龐亮

（中國人民解放軍92493 部隊，遼寧葫蘆島 125000）

裝備試驗數(shù)據(jù)是各類裝備試驗活動過程中使用和產(chǎn)生的所有數(shù)據(jù)的總稱，是裝備數(shù)據(jù)的重要組成部分。在大數(shù)據(jù)時代，高質(zhì)量的裝備試驗數(shù)據(jù)是裝備可靠運行、試驗數(shù)據(jù)高效處理，并有效挖掘試驗數(shù)據(jù)潛在價值的基礎，是減少人力、物力和提升效率的有效途徑。對試驗數(shù)據(jù)質(zhì)量評價，有助于了解并掌握試驗數(shù)據(jù)的不足，為后續(xù)試驗數(shù)據(jù)價值的深度挖掘提供支撐[1-5]。

神經(jīng)網(wǎng)絡算法各要素之間在結(jié)構上交互連接、相互影響，具有較強的自我學習能力。而數(shù)據(jù)質(zhì)量的各評估指標之間有些規(guī)則往往是相互交叉和關聯(lián)的，應用粗糙集對評估指標進行篩選，在保證能力不變的前提下，可有效去除不相關的冗余指標。因此，文中將粗糙集和BP 神經(jīng)網(wǎng)絡相結(jié)合構建評估模型，對裝備試驗數(shù)據(jù)質(zhì)量進行定量評估[6-10]。

1 概述

1.1 粗糙集理論

粗糙集理論是由波蘭科學家Z.Pawlak 提出的，是一種主要用于處理不精確或不相容問題的數(shù)學工具，通過對各種屬性進行約簡，從而發(fā)掘潛在的信息，在數(shù)據(jù)挖掘等相關領域得到廣泛應用?？梢杂靡粋€四元組來表示該系統(tǒng)，即：

其中，L={x1,x2,…,xm}為有限的非空集合；A={a1,a2,…,an}為有限非空的屬性集合；R為屬性a的值域；f為系統(tǒng)函數(shù)，f:L×A→R,f(x,a)∈R[11-13]。

1.2 BP神經(jīng)網(wǎng)絡

BP 神經(jīng)網(wǎng)絡是基于誤差反向傳播學習的多層前饋神經(jīng)網(wǎng)絡，常用的為三層BP神經(jīng)網(wǎng)絡，其原理如下：

網(wǎng)絡的三層結(jié)構主要包括輸入層X、中間層Y、輸出層Z。假定理想的輸出層為O，中間層的第j個神經(jīng)元yj，以及輸出層的第k個神經(jīng)元zk分別滿足：

其中，wij、aj表示輸入層至中間層的權值和閾值；wjk、bk表示中間層至輸出層的權值和閾值；f1、f2為激活函數(shù)。BP 網(wǎng)絡模型是通過對原始激活函數(shù)進行迭代訓練，動態(tài)調(diào)整權值和閾值，從而達到實際輸出與理想輸出之間的誤差最小化[14-16]。

2 基于粗糙集和神經(jīng)網(wǎng)絡的試驗數(shù)據(jù)質(zhì)量評估

2.1 數(shù)據(jù)質(zhì)量評估流程

神經(jīng)網(wǎng)絡具有準確的逼近收斂能力和較高的精度，粗糙集算法可有效簡化網(wǎng)絡模型的訓練樣本，因此，將兩者相結(jié)合，就可以得到一種理解方便、收斂速度快的評估模型。具體的試驗數(shù)據(jù)質(zhì)量評估流程如圖1 所示。

圖1 試驗數(shù)據(jù)質(zhì)量評估流程

2.2 數(shù)據(jù)質(zhì)量評估指標體系

由于數(shù)據(jù)的應用范圍廣泛，應用場景不一，導致對數(shù)據(jù)的要求多樣化。因此，目前還沒有一套適合所有數(shù)據(jù)應用領域的通用數(shù)據(jù)質(zhì)量評估指標體系。鑒于裝備試驗數(shù)據(jù)具有屬性多元、來源多維、分布多地、形式多樣等特點，根據(jù)裝備試驗數(shù)據(jù)工程數(shù)據(jù)的全生命周期特性，分主觀和客觀兩大類別，構建涵蓋十一項指標的裝備試驗數(shù)據(jù)質(zhì)量評估指標體系，具體如圖2 所示。

