殷小靜，胡曉峰，郭圣明，馬 駿，楊永利，3

（1.國防大學(xué)聯(lián)合作戰(zhàn)學(xué)院，北京 100091；2.解放軍96941部隊(duì)，北京 100085；3.解放軍65183部隊(duì)，遼寧 遼陽 111200）

0 引言

戰(zhàn)爭是交戰(zhàn)雙方作戰(zhàn)體系之間的對(duì)抗。習(xí)主席指出：要以對(duì)作戰(zhàn)體系的貢獻(xiàn)率為評(píng)價(jià)標(biāo)準(zhǔn)，科學(xué)設(shè)計(jì)裝備需求和技術(shù)指標(biāo)［1］。提出體系貢獻(xiàn)率的概念，旨在通過體系貢獻(xiàn)率評(píng)估回答體系組分對(duì)作戰(zhàn)體系的影響程度。體系貢獻(xiàn)率評(píng)估是體系建設(shè)和分析的重要內(nèi)容，是研究作戰(zhàn)體系構(gòu)建、優(yōu)化體系結(jié)構(gòu)、提高體系能力、引導(dǎo)體系演化和打擊敵方作戰(zhàn)體系的重要依據(jù)，是當(dāng)前體系研究的熱點(diǎn)和難點(diǎn)［2］。體系是典型的復(fù)雜系統(tǒng)，組分的增、減、改等對(duì)體系效能的影響具有非線性、涌現(xiàn)性等特點(diǎn)［3］，體系貢獻(xiàn)率評(píng)估指標(biāo)應(yīng)該是指揮員關(guān)心的體系級(jí)指標(biāo)。傳統(tǒng)基于人工定義的體系基礎(chǔ)指標(biāo)只能反映體系效能的一個(gè)側(cè)面且主觀性強(qiáng)，而直接根據(jù)任務(wù)指標(biāo)來評(píng)估體系貢獻(xiàn)率又過于片面，不能體現(xiàn)體系變化的涌現(xiàn)性和非線性。因此，需要挖掘能夠表征體系效能涌現(xiàn)性的綜合特征指標(biāo)，以作為體系貢獻(xiàn)率評(píng)估的指標(biāo)。

深度學(xué)習(xí)（Deep Learning，DL）［4-5］具有良好的非線性表達(dá)能力，能夠很好地刻畫復(fù)雜系統(tǒng)內(nèi)部特征。棧式稀疏自編碼網(wǎng)絡(luò)（Stacked Sparse AutoEncoder，SSAE）是一種可以實(shí)現(xiàn)高效編碼的人工神經(jīng)網(wǎng)絡(luò)［6］，經(jīng)過加噪優(yōu)化的棧式稀疏降噪自編碼網(wǎng)絡(luò)（Stacked Denoising AutoEncoder，SDAE）不僅具有較強(qiáng)的特征提取能力，而且具有很好的魯棒性。本文針對(duì)體系貢獻(xiàn)率評(píng)估的特點(diǎn)和要求，采用SDAE+Softmax 模型對(duì)體系效能涌現(xiàn)過程進(jìn)行建模，并根據(jù)Softmax 分類器的機(jī)理，從體系基礎(chǔ)指標(biāo)中挖掘分類類別的相對(duì)概率值，作為體系貢獻(xiàn)率評(píng)估的綜合特征指標(biāo)。該指標(biāo)能夠科學(xué)有效地反映體系效能的深層變化情況，為體系貢獻(xiàn)率評(píng)估提供了全

新的思路。

1 基本思想

1.1 體系貢獻(xiàn)率概念

貢獻(xiàn)率是經(jīng)濟(jì)領(lǐng)域常用的概念，既可以表示投資的收益率，又可以表示不同部門對(duì)總收益的貢獻(xiàn)程度。借鑒經(jīng)濟(jì)領(lǐng)域“貢獻(xiàn)率”的定義，我軍創(chuàng)造性地提出了體系貢獻(xiàn)率的概念［2］：待評(píng)對(duì)象（焦點(diǎn)對(duì)象）對(duì)包含它的作戰(zhàn)體系完成作戰(zhàn)使命任務(wù)的影響程度的度量。體系貢獻(xiàn)率反映了評(píng)估要素（貢獻(xiàn)者）對(duì)作戰(zhàn)體系的貢獻(xiàn)程度，是評(píng)估要素在作戰(zhàn)體系中所發(fā)揮作用的一種度量。當(dāng)前評(píng)估要素主要針對(duì)武器裝備，考慮到武器裝備必須在作戰(zhàn)中才能體現(xiàn)出作用［7］，評(píng)估體系貢獻(xiàn)率是在衡量武器裝備對(duì)作戰(zhàn)體系的貢獻(xiàn)程度。

