雷鳴，張麗群.基于Bootstrap方法的艦空導(dǎo)彈武器系統(tǒng)制導(dǎo)精度評定［J］.現(xiàn)代防御技術(shù)，2014，42（5）：60-64.

［6］劉新愛，陳勇男，王如根.基于自助法的導(dǎo)彈命中精度評定［J］.戰(zhàn)術(shù)導(dǎo)彈技術(shù)，2004（06）：32-34.

［7］孫錦，李國林等.基于Bootstrap的反艦導(dǎo)彈靶場試驗小樣本數(shù)據(jù)分析方法研究［J］.計算機與數(shù)字工程，2014，42（1）：48-51.

［8］Pérez M C I，Manteiga W G.Bootstrap for the conditional distribution function with truncated and censored data［J］.Annals of the Institute of Statistical Mathematics，2003，55（2）：331-357.

［9］劉思雨，張敏強.Bootstrap平均數(shù)假設(shè)檢驗樣本容量探討［J］.統(tǒng)計與決策，2016（14）：26-28.

［10］唐雪梅，李榮，胡正東等.武器裝備綜合試驗與評估［M］.北京：國防工業(yè)出版社，2013：33-82

［11］胡正東，曹淵，張士峰等.特小子樣試驗下導(dǎo)彈精度評定的Bootstrap方法［J］.系統(tǒng)工程與電子技術(shù)，2008，30（8）：1493-1497.

［12］劉建，吳翊，譚璐.對Bootstrap方法的自助抽樣的改進［J］.數(shù)學(xué)理論與應(yīng)用，2006（1）：71-74.

［13］Duan X.APPLICABILITY OF BOOTSTRAP METHOD IN SMALL SAMPLE CASE［J］.Journal of Ballistics，2003（3）：1-5.

［14］金振中，李曉斌等.戰(zhàn)術(shù)導(dǎo)彈試驗設(shè)計［M］.北京：國防工業(yè)出版社，2013：96-143

［15］郭齊勝，羅小明，潘高田.武器裝備試驗理論與檢驗方法［M］.北京：國防工業(yè)出版社，2013：188-191.

［16］GJB5207-2004.地地戰(zhàn)術(shù)導(dǎo)彈批抽檢飛行試驗驗收方法［S］.國防科學(xué)技術(shù)工業(yè)委員會批準(zhǔn)，2004.

［17］GJB2899-97.飛航導(dǎo)彈飛行試驗精度分析和命中精度評定方法［S］.國防科學(xué)技術(shù)工業(yè)委員會批準(zhǔn)，1997.

［18］樊立明，吳鵬，萬偉.基于Bayes自助法的小子樣命中精度評估［C］//The International Conference on Computational Intelligence and Industrial Application.2010：3-4.

［19］曹裕華.裝備試驗設(shè)計與評估［M］.北京：國防工業(yè)出版社，2016：183-189.

［20］徐英，王松山，柳輝等.裝備試驗與評價概論［M］.北京：北京理工大學(xué)出版社，2016：29-46.

［21］趙喜春.導(dǎo)彈命中精度綜合鑒定方法研究［J］.現(xiàn)代防御技術(shù)，2008，36（3）：33-36.

［22］謝紅衛(wèi)，孫志強，李欣欣等.多階段小樣本數(shù)據(jù)條件下裝備試驗評估［M］.北京：國防工業(yè)出版社，2016：156-167.