戰(zhàn)場物資損耗綜合分析模型研究

周紅新， 陳國玖

(1. 后勤學(xué)院 后勤指揮系, 北京 100858； 2. 北京系統(tǒng)工程研究所, 北京 100101)

?

戰(zhàn)場物資損耗綜合分析模型研究

周紅新1， 陳國玖2

(1. 后勤學(xué)院 后勤指揮系, 北京 100858； 2. 北京系統(tǒng)工程研究所, 北京 100101)

為了提高戰(zhàn)場物資損耗量的預(yù)測精度，運用系統(tǒng)工程和系統(tǒng)論原理，提出了一種綜合預(yù)測與分析戰(zhàn)場物資損耗量的新方法，構(gòu)建了基于灰色決策和多元線性回歸組合預(yù)測的綜合分析模型?；贐P神經(jīng)網(wǎng)絡(luò)，提出了綜合分析模型的權(quán)值求解方法。仿真分析及模型驗證表明，該綜合分析模型具有較高的預(yù)測精度。

灰色決策分析；物資損耗；多元線性回歸分析

后勤物資是戰(zhàn)爭的物質(zhì)基礎(chǔ)，是部隊?wèi)?zhàn)斗力的重要組成部分。戰(zhàn)場物資損耗(損失、損壞和消耗)分析是為了恢復(fù)、維持和提高部隊?wèi)?zhàn)斗力，在各種約束條件下及時、準(zhǔn)確和適量地為其提供配套齊全、質(zhì)量完好的戰(zhàn)場物資的組織活動。做好戰(zhàn)場物資損耗分析是后勤保障平時與戰(zhàn)時的一項重要任務(wù)。在利用主觀評定、數(shù)理統(tǒng)計、數(shù)學(xué)解析、仿真模擬等方法分析戰(zhàn)場物資損耗量上，由于各種方法進(jìn)行分析的出發(fā)點不同，考察問題的角度也不同，造成分析結(jié)果不能把戰(zhàn)場物資損耗系統(tǒng)內(nèi)的有用信息較全面地表現(xiàn)出來，使得戰(zhàn)場物資損耗量預(yù)測及分析工作有待改進(jìn)。

多元線性回歸分析法，主要用線性關(guān)系描述損耗量與影響損耗的相關(guān)因素之間的關(guān)系，模型較為簡單，還不能將各影響因素對戰(zhàn)場物資損耗的非線性影響有效描述出來?；疑Ｅc決策分析方法主要由生成模型得到的數(shù)據(jù)通過累減建立還原模型，再將還原模型作為戰(zhàn)場物資損耗分析模型。由于數(shù)據(jù)采集的誤差或錯誤，難免得到一些壞數(shù)據(jù)(或原始數(shù)據(jù)規(guī)律不強)，這必然影響模型的建立，進(jìn)而影響最后的預(yù)測精度[1-3]。

本文應(yīng)用這2種分析模型的組合預(yù)測方法，再通過BP神經(jīng)網(wǎng)絡(luò)求解綜合分析模型的權(quán)值，并對模型各部分的原理和運算步驟進(jìn)行了詳細(xì)設(shè)計，最后對模型進(jìn)行了仿真分析及有效性驗證。

1 模型構(gòu)建總體思路

戰(zhàn)場物資損耗綜合分析模型的算法流程主要包括5個步驟：(1) 采用統(tǒng)計和閾值分析方法，對戰(zhàn)場物資損耗的觀測數(shù)據(jù)進(jìn)行預(yù)先處理；(2) 利用灰色建模與決策分析方法和多元線性回歸分析方法，分別對戰(zhàn)場物資損耗觀測(歷史)數(shù)據(jù)樣本進(jìn)行分析；(3) 將第二步灰色預(yù)測模型和多元線性回歸預(yù)測模型的預(yù)測結(jié)果作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本集；(4) 利用BP神經(jīng)網(wǎng)絡(luò)，計算綜合分析模型的權(quán)重；(5) 對戰(zhàn)場物資損耗量進(jìn)行綜合分析，預(yù)測戰(zhàn)場物資損耗總量。

2 模型及其求解算法

2.1 戰(zhàn)場物資損耗數(shù)據(jù)預(yù)處理

戰(zhàn)場物資損耗分析需要大量的歷史數(shù)據(jù)。因為每次作戰(zhàn)的具體情況不同，造成數(shù)據(jù)在主觀上和客觀上都可能存在非真實數(shù)據(jù)和異常波動數(shù)據(jù)，它們的誤差超出了正常的范圍，這些不良數(shù)據(jù)的出現(xiàn)容易造成模型的分析誤差。處理方法：

則

(1)

2.2 戰(zhàn)場物資損耗綜合分析模型

戰(zhàn)場物資損耗綜合分析建模步驟如下：

(2)

(3)

利用灰色建模與決策理論分析方法，將戰(zhàn)場物資損耗樣本數(shù)據(jù)Y以數(shù)列的形式作如下變換,令

(4)

即

(5)

新的生成數(shù)列y(1)近似滿足指數(shù)分布，其滿足灰色預(yù)測的微分方程GM(1,1)。其白化形式為:

(6)

(6)

從而

(7)

生成的物資損耗數(shù)列為

(8)

