基于Delphi-BP神經(jīng)網(wǎng)絡(luò)的裝備保障能力評估*

趙師，屈洋

（1.南京陸軍指揮學院，南京210045；2.裝甲兵學院，安徽蚌埠233050）

基于Delphi-BP神經(jīng)網(wǎng)絡(luò)的裝備保障能力評估*

趙師1，2，屈洋2

（1.南京陸軍指揮學院，南京210045；2.裝甲兵學院，安徽蚌埠233050）

針對評估指標數(shù)量過多可能給評估過程及結(jié)果帶來的弊端，在構(gòu)建裝備保障能力評估指標體系基礎(chǔ)上，給出了基于Delphi法的指標體系篩選的方法步驟，通過計算累計貢獻率，對指標體系進行了篩選，降低了評估模型的輸入維度。建立了評估部隊裝備保障能力的三層BP神經(jīng)網(wǎng)絡(luò)模型，利用Matlab神經(jīng)網(wǎng)絡(luò)工具箱對網(wǎng)絡(luò)進行了訓練和仿真，結(jié)果顯示誤差小于10-3。最后，通過對比評估，驗證了方法的有效性和正確性。

德爾菲，P神經(jīng)網(wǎng)絡(luò)，裝備保障能力，指標篩選

0 引言

當前，部隊裝備保障信息化建設(shè)取得了明顯成效，隨之而來的問題是如何對部隊裝備保障能力進行有效、準確的評估，以及時、全面、準確、客觀地了解裝備保障能力建設(shè)水平和現(xiàn)狀，對于指導我軍裝備保障能力建設(shè)具有重要意義。目前，主要的評估方法有：層次分析法、灰色理論、模糊數(shù)學、平衡記分卡法、故障樹方法、神經(jīng)網(wǎng)絡(luò)方法等。其中神經(jīng)網(wǎng)絡(luò)方法具有良好的自適應(yīng)能力、學習能力和高度的線性和非線性映射能力，因此，在效能評估、智能控制和預(yù)測等領(lǐng)域得到了廣泛應(yīng)用。影響裝備保障能力的因素眾多，且這些因素具有非線性、開放性和不確定性。但直接應(yīng)用神經(jīng)網(wǎng)絡(luò)進行評估，會導致算法收斂速度慢，計算時間長，網(wǎng)絡(luò)性能和計算精度降低［4］，數(shù)據(jù)采集困難以及數(shù)據(jù)誤差的大量疊加對評估結(jié)果的影響等弊端。因此，需要對指標體系進行降維處理。本文在建立裝備保障能力評估指標體系的基礎(chǔ)上，篩選出了能夠反映裝備保障能力主要信息的重要指標，降低了評估模型輸入的維度，有效避免了上述弊端，提高了評估的效率和精度。

1 指標體系建立及篩選

1.1 指標體系建立

現(xiàn)代戰(zhàn)爭呈現(xiàn)出全天候、全方位、全要素、全過程的鮮明特點，體系對抗激烈，制勝機理復(fù)雜［3］，裝備保障難度將不斷增大，保障范圍擴大，保障時效性更強，對保障人員的素質(zhì)，保障裝備的信息化水平和生存能力提出更高的要求。因此，本文從體系作戰(zhàn)對裝備保障的總要求出發(fā)，依據(jù)部隊裝備保障運行規(guī)律和專家經(jīng)驗，綜合考慮裝備保障活動過程和各種因素的影響，從保障人員、指揮能力、感知能力、搶修能力、生存能力、器材保障、管理調(diào)配等7個方面建立裝備保障能力評估指標體系，如表1所示。