按照度量方法，體系貢獻(xiàn)率可以分為絕對(duì)貢獻(xiàn)率和相對(duì)貢獻(xiàn)率，分別對(duì)應(yīng)基于增量的度量模型和基于比值的度量模型［8］。其中，基于增量的度量模型可能得出體系貢獻(xiàn)率為100%的不合理結(jié)果，適于評(píng)估同類裝備的體系貢獻(xiàn)率。目前武器裝備的貢獻(xiàn)模型常用相對(duì)貢獻(xiàn)率的概念模型［9］：

目前，從體系能力和體系效能的視角開展體系貢獻(xiàn)率研究評(píng)估最為普遍。能力是相對(duì)靜態(tài)的概念，而效能是相對(duì)動(dòng)態(tài)的概念［10］。針對(duì)裝備在作戰(zhàn)應(yīng)用中的貢獻(xiàn)情況，多以體系效能視角評(píng)估體系貢獻(xiàn)率。評(píng)估武器裝備對(duì)體系效能的貢獻(xiàn)率，最直接的角度是從作戰(zhàn)效果和完成任務(wù)使命的程度來衡量，例如導(dǎo)彈命中數(shù)量、是否摧毀敵方目標(biāo)等。另外，OODA環(huán)數(shù)、OODA時(shí)長、對(duì)抗勢能等基于網(wǎng)絡(luò)化體系建模的指標(biāo)，從不同側(cè)面衡量了體系效能的涌現(xiàn)性。但體系貢獻(xiàn)率具有層次性和涌現(xiàn)性，如果單純以是否完成使命任務(wù)作為衡量體系貢獻(xiàn)率的指標(biāo)，可能組分變化前后都能或都不能完成使命任務(wù)，并不能說組分的變化對(duì)體系效能就沒有影響。因此，需要挖掘能夠衡量體系效能涌現(xiàn)性的綜合特征指標(biāo)來衡量體系貢獻(xiàn)率。

1.2 綜合特征指標(biāo)計(jì)算方法

傳統(tǒng)綜合特征指標(biāo)的計(jì)算方法主要是通過基礎(chǔ)指標(biāo)的加權(quán)計(jì)算，其隱含的假設(shè)是指標(biāo)之間相互獨(dú)立，這顯然與網(wǎng)絡(luò)化作戰(zhàn)體系指標(biāo)之間相互關(guān)聯(lián)的特點(diǎn)不匹配。隨著大數(shù)據(jù)和機(jī)器學(xué)習(xí)技術(shù)的發(fā)展，人們開始探索利用數(shù)據(jù)挖掘的方法得到綜合特征指標(biāo)，例如文獻(xiàn)［11-12］依托作戰(zhàn)實(shí)驗(yàn)數(shù)據(jù)分別基于重要性分析、社團(tuán)分析方法與主成分分析法（PCA）相結(jié)合，挖掘體系效能的多個(gè)綜合特征指標(biāo)。這種通過主成分分析法進(jìn)行降維處理和指標(biāo)聚合的思路，采用線性映射得到數(shù)據(jù)的低維結(jié)構(gòu)，往往不能完備地表達(dá)體系的特征，會(huì)有信息丟失，而且得到的綜合特征指標(biāo)是對(duì)作戰(zhàn)體系涌現(xiàn)能力某一方面的反映，雖然為體系貢獻(xiàn)率的評(píng)估提供了不同視角，但單個(gè)指標(biāo)并不能表達(dá)體系涌現(xiàn)能力的整體影響。

作戰(zhàn)體系中組分系統(tǒng)具有非線性關(guān)聯(lián)和共同演化關(guān)系，使得體系貢獻(xiàn)率評(píng)估中面臨諸多非線性問題。深度學(xué)習(xí)具有良好的特征提取能力，可以對(duì)體系效能的非線性涌現(xiàn)過程進(jìn)行建模，從而挖掘體系貢獻(xiàn)率評(píng)估指標(biāo)。深度神經(jīng)網(wǎng)絡(luò)模型作為“深層結(jié)構(gòu)”，能夠有效揭示復(fù)雜輸入的內(nèi)在規(guī)律，但是深度學(xué)習(xí)是一種通用的“黑箱”模型，其按網(wǎng)絡(luò)層次提取的特征具有不可解釋性，不能直接作為體系貢獻(xiàn)率評(píng)估的指標(biāo)，需要定義新的綜合特征指標(biāo)。根據(jù)Softmax模型基本原理：

