霍士偉 田八林 郭圣明 唐宇波

（1.國(guó)防大學(xué)研究生院 北京 100091）（2.國(guó)防科技大學(xué)信息通信學(xué)院 西安 710106）（3.國(guó)防大學(xué)聯(lián)合作戰(zhàn)學(xué)院 北京 100091）

1 引言

戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估是作戰(zhàn)指揮活動(dòng)的核心環(huán)節(jié)，是有效實(shí)施作戰(zhàn)指揮決策的前提和依據(jù)［1］。隨著大量的預(yù)警探測(cè)設(shè)備、傳感器的廣泛應(yīng)用，獲取的大量戰(zhàn)場(chǎng)態(tài)勢(shì)數(shù)據(jù)已經(jīng)遠(yuǎn)遠(yuǎn)超出了指揮員的分析和處理能力。而信息化作戰(zhàn)的快節(jié)奏又對(duì)態(tài)勢(shì)評(píng)估的時(shí)效性和準(zhǔn)確性提出了更高要求［2］。因此，必須要通過(guò)智能化的手段來(lái)輔助指揮員完成態(tài)勢(shì)評(píng)估。智能化戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估是實(shí)現(xiàn)智能化作戰(zhàn)指揮的基礎(chǔ)和關(guān)鍵。智能態(tài)勢(shì)評(píng)估即可以有效提高指揮員評(píng)估態(tài)勢(shì)的速度，又可以彌補(bǔ)指揮員主觀判斷的局限，增強(qiáng)態(tài)勢(shì)評(píng)估的準(zhǔn)確性［3］。

隨著機(jī)器學(xué)習(xí)的快速發(fā)展和在軍事領(lǐng)域的廣泛應(yīng)用，以及戰(zhàn)場(chǎng)數(shù)據(jù)獲取能力的提高，基于機(jī)器學(xué)習(xí)的數(shù)據(jù)驅(qū)動(dòng)的戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估成為目前研究的熱點(diǎn)。目前，基于機(jī)器學(xué)習(xí)的戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估主要集中于常規(guī)機(jī)器學(xué)習(xí)算法在具體戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估場(chǎng)景下的應(yīng)用研究，如利用神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、深度學(xué)習(xí)等機(jī)器學(xué)習(xí)方法用于目標(biāo)威脅評(píng)估、目標(biāo)意圖識(shí)別等具體應(yīng)用場(chǎng)景［4～7］。由于戰(zhàn)場(chǎng)環(huán)境和作戰(zhàn)領(lǐng)域的特殊性，在利用常規(guī)機(jī)器學(xué)習(xí)方法進(jìn)行戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估時(shí)還存在一些問(wèn)題亟待解決。誤分代價(jià)不平衡問(wèn)題是基于機(jī)器學(xué)習(xí)的戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估中的一個(gè)關(guān)鍵問(wèn)題。誤分代價(jià)不平衡問(wèn)題是指不同類(lèi)別的分類(lèi)錯(cuò)誤會(huì)造成不同的誤分類(lèi)代價(jià)［8］。戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估具有明顯的誤分代價(jià)不平衡特點(diǎn)，如果將我方劣勢(shì)的態(tài)勢(shì)誤分為我方優(yōu)勢(shì)的態(tài)勢(shì)，那么會(huì)由于后續(xù)采用的應(yīng)對(duì)措施不當(dāng)而對(duì)作戰(zhàn)進(jìn)程造成嚴(yán)重影響，甚至導(dǎo)致作戰(zhàn)失敗，這時(shí)的誤分代價(jià)是很高的。反之，如果是我方優(yōu)勢(shì)的態(tài)勢(shì)誤分為我方劣勢(shì)態(tài)勢(shì)，會(huì)因?yàn)椴扇×诉^(guò)高的應(yīng)用措施，而造成一定的作戰(zhàn)資源浪費(fèi)，但一般不會(huì)對(duì)作戰(zhàn)進(jìn)程造成嚴(yán)重影響。因此，將劣勢(shì)態(tài)勢(shì)誤分為優(yōu)勢(shì)態(tài)勢(shì)的代價(jià)要遠(yuǎn)遠(yuǎn)高于將優(yōu)勢(shì)態(tài)勢(shì)誤分為劣勢(shì)態(tài)勢(shì)的代價(jià)。但是，常規(guī)的機(jī)器學(xué)習(xí)分類(lèi)方法以提高分類(lèi)器總體分類(lèi)準(zhǔn)確率為目標(biāo)，假定不同類(lèi)別的誤分代價(jià)是相同的。當(dāng)常規(guī)的機(jī)器學(xué)習(xí)方法應(yīng)用于具有誤分代價(jià)不平衡的戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估問(wèn)題中，很容易造成誤分代價(jià)高的樣本錯(cuò)分，而對(duì)作戰(zhàn)進(jìn)程造成嚴(yán)重影響。

