基于改進(jìn)多簇支持向量機(jī)的裝甲裝備技術(shù)狀況評(píng)估

趙戰(zhàn)彪， 楊　帆， 王生鳳

(裝甲兵工程學(xué)院科研部， 北京 100072)

?

基于改進(jìn)多簇支持向量機(jī)的裝甲裝備技術(shù)狀況評(píng)估

趙戰(zhàn)彪， 楊帆， 王生鳳

(裝甲兵工程學(xué)院科研部， 北京 100072)

摘要：針對(duì)多簇支持向量機(jī)參數(shù)設(shè)置缺乏科學(xué)依據(jù)、參數(shù)選取隨意性較大的問(wèn)題，利用布谷鳥搜索算法對(duì)其進(jìn)行了改進(jìn)，并應(yīng)用改進(jìn)的多簇支持向量機(jī)對(duì)裝甲裝備技術(shù)狀況進(jìn)行了評(píng)估，最后與粒子群優(yōu)化算法、遺傳算法改進(jìn)的多簇支持向量機(jī)評(píng)估結(jié)果進(jìn)行了對(duì)比分析，驗(yàn)證了該方法在裝甲裝備技術(shù)狀況評(píng)估中的可行性與合理性。

關(guān)鍵詞：多簇支持向量機(jī)； 裝甲裝備； 技術(shù)狀況評(píng)估； 布谷鳥搜索算法

裝甲裝備技術(shù)狀況評(píng)估是車務(wù)管理工作的核心內(nèi)容，是衡量部隊(duì)管理水平的基本要素與根本標(biāo)準(zhǔn)。目前，我軍裝甲裝備技術(shù)狀況評(píng)估工作中普遍存在主觀性較大、評(píng)估過(guò)程繁瑣等問(wèn)題，如何科學(xué)、便捷地評(píng)估裝甲裝備技術(shù)狀況已受到裝備管理者和裝備科研人員的廣泛關(guān)注，也相繼開展了積極有效的研究和探索。周俊杰等[1]應(yīng)用模糊理論對(duì)裝備技術(shù)狀況進(jìn)行了評(píng)估，分析了裝備各子系統(tǒng)及其權(quán)重；萬(wàn)延斌[2]將定性分析與定量分析相結(jié)合，采用層次分析法(Analytic Hierarchy Process,AHP)對(duì)船舶裝備技術(shù)狀況進(jìn)行了評(píng)估。但是，這些方法在分析權(quán)重時(shí)受專家的主觀影響較大。阮羚等[3]將神經(jīng)網(wǎng)絡(luò)與信息融合技術(shù)評(píng)估相結(jié)合來(lái)評(píng)估變壓器的技術(shù)狀況；劉伯運(yùn)等[4]將DS理論與神經(jīng)網(wǎng)絡(luò)結(jié)合來(lái)評(píng)估裝甲裝備的技術(shù)狀況，但是這種方法中神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)不易確定，且易陷入局部最??；劉艷斌等[5]結(jié)合遺傳算法和模糊聚類對(duì)裝甲裝備技術(shù)狀況進(jìn)行評(píng)估，但是遺傳算法參數(shù)選擇的科學(xué)性尚存在不足。單臺(tái)裝甲裝備技術(shù)狀況指標(biāo)向量維數(shù)較高，可視為非線性分類，近年來(lái)，多簇支持向量機(jī)(Multi Cluster Sport Vector Machine, MCSVM)已成功用于解決多分類問(wèn)題，其克服了一對(duì)一多分類支持向量機(jī) (One Against One，OAO) 和一對(duì)多多分類支持向量機(jī) (One Against All，OAA)存在的“決策盲區(qū)”和“類不平衡”等問(wèn)題，但其在參數(shù)設(shè)置方面仍然缺乏科學(xué)依據(jù)，參數(shù)選取隨意性較大，從而影響MCSVM的實(shí)際分類效果。布谷鳥搜索(Cuckoo Search，CS)算法全稱為基于利維飛行的布谷鳥搜索算法[6]，是一種全新的群智能搜索算法，具有參數(shù)少、適應(yīng)性強(qiáng)、易實(shí)現(xiàn)、算法簡(jiǎn)單和對(duì)目標(biāo)初始狀態(tài)要求低等優(yōu)點(diǎn)。為此，筆者采用布谷鳥搜索算法對(duì)MCSVM進(jìn)行改進(jìn)，并采用改進(jìn)的MCSVM對(duì)裝甲裝備技術(shù)狀況進(jìn)行評(píng)估，為科學(xué)、便捷地評(píng)估裝甲裝備技術(shù)狀況提供參考。

