基于BP神經(jīng)網(wǎng)絡(luò)的后勤機動裝備檢驗驗收質(zhì)量評估

王悅明達，魏大帥，張大鵬

（1.陸軍軍事交通學(xué)院 學(xué)員旅，天津 300161；2.陸軍軍事交通學(xué)院 軍用車輛系，天津 300161）

1 引言

隨著科技在軍事領(lǐng)域的廣泛應(yīng)用，現(xiàn)代戰(zhàn)爭的作戰(zhàn)形式發(fā)生了巨大改變，軍事保障任務(wù)對后勤機動裝備的質(zhì)量要求也越來越高。后勤機動裝備作為后勤保障的基礎(chǔ)平臺和移動載體，具有良好的機動性能和保障能力，其質(zhì)量的好壞直接影響到部隊的作戰(zhàn)和訓(xùn)練任務(wù)。檢驗驗收作為裝備生產(chǎn)過程和使用過程的“橋梁”，對裝備的質(zhì)量具有重要影響。因此，對后勤機動裝備檢驗驗收質(zhì)量進行控制和評估具有重大現(xiàn)實意義。

2 檢驗驗收質(zhì)量評估指標(biāo)體系的建立

通過調(diào)研后勤機動裝備的檢驗驗收流程、咨詢物資采購部門的工作范疇、分析影響裝備檢驗驗收質(zhì)量的因素可知，后勤機動裝備檢驗驗收質(zhì)量主要涵蓋以下三個方面：裝備驗收可測指標(biāo)、裝備檢驗過程指標(biāo)、裝備定型采信指標(biāo)。

通過查閱相關(guān)的國家軍用標(biāo)準(zhǔn)、裝備研制任務(wù)書、裝備定型試驗大綱等資料可知，后勤機動裝備的驗收可測指標(biāo)主要包括作業(yè)能力、通過性、制動性、物理性能、人機工程性；裝備檢驗過程指標(biāo)主要包括產(chǎn)品質(zhì)量狀況、過程管理水平；裝備定型采信指標(biāo)主要包括環(huán)境適應(yīng)性、安全防護性、可靠性、維修性、保障性。

通過參考《后勤裝備檢驗驗收細(xì)則》、《后勤裝備研制實用手冊》、后勤機動裝備定型試驗大綱以及相關(guān)的國家軍用標(biāo)準(zhǔn)等材料，可根據(jù)選定的二級指標(biāo)篩選三級指標(biāo)，最終確立了后勤機動裝備檢驗驗收質(zhì)量評估指標(biāo)體系，如圖1所示。

圖1 后勤機動裝備檢驗驗收質(zhì)量評估指標(biāo)體系

3 BP神經(jīng)網(wǎng)絡(luò)方法概述

后勤機動裝備檢驗驗收質(zhì)量評估指標(biāo)體系是一個比較復(fù)雜的系統(tǒng)，其涵蓋的指標(biāo)數(shù)量較多，指標(biāo)的權(quán)重不易確定；各項指標(biāo)的性質(zhì)也不盡相同，有的屬于定量指標(biāo)，有的屬于定性指標(biāo)，指標(biāo)的量綱也有所不同，本文決定采用BP神經(jīng)網(wǎng)絡(luò)算法對后勤機動裝備檢驗驗收質(zhì)量進行評估。神經(jīng)網(wǎng)絡(luò)是一種由大量人工神經(jīng)元連接而成的數(shù)據(jù)處理模型，它根據(jù)輸入信號的變化來調(diào)節(jié)自身的結(jié)構(gòu)，通過樣本訓(xùn)練來調(diào)節(jié)神經(jīng)元之間的網(wǎng)絡(luò)權(quán)值，對輸入的數(shù)據(jù)構(gòu)建模型，最終得到合適的輸出值。BP神經(jīng)網(wǎng)絡(luò)是眾多神經(jīng)網(wǎng)絡(luò)中的一種（下文提到的神經(jīng)網(wǎng)絡(luò)專指BP神經(jīng)網(wǎng)絡(luò)），通常除了輸入層和輸出層以外，還有若干個隱含層。一個包含兩個隱含層的BP神經(jīng)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)圖