針對(duì)代價(jià)誤分不平衡問(wèn)題，研究者提出了代價(jià)敏感機(jī)器學(xué)習(xí)方法。代價(jià)敏感學(xué)習(xí)考慮不同類(lèi)別樣本的誤分代價(jià)，重點(diǎn)關(guān)注錯(cuò)分代價(jià)較高類(lèi)別的樣本，以分類(lèi)錯(cuò)誤總代價(jià)最小為目標(biāo)［9］。代價(jià)敏感學(xué)習(xí)方法主要包括代價(jià)敏感直接學(xué)習(xí)和代價(jià)敏感集成學(xué)習(xí)兩類(lèi)［9］。代價(jià)敏感直接學(xué)習(xí)是對(duì)常規(guī)機(jī)器學(xué)習(xí)算法內(nèi)部進(jìn)行改進(jìn)，如對(duì)算法損失函數(shù)進(jìn)行改進(jìn)，引入誤分代價(jià)敏感因子，使常規(guī)算法具有代價(jià)敏感特性。代價(jià)敏感集成學(xué)習(xí)通過(guò)利用集成學(xué)習(xí)的方法對(duì)常規(guī)分類(lèi)模型進(jìn)行組合，在集成學(xué)習(xí)算法的樣本權(quán)重更新過(guò)程中引入誤分類(lèi)代價(jià)，使常規(guī)分類(lèi)模型具有代價(jià)敏感特性。代價(jià)敏感集成學(xué)習(xí)方法不需要對(duì)常規(guī)分類(lèi)模型內(nèi)部進(jìn)行改進(jìn)，是一種簡(jiǎn)單且適應(yīng)性強(qiáng)的代價(jià)敏感機(jī)器學(xué)習(xí)方法。針對(duì)戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估過(guò)程中存在的誤分代價(jià)不平衡問(wèn)題，本文以代價(jià)敏感集成學(xué)習(xí)方法為模型整體訓(xùn)練框架，以適用于非線(xiàn)性建模的BP神經(jīng)網(wǎng)絡(luò)模型為基礎(chǔ)分類(lèi)器，提出了基于代價(jià)敏感集成學(xué)習(xí)的戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估模型，為解決誤分代價(jià)不平衡條件下的智能戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估問(wèn)題提供了思路。通過(guò)實(shí)驗(yàn)，驗(yàn)證了該模型在戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估誤分代價(jià)不平衡條件下的可行性和有效性。

2 基于代價(jià)敏感集成學(xué)習(xí)的戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估模型

2.1 基于代價(jià)敏感集成學(xué)習(xí)的戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估模型框架

本文結(jié)合代價(jià)敏感集成學(xué)習(xí)和BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)了戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估模型，如圖1所示。由于戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估各個(gè)因素之間相互影響，呈現(xiàn)出復(fù)雜的非線(xiàn)性關(guān)系，模型以具有良好非線(xiàn)性建模能力的BP神經(jīng)網(wǎng)絡(luò)作為基分類(lèi)器。針對(duì)戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估過(guò)程中誤分代價(jià)不平衡的問(wèn)題，通過(guò)代價(jià)敏感集成學(xué)習(xí)方法對(duì)BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行集成訓(xùn)練，使模型具有代價(jià)敏感特性。

