基于SOM神經網絡的坦克作戰(zhàn)效能評估

馮根生，劉憲軍，方 龍，楊 濤

（裝甲兵學院，安徽 蚌埠 233050）

基于SOM神經網絡的坦克作戰(zhàn)效能評估

馮根生，劉憲軍，方 龍，楊 濤

（裝甲兵學院，安徽 蚌埠 233050）

坦克作戰(zhàn)效能評估是一個多屬性評估問題，通過建立自組織特征映射神經網絡（SOM）的坦克作戰(zhàn)效能評估模型，通過該模型的二維拓撲有序映射圖，可以清晰地觀察到不同型號坦克的作戰(zhàn)效能特征；并通過MATLABR2010a訓練、仿真，對我國某型坦克的作戰(zhàn)效能進行相似性預測評估。

SOM神經網絡，坦克，效能評估

0 引言

主戰(zhàn)坦克是進行地面作戰(zhàn)的重要突擊力量，但對其作戰(zhàn)效能的評估中，既存在許多模糊不確定因素，又存在評估者掌握信息不完全、資料不充分的問題，這就要求在評估過程中要綜合考慮模糊性和灰色性因素的影響。以往對坦克作戰(zhàn)效能的評估主要有專家打分法、試驗統(tǒng)計法、作戰(zhàn)模擬法和層次分析法等方法，這些方法需要的條件往往比較高，主觀因素大。基于此，本文創(chuàng)造性的應用SOM神經網絡模型對坦克作戰(zhàn)效能進行評估［1-2］。

1 建立坦克作戰(zhàn)效能評估指標體系

主戰(zhàn)坦克的作戰(zhàn)效能指標主要有3個：防護性能指標，機動性能指標，火力性能指標。每一性能指標又包含一些具體的性能指標，例如，火力性能指標包括初速、發(fā)射速度、命中概率等。為此建立了如圖1所示的坦克作戰(zhàn)性能評估指標體系。

圖1 坦克作戰(zhàn)性能評估指標體系

2 SOM神經網絡模型在坦克作戰(zhàn)效能評估中的應用

2.1 SOM神經網絡介紹

自組織特征映射網絡（SOM，Self-Organizing FeatureMap）是由荷蘭學者Teuvo Kohonen于1981年提出的［3］。該網絡是一個由全連接的神經元陣列組成的無教師、自組織、自學習網絡。SOM神經網絡是根據這些樣本的信息自適應調整網絡，使網絡以后的響應與輸入樣本相互之間的關系，它既可以學習訓練數據輸入向量的分布特征，也可以學習訓練數據輸入向量的拓撲結構。通過訓練，可以建立起一種布局，它使得每個可權值向量都位于輸入向量聚類的中心。一旦SOM完成訓練，就可以對訓練數據或其他數據進行聚類。對高維數據的低維組織能力，SOM神經網絡模型在分類、聚類以及預測等領域都有廣泛的應用。

2.2 SOM神經網絡結構

圖2 SOM神經網絡結構

SOM神經網絡由輸入層和自組織特征映射層組成，映射層的神經元互相連接，每個輸出神經元連接至所有輸入神經元。其網絡結構如圖2所示，該網絡的輸出神經元之間相互競爭以求被激活，結果在每一時刻只有一個輸出神經元被激活。這種網絡實際上是一種非線性映射關系，不同的是它沒有閾值。當輸出為i等于獲勝神經元時，競爭傳遞函數為1，其他輸出均為0。SOM網絡是一個典型的特性就是可以在一維或者二維的處理單元陣列上形成輸入信號的特征拓撲分布，SOM神經網絡具有抽取輸入信號模式特征的能力。其中應用較多的二維陣列模型由4部分組成：①處理單元陣列，用于接受事件輸入，并且形成對這些信號的判別函數；②比較選擇機制，用于比較判別函數，并選擇一個具有最大函數輸出值的處理單元；③局部互連作用，用于同時激勵被選擇的處理單元及其最鄰近的處理單元；④自適應過程，用于修正被激勵的處理單元的參數，以增加其對應于特定輸入的判別函數的輸出值［4］。

2.3 SOM神經網絡算法分析

SOM神經網絡的算法能夠自動找出輸入數據之間的類似度，將相似的輸入在網絡上就近配置，因此，是一種可以構成對輸入數據有選擇地給予反應的網絡［5］。SOM網絡采用的學習算法按如下步驟進行：