1多簇支持向量機(jī)原理

OAO和OAA多分類支持向量機(jī)通過(guò)對(duì)多個(gè)二值分類器進(jìn)行組合來(lái)實(shí)現(xiàn)集體決策，是目前應(yīng)用最多的多分類支持向量機(jī)[7]。其中：OAA分類的基本思想是訓(xùn)練k個(gè)二分類SVM，使每個(gè)決策超平面將某一類樣本與其他所有類樣本分割開來(lái)；OAO則是訓(xùn)練k(k-1)/2個(gè)分類器，每個(gè)分類器分別對(duì)待分類樣本進(jìn)行判別，投票最多的即為待分類樣本所屬類別。

圖1多簇支持向量機(jī)的分類原理

(1)

(2)

式(2)為對(duì)所有非第k類樣本進(jìn)行約束，硬性條件下表示其與該超平面的距離至少為1。對(duì)式(1)、(2)構(gòu)造Lagrange對(duì)偶函數(shù)，可求出每類樣本對(duì)應(yīng)的最優(yōu)非平行超平面，進(jìn)而得到MCSVM的決策函數(shù)為

(3)

由式(3)可知：最接近待測(cè)樣本的超平面所表示的類別即為待測(cè)樣本所屬的類別。

2多簇支持向量機(jī)的改進(jìn)

2.1布谷鳥搜索算法的原理與步驟

CS算法是模擬布谷鳥的產(chǎn)卵行為，即將布谷鳥所選寄生鳥巢映射為搜索空間的解，用解的適應(yīng)度表示所選鳥巢位置的優(yōu)劣。布谷鳥搜索、選擇鳥巢的過(guò)程即為算法搜索與優(yōu)化的過(guò)程。與布谷鳥實(shí)際巢寄行為相比，CS算法作了如下假設(shè)[9]：

1)布谷鳥單次產(chǎn)卵數(shù)為1，且隨機(jī)置于某一被選鳥巢中；

2)位置最好的鳥巢將保留至下代；

3)布谷鳥可利用的鳥巢數(shù)量是固定常數(shù)，而宿主鳥巢中布谷鳥蛋存在一定被發(fā)現(xiàn)的概率。

CS算法搜索和優(yōu)化的基本步驟如下[10-11]：

1)對(duì)參數(shù)進(jìn)行設(shè)置，產(chǎn)生N個(gè)隨機(jī)鳥巢位置。

2)對(duì)每個(gè)鳥巢位置適應(yīng)度進(jìn)行評(píng)價(jià)，確定全局最優(yōu)位置并將其保留至下一代。

3)對(duì)鳥巢位置進(jìn)行更新，對(duì)更新后鳥巢位置的適應(yīng)度進(jìn)行評(píng)價(jià)，并與原位置進(jìn)行比較，選擇較優(yōu)位置進(jìn)入下一代。

5)判斷算法是否滿足終止條件，若滿足條件，則算法終止，輸出最優(yōu)解；若不滿足條件，返回步驟2。

2.2布谷鳥-多簇支持向量機(jī)

徑向基核函數(shù)(Radial Basis Function，RBF)為支持向量機(jī)中優(yōu)勢(shì)最大、應(yīng)用范圍最廣的核函數(shù)[12-13]，筆者主要對(duì)RBF的支持向量機(jī)參數(shù)C、ε和σ進(jìn)行尋優(yōu)。

在對(duì)布谷鳥-多簇支持向量機(jī)進(jìn)行訓(xùn)練之前，首先需確定布谷鳥搜索的適應(yīng)度。筆者采用分類準(zhǔn)確率作為模型評(píng)價(jià)標(biāo)準(zhǔn)，分類準(zhǔn)確率是指正確分類樣本數(shù)占總體樣本數(shù)的百分比。由此可知：分類準(zhǔn)確率越小，則模型誤差越大，訓(xùn)練效果越差；反之，模型誤差越小，訓(xùn)練效果越好，對(duì)應(yīng)參數(shù)選擇越優(yōu)。

布谷鳥-多簇支持向量機(jī)尋優(yōu)的具體步驟如下：

1)收集與處理多臺(tái)裝甲裝備技術(shù)狀況數(shù)據(jù)。

2)根據(jù)經(jīng)驗(yàn)確定多簇支持向量機(jī)參數(shù)C、ε和σ的取值范圍，確定布谷鳥搜索算法的最大步長(zhǎng)Smax、最小步長(zhǎng)Smin及最大迭代次數(shù)Nmax。

5)利用式(4)、(5)對(duì)利維飛行步長(zhǎng)進(jìn)行自適應(yīng)調(diào)整：

Si=Smin+(Smax-Smin)×di；

(4)