神經(jīng)元節(jié)點和權(quán)值是BP神經(jīng)網(wǎng)絡(luò)最重要的兩個概念。神經(jīng)元節(jié)點是構(gòu)成神經(jīng)網(wǎng)絡(luò)的基本單元，神經(jīng)元節(jié)點對應(yīng)為有向圖中的節(jié)點，權(quán)值反映節(jié)點間相互關(guān)聯(lián)的程度。BP神經(jīng)網(wǎng)絡(luò)的強大之處在于其連接權(quán)值是可調(diào)整的，當(dāng)權(quán)值調(diào)整為適當(dāng)值時，就能得到滿意的輸出結(jié)果。

3.1 BP神經(jīng)網(wǎng)絡(luò)的特點

BP神經(jīng)網(wǎng)絡(luò)的一般特點可以歸納如下：

（1）BP神經(jīng)網(wǎng)絡(luò)具有良好的自適應(yīng)性。神經(jīng)網(wǎng)絡(luò)通過訓(xùn)練樣本，能夠自動調(diào)整網(wǎng)絡(luò)權(quán)值，以適應(yīng)外界環(huán)境的變化，從而對特定的輸入產(chǎn)生特定的輸出。

（2）BP神經(jīng)網(wǎng)絡(luò)具有多層結(jié)構(gòu)。多層的網(wǎng)絡(luò)連接能夠從輸入信號中挖掘更多的信息，使輸出值更加精確。

（3）BP神經(jīng)網(wǎng)絡(luò)采用誤差反向傳遞算法進行樣本訓(xùn)練。數(shù)據(jù)在網(wǎng)絡(luò)中由輸入層向后逐層傳播，在進行樣本訓(xùn)練時，則沿著誤差減少的方向，由輸出層向前調(diào)節(jié)網(wǎng)絡(luò)的權(quán)值和閾值。隨著訓(xùn)練的持續(xù)進行，最終的誤差將越來越小。

3.2 BP神經(jīng)網(wǎng)絡(luò)的權(quán)值訓(xùn)練方法

BP神經(jīng)網(wǎng)絡(luò)通常采用梯度下降法進行權(quán)值的訓(xùn)練。梯度下降法的基本原理為：如果函數(shù)F(x)在點x0處可微，則函數(shù)在該點沿著梯度的反方向-?F(x0)下降速度最快。因此，使用梯度下降法時，要計算出誤差對權(quán)值的梯度，再沿著梯度反方向進行調(diào)整權(quán)值。

假設(shè)x1=x0-η?F(x0)，當(dāng)步長η足夠小時，必有F(x1)＜F(x0)成立。根據(jù)xn+1=xn-η?F(xn)，只需給定一個初始值x0和步長η，就可以得到一個自變量x的序列，并滿足F(xn+1)＜F(xn)＜...＜F(x1)＜F(x0)，經(jīng)過反復(fù)迭代，就可以得到最優(yōu)權(quán)值。

但梯度下降法也存在明顯的缺陷，主要表現(xiàn)為：

（1）如果權(quán)值比較接近，算法會在最優(yōu)權(quán)值附近停留很久，收斂速度很慢。

（2）誤差函數(shù)可能包含若干個極值點，算法可能陷入權(quán)值的局部極小值點，而沒有得出最優(yōu)權(quán)值。

3.3 BP神經(jīng)網(wǎng)絡(luò)的權(quán)值訓(xùn)練過程

BP神經(jīng)網(wǎng)絡(luò)的權(quán)值訓(xùn)練過程主要包括信息的正向傳播和誤差的反向傳播。對于三層的BP神經(jīng)網(wǎng)絡(luò)，設(shè)輸入層神經(jīng)元個數(shù)為M，隱含層神經(jīng)元個數(shù)為I，輸出層神經(jīng)元個數(shù)為J。輸入層第m個神經(jīng)元記為xm，隱含層第i個神經(jīng)元記為ki，輸出層第j個神經(jīng)元記為yj。從xm到ki的連接權(quán)值為wmi，從ki到y(tǒng)j的連接權(quán)值為wij。η為初始學(xué)習(xí)率。隱含層傳遞函數(shù)f(x)和輸出層傳遞函數(shù)g(x)分別為S型函數(shù)和線性函數(shù)。用u和v分別表示每一層的輸入與輸出，則網(wǎng)絡(luò)的實際輸出為：，網(wǎng)絡(luò)的期望輸出為：d(n)=[d1,d2,...,dn]，n為迭代次數(shù)，則第n次迭代的誤差信號定義為：