即Softmax模型的輸出表征了不同類別之間的相對(duì)概率，為［0，1］區(qū)間的概率值，且輸出結(jié)果之和為1，可以將其解釋為類概率。因此，定義標(biāo)簽xi的分類概率相對(duì)值為：

該概率可以表征輸入數(shù)據(jù)被分為標(biāo)簽xi時(shí)的可能性。如果標(biāo)簽xi代表作戰(zhàn)體系能否完成某任務(wù)，那么分類概率相對(duì)值越大，則輸入數(shù)據(jù)達(dá)到標(biāo)簽xi的可能性越大，表明體系完成某任務(wù)的能力越強(qiáng)，進(jìn)而可以用來作為量化體系效能的非線性變化。分類概率相對(duì)值作為一種概率表達(dá)形式，能夠很好地反映作戰(zhàn)效能涌現(xiàn)過程的不確定性，作為評(píng)估體系貢獻(xiàn)率的綜合特征指標(biāo)更為科學(xué)有效。

2 基于SDAE+Softmax模型的體系效能評(píng)估模型

為了得到可靠的分類概率相對(duì)值，首先需要構(gòu)建具有較高準(zhǔn)確性的體系效能評(píng)估模型，進(jìn)而提取分類概率相對(duì)值作為體系貢獻(xiàn)率評(píng)估的非線性指標(biāo)。棧式稀疏自編碼神經(jīng)網(wǎng)絡(luò)SSAE結(jié)構(gòu)簡單、容易訓(xùn)練，被廣泛用于數(shù)據(jù)降維、數(shù)據(jù)分類等方面，本文采用加噪優(yōu)化的棧式稀疏降噪自編碼網(wǎng)絡(luò)SDAE與Softmax分類器相結(jié)合構(gòu)建體系效能評(píng)估模型。

2.1 SDAE+Softmax模型基本結(jié)構(gòu)

SDAE模型具有良好的特征提取能力，加入去噪聲機(jī)制后，可以提高自編碼網(wǎng)絡(luò)的魯棒性，與分類器結(jié)合能夠較好地完成對(duì)輸入樣本的分類識(shí)別。構(gòu)建SDAE+Softmax評(píng)估模型，首先將稀疏降噪自編碼網(wǎng)絡(luò)DAE進(jìn)行堆疊，完成對(duì)輸入數(shù)據(jù)的特征提取任務(wù)，然后將提取的數(shù)據(jù)特征輸入到Softmax分類器中進(jìn)行分類，基本結(jié)構(gòu)如圖1所示。其中，特征提取網(wǎng)絡(luò)采用稀疏降噪自編碼網(wǎng)絡(luò)堆疊，具有良好的魯棒性和擬合能力。

圖1 SDAE+Softmax模型的基本結(jié)構(gòu)

對(duì)于稀疏降噪自編碼器，輸入層數(shù)據(jù)需要先經(jīng)過降噪處理再進(jìn)行特征提取，代價(jià)函數(shù)為：

其中，JAE為重構(gòu)誤差項(xiàng)，用于衡量重構(gòu)數(shù)據(jù)與原始數(shù)據(jù)的差異，Ωsparse為稀疏約束項(xiàng)，用于約束隱含層節(jié)點(diǎn)激活量，利于提取重要的隱藏特征，Ωweight為權(quán)重正則項(xiàng)，防止權(quán)重過度擬合。訓(xùn)練過程中通過最小化代價(jià)函數(shù)J（w，b）初始化網(wǎng)絡(luò)參數(shù)權(quán)值w和偏置b，即：

不同于傳統(tǒng)的淺層神經(jīng)網(wǎng)絡(luò)，SDAE+Softmax評(píng)估模型是深層神經(jīng)網(wǎng)絡(luò)，可以增減隱含層的堆疊數(shù)目，通過逐層提取特征表示復(fù)雜高維函數(shù)，提高分類識(shí)別的準(zhǔn)確性。