(5)

式中：ni為第i個(gè)鳥巢位置；nbest為當(dāng)前最優(yōu)鳥巢位置；dmax為當(dāng)前最優(yōu)鳥巢位置與其他鳥巢位置之間的最大距離。通過(guò)自適應(yīng)步長(zhǎng)調(diào)節(jié)可保證越接近全局最優(yōu)位置時(shí)，利維飛行步長(zhǎng)越小，越易實(shí)現(xiàn)快速收斂[14]。根據(jù)步長(zhǎng)對(duì)鳥巢位置進(jìn)行更新，并計(jì)算鳥巢新位置的分類準(zhǔn)確率。

9)將最優(yōu)位置鳥巢所對(duì)應(yīng)C、ε和σ作為多簇支持向量機(jī)參數(shù)，并利用該支持向量機(jī)對(duì)樣本進(jìn)行重新訓(xùn)練，得出最優(yōu)分類結(jié)果。

3裝甲裝備技術(shù)狀況評(píng)估

以某型坦克為例，將其分為底盤系統(tǒng)、武器系統(tǒng)、觀瞄裝置、電氣系統(tǒng)、火控系統(tǒng)、通信系統(tǒng)及防護(hù)系統(tǒng)7個(gè)子系統(tǒng)[15]。選取10臺(tái)某型坦克，邀請(qǐng)10名專家對(duì)每臺(tái)坦克分系統(tǒng)的技術(shù)狀況進(jìn)行評(píng)估，得到原始樣本數(shù)據(jù)集，每臺(tái)坦克的綜合評(píng)估等級(jí)可從相關(guān)部門獲取。表1為10臺(tái)坦克的技術(shù)狀況及等級(jí)。

根據(jù)目前我軍裝甲裝備技術(shù)狀況分類規(guī)定，將坦克技術(shù)狀況分為一類車、二類車、三類車和四類車。鑒于樣本量較少，筆者采用5折交叉驗(yàn)證，即將10個(gè)樣本分為5組，每次隨機(jī)選取其中4組作為訓(xùn)練樣本，剩余1組作為驗(yàn)證樣本，最終得到n(n-1)/2個(gè)分類準(zhǔn)確率，取其均值作為1次模型所得分類準(zhǔn)確率。為了使結(jié)果更加精確，重復(fù)進(jìn)行10次5折交叉驗(yàn)證，這樣既能保證每次訓(xùn)練中幾乎所有樣本都參與訓(xùn)練，得到最接近于原始樣本的技術(shù)狀況分類結(jié)果，又減少了隨機(jī)因素對(duì)模型的影響，確保模型的可重復(fù)性。

根據(jù)經(jīng)驗(yàn)設(shè)置參數(shù)如下：Pa=0.75；Nmax=500；鳥巢數(shù)量N=25；Smax=0.1，Smin=0.01；C太小會(huì)降低分類準(zhǔn)確性，而太大又會(huì)降低分類意義，因此選取C∈[0.1,100]；ε的取值范圍為[0.001,0.1]；σ太大會(huì)出現(xiàn)過(guò)擬合情況，而太小又會(huì)導(dǎo)致欠擬合，因此選取σ∈[0.01,10]；當(dāng)分類準(zhǔn)確率即布谷鳥搜索算法適應(yīng)度函數(shù)值f>90%時(shí)，訓(xùn)練停止。利用MATLAB 2014軟件平臺(tái)，調(diào)用Libsvm工具箱，通過(guò)10組樣本對(duì)模型進(jìn)行訓(xùn)練與測(cè)試，得到10次最優(yōu)解，如表2所示。

由表2可以看出：第2組的分類準(zhǔn)確率最高，其對(duì)應(yīng)參數(shù)值(31,0.005 8,1.07)應(yīng)作為多簇支持向量機(jī)的參數(shù)值。為了進(jìn)一步驗(yàn)證模型的可行性和合理性，采用上述樣本，利用粒子群優(yōu)化(Particle Swarm Optimization，PSO)算法和遺傳(genetic algorithm,GA)算法改進(jìn)的多簇支持向量機(jī)進(jìn)行評(píng)估，并將評(píng)估結(jié)果與CS算法改進(jìn)的多簇支持向量機(jī)的評(píng)估結(jié)果進(jìn)行對(duì)比，結(jié)果如圖2所示。

圖2CS-SVM、PSO-SVM 和GA-SVM
坦克技術(shù)狀態(tài)評(píng)估結(jié)果對(duì)比分析

由圖2可以看出：CS算法改進(jìn)的多簇支持向量機(jī)在速度和尋優(yōu)精度方面均明顯優(yōu)于PSO和GA算法改進(jìn)的多簇支持向量機(jī)。

參考文獻(xiàn)：

[1]周俊杰,王德功.基于模糊理論的機(jī)載電子裝備狀態(tài)評(píng)估[J].飛機(jī)設(shè)計(jì),2011,31(2):33-37.