基于代價(jià)敏感集成學(xué)習(xí)的戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估基本流程如下。

1）將戰(zhàn)場(chǎng)態(tài)勢(shì)樣本數(shù)據(jù)和誤分代價(jià)矩陣作為模型輸入，利用誤分代價(jià)矩陣計(jì)算初始樣本權(quán)重，得到帶權(quán)重訓(xùn)練樣本集；

2）利用帶權(quán)重訓(xùn)練樣本集對(duì)BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到弱分類(lèi)模型；

3）對(duì)弱分類(lèi)模型進(jìn)行測(cè)試，計(jì)算弱分類(lèi)模型分類(lèi)誤差，結(jié)合分類(lèi)誤差和誤分代價(jià)矩陣，更新樣本權(quán)重，得到新的帶權(quán)重訓(xùn)練集，利用新的訓(xùn)練集對(duì)BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行重新訓(xùn)練；

4）重復(fù)上述訓(xùn)練模型、模型測(cè)試、計(jì)算分類(lèi)誤差、更新樣本權(quán)重的過(guò)程，直到得到滿(mǎn)足要求數(shù)量的弱分類(lèi)模型；

5）根據(jù)分類(lèi)器集成策略，將所有弱分類(lèi)模型組合為強(qiáng)分類(lèi)器。

2.2 基于BP神經(jīng)網(wǎng)絡(luò)的戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估分類(lèi)模型設(shè)計(jì)

在基于代價(jià)敏感集成學(xué)習(xí)的戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估模型中，基分類(lèi)器是模型的關(guān)鍵，其性能的好壞直接關(guān)系著整個(gè)模型的性能，本文選擇BP神經(jīng)網(wǎng)絡(luò)來(lái)構(gòu)造戰(zhàn)場(chǎng)態(tài)勢(shì)分類(lèi)模型。

BP神經(jīng)網(wǎng)絡(luò)是一種單向傳播的多層前向神經(jīng)網(wǎng)絡(luò)，包括輸入層、隱含層和輸出層三個(gè)層級(jí)。輸入層接收輸入特征向量，隱含層負(fù)責(zé)對(duì)輸入的特征向量進(jìn)行非線(xiàn)性變換映射，輸出層輸出分類(lèi)結(jié)果，其中隱含層根據(jù)需要可以有多層。BP神經(jīng)網(wǎng)絡(luò)是由多個(gè)簡(jiǎn)單的神經(jīng)元組合而成的學(xué)習(xí)模型，BP神經(jīng)網(wǎng)絡(luò)通過(guò)模擬人腦的思維模式和組織形式建立，通過(guò)數(shù)據(jù)樣本訓(xùn)練調(diào)節(jié)網(wǎng)絡(luò)結(jié)構(gòu)和節(jié)點(diǎn)之間的權(quán)重，實(shí)現(xiàn)對(duì)非線(xiàn)性關(guān)系的建模，具有很好的自學(xué)習(xí)能力。由于戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估各個(gè)因素之間相互影響，呈現(xiàn)出復(fù)雜的非線(xiàn)性關(guān)系，而B(niǎo)P神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的非線(xiàn)性建模能力，因此選擇采用BP神經(jīng)網(wǎng)絡(luò)來(lái)建立戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估分類(lèi)模型。

