朱連軍 陸培森

（陸軍裝甲兵學(xué)院演訓(xùn)中心，北京 100072）

裝備保障能力評(píng)估是掌握裝備保障現(xiàn)狀的重要手段，通過及時(shí)準(zhǔn)確的評(píng)估，可以檢查出制約裝備保障能力提高的關(guān)鍵節(jié)點(diǎn)，有針對(duì)性進(jìn)行調(diào)整，促進(jìn)裝備保障能力提升。本文構(gòu)建了一般部隊(duì)裝備保障評(píng)估指標(biāo)體系，建立基于BP 神經(jīng)網(wǎng)絡(luò)的裝備保障能力評(píng)估模型，使用常規(guī)方法對(duì)裝備保障能力進(jìn)行評(píng)估，為BP 神經(jīng)網(wǎng)絡(luò)模型提供訓(xùn)練樣本集，反復(fù)訓(xùn)練出可用于評(píng)估裝備保障能力的網(wǎng)絡(luò)模型，并用測(cè)試樣本進(jìn)行驗(yàn)證[1]。

一、基于BP 神經(jīng)網(wǎng)絡(luò)的裝備保障能力評(píng)估方法

本文基于BP 神經(jīng)網(wǎng)絡(luò)的裝備保障能力評(píng)估算法總體思路可分為模型構(gòu)建、樣本選取和訓(xùn)練、神經(jīng)網(wǎng)絡(luò)測(cè)試三個(gè)步驟[2]，其具體方法如圖1所示。

二、裝備保障能力評(píng)估指標(biāo)體系

以一般部隊(duì)裝備保障為例，按照涵蓋性、獨(dú)立性、實(shí)用性、系統(tǒng)性、柔性的指標(biāo)體系設(shè)計(jì)原則[3]，對(duì)其裝備系統(tǒng)進(jìn)行分析理解，可將裝備保障能力因素分為保障指揮能力、技術(shù)偵察能力、搶救搶修能力、器材供應(yīng)能力、彈藥供應(yīng)能力5 類一級(jí)指標(biāo)，并分解得到18 個(gè)二級(jí)指標(biāo)，如圖2 所示。

三、BP 神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

BP 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程由正向傳播與反射傳播組成，正向傳播時(shí)，信息從輸入層經(jīng)過隱含層層層傳播處理后傳向輸出層，如果在輸出層與期望值有較大誤差，則將誤差信息反向一層層傳播回，返回過程中，逐一修改各層神經(jīng)元連接的權(quán)值。通過正向和反向不斷迭代調(diào)整權(quán)值，使誤差信號(hào)達(dá)到允許的范圍，訓(xùn)練出精度合格的神經(jīng)網(wǎng)絡(luò)模型。

本文構(gòu)建三層BP 神經(jīng)網(wǎng)絡(luò)模型對(duì)部隊(duì)裝備保障能力進(jìn)行評(píng)估。

（一）輸入層

按照評(píng)估指標(biāo)體系最低層的18 個(gè)二級(jí)指標(biāo),對(duì)應(yīng)設(shè)置18 個(gè)神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點(diǎn)。輸入向量取值區(qū)間為[0,1]。

表1 部隊(duì)裝備保障能力評(píng)估樣本值匯總表

裝備保障指揮能力主要包括態(tài)勢(shì)掌握能力 1X、預(yù)測(cè)判斷能力 2X、籌劃決策能力3X、組織協(xié)調(diào)能力 4X。

技術(shù)偵察能力主要包括信息獲取能力 5X、裝備定位搜索能力 6X、戰(zhàn)損評(píng)估能力X7、保障需求測(cè)算能力X8。

搶救搶修能力主要包括展開能力X9、撤收能力、搶救能力、搶修能力。

（二）隱含層

隱含層節(jié)點(diǎn)數(shù)選取要在能反映輸入、輸出關(guān)系的基礎(chǔ)上，使節(jié)點(diǎn)數(shù)盡可能少。根據(jù)經(jīng)驗(yàn)公式m=（m為隱含層節(jié)點(diǎn)數(shù)，n為輸入節(jié)點(diǎn)數(shù)，a為1-10 之間調(diào)節(jié)常數(shù)）。經(jīng)測(cè)算，隱含節(jié)點(diǎn)數(shù)定為7 個(gè)。