2.2 模型的訓(xùn)練過程

深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練情況直接決定模型的效果，SDAE+Softmax評(píng)估模型的訓(xùn)練分為兩個(gè)過程：無監(jiān)督的預(yù)訓(xùn)練和有監(jiān)督的微調(diào)。將訓(xùn)練樣本分為無標(biāo)簽的訓(xùn)練樣本和有標(biāo)簽的訓(xùn)練樣本，利用無標(biāo)簽訓(xùn)練樣本，通過無監(jiān)督學(xué)習(xí)的方式訓(xùn)練棧式稀疏降噪自編碼網(wǎng)絡(luò)，然后，利用有標(biāo)簽訓(xùn)練樣本對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行微調(diào)。SDAE+Softmax模型的訓(xùn)練流程如圖2所示。

圖2 SDAE+Softmax模型訓(xùn)練流程圖

首先通過無監(jiān)督的方式，采用逐層貪婪無監(jiān)督算法逐層訓(xùn)練堆疊降噪稀疏自編碼網(wǎng)絡(luò)，實(shí)現(xiàn)數(shù)據(jù)的高層特征提取。設(shè)置前向訓(xùn)練中的迭代次數(shù)、稀疏參數(shù)等，隨機(jī)初始化權(quán)值w和偏置b，計(jì)算代價(jià)函數(shù)J（w，b），以反向傳播算法更新權(quán)值，編碼器的權(quán)值與對(duì)應(yīng)解碼器的權(quán)值互為轉(zhuǎn)置。每次僅訓(xùn)練一個(gè)隱含層的參數(shù)，即在訓(xùn)練第l層時(shí)，其他網(wǎng)絡(luò)層參數(shù)保持不變，訓(xùn)練完畢后其輸出作為下一層網(wǎng)絡(luò)的輸入，直至所有自編碼網(wǎng)絡(luò)預(yù)訓(xùn)練完畢，得到特征提取網(wǎng)絡(luò)的所有連接參數(shù)。然后，將提取的特征輸入Softmax分類器，利用有標(biāo)簽的訓(xùn)練樣本進(jìn)行有監(jiān)督的訓(xùn)練，對(duì)比分類結(jié)果與原數(shù)據(jù)標(biāo)簽，對(duì)網(wǎng)絡(luò)進(jìn)行微調(diào)，從而實(shí)現(xiàn)網(wǎng)絡(luò)優(yōu)化，達(dá)到數(shù)據(jù)分類的目的。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)環(huán)境

本文基于Keras平臺(tái)搭建深度神經(jīng)網(wǎng)絡(luò)模型，在處理器為i7-4790CPU@3.6GHz、顯卡為NVIDIATITAN X的計(jì)算機(jī)上進(jìn)行模型的訓(xùn)練和測試。依托體系仿真實(shí)驗(yàn)床平臺(tái)，設(shè)計(jì)作戰(zhàn)想定，采集體系指標(biāo)樣本數(shù)據(jù)。

3.2 數(shù)據(jù)采集

以防空作戰(zhàn)為背景，構(gòu)建紅藍(lán)對(duì)抗實(shí)驗(yàn)想定。定義紅方作戰(zhàn)體系的指標(biāo)參數(shù)，共386維。批量更改想定中紅藍(lán)對(duì)抗體系的參數(shù)，并多次運(yùn)行想定，得到初始樣本集。將指標(biāo)參數(shù)進(jìn)行歸一化處理，其中167個(gè)指標(biāo)作為模型的輸入數(shù)據(jù)，將紅方要點(diǎn)是否被摧毀為模型的輸出類別。運(yùn)行想定得到數(shù)量為12 000的樣本集，將樣本集分為無標(biāo)簽的訓(xùn)練集、有標(biāo)簽的驗(yàn)證集和有標(biāo)簽的測試集，數(shù)量分別為：8 000，2 000，2 000。

3.3 SDAE+Softmax模型的訓(xùn)練

3.3.1 基本參數(shù)的確定

對(duì)于構(gòu)建的SDAE+Softmax模型，首先需要確定模型的參數(shù)，包括決定模型結(jié)構(gòu)的網(wǎng)絡(luò)層數(shù)、各網(wǎng)絡(luò)層節(jié)點(diǎn)數(shù)等結(jié)構(gòu)參數(shù)，激活函數(shù)、稀疏懲罰、噪聲等級(jí)等調(diào)優(yōu)參數(shù)，以及學(xué)習(xí)率、迭代次數(shù)、批尺寸等訓(xùn)練參數(shù)。以基礎(chǔ)指標(biāo)數(shù)據(jù)的維度作為輸入層節(jié)點(diǎn)數(shù)，即386維；根據(jù)對(duì)指標(biāo)集進(jìn)行社團(tuán)劃分的經(jīng)驗(yàn)，可以劃分4～10個(gè)有意義的社團(tuán)，因此，定義SDAE網(wǎng)絡(luò)輸出層節(jié)點(diǎn)數(shù)為10，Softmax分類器類別數(shù)量為2。設(shè)定SDAE+Softmax模型的主要參數(shù)如表1所示，并通過對(duì)比實(shí)驗(yàn)確定模型中隱含層的結(jié)構(gòu)。