本文采用經(jīng)典的三層前向BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。模型輸入為獲取的戰(zhàn)場(chǎng)態(tài)勢(shì)特征向量，如敵我兵力對(duì)比、敵我武器火力對(duì)比等。數(shù)據(jù)輸入層結(jié)點(diǎn)數(shù)為戰(zhàn)場(chǎng)態(tài)勢(shì)特征數(shù)，本文所用的戰(zhàn)場(chǎng)態(tài)勢(shì)特征為7維向量，因此輸入層節(jié)點(diǎn)數(shù)為7。模型輸出為戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估等級(jí)，本文中將戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估等級(jí)設(shè)置為5個(gè)級(jí)別：絕對(duì)優(yōu)勢(shì)、優(yōu)勢(shì)、均勢(shì)、劣勢(shì)、絕對(duì)劣勢(shì)，因此網(wǎng)絡(luò)輸出層結(jié)點(diǎn)數(shù)為5。為了適應(yīng)神經(jīng)網(wǎng)絡(luò)的輸出特點(diǎn)，樣本輸出標(biāo)簽采用one-hot編碼方式，例如將代表絕對(duì)優(yōu)勢(shì)評(píng)估等級(jí)的類(lèi)別標(biāo)簽1編碼為（10000），將代表優(yōu)勢(shì)評(píng)估等級(jí)的類(lèi)別標(biāo)簽2編碼為（01000）。隱含層結(jié)點(diǎn)數(shù)采用式經(jīng)驗(yàn)式（1）確定。

圖1 基于代價(jià)敏感集成學(xué)習(xí)的戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估模型框架

其中n為輸入層節(jié)點(diǎn)數(shù)，m為輸出層節(jié)點(diǎn)數(shù)，n1為隱含層節(jié)點(diǎn)數(shù)，a∈[1,10]。通過(guò)訓(xùn)練數(shù)據(jù)和驗(yàn)證數(shù)據(jù)反復(fù)驗(yàn)證，最終確定隱含層節(jié)點(diǎn)數(shù)為10。BP神經(jīng)網(wǎng)絡(luò)完整網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2.3 代價(jià)敏感集成學(xué)習(xí)算法設(shè)計(jì)

本文采用的AdaCost代價(jià)敏感集成學(xué)習(xí)算法用于對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行集成訓(xùn)練，使常規(guī)的BP神經(jīng)網(wǎng)絡(luò)模型具有代價(jià)敏感特性，從而適用戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估中的誤分代價(jià)不平衡特點(diǎn)。

AdaCost代價(jià)敏感集成學(xué)習(xí)算法是從AdaBoost集成學(xué)習(xí)算法發(fā)展而來(lái)。AdaBoost算法是一種常用的Boosting模式的集成學(xué)習(xí)算法［10］?；舅枷胧菫樵紨?shù)據(jù)集中的每個(gè)樣本賦予一個(gè)初始權(quán)重，首先在原始數(shù)據(jù)集上訓(xùn)練基分類(lèi)器。然后根據(jù)基分類(lèi)器的分類(lèi)結(jié)果對(duì)樣本權(quán)重進(jìn)行更新，使得錯(cuò)誤分類(lèi)樣本在后續(xù)的訓(xùn)練時(shí)可以得到更多的關(guān)注。最后，組合多個(gè)分類(lèi)器的分類(lèi)結(jié)果就是所有弱分類(lèi)器分類(lèi)結(jié)果的投票組合。

常規(guī)的AdaBoost算法不具有代價(jià)敏感特性，研究者通過(guò)對(duì)AdaBoost算法進(jìn)行改進(jìn)，提出了具有代價(jià)敏感特性的 AdaCost算法［11］。AdaCost將樣本誤分代價(jià)引入到樣本權(quán)重更新公式中，使被錯(cuò)誤分類(lèi)且誤分代價(jià)高的樣本權(quán)重得到較快提升，從而在后續(xù)訓(xùn)練中得到更多關(guān)注。AdaCost算法具體過(guò)程如下。

輸入：

數(shù)據(jù)集S={(x1,c1,y1),(x2,c2,y2),…,(xn,cn,yn)}，其中xi為數(shù)據(jù)集輸入特征向量，yi為樣本標(biāo)簽，ci為樣本誤分代價(jià)，迭代次數(shù)T；弱分類(lèi)器。

輸出：組合分類(lèi)器

算法步驟：

1）將數(shù)據(jù)集S中的樣本權(quán)值初始化為

2）對(duì)于t=1,2,…,T根據(jù)初始樣本權(quán)重在數(shù)據(jù)集S上訓(xùn)練弱分類(lèi)器ht(x)，計(jì)算分類(lèi)器ht(x)的錯(cuò)誤率εt：

