， ，，

近年來，隨著全球新一代信息技術(shù)的應(yīng)用，人類社會進入了一個大規(guī)模生產(chǎn)、分享和應(yīng)用數(shù)據(jù)的大數(shù)據(jù)與人工智能時代，數(shù)據(jù)已經(jīng)成為軍事信息中不可或缺又亟待開發(fā)的重要資源[1]。

大數(shù)據(jù)與人工智能成為推動各國軍事轉(zhuǎn)型和軍隊建設(shè)的新動力，促進了國家安全和軍事戰(zhàn)略決策方式的變革[2]，提高了國防和軍隊建設(shè)的精確化水平，催生了新型武器裝備，引導(dǎo)了軍事組織形態(tài)變革，轉(zhuǎn)變了武裝力量的運用模式，推動了戰(zhàn)爭形態(tài)的演變[3]。

各類傳感設(shè)備在軍事領(lǐng)域的安裝應(yīng)用以及獲取數(shù)據(jù)的渠道增多，將會產(chǎn)生海量的數(shù)據(jù)。未來影響、決定軍事行動的最大核心在于數(shù)據(jù)，數(shù)據(jù)的積累量、數(shù)據(jù)分析和處理能力、數(shù)據(jù)主導(dǎo)決策以及人工智能水平將是獲得戰(zhàn)場優(yōu)勢的關(guān)鍵。

目前，全軍及各軍兵種啟動建設(shè)了各類軍事應(yīng)用系統(tǒng)，安裝了大量的傳感器及其他數(shù)據(jù)采集設(shè)備，為軍事大數(shù)據(jù)的收集提供了平臺，為海量數(shù)據(jù)的挖掘和整合奠定了基礎(chǔ)。

未來工作的重心是努力建構(gòu)處理大數(shù)據(jù)的硬件系統(tǒng)、軟件模型，實現(xiàn)大數(shù)據(jù)“從數(shù)據(jù)轉(zhuǎn)化為決策”的智能化和瞬時化，從而引領(lǐng)指揮決策方式變革，優(yōu)化作戰(zhàn)指揮流程，提高軍事管理水平，提升體系作戰(zhàn)能力[4]。

在部隊裝備建設(shè)中，總線裝備運行參數(shù)記錄儀計劃安裝到裝備中，采集裝備各部件的運行參數(shù)，如××式車采集的參數(shù)為300多個，××式車采集的參數(shù)為400多個。參數(shù)類型既有離散型(如某參數(shù)0表示正常，1表示故障)；又有連續(xù)型(如某參數(shù)有效范圍0～250)，參數(shù)用途類型涵蓋了維修、管理等各環(huán)節(jié)。

本方案將建立評價指標體系，針對某種類型裝備，模擬總線裝備運行參數(shù)記錄儀采集的數(shù)據(jù)樣本，進行深度的數(shù)據(jù)融合，利用機器學習算法建立數(shù)學模型，挖掘數(shù)據(jù)中裝備的信息，實時評價單裝的狀態(tài)，實時展現(xiàn)部隊裝備的整體態(tài)勢。

1 評價指標體系

1.1 參數(shù)離散化

分析總線裝備運行參數(shù)記錄儀采集數(shù)據(jù)參數(shù)的取值情況，將連續(xù)型參數(shù)離散化。如某參數(shù)有效范圍0～250，數(shù)據(jù)在有效范圍內(nèi)記為0，在有效范圍外記為1；某參數(shù)數(shù)值范圍0～500之間，定義400～500為1級，300～399為2級，200～299為3級，200以下為4級。

1.2 確定裝備狀態(tài)分級

根據(jù)總線裝備運行參數(shù)記錄儀采集數(shù)據(jù)參數(shù)范圍情況，將裝備狀態(tài)等級分為良好、一般、劣化、嚴重，對應(yīng)的裝備策略為正常運行、計劃安排維修、盡快安排維修、立即安排維修[5](表1)。

表1 裝備狀態(tài)分類與指揮策略

1.3 確定參數(shù)取值范圍

根據(jù)總線裝備運行參數(shù)記錄儀采集數(shù)據(jù)參數(shù)范圍情況，確定每個等級各參數(shù)的取值范圍。如某參數(shù)，0表示正常，1表示故障，2表示嚴重故障，則定義裝備狀態(tài)等級對應(yīng)的參數(shù)：良好為0，一般為0，劣化為1，嚴重為2。