3) 構(gòu)建的組合預(yù)測模型。由多元線性回歸預(yù)測、灰色預(yù)測這2個單一模型構(gòu)成的組合預(yù)測模型為

(9)

式中：fit為t時間段第i個預(yù)測模型的預(yù)測值；wi為權(quán)重系數(shù), wi滿足下式條件

(10)

為了求出組合預(yù)測模型的權(quán)重系數(shù)，可建立以預(yù)測樣本均方差最小為目標(biāo)的數(shù)學(xué)模型，即

(11)

令Fit=(f1t,f2t)，則上式可以改寫為

(12)

式中：yt表示觀測值；E表示樣本均方差。

只要求得E的最小值或者誤差在精度允許范圍之內(nèi)，即可求出組合預(yù)測模型中各單一預(yù)測模型所占的權(quán)重，由此可以得到關(guān)于此問題的組合預(yù)測模型

(13)

BP神經(jīng)網(wǎng)絡(luò)具有無后效性的特點，各層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)，并且眾多神經(jīng)元對整體預(yù)測產(chǎn)生明顯地緩沖作用，減少了組合預(yù)測結(jié)果對真實值的偏離，可以提高網(wǎng)絡(luò)整體的收斂性[4-6]。本文采用BP算法，計算戰(zhàn)場物資損耗組合預(yù)測模型的單一預(yù)測模型權(quán)重分配問題。

3 實例分析

以某單位作戰(zhàn)消耗彈藥為例。設(shè)y為各戰(zhàn)例的總消耗量，y1、y2、y3和y4分別為輕武器彈藥消耗量、火炮彈藥消耗量、反坦克導(dǎo)彈消耗量和高炮彈藥消耗量。利用多元線性回歸分析方法和灰色建模與決策分析方法對實例數(shù)據(jù)進(jìn)行組合預(yù)測，預(yù)測結(jié)果如表1所示。

表1 多元線性回歸分析模型和GM(1，1)模型的 預(yù)測結(jié)果

將綜合分析模型的預(yù)測及分析結(jié)果歸一化處理，輸入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，可得到基本損耗分量：y1=218.7，y2=9 705.0，y3=1 592.1，y4=137.2。將損耗分量與修正值求和，計算出綜合分析模型的最終預(yù)測結(jié)果，并將此結(jié)果與各單一分析模型結(jié)果進(jìn)行比較，如表2所示。通過相對誤差可以看到，本文建立的組合預(yù)測模型較單一預(yù)測方法更接近實際值，大大提高了預(yù)測精度，使得預(yù)測結(jié)果更具可靠性。

表2 綜合預(yù)測與分析結(jié)果及誤差

4 結(jié) 束 語

通過實例模型的仿真分析，可以看到，本文基于灰色建模與決策方法和多元線性回歸分析方法，構(gòu)建的戰(zhàn)場物資損耗綜合分析模型更接近實際值，而且綜合分析模型比單一分析模型的預(yù)測精度要高，從而可有效地提高戰(zhàn)場物資消耗量預(yù)測的科學(xué)性和合理性。

References)

[1]陳華友．組合預(yù)測方法有效性理論及其應(yīng)用[M]．北京：科學(xué)出版社,2005:40-196.

[2]CHARYTONIUK W, CHEN M S, OLINDA P V．Nonparametric regression based short-term load forecastion[J]．IEEE Transaction on Power Systems,1998,13(3):725-730.

[3]楊春波．基于灰色模型與人工神經(jīng)網(wǎng)絡(luò)的改進(jìn)組合預(yù)測模型及其應(yīng)用研究[D]．濟(jì)南：山東師范大學(xué)，2009：5-17.

[4]周品．MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用與設(shè)計[M]．北京：清華大學(xué)出版社，2013：113-150.

[5]盧慶玲，白盟亮，彭艷麗．基于灰色神經(jīng)網(wǎng)絡(luò)的裝甲器材需求量預(yù)測[J]．裝甲兵工程學(xué)院學(xué)報，2011，25(6)：19-22.

[6]夏秀峰，劉權(quán)羲．基于灰色神經(jīng)網(wǎng)絡(luò)的裝甲部隊油料消耗預(yù)測[J]．火力與指揮控制，2014，39(9)：91-95.

(編輯：李江濤)

A Comprehensive Analysis Model of Materiel Loss at Battlefield

ZHOU Hongxin1， CHEN Guojiu2

(1. Department of Logistics Command, Logistics Academy, Beijing 100858, China；2. Beijing Institute of System and Engineering， Beijing 100101, China)

To improve the accuracy of prediction on materiel loss at battlefield, the paper introduces a new method featuring comprehensive prediction and analysis on the materiel loss at battlefield with the system engineering and system principles. The paper constructs a comprehensive analysis model based on gray decision making and multiple linear regression. Based on the BP neural network, the paper also proposes a weighting method of comprehensive analysis model. Simulation analysis and model validation show that the model has high accuracy in prediction.

grey decision analysis; material consumption; multiple linear regression analysis

2016-06-16

周紅新(1976-)，男，講師，博士，主要研究方向為軍事運籌與后勤指揮。zzyzhxkjy@126.com

E24

2095-3828(2016)06-0041-03

A DOI 10.3783/j.issn.2095-3828.2016.06.009