1.2 指標篩選

指標體系維數(shù)多可能會導致3個方面的弊端。一是采集大量指標的精確數(shù)據(jù)較困難，會導致評估效率低，操作性不強；二是指標數(shù)據(jù)可能存在微小誤差的逐個疊加，最后可能導致評估結(jié)果與實際情況出現(xiàn)較大的偏離。三是指標數(shù)量過多，會增加神經(jīng)網(wǎng)絡(luò)的輸入維度，網(wǎng)絡(luò)收斂速度降低，計算時間增長，易陷入局部最優(yōu)，影響其性能發(fā)揮。鑒于此，需要對指標體系進行篩選，找出能反映裝備保障能力主要信息的關(guān)鍵指標。一般要求所篩選出的前r個指標的累計貢獻率≥α。通過指標篩選，選擇出對評估目標具有較大貢獻率的指標。這里給出一種基于Delphi法的指標篩選操作步驟如Step1至Step5所示。

表1 指標體系及排序

將累計貢獻率系數(shù)設(shè)定為0.9（可根據(jù)實際情況進行調(diào)整），依據(jù)指標篩選步驟，選取5名專家對其重要度排序，如表1中4列～8列所示，經(jīng)過對33個指標的重要度進行歸一化排序，如表1中10列、11列所示。此時，利用式（4）計算一致性檢驗系數(shù)為0.948，表明5位專家的意見越趨向一致。

2 評估模型設(shè)計及仿真

2.1 樣本數(shù)據(jù)采集

2.2 輸入層、隱含層、輸出層的設(shè)計

根據(jù)已建立的裝備保障能力評估指標體系，啟用matlab中的nntool函數(shù)，利用GUI可方便地對神經(jīng)網(wǎng)絡(luò)模型進行設(shè)計。

輸入層的節(jié)點數(shù)對應(yīng)系統(tǒng)評估的指標相對值為23，輸出層節(jié)點數(shù)為1。隱含層節(jié)點數(shù)根據(jù)經(jīng)驗來選?。?］，此處隱含層設(shè)計為9個，即采取23—9—1BP網(wǎng)絡(luò)模型。傳遞函數(shù)選用“l(fā)ogsig”，訓練函數(shù)選用“traingd”，學習函數(shù)選用“traingd”，學習速率為0.5，網(wǎng)絡(luò)訓練的最終允許誤差設(shè)為10-3。構(gòu)造神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)和GUI設(shè)計示意圖分別如圖1，圖2所示。

表2 數(shù)據(jù)樣本及綜合評定等級

2.3 網(wǎng)絡(luò)訓練及仿真

每一個網(wǎng)絡(luò)訓練樣本有23個輸入值，1個期望輸出值。前25組樣本作為訓練樣本，后5組樣本作為測試樣本數(shù)據(jù)，對網(wǎng)絡(luò)進行訓練，誤差設(shè)定為10-3，誤差變化曲線如圖3所示。從訓練結(jié)果可以看出該模型達到了預(yù)先設(shè)定的誤差范圍，能夠進行綜合評估。利用后5組樣本進行仿真評估，網(wǎng)絡(luò)輸出結(jié)果如表3中第3列所示。另外，為了對比評估結(jié)果，利用未篩選的原始指標對網(wǎng)絡(luò)進行訓練，訓練9760次后達到了預(yù)先設(shè)定的誤差范圍，仿真輸出結(jié)果如表3中第4列所示。