（三）輸出層

輸出得出裝備保障能力的綜合評(píng)估值，輸出層節(jié)點(diǎn)數(shù)定為1，取值區(qū)間為[0,1]。

（四）轉(zhuǎn)移函數(shù)

本BP 神經(jīng)網(wǎng)絡(luò)模型的輸入與輸出之間轉(zhuǎn)移函數(shù)選取Matlab 中BP 神經(jīng)網(wǎng)絡(luò)工具箱自帶的Levenberg-Marquardt 算法。

四、樣本訓(xùn)練及測(cè)試

BP 神經(jīng)網(wǎng)絡(luò)模型選用的樣本數(shù)據(jù)可以分為兩類，一類為訓(xùn)練樣本集，一類為測(cè)試樣本集。樣本數(shù)據(jù)來源于專家通過常用評(píng)估方法所得數(shù)據(jù)。

（一）裝備保障能力評(píng)估常用方法

裝備保障能力評(píng)估常用的方法中，評(píng)估結(jié)果的準(zhǔn)確性很大程度上依賴于科學(xué)合理地確定指標(biāo)權(quán)重。根據(jù)指標(biāo)權(quán)重確定的來源不同，可分為主觀賦權(quán)法、客觀賦權(quán)法和組合賦權(quán)法[5]。

1.主觀賦權(quán)法

主觀賦權(quán)法是由專家或評(píng)估人員給出偏好信息的方法，如層次分析法、專家調(diào)查法、環(huán)比系數(shù)法等。其優(yōu)點(diǎn)是可根據(jù)專家根據(jù)自身知識(shí)經(jīng)驗(yàn)，合理確定各指標(biāo)權(quán)重排序，有效確定各指標(biāo)重要程度順序。缺點(diǎn)是評(píng)估結(jié)果受專家主觀隨意性影響較大。

2.客觀賦權(quán)法

客觀賦權(quán)法是基于指標(biāo)矩陣信息的方法，根據(jù)指標(biāo)之間的聯(lián)系程度以及各指標(biāo)所提供的信息量、對(duì)其他指標(biāo)影響程度等來確定指標(biāo)權(quán)重，如離差最大化法、信息熵法、獨(dú)立性權(quán)重的相關(guān)矩陣判別法。其優(yōu)點(diǎn)是不增加決策者負(fù)擔(dān)，有較強(qiáng)的數(shù)學(xué)理論依據(jù)，便于計(jì)算機(jī)處理。缺點(diǎn)是沒有考慮決策者主觀意向，確定的權(quán)重與主觀愿望或?qū)嶋H情況不一致。

3.組合賦權(quán)法

組合賦權(quán)法是將主觀賦權(quán)法與客觀賦權(quán)法相結(jié)合的方法，兼顧評(píng)估專家對(duì)指標(biāo)的偏好，又盡量減少賦權(quán)的主觀隨意性。設(shè)指標(biāo)評(píng)價(jià)規(guī)范化處理后為。設(shè)采取p種主觀賦權(quán)法和q種客觀賦權(quán)法集成后的指標(biāo)權(quán)重為 w=(w1,w2,w3,… ,wm)T，則各種方案的綜合評(píng)價(jià)值為，i∈N。

（二）BP 神經(jīng)網(wǎng)絡(luò)樣本選取和訓(xùn)練

BP 神經(jīng)網(wǎng)絡(luò)模型在初始化權(quán)值和閾值后，利用樣本集進(jìn)行反復(fù)訓(xùn)練，并與專家利用常規(guī)方法所得的期望值相比較，根據(jù)誤差調(diào)整網(wǎng)絡(luò)模型參數(shù)，訓(xùn)練BP 神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練到達(dá)滿意的精度，以模擬評(píng)估專家的經(jīng)驗(yàn)、知識(shí)、判斷等。