2 樣本模擬

根據(jù)部隊裝備狀態(tài)各等級參數(shù)取值范圍，隨機生成模擬樣本，每個等級模擬一定量的樣本，各參數(shù)取值原則為本級別取值或向優(yōu)取值，但要保證至少有一個參數(shù)為本級別取值[6]。如在“劣化”的等級中，至少有一個參數(shù)達到“劣化”標準，參數(shù)“發(fā)動機自檢信息”，本級別取值為1，向優(yōu)取值為0，該參數(shù)的取值為1或0；如果取值為0，要保證該樣本中其他參數(shù)至少有一個為“劣化”水平[7]，從而建立模擬樣本集，滿足數(shù)據(jù)建模對訓(xùn)練集和測試集樣本的需求[8]。

3 數(shù)據(jù)建模

將模擬樣本集按一定比例隨機劃分為訓(xùn)練集和測試集。如取訓(xùn)練集的比例為75%，測試集的比例為25%，利用訓(xùn)練集訓(xùn)練模型，選擇k-Nearest Neighboers，Logistic Regression，Decision Tree，Random Forest，Gradient Boosting，Support Vector Machine，Deep Learning等機器學習模型進行對比[9](表2)。

表2 不同模型的準確率比較

從表2可以看出，各類模型對訓(xùn)練樣本的準確率均較高，其中Random Forest對測試樣本的準確率最高。因此，選擇Random Forest模型，調(diào)整模型中的參數(shù)，估評模型在訓(xùn)練集和測試集的準確度[10](表3)。

從表3可以看出，在Random Forest模型選擇參數(shù)max_depth=None,n_estimators=500,random_state=0時，模型對測試樣本的準確率的準確率達到了96.0%，因此是較好的選擇。

將單個裝備總線裝備運行參數(shù)記錄儀采集的數(shù)據(jù)輸入Random Forest模型，進行分類預(yù)測，得到單個裝備的狀態(tài)等級[11]。同時結(jié)合裝備實際運行情況，調(diào)整指標體系中各指標的權(quán)重，使模型更科學合理[12]。

表3 Random Forest模型不同參數(shù)的準確率比較

4 裝備態(tài)勢展現(xiàn)

部隊裝備類型多樣，可按照大的類型區(qū)分成通用車輛、履帶裝甲、輪式裝甲、工程機械、飛機、船艇等，同類型裝備制定通用模型。并在此基礎(chǔ)上，按照不同武器裝備的不同特性，制定不同型號裝備的具體模型。運行使用時，針對總線裝備運行參數(shù)記錄儀采集的數(shù)據(jù)情況，分別建立評價指標體系，構(gòu)建評價模型并進行評估。以各單個裝備最新的采集數(shù)據(jù)為依據(jù)，評價部隊全部單個裝備的狀態(tài)等級，以旅、軍、戰(zhàn)區(qū)軍種、軍兵種為展示單位，進行匯總展示；以各單個裝備狀態(tài)等級為基礎(chǔ)，利用Topsis，Projection Pursuit，EDA等方法，對各旅、軍、戰(zhàn)區(qū)軍種的全部裝備的總體水平進行評估、排序。隨著總線裝備運行參數(shù)記錄儀的普遍安裝，并采集積累一定時間的數(shù)據(jù)，可以對裝備進行回歸分析、聚類分析、時間序列分析、關(guān)聯(lián)分析等。

5 結(jié)語

通過對海量大數(shù)據(jù)進行實時處理，進行多維度數(shù)據(jù)應(yīng)用分析，實時監(jiān)控數(shù)據(jù)流向，實現(xiàn)數(shù)據(jù)互動可視化分析[13]。對同個單位不同型號武器裝備數(shù)據(jù)集、歷史數(shù)據(jù)集、配套裝備數(shù)據(jù)集的分析，以及對不同單位同型裝備數(shù)據(jù)集、異型裝備、同底盤裝備、同上裝裝備等的交叉分析，可清晰地看到同一類裝備在不同單位情況，同一單位不同裝備情況，不同歷史時期裝備情況等全過程、全壽命周期武器裝備動用、使用、保管、保養(yǎng)、維修保障等比對信息[14]。此外，構(gòu)建的豐富的決策模型，為軍事決策提供精準的分析預(yù)測服務(wù)，支持軍事首長統(tǒng)攬全局，清晰洞察相關(guān)業(yè)務(wù)領(lǐng)域的客觀現(xiàn)狀，并在動態(tài)數(shù)據(jù)中探索多維變量的相關(guān)性和相關(guān)領(lǐng)域的發(fā)展趨勢，快速科學地制定決策模型，提高決策效率[15]。通過機器學習、深度學習，并結(jié)合專家驗證的方法對模型進行優(yōu)化，不斷升級模型、優(yōu)化對策，驅(qū)動科學決策，提升部隊科學管裝治裝整體水平[16]。