圖1 神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

圖2 神經(jīng)網(wǎng)絡(luò)GUI設(shè)計示意圖

圖3 訓練誤差變化曲線

從對比評估的結(jié)果可以看出，基于Delphi-BP的預(yù)測值更接近于實際值，其預(yù)測誤差范圍較小。而且，對裝備保障能力評估等級的預(yù)測完全符合實際等級。BP的預(yù)測值誤差范圍相對較大，尤其當實際值靠近等級劃分的臨界值時，易出現(xiàn)評估等級與實際等級不相符的情況，例如表3中對第27個樣本的預(yù)測。另外，BP預(yù)測的訓練次數(shù)較多，接近Delphi-BP預(yù)測訓練次數(shù)的4倍，其網(wǎng)絡(luò)收斂速度慢，計算時間較長。因此，在利用神經(jīng)網(wǎng)絡(luò)方法對裝備保障能力進行評估時，并不是指標體系包含的指標越多評估精度越高，應(yīng)當盡量選取能夠覆蓋裝備保障能力主要信息的重要指標，避免逐個誤差信息的大量疊加，最終導致評估結(jié)果出現(xiàn)較大誤差。同時，當神經(jīng)網(wǎng)絡(luò)的輸入維過多時，容易導致神經(jīng)網(wǎng)絡(luò)收斂速度慢，降低網(wǎng)絡(luò)的性能，其預(yù)測精度也會受到一定程度的影響。

表3 裝備保障能力綜合評估結(jié)果

3 結(jié)論

隨著我軍信息化建設(shè)水平的逐步提高，裝備保障能力評估的復(fù)雜程度越來越高。本文對裝備保障能力評估的指標體系建立、篩選及評估模型等問題進行了探討。在下一步研究中，應(yīng)重點對部隊裝備保障運行規(guī)律、影響因素進行更為深入、全面的研究，以修正或完善評估指標體系。在部隊實際演習中，注重對實際演練數(shù)據(jù)的收集和存儲，以實際演練情況不斷修正神經(jīng)網(wǎng)絡(luò)模型訓練樣本，對于提高評估準確性具有重要作用。

［1］于芹章，張英朝，張靜，等.基于整體效果的裝備體系作戰(zhàn)效能評估方法研究［J］.系統(tǒng)仿真技術(shù)，2011，7（3）：183-189.

［2］DELAURENTIS D A，AYYALASOMAYAJULS S.Exploring the synergy between industrial ecology and system of systems to understand complexity［J］.Journal of Industrial Ecology，2009，13（2）：51-59.

［3］李建印.基于ANP的作戰(zhàn)裝備保障能力相關(guān)性模型研究［J］.軍事運籌與系統(tǒng)工程，2014，28（1）：52-54.

［4］武仁杰.神經(jīng)網(wǎng)絡(luò)在計算機網(wǎng)絡(luò)安全評價中的應(yīng)用研究［J］.計算機仿真，2011，28（11）：187-189.

［5］張德豐.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計［M］.北京：機械工業(yè)出版社，2012.

［6］陶鳳和，何耀欣，白向華，等.裝備保障能力信息化建設(shè)薄弱因素捕獲方法［J］.火力與指揮控制，2014，39（6）：68-71.

［7］江雷，任德奎，張寧，等.BP神經(jīng)網(wǎng)絡(luò)在裝備保障性評估中的應(yīng)用［J］.四川兵工學報，2014，35（10）:74-76.

［8］楊誠，劉澤平.基于信息系統(tǒng)的體系作戰(zhàn)指揮控制能力評估研究［J］.計算機工程與設(shè)計，2013，34（3）：1087-1091.

Evaluation of Equipment Supporting Capacity Based on Delphi-BP Neural Network

ZHAO Shi1，2，QU Yang2
（1.School of Nanjing Army Command，Nanjing 210045，China；2.Armored Force Institute，Bengbu 233050，China）

To solve the problem which is induced by excessive evaluation indexes，this article builds index system of equipment supporting capacity，the method of filtering index system based on the method of Delphi is put forward and the index system is filtered by computing accumulative total contributing ratio which reduced the inputting dimensions of model.This paper builds three layers BP Neural Network model，the Neural Network is simulated by Matlab neural network toolbox which result error less than 10-3.In the end the model in contrast with traditional application of neural network method is validated.

delphi，BP neural network，equipment supporting capacity，index filtering

E92；TJ07

A

1002-0640（2017）02-0130-04

2016-01-12

2016-03-06

軍隊科研計劃基金資助項目（14CJJ3448）；獲軍隊科技進步三等獎

趙師（1982-），男，河北辛集人，博士研究生，講師。研究方向：裝備保障，軍隊指揮。