（三）BP 神經(jīng)網(wǎng)絡(luò)測(cè)試

利用測(cè)試樣本集對(duì)已訓(xùn)練好的BP 神經(jīng)網(wǎng)絡(luò)模型進(jìn)行測(cè)試，得出測(cè)試結(jié)果，進(jìn)行誤差分析，判斷BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練的精度。

五、實(shí)例分析及驗(yàn)證

本文應(yīng)用MATLAB 軟件中的神經(jīng)網(wǎng)絡(luò)工具箱來實(shí)現(xiàn)裝備保障能力評(píng)估模型的構(gòu)建分析與模擬仿真。

本文的樣本數(shù)據(jù)來源于裝備保障領(lǐng)域?qū)＜疫\(yùn)用常規(guī)評(píng)估方法所得數(shù)據(jù)，首先確定X1至的權(quán)重系數(shù)，然后對(duì)20 個(gè)評(píng)估對(duì)象的18 個(gè)二級(jí)指標(biāo)數(shù)據(jù)進(jìn)行歸一化處理[6]，最后采取加權(quán)求和得到綜合評(píng)估值，其中1-15樣本用來訓(xùn)練BP 神經(jīng)網(wǎng)絡(luò)模型，16-20 樣本用來測(cè)試該BP 神經(jīng)網(wǎng)絡(luò)模型的精度。

在MATLAB 中建立BP 神經(jīng)網(wǎng)絡(luò)模型，設(shè)置訓(xùn)練次數(shù)為3000，學(xué)習(xí)速率為0.01，訓(xùn)練目標(biāo)最小誤差為0.000001。將以上樣本數(shù)據(jù)在模型中反復(fù)訓(xùn)練，得到訓(xùn)練較成熟的BP 神經(jīng)網(wǎng)絡(luò)模型，經(jīng)過第16-20 測(cè)試樣本進(jìn)行模型測(cè)試，得到網(wǎng)絡(luò)評(píng)估值，如圖3 所示。通過測(cè)試，可看出訓(xùn)練出的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值能夠基本反映評(píng)估期望值大小，但仍存在一定誤差，算法需進(jìn)一步優(yōu)化改進(jìn)。

將BP 神經(jīng)網(wǎng)絡(luò)評(píng)估值與測(cè)試樣本值進(jìn)行對(duì)比分析，如表2 所示。由表2 可看出，網(wǎng)絡(luò)評(píng)估值與均方根誤差為0.039，基本滿足精度誤差要求，構(gòu)建的BP 神經(jīng)網(wǎng)絡(luò)具備一定模式識(shí)別能力，因此基于BP 神經(jīng)網(wǎng)絡(luò)的裝備保障能力評(píng)估模型可行。

表2 網(wǎng)絡(luò)評(píng)估值與測(cè)試值比較

六、結(jié)論

本文構(gòu)建了基于BP 神經(jīng)網(wǎng)絡(luò)的裝備保障能力評(píng)估模型，并對(duì)其進(jìn)行了實(shí)例分析驗(yàn)證，結(jié)論如下:基于BP 神經(jīng)網(wǎng)絡(luò)的裝備保障評(píng)估模型可以較好地模擬專家進(jìn)行定量評(píng)估；與常規(guī)方法相比，BP 神經(jīng)網(wǎng)絡(luò)算法可由計(jì)算機(jī)程序模擬計(jì)算，減少了人力計(jì)算的工作量，且避免了常規(guī)算法中易出現(xiàn)的主觀失誤；BP 神經(jīng)網(wǎng)絡(luò)算法可有效利用歷史評(píng)估樣本進(jìn)行訓(xùn)練。但BP 神經(jīng)網(wǎng)絡(luò)構(gòu)建評(píng)估模型也存在缺點(diǎn)，在網(wǎng)絡(luò)的訓(xùn)練中需要大量的訓(xùn)練樣本，且相較常規(guī)算法而言，存在一定誤差，仍需進(jìn)一步改進(jìn)提升。