如εt＞0.5，則開(kāi)始下一輪循環(huán)，否則按照以下方式計(jì)算更新樣本權(quán)重：

其中Zt是規(guī)范化因子，βi為代價(jià)調(diào)整函數(shù)

3）輸出組合分類(lèi)器：

在上述AdaCost算法中，代價(jià)調(diào)整函數(shù)βi=β(sign(f(xi)hi(xi)),ci)中的 sign(f(xi)hi(xi))用于判斷弱分類(lèi)器ht(x)對(duì)樣本xi的分類(lèi)是否正確。當(dāng)分類(lèi)正確時(shí)代價(jià)調(diào)整函數(shù)為β+，分類(lèi)錯(cuò)誤時(shí)代價(jià)調(diào)整函數(shù)為β-。代價(jià)調(diào)整函數(shù)在不同的應(yīng)用場(chǎng)景下一般不同，通常根據(jù)經(jīng)驗(yàn)或多次實(shí)驗(yàn)來(lái)確定。本文采用文獻(xiàn)［12］給出的代價(jià)調(diào)整函數(shù)計(jì)算方式：

AdaCost算法主要用于二分類(lèi)情形下。而本文中的戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估是一種多分類(lèi)情況，因此在應(yīng)用AdaCost算法對(duì)本文的BP神經(jīng)網(wǎng)絡(luò)戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估模型進(jìn)行集成時(shí)，需要對(duì)樣本權(quán)重更新方式進(jìn)行調(diào)整。調(diào)整后的樣本權(quán)重更新方式如下。

1）如果弱分類(lèi)器ht(x)對(duì)樣本xi分類(lèi)正確，即h(xi)=yi，則按如下方式更新樣本權(quán)重：

2）如果弱分類(lèi)器ht(x)對(duì)樣本xi分類(lèi)錯(cuò)誤，即h(xi)≠yi，則按如下方式更新樣本權(quán)重：

其中Zt、βi的計(jì)算方式仍然同原AdaCost算法一樣。

3 實(shí)驗(yàn)與分析

本節(jié)利用文獻(xiàn)［13］提供的戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估數(shù)據(jù)對(duì)第2節(jié)中的評(píng)估模型進(jìn)行實(shí)驗(yàn)驗(yàn)證。實(shí)驗(yàn)硬件環(huán)境為Intel i3-4030U CPU，主頻1.9GHz，內(nèi)存4G，編程環(huán)境為Matlab2018a。

3.1 實(shí)驗(yàn)設(shè)置

實(shí)驗(yàn)數(shù)據(jù)共包括200條戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估數(shù)據(jù)，輸入變量包括敵我兵力數(shù)量對(duì)比、敵我防御能力對(duì)比、敵我攻擊能力對(duì)比等7維特征，戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估等級(jí)為樣本標(biāo)簽，戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估等級(jí)包括絕對(duì)優(yōu)勢(shì)、優(yōu)勢(shì)、均勢(shì)、劣勢(shì)、絕對(duì)劣勢(shì)5個(gè)等級(jí)。為了適應(yīng)評(píng)估模型的要求，針對(duì)實(shí)驗(yàn)數(shù)據(jù)中的5種戰(zhàn)場(chǎng)態(tài)勢(shì)等級(jí)（絕對(duì)優(yōu)勢(shì)、優(yōu)勢(shì)、均勢(shì)、劣勢(shì)、絕對(duì)劣勢(shì)），分別設(shè)置對(duì)應(yīng)的5類(lèi)標(biāo)簽值（1、2、3、4、5）。部分實(shí)驗(yàn)數(shù)據(jù)如表1所示。在200個(gè)樣本中，隨機(jī)選取其中150個(gè)樣本作為訓(xùn)練樣本，50個(gè)樣本作為測(cè)試樣本。

表1 部分實(shí)驗(yàn)數(shù)據(jù)