將誤差能量定義為：

（1）輸入信號正向傳播

輸入層的輸出等于整個網(wǎng)絡(luò)的輸入信號：隱含層第i個神經(jīng)元的輸入等于的加權(quán)和：

隱含層第i個神經(jīng)元的輸出等于：

輸出層第j個神經(jīng)元的輸入等于的加權(quán)和：

輸出層第j個神經(jīng)元的輸出等于：

輸出層第j個神經(jīng)元的誤差：

網(wǎng)絡(luò)的總誤差：

（2）誤差信號反向傳播

①調(diào)整隱含層與輸出層之間的權(quán)值wij。根據(jù)梯度下降法，首先計算誤差對的wij梯度，再按以下公式沿著反方向進行調(diào)整：

根據(jù)微分的鏈?zhǔn)揭?guī)則可得：

由于e(n)是ej(n)的二次函數(shù)，其微分為一次函數(shù)：，輸出層傳遞函數(shù)的導(dǎo)數(shù)為：，則可得梯度值為：

可得權(quán)值修正量為：

②調(diào)整輸入層與隱含層之間的權(quán)值wmi。與權(quán)值wij的調(diào)整方法類似，有：

權(quán)值調(diào)整的規(guī)則可總結(jié)為：

上述激活函數(shù)f(x)為Sigmoid函數(shù)，即S型函數(shù)。S型函數(shù)曲線光滑，比線性函數(shù)精確性更強，容錯性更好。S型函數(shù)的一般表達式如下：

3.4 動量因子法訓(xùn)練網(wǎng)絡(luò)權(quán)值

為了在權(quán)值訓(xùn)練時能夠加快收斂速度，避免權(quán)值陷入局部最小值，本文引入動量因子α(0＜α＜1)對梯度下降法進行修正。權(quán)值更新方式如下：

與傳統(tǒng)的梯度下降法相比，引入動量因子后使得權(quán)值的更新具有一定的慣性，模型的抗震蕩能力和收斂能力得以加強。具體原理如下：

（1）權(quán)值訓(xùn)練過程中所得的梯度方向相同時，則按照傳統(tǒng)的最速下降法，兩次權(quán)值的更新方向相同。在上述公式中，本次梯度反方向的項與上一次的權(quán)值更新相加，能夠提高算法的收斂能力，不至于在單一位置停留時間過長。

（2）若權(quán)值訓(xùn)練過程中所得的梯度方向相反，此時應(yīng)減小權(quán)值修正量，防止產(chǎn)生振蕩，引入動量因子α后，本次梯度反方向的項與上次權(quán)值更新方向相反，其振幅會被減小，得到一個較小步長，避免產(chǎn)生過度振蕩。在實際的案例分析中，α一般取0.1～0.9。

4 基于BP神經(jīng)網(wǎng)絡(luò)算法的評估模型構(gòu)建

4.1 神經(jīng)網(wǎng)絡(luò)輸入層、輸出層與隱含層的設(shè)計

（1）輸入層的設(shè)計。根據(jù)上文建立的后勤機動裝備檢驗驗收質(zhì)量評估指標(biāo)體系，確定神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點。將單位時間作業(yè)量等34個三級指標(biāo)作為神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點。

（2）輸出層的設(shè)計。設(shè)置1個輸出節(jié)點，取值區(qū)間為[0,1]。不同的取值范圍表示不同的質(zhì)量等級。輸出值在區(qū)間[0.9,1]時表示裝備質(zhì)量為等級Ⅰ；輸出值在區(qū)間[0.8,0.9]時表示裝備質(zhì)量為等級Ⅱ；輸出值在區(qū)間[0.7,0.8]時表示裝備質(zhì)量為等級Ⅲ；輸出值在區(qū)間[0.6,0.7]時表示裝備質(zhì)量為等級Ⅳ；輸出值在區(qū)間[0,0.6]時表示裝備質(zhì)量為等級V。

（3）隱含層的設(shè)計。隱含層的節(jié)點數(shù)對神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果影響較大。隱含層節(jié)點數(shù)越多，輸出的結(jié)果通常越精確，但是往往導(dǎo)致訓(xùn)練時間過長。目前并沒有一個通用的方法來確定隱含層的節(jié)點數(shù)，通常利用經(jīng)驗公式給出隱含層節(jié)點數(shù)的參考值。設(shè)M為隱含層節(jié)點數(shù)，n為輸入層的節(jié)點數(shù)，m為輸出層的節(jié)點數(shù)，則有：