[2]萬(wàn)延斌.船舶動(dòng)力裝置技術(shù)狀態(tài)綜合評(píng)價(jià)方法研究[J].裝備制造技術(shù),2014,(7):167-174.

[3]阮羚,謝齊家,高勝友,等.人工神經(jīng)網(wǎng)絡(luò)和信息融合技術(shù)在變壓器狀態(tài)評(píng)估中的作用[J].高壓電技術(shù),2014,40(3):822-828.

[4]劉伯運(yùn),歐陽(yáng)光耀,常漢寶.基于神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論的柴油機(jī)狀態(tài)評(píng)估[J].車用發(fā)動(dòng)機(jī),2005,(5):14-17.

[5]劉艷斌,劉建敏,喬新勇,等.遺傳算法優(yōu)化的柴油機(jī)技術(shù)狀態(tài)評(píng)價(jià)方法研究[J].車用發(fā)動(dòng)機(jī),2008,(3):17-20.

[6]Yang X S, Deb S. Cuckoo Search via Levy Flights [C]∥Proceeding of World Congress on Nature & Biologically Inspired Computing. India: IEEE, 2009:210-214.

[7]Hsu C W, Lin C J. A Comparison of Methods for Multiclass Support Vector Machines[J]. IEEE Transactions on Neural Networks, 2001,13(2):415-425.

[8]王之怡,楊一帆.多分類簇支持向量機(jī)方法[J]. 計(jì)算機(jī)應(yīng)用,2010,(1):143-149.

[9]鄭巧燕,莫愿斌,劉付永,等.一種小規(guī)模多種群布谷鳥算法[J].計(jì)算機(jī)應(yīng)用與軟件,2014,(10):278-317.

[10]龍文,陳樂(lè).求解約束化工優(yōu)化問(wèn)題的混合布谷鳥搜索算法[J].計(jì)算機(jī)應(yīng)用,2014,34(2):523-527.

[11]李煜,馬良.新型元啟發(fā)式布谷鳥搜索算法[J].系統(tǒng)工程,2012,30(8):64-69.

[12]Keethi S S, Lin C J. Asymptotic Behaviors of Support Vector Machines with Gaussian Kernel[J]. Neural Computation,2003,15(7):1667-1689.

[13]王泳,胡包鋼.應(yīng)用統(tǒng)計(jì)方法評(píng)估核函數(shù)分類能力的研究[J].計(jì)算機(jī)學(xué)報(bào),2008,31(6):942～952.

[14]賀興時(shí),王燕.基于高斯擾動(dòng)的布谷鳥搜索算法[J].西安工程大學(xué)學(xué)報(bào),2011,25(4):566-569.

[15]趙戰(zhàn)彪,楊帆.基于貝葉斯判別的裝甲裝備技術(shù)狀況評(píng)估[J].裝甲兵工程學(xué)院學(xué)報(bào),2015,29(4):22-26.

(責(zé)任編輯：尚彩娟)

Technical Status Evaluation of Armored Equipment Based on Modified Multi-class Cluster Support Vector Machine

ZHAO Zhan-biao, YANG Fan, WANG Sheng-feng

(Department of Science Research, Academy of Armored Force Engineering, Beijing 100072, China)

Key words:Multi-class Cluster Support Vector Machine (MCSVM); armored equipment; technical status evaluation; cuckoo search algorithm

Abstract：Considering the parameter setting of Multi-class Cluster Support Vector Machine (MCSVM) lacks scientific basis and parameter selection is much more random, the cuckoo search algorithm is used to improve the MCSVM, and the improved MCSVM is applied to technical status evaluation of armored equipment. Finally, through comparing with Particle Swarm Optimization (PSO) MCSVM and Genetic Algorithm (GA) MCSVM, the feasibility and rationality of cuckoo search MCSVM are verified in the technical status evaluation of armored equipment.

文章編號(hào)：1672-1497(2016)03-0022-04

收稿日期：2016-01-22

作者簡(jiǎn)介：趙戰(zhàn)彪(1976-)，男，副教授，博士。

中圖分類號(hào)：E92

文獻(xiàn)標(biāo)志碼：A

DOI：10.3969/j.issn.1672-1497.2016.03.005