為了對(duì)所提模型性能進(jìn)行比較分析，設(shè)置以下條件下的對(duì)比實(shí)驗(yàn)：1）單獨(dú)的BP基神經(jīng)網(wǎng)絡(luò)模型；2）利用本文提出的基于代價(jià)敏感集成學(xué)習(xí)的戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估模型，其中分類(lèi)器集成數(shù)量設(shè)置為10。

另外，通過(guò)設(shè)置不同誤分類(lèi)代價(jià)矩陣，在不同實(shí)驗(yàn)條件下比較模型的性能。在實(shí)際應(yīng)用中，誤分類(lèi)代價(jià)矩陣一般根據(jù)經(jīng)驗(yàn)由專(zhuān)家給出。在本實(shí)驗(yàn)的戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估場(chǎng)景下，誤分類(lèi)代價(jià)矩陣設(shè)置應(yīng)該遵循以下原則：正確分類(lèi)情況下代價(jià)為0；將劣勢(shì)等級(jí)戰(zhàn)場(chǎng)態(tài)勢(shì)誤分為優(yōu)勢(shì)等級(jí)的代價(jià)要高于將優(yōu)勢(shì)等級(jí)誤分為劣勢(shì)的代價(jià)，例如將類(lèi)別1誤分為類(lèi)別2的代價(jià)要高于將類(lèi)別2誤分為類(lèi)別1的代價(jià)。根據(jù)上述原則，實(shí)驗(yàn)中設(shè)置以下兩種誤分代價(jià)矩陣，如表2、表3所示。

表2 誤分代價(jià)矩陣1

表3 誤分代價(jià)矩陣2

3.2 實(shí)驗(yàn)結(jié)果與分析

在不同的誤分類(lèi)代價(jià)實(shí)驗(yàn)條件下進(jìn)行了實(shí)驗(yàn)驗(yàn)證，在模型性能比較時(shí)，除了考慮模型分類(lèi)準(zhǔn)確率外，還考慮了模型總誤分代價(jià)，實(shí)驗(yàn)結(jié)果如表4所示。由表中結(jié)果可以看出，在三種條件下，本文結(jié)合BP神經(jīng)網(wǎng)絡(luò)和AdaCost代價(jià)敏感集成學(xué)習(xí)提出的戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估模型，相對(duì)于單獨(dú)的BP神經(jīng)網(wǎng)絡(luò)模型來(lái)說(shuō)，在評(píng)估準(zhǔn)確率和誤分總代價(jià)方面都有一定的優(yōu)勢(shì)。實(shí)驗(yàn)表明，通過(guò)代價(jià)敏感集成學(xué)習(xí)方法，可以提高常規(guī)機(jī)器學(xué)習(xí)模型的準(zhǔn)確率，同時(shí)實(shí)現(xiàn)模型誤分代價(jià)最小化，從而更好地適應(yīng)戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估誤分代價(jià)不平衡的特點(diǎn)。

表4 實(shí)驗(yàn)結(jié)果

4 結(jié)語(yǔ)

為解決誤分代價(jià)不平衡條件下基于機(jī)器學(xué)習(xí)的戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估誤分代價(jià)較大的問(wèn)題，結(jié)合代價(jià)敏感集成學(xué)習(xí)和BP神經(jīng)網(wǎng)絡(luò)模型提出了基于代價(jià)敏感集成學(xué)習(xí)的戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估模型，設(shè)計(jì)了基于Ada-Cost的代價(jià)敏感集成學(xué)習(xí)算法。實(shí)驗(yàn)表示，在誤分代價(jià)不平衡條件下，本文結(jié)合BP神經(jīng)網(wǎng)絡(luò)和Ada-Cost代價(jià)敏感集成學(xué)習(xí)算法提出的戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估模型，相對(duì)于單獨(dú)的BP神經(jīng)網(wǎng)絡(luò)模型來(lái)說(shuō)，在評(píng)估準(zhǔn)確率和誤分總代價(jià)方面都有一定的優(yōu)勢(shì)。為誤分代價(jià)不平衡條件下的戰(zhàn)場(chǎng)態(tài)勢(shì)評(píng)估提供了新的解決思路。