表1 模型參數(shù)設(shè)置

3.3.2 隱含層參數(shù)的確定

為確定深度神經(jīng)網(wǎng)絡(luò)中隱含層層數(shù)，通過實(shí)驗(yàn)討論其選取問題。研究表明［13］，當(dāng)?shù)?隱含層節(jié)點(diǎn)數(shù)大于輸入層節(jié)點(diǎn)數(shù)時(shí)，堆棧自編碼器可以提取較好的特征信息。節(jié)點(diǎn)數(shù)越多，網(wǎng)絡(luò)的學(xué)習(xí)能力越強(qiáng)，但節(jié)點(diǎn)數(shù)增多會(huì)增加計(jì)算量，并且影響網(wǎng)絡(luò)的泛化能力，造成過擬合的問題。另外，并非隱含層數(shù)越多，分類識(shí)別效果越好，因此，通過實(shí)驗(yàn)決定隱含層的層數(shù)和結(jié)構(gòu)。通常設(shè)定第1隱含層節(jié)點(diǎn)數(shù)大于等于輸入層節(jié)點(diǎn)數(shù)的兩倍，本文選擇隱含層結(jié)構(gòu)分別為800-10（SDAE1）、800-80-10（SDAE2）、800-400-80-10（SDAE3）、800-400-200-80-10（SDAE4），利用訓(xùn)練樣本集對(duì)4個(gè)模型進(jìn)行訓(xùn)練，并利用測試集得出分類準(zhǔn)確率，實(shí)驗(yàn)結(jié)果如表2。

表2 不同層數(shù)模型測試情況對(duì)比表

通過表2可以看出，隨著隱含層數(shù)的增加，3層隱含層模型的準(zhǔn)確率高于2層隱含層模型，但隨著隱含層數(shù)的繼續(xù)增加，4層、5層隱含層模型的準(zhǔn)確率卻在下降，也就是說，當(dāng)隱含層數(shù)為3時(shí)，構(gòu)建的模型可以更好地提取本數(shù)據(jù)集的特征并進(jìn)行更好的分類。訓(xùn)練過程中迭代次數(shù)與重構(gòu)誤差的關(guān)系如圖3所示。

圖3 不同隱含層數(shù)的模型訓(xùn)練情況

由圖3可以看出，隨著迭代次數(shù)的增加，SDAE模型的重構(gòu)誤差逐漸減少，在迭代2 000次左右后趨于平緩，其中，隱含層數(shù)為3層的模型重構(gòu)誤差最小，因此，構(gòu)建隱含層數(shù)和節(jié)點(diǎn)數(shù)為800-80-10結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)模型。同理，經(jīng)過交叉實(shí)驗(yàn)驗(yàn)證，對(duì)比不同參數(shù)下模型的平均分類準(zhǔn)確率，可確定模型的最優(yōu)參數(shù)組合。學(xué)習(xí)率的大小可以直接影響神經(jīng)網(wǎng)絡(luò)的收斂速度和尋優(yōu)能力，將學(xué)習(xí)率設(shè)定為0.1；為保證模型的稀疏性，設(shè)定稀疏懲罰為0.05；為實(shí)現(xiàn)降噪功能，設(shè)定噪聲等級(jí)為0.2。

3.4 對(duì)比傳統(tǒng)分類模型

在機(jī)器學(xué)習(xí)中，常用的分類模型還有支持向量機(jī)（SVM）、隨機(jī)森林（RF）、樸素貝葉斯（NB）、多層感知機(jī)（MLP）以及PCA+Softmax 模型等，這些均屬于淺層結(jié)構(gòu)模型?；谕恢笜?biāo)數(shù)據(jù)樣本，將SDAE+Softmax 模型、未加噪的SSAE+Softmax 模型以及常用的機(jī)器學(xué)習(xí)分類算法相比較，實(shí)驗(yàn)結(jié)果如圖4 所示。