其中α為[0,10]之間的常數(shù)。

本文中的輸入節(jié)點數(shù)為34，輸出節(jié)點數(shù)為1，則隱含層的節(jié)點數(shù)在[6,15]之間。

4.2 基于BP神經(jīng)網(wǎng)絡(luò)的評估模型

根據(jù)神經(jīng)網(wǎng)絡(luò)的工作特點可知，后勤機動裝備檢驗驗收的質(zhì)量評估結(jié)果即為神經(jīng)網(wǎng)絡(luò)的輸出值。結(jié)合神經(jīng)網(wǎng)絡(luò)權(quán)值的訓(xùn)練方法和訓(xùn)練過程，可以建立基于BP神經(jīng)網(wǎng)絡(luò)的后勤機動裝備檢驗驗收質(zhì)量的評估模型。模型如下：

其中，O為評估結(jié)果；XT為輸入值矩陣，即輸入的指標(biāo)值組成的矩陣；VT為隱含層到輸出層之間的權(quán)值矩陣；WT為輸入層到隱含層之間的權(quán)值矩陣；AT為隱含層節(jié)點的閾值矩陣；BT為輸出層節(jié)點的閾值矩陣；均為Sigmoid函數(shù)。

建立評估模型之后，需要利用帶有動量因子的梯度下降法對樣本進行訓(xùn)練并輸出評估結(jié)果。輸出的評估結(jié)果在不同的區(qū)間范圍內(nèi)代表不同等級的裝備質(zhì)量，五個質(zhì)量等級所能反映的裝備質(zhì)量狀況以及針對不同質(zhì)量狀況所采取的處理方式見表1。

表1 裝備質(zhì)量等級分類及處理方式

BP神經(jīng)網(wǎng)絡(luò)評估模型的具體實現(xiàn)步驟如下：

（1）把將要輸入的樣本數(shù)據(jù)進行標(biāo)準(zhǔn)化。

（2）輸入標(biāo)準(zhǔn)化后的樣本數(shù)據(jù)，計算實際輸出與期望輸出之間的誤差。

（3）判斷誤差是否滿足輸出要求，若滿足條件要求，直接進行步驟（5）；否則執(zhí)行步驟（4）。

（4）若輸出誤差不滿足預(yù)設(shè)條件，根據(jù)式（10）-（19），利用動量因子法對網(wǎng)絡(luò)權(quán)值進行調(diào)整。

（5）輸出誤差滿足預(yù)設(shè)條件時，保存權(quán)值。

（6）將用來評估預(yù)測的樣本輸入模型。

（7）輸出評估結(jié)果。

（8）判斷輸出結(jié)果是否滿足接收裝備的條件，若滿足條件，接收裝備；若裝備質(zhì)量處于等級Ⅳ，退驗裝備，改進后再進行判定；若裝備質(zhì)量處于等級V，直接拒收裝備。

后勤機動裝備檢驗驗收質(zhì)量評估的邏輯框圖如圖3所示。

圖3 后勤機動裝備檢驗驗收質(zhì)量評估邏輯框圖

5 實例分析

某單位要對兩臺XX型后勤裝備通用維修車檢驗驗收質(zhì)量進行評估，兩臺裝備各項指標(biāo)的統(tǒng)計數(shù)據(jù)見表2。

5.1 訓(xùn)練樣本選取

明確各項評估指標(biāo)的值域是選取訓(xùn)練樣本的前提。依據(jù)“后勤裝備檢驗驗收質(zhì)量研究”課題、SPC理論、《測量系統(tǒng)分析手冊》、裝備制造與驗收技術(shù)條件以及裝備定型試驗大綱等材料，可統(tǒng)計得出XX型后勤裝備通用維修車各項指標(biāo)的值域，具體見表3。

5.2 模型訓(xùn)練

SPSS Modeler軟件是美國IBM公司開發(fā)的面向數(shù)據(jù)挖掘的工作平臺，該軟件可以根據(jù)數(shù)據(jù)流進行統(tǒng)計分析和機器學(xué)習(xí)，迅速地構(gòu)建評估預(yù)測模型。本文中利用SPSS Modeler15.0軟件構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型對后勤機動裝備檢驗驗收質(zhì)量進行評估預(yù)測。

表2 指標(biāo)統(tǒng)計數(shù)據(jù)表

表3 XX型后勤裝備通用維修車質(zhì)量評估指標(biāo)值域

模型訓(xùn)練前首先要進行參數(shù)設(shè)置。設(shè)初始學(xué)習(xí)率n為0.4；動量因子α為0.9；隱含層節(jié)點數(shù)M為10；權(quán)值訓(xùn)練次數(shù)為400。