2.3.1 初始化

對輸出層各權向量賦于小隨機數并按式（1）進行歸一化處理，得到W^j（j=1，2，…，m），建立初始優(yōu)勝鄰域Nj*（0）和學習率η初值。m為輸出層神經元數目。

2.3.2 接受輸入向量

對每個輸入向量按式（2）進行歸一化處理，得到X^p（p=1，2，…，n），n為輸入層神經元數目。

2.3.3 計算輸入向量的距離（歐式距離）

2.3.4定義優(yōu)勝鄰域Nj*（t）

以j*為中心確定t時刻的權值調整域，一般初始鄰域Nj*（0）較大（大約為總節(jié)點的50%~80%），訓練過程中Nj*（t）隨訓練時間收縮。如圖3所示。

圖3鄰域Nj*（t）的收縮

2.3.5 調整權值

對優(yōu)勝鄰域Nj*（t）內的所有節(jié)點調整權值

其中，α（t，N）是訓練時間 t和鄰域內第 j個神經元與獲勝神經元j*之間的拓撲距離N的函數，該函數一般有以下規(guī)律：

如 α（t，N）=α（t）e-N， α（t）可采用 t的單調下降函數也稱退火函數。

2.3.6 結束判定

當學習率α（t）≤αmin時，訓練結束；不滿足結束條件時，轉到步驟2.3.2繼續(xù)。

3 應用實例及MATLAB仿真

本文主要抽取部分現(xiàn)役典型的主戰(zhàn)坦克：T80、日 90、豹Ⅱ、M1A1、勒克萊爾、挑戰(zhàn)者、M60A3。其基本性能如表1所示：

運用Matlab R2010a軟件進行仿真在Matlab R2010a中新建M文件輸入以下內容：

表1 部分現(xiàn)役主坦克性能表

得到聚類結果如表2所示：當訓練步數為1 000次時，網絡已經把每個樣本歸為一類，已經符合訓練要求，其網絡拓撲效果如圖4所示。將我國某型坦克的各項性能輸入網絡，可得其結果為yc1=54，結果表明該坦克與美國M1A1坦克性能相當。

表2 訓練步數與聚類結果分析

圖4 聚類效果圖

4 結束語

本文通過分析坦克作戰(zhàn)性能，建立了綜合評價指標體系，并運用SOM神經網絡的建立了坦克效能可視化評估模型。通過效能評估模型的二維拓撲有序映射圖，可以清晰地觀察到不同型號坦克的作戰(zhàn)效能特征。最后對我國某型坦克進行作戰(zhàn)效能相似性預測，最終得出了與M1A1坦克性能相似的預測。該方法不僅可以用于坦克作戰(zhàn)效能的評估，而且還可以推廣到其他武器裝備的效能評估。

［1］朱家元，董彥非，張恒喜.基于SOM網絡信息融合的飛機作戰(zhàn)效能評估是［J］.火力與指揮控制，2003，28（2）:33-36.

［2］侯媛彬，杜京義，汪梅.神經網絡［M］.西安:西安電子科技大學出版社，2007．

［3］聞新，周露，李翔.MATLAB神經網絡仿真與應用［M］.北京:科學出版社，2003.

［4］張德豐.MATLAB神經網絡編程［M］.北京:北京工業(yè)出版社，2011.

［5］吳東亞，毛保全，劉廣洋.頂置火炮式坦克綜合效能評估［J］.四川兵工學報，2011，30（1）：32-34.

Evaluation of Tank Combat Efficiency Based on SOM NeuralNetwork

FENGGen-sheng，LIUXian-jun，F(xiàn)ANG Long，YANGTao
（Armored Force Institute，Bengbu 233050，China）

The evaluation of combat efficiency of tank is a problem of multiple attributes，so through the self-organizing feature map of tank operational efficiency evaluation type and the two dimensional topologically ordered map of such type，characteristics of different types of tank combat efficiency can be clearly observed.Then，the assessment of the similarity of the combat efficiency of a certain type of tank can be predicted through MATLABR2010a training and simulating.

SOM neuralnetwork，tank，evaluation ofefficiency

E924

A

1002-0640（2015）11-0084-03

2014-09-25

2014-11-17

馮根生（1962- ），男，河南新縣人，教授。研究方向：計算機控制和軍事仿真。