圖2 試驗數(shù)據(jù)質(zhì)量評估指標體系

可信性：指對數(shù)據(jù)的置信和可靠程度。

可理解性：數(shù)據(jù)準確表達而無歧義的程度。

規(guī)范性：評估是否有數(shù)據(jù)收集、錄入等統(tǒng)一標準規(guī)范。

完整性：對數(shù)據(jù)的結(jié)構、內(nèi)容和其他基本特征進行綜合測量。

及時性：反映數(shù)據(jù)在預期某一時段內(nèi)對特定應用的及時程度。

易用性：數(shù)據(jù)能夠被訪問和使用的程度，以及便于被更新、維護和管理的程度。

重復性：對存在于裝備試驗相關的各系統(tǒng)內(nèi)部或者子系統(tǒng)間的特定字段、記錄等進行的重復測量。

準確性：數(shù)據(jù)與實際描述對象的匹配程度。

效用性：數(shù)據(jù)是否能產(chǎn)生預期效果。

全面性：數(shù)據(jù)占應收集數(shù)據(jù)總體的比例。

一致性：在不同地方存儲和使用的同一數(shù)據(jù)的一致程度。

2.3 試驗數(shù)據(jù)質(zhì)量評估網(wǎng)絡

2.3.1 試驗數(shù)據(jù)質(zhì)量評估元

裝備試驗數(shù)據(jù)的質(zhì)量評估從主觀和客觀兩個屬性維度出發(fā)，構建評估網(wǎng)絡，用X表示主觀屬性，Y表示客觀屬性，K、M表示屬性的權重，權重比例分別用α和β來表示，μ為相關系數(shù)，δ是外部影響因子。對于其中一個評估單元來說，X和Y代表輸入，Z代表輸出，其表達式為：

其中，屬性的權重大小就表示對應的評估指標對裝備試驗數(shù)據(jù)質(zhì)量評估結(jié)果的影響程度。

2.3.2 試驗數(shù)據(jù)質(zhì)量評估網(wǎng)絡

精確的評估裝備試驗數(shù)據(jù)質(zhì)量需要將多個評估元交互連接，構成多層復雜的網(wǎng)絡評估模型。經(jīng)過權衡算法的復雜度和評估效果，神經(jīng)網(wǎng)絡采用三層結(jié)構即可滿足任意精度的逼近。

圖3 即為三層裝備試驗數(shù)據(jù)質(zhì)量評估網(wǎng)絡，其中，輸入X和Y，輸出為Z，輸出單一分量zi可表示為：

圖3 裝備試驗數(shù)據(jù)質(zhì)量評估網(wǎng)絡

2.4 數(shù)據(jù)質(zhì)量評估模型

裝備試驗數(shù)據(jù)質(zhì)量評估模型可以用六元組的形式表示：

其中，D代表需要進行評估的數(shù)據(jù)集；I代表對D進行評估時選取的指標，針對不同的測試數(shù)據(jù)集，從評估指標體系中選取不同的指標；R代表與選取指標相對應的評估規(guī)則；E代表對每一項規(guī)則R的期望值（取值為0～100）；S表示每一項規(guī)則R的最終得分值（取值為0～100）；J表示指標得分S與期望值E進行對比，并將評估結(jié)果劃分為合格與不合格兩種，達到期望值即為1，否則為0，最終形成信息集。裝備試驗數(shù)據(jù)質(zhì)量評估模型如表1 所示。

表1 裝備試驗數(shù)據(jù)質(zhì)量評估模型

3 試驗數(shù)據(jù)質(zhì)量評估

3.1 基于粗糙集的信息表約簡

在裝備試驗過程中會產(chǎn)生和使用大量的試驗數(shù)據(jù)，不同的應用場景對評估指標要求不同，因此各項指標得分也會有一定差別，邀請多位該領域權威專家和數(shù)據(jù)使用者，采用專家打分法對每組數(shù)據(jù)集的各項指標進行綜合打分，結(jié)果如表2 所示。

表2 8組數(shù)據(jù)集的評估指標得分表

其中F表示綜合得分。將上述評分結(jié)果與相應指標的期望值進行對比，滿足期望值即為1，否則即為0，最終可以得到一張如表3 所示的裝備試驗數(shù)據(jù)質(zhì)量評估信息表。

從表3 中可以看出，指標得分I1和I5相同，I2和I6相同，I7和I9相同，因此，三組中每一組只需保留一個，即保留指標I1、I2和I7，剔除指標I5、I6和I9，得到如表4 所示的評估約簡信息表。

表3 8組數(shù)據(jù)集的評估信息表

表4 8組數(shù)據(jù)集的評估簡約信息表

從表4 可得出，D={D1,D2,D3,D4,D5,D6,D7,D8}，I0={I1,I2,I3,I4,I7,I8}，則等價關系I1,I2,I3,I4,I7,I8有以下等價類：