圖4 不同學(xué)習(xí)模型的測試情況

通過本文構(gòu)建的SDAE+Softmax 模型與常用機(jī)器學(xué)習(xí)分類算法在樣本分類上的結(jié)果對(duì)比發(fā)現(xiàn)，SDAE+Softmax 集成模型的分類準(zhǔn)確率最高，即體系效能評(píng)估的準(zhǔn)確性最高，滿足可信性要求，也說明了深層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型的分類效果要優(yōu)于傳統(tǒng)淺層結(jié)構(gòu)模型。SDAE+Softmax 模型與未加噪的SDAE+Softmax 集成模型相比準(zhǔn)確率更高，驗(yàn)證了加噪處理的有效性。因此，可以選擇SDAE+Softmax 模型作為體系效能評(píng)估模型，并提取模型的相對(duì)分類概率作為衡量體系效能非線性變化的指標(biāo)。

3.5 體系貢獻(xiàn)率的計(jì)算

根據(jù)作戰(zhàn)需要，選取某型預(yù)警雷達(dá)作為體系貢獻(xiàn)率評(píng)估的焦點(diǎn)裝備，在紅方作戰(zhàn)體系中添加某型預(yù)警雷達(dá)，紅方體系指標(biāo)隨之改變。作戰(zhàn)效果體現(xiàn)為紅方重心是否被摧毀，如果被摧毀，則任務(wù)完成指標(biāo)為0；反之為1。將添加某型預(yù)警雷達(dá)前后的體系指標(biāo)分別輸入訓(xùn)練好的SDAE+Softmax 模型，得到分類類別均為1，即紅方作戰(zhàn)體系不論是否添加某型預(yù)警雷達(dá)，均能完成某重心的防護(hù)任務(wù)。

對(duì)添加某型預(yù)警雷達(dá)前后的SDAE+Softmax 模型提取分類相對(duì)概率。添加某型預(yù)警雷達(dá)前，體系完成任務(wù)的相對(duì)概率為0.7 和0.3，相對(duì)值為0.4；添加某型預(yù)警雷達(dá)后，任務(wù)指標(biāo)完成的相對(duì)概率為0.8 和0.2，相對(duì)值為0.6，因此，某型預(yù)警雷達(dá)對(duì)體系完成重心防護(hù)任務(wù)的貢獻(xiàn)率為33.33 %。根據(jù)Softmax 模型分類概率相對(duì)值的物理意義，說明添加預(yù)警雷達(dá)前后，紅方體系均能夠完成重心的防護(hù)任務(wù)，但該預(yù)警雷達(dá)的增加提高了任務(wù)完成的可能性。另外，通過分類概率相對(duì)值還可以計(jì)算出對(duì)任務(wù)完成貢獻(xiàn)率不高的焦點(diǎn)裝備，從而減少這類裝備的部署。

3.6 結(jié)果分析

根據(jù)實(shí)驗(yàn)結(jié)果可以看出：1）SDAE+Softmax 模型準(zhǔn)確率很高，驗(yàn)證了評(píng)估模型的有效性，也保證了體系效能貢獻(xiàn)率評(píng)估指標(biāo)的準(zhǔn)確性。2）SDAE+Softmax 模型評(píng)估的準(zhǔn)確性高于傳統(tǒng)模型SSAE+Softmax 模型，說明了加噪處理的有效性。3）基于深度神經(jīng)網(wǎng)絡(luò)的效能評(píng)估方法優(yōu)于傳統(tǒng)機(jī)器學(xué)習(xí)方法，說明深度神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的特征提取能力，也印證了作戰(zhàn)體系的非線性特點(diǎn)。4）從體系貢獻(xiàn)率評(píng)估應(yīng)用來看，選取分類相對(duì)概率值作為評(píng)估體系效能貢獻(xiàn)率的綜合特征指標(biāo)，能夠量化體系變化對(duì)作戰(zhàn)效能帶來的非線性影響，這是傳統(tǒng)體系效能貢獻(xiàn)率評(píng)估方法所做不到的。

4 結(jié)論

深度學(xué)習(xí)通過多層神經(jīng)網(wǎng)絡(luò)對(duì)體系效能涌現(xiàn)過程進(jìn)行建模，不同于以往人工設(shè)計(jì)和線性擬合方法，依托作戰(zhàn)實(shí)驗(yàn)數(shù)據(jù)可以從神經(jīng)網(wǎng)絡(luò)模型中挖掘綜合特征指標(biāo)。本文構(gòu)建的SDAE+Softmax 模型具有較高的準(zhǔn)確性，基于分類概率相對(duì)值的綜合特征指標(biāo)，能夠有效衡量組分變化對(duì)體系的非線性影響，較傳統(tǒng)方法更為科學(xué)有效。