利用SPSS Modeler軟件構(gòu)建神經(jīng)網(wǎng)絡(luò)評估模型，當(dāng)模型評估預(yù)測的準(zhǔn)確度低于60%時，模型失效。模型的數(shù)據(jù)流如圖4所示。

在SPSS Modeler軟件中運行該數(shù)據(jù)流，首先通過模型訓(xùn)練可以確立各層之間的權(quán)值和閾值。利用訓(xùn)練結(jié)束的權(quán)值對樣本進行評估可得到樣本的預(yù)測值、實際值與預(yù)測值之間的均方誤差以及模型預(yù)測的準(zhǔn)確度，具體見表4和圖5、圖6、圖7。

圖4 評估模型的數(shù)據(jù)流

表4 樣本輸出值比較

圖5 樣本輸出值對比圖

圖6 均方誤差和變化圖

通過觀察表4和圖5可知，模型輸出的預(yù)測值與實際評估值十分接近，誤差始終處在較小范圍內(nèi)波動；通過觀察圖6可知，隨著權(quán)值的不斷訓(xùn)練，樣本的均方誤差和逐漸減小，當(dāng)訓(xùn)練次數(shù)達到約300次時，均方誤差和取到最小值0.000 039；通過觀察圖7可知，模型預(yù)測的準(zhǔn)確度為93.3%，遠(yuǎn)遠(yuǎn)高于60%，說明模型模擬效果較好。

圖7 模型預(yù)測準(zhǔn)確度

5.3 評估結(jié)果處理

將兩臺待驗收裝備的指標(biāo)值輸入到訓(xùn)練好的模型中，可得裝備一的評估值為0.879，裝備二的評估值為0.873，表明兩臺裝備的質(zhì)量等級均為Ⅱ級，裝備的技術(shù)性能、內(nèi)外觀狀態(tài)等指標(biāo)基本符合質(zhì)量要求，檢驗驗收過程要求比較嚴(yán)格。綜上做出接收兩臺裝備的決定，并在接下來的檢驗驗收工作中對檢驗過程予以適當(dāng)控制。

6 結(jié)語

本文在后勤機動裝備檢驗驗收質(zhì)量評估指標(biāo)體系的基礎(chǔ)上，利用BP神經(jīng)網(wǎng)絡(luò)對后勤機動裝備檢驗驗收質(zhì)量進行評估。針對BP神經(jīng)網(wǎng)絡(luò)存在的缺陷，采用動量因子法對BP神經(jīng)網(wǎng)絡(luò)的權(quán)值進行訓(xùn)練選優(yōu)，以加快網(wǎng)絡(luò)的收斂速度并達到全局最優(yōu)，進而建立起基于BP神經(jīng)網(wǎng)絡(luò)的后勤機動裝備檢驗驗收質(zhì)量評估模型，并利用實例驗證了模型的可行性和精確性。

[1]劉士通,于戰(zhàn)果,鐘幼平.后勤裝備學(xué)[M].北京:軍事科學(xué)出版社,2009.

[2]徐學(xué),張寧.軍隊衛(wèi)生裝備戰(zhàn)術(shù)技術(shù)指標(biāo)的構(gòu)成要素[J].裝備標(biāo)準(zhǔn),2003,(8):39-41．

[3]余志生.汽車?yán)碚揫M].北京:機械工業(yè)出版社,2009.

[4]軍事交通運輸研究所.后勤裝備“一化五性”評測規(guī)程匯編[Z].2007.

[5]GJB 5111-2004.后勤裝備承制單位資質(zhì)考核規(guī)程[S].2004．

[6]GJB 1909A-2009.裝備可靠性維修性保障性要求論證[S].2009．

[7]馬亞龍,邵秋峰.評估理論和方法及其軍事應(yīng)用[M].北京:國防工業(yè)出版社,2013.

[8]陳明.MATLAB神經(jīng)網(wǎng)絡(luò)原理與實例精解[M].北京:清華大學(xué)出版社,2014.

[9]“十一五”軍隊后勤科技裝備發(fā)展優(yōu)化和定量評估報告[R].北京:總后勤部后勤科學(xué)研究所，2006．

[10]王國平,等.IBM SPSS Modeler數(shù)據(jù)與文本挖掘?qū)崙?zhàn)[M].北京:清華大學(xué)出版社,2014.