通過不可分辨關系計算，則關系ind(I0)可以得到以下等價類：

根據(jù)上述結(jié)果可知，指標I1、I3和I8與I0是信息等價的，可簡化掉，因此得到了約簡后的指標集{I2,I4,I7}。通過粗糙集算法將初始的9 項指標約簡成3 項核心的評價指標。

3.2 基于BP神經(jīng)網(wǎng)絡的質(zhì)量評估預測

當條件屬性比較多時，采用粗糙集算法得到的決策規(guī)則較為復雜，且評估結(jié)果與指標之間的關系通常并不直觀，因此，可采用BP 神經(jīng)網(wǎng)絡對裝備試驗數(shù)據(jù)的質(zhì)量進行預測評估。

采用通過約簡得到的指標集合和相應的原始數(shù)據(jù)表作為最新的學習樣本集，該學習樣本集中僅保留了影響質(zhì)量評估結(jié)果的幾項核心指標。將原始數(shù)據(jù)集的數(shù)據(jù)質(zhì)量評估得分表作為訓練樣本，對BP 神經(jīng)網(wǎng)絡模型進行訓練。經(jīng)過粗糙集的約簡，可以得到模型輸入數(shù)量N為3，輸出數(shù)量M為1，中間層神經(jīng)元的數(shù)目經(jīng)過對比2、3、5、7、9 后選取網(wǎng)絡泛化能力最佳的5 個。裝備試驗數(shù)據(jù)質(zhì)量評估網(wǎng)絡模型如圖4 所示。

圖4 裝備試驗數(shù)據(jù)質(zhì)量評估網(wǎng)絡模型

按照BP 神經(jīng)網(wǎng)絡的一般設計原則，中間層神經(jīng)元的傳遞函數(shù)采用S 型正切函數(shù)，輸出層神經(jīng)元的傳遞函數(shù)采用S 型對數(shù)函數(shù),并對其進行歸一化與反歸一化。簡化后的指標集{I2,I4,I7} 分別作為評估網(wǎng)絡的輸入，裝備試驗數(shù)據(jù)質(zhì)量評估值F作為評估網(wǎng)絡的輸出。在模型訓練過程中，在正向傳播時，訓練樣本數(shù)據(jù)從網(wǎng)絡模型的輸入端{I2,I4,I7} 輸入，經(jīng)過包含5 個神經(jīng)元的中間層，得到輸出值F，將F與期望值進行比較，當誤差較大時，進行反向傳播，即將比較后得到的誤差從輸出層經(jīng)中間層，反向傳導到輸入層，然后不斷調(diào)整各層的權重值，通過多次迭代計算，最終使輸出誤差達到理想目標0.01 以內(nèi)，停止訓練，并得到最終訓練好的各層權值與完整的網(wǎng)絡模型。將模型用于該數(shù)據(jù)集的質(zhì)量評估預測，就可以得出該數(shù)據(jù)集的預測綜合評估質(zhì)量F，并與實際評估值進行對比，如圖5 所示。

圖5 預測評估結(jié)果與實際評估結(jié)果對比圖

由圖5 可知，通過粗糙集-神經(jīng)網(wǎng)絡模型預測的數(shù)據(jù)質(zhì)量結(jié)果與實際值曲線基本吻合，誤差很小，因此，可以采用此模型對該類型裝備試驗數(shù)據(jù)資源開展數(shù)據(jù)質(zhì)量評估。針對不同類型的裝備試驗數(shù)據(jù)集，當添加了新的數(shù)據(jù)質(zhì)量評估指標時，可以采用該方法對模型重新進行修正和訓練。

4 結(jié)束語

裝備試驗數(shù)據(jù)質(zhì)量評估是對裝備試驗產(chǎn)生和使用的數(shù)據(jù)進行質(zhì)量定量評估，有效提升數(shù)據(jù)質(zhì)量可提高裝備試驗效率，提升裝備試驗數(shù)據(jù)潛在價值，具有重要的理論意義。文中在BP 神經(jīng)網(wǎng)絡模型前端添加粗糙集算法，通過屬性約簡減少了BP 神經(jīng)網(wǎng)絡評估模型中的評估指標和樣本數(shù)量，有效提高了評估效率，增強了裝備試驗數(shù)據(jù)質(zhì)量評估的科學性和客觀性，且預測評估誤差較小?；诖植诩?神經(jīng)網(wǎng)絡模型的裝備試驗數(shù)據(jù)質(zhì)量評估模型，有效結(jié)合了粗糙集和BP 神經(jīng)網(wǎng)絡兩種算法的優(yōu)勢，是裝備試驗數(shù)據(jù)質(zhì)量評估的新嘗試。