基于深度學(xué)習(xí)的雷達(dá)偵察系統(tǒng)作戰(zhàn)能力評估方法*

戚宗鋒,王華兵,李建勛

(1.電子信息系統(tǒng)復(fù)雜電磁環(huán)境效應(yīng)國家重點實驗室,河南 洛陽 471003;2.上海交通大學(xué),上海 200240)

效能評估是決策的依據(jù)[1],包括指標(biāo)體系構(gòu)建與優(yōu)化、綜合評估等[2]。經(jīng)典的方法是分步進(jìn)行的,例如基于粗糙集的指標(biāo)體系優(yōu)化[3],綜合評估方法包括層次分析法、模糊層次分析法以及神經(jīng)網(wǎng)絡(luò)等[4]。

雷達(dá)偵察能力是衡量現(xiàn)代雷達(dá)水平的重要參數(shù)之一,尤其是在當(dāng)今異常復(fù)雜多變的戰(zhàn)場對抗電磁環(huán)境中[5]。目前,國內(nèi)外科研機構(gòu)已在雷達(dá)偵察系統(tǒng)作戰(zhàn)效能評估方面取得一定的研究成果,提出了抗干擾改善因子、抗干擾能力度量公式、壓制系數(shù)、自衛(wèi)距離和抗干擾品質(zhì)因子等評估指標(biāo),且基本具備了綜合運用這些評估指標(biāo)建立一套完整的指標(biāo)體系的能力。然而,要想獲得真實、全面和有價值的評估結(jié)果,指標(biāo)體系和評估計算過程就必須遵循客觀、完備和獨立的原則。與其他武器裝備的作戰(zhàn)效能評估類似,雷達(dá)偵察系統(tǒng)作戰(zhàn)效能評估同樣存在以下一些問題。

1)評估計算過程并不是完全客觀的。無論是評估指標(biāo)間的權(quán)重設(shè)置,還是歸一化過程中的評分值確定,一般都是由專家商議確定的,即使通過增加專家數(shù)量、專業(yè)類型和經(jīng)驗數(shù)據(jù)來體現(xiàn)公平客觀的原則,但結(jié)果往往并不理想。

2)評估數(shù)據(jù)中的不確定因素影響評估結(jié)果的穩(wěn)定性。在一些惡劣的使用環(huán)境中,傳感器和存儲介質(zhì)的性能并不能達(dá)到完全的可靠,在實測的評估數(shù)據(jù)中出現(xiàn)噪聲、沖突、冗余等不確定因素是不可避免的,這將對評估結(jié)果造成一些不可預(yù)計的影響,不能完整地體現(xiàn)評估對象的真實能力。

3)面對大數(shù)據(jù)、大樣本的沖擊,評估計算過程煩瑣且容易出錯。此外,當(dāng)同一層次的評估指標(biāo)較多時,評估結(jié)果的靈敏度將大大降低。

由于存儲技術(shù)的飛速發(fā)展,大數(shù)據(jù)時代的來臨,數(shù)據(jù)資源的獲取變得更加容易,一些基于先驗信息的機器學(xué)習(xí)(Machine Learning)方法在軍事和工業(yè)中的應(yīng)用變得更加頻繁。本文將機器學(xué)習(xí)引申到深度學(xué)習(xí)(Deep Learning)的階段,將最新研究成果應(yīng)用于作戰(zhàn)效能評估中,既不脫離于傳統(tǒng)的層次分析法架構(gòu),又用智能學(xué)習(xí)的思想克服了效能評估計算中的一些主觀和不確定因素,通過深度置信網(wǎng)絡(luò)(Deep Belief Network,DBN)模型的運用,提升雷達(dá)偵察系統(tǒng)作戰(zhàn)效能評估的技術(shù)水平,是效能評估研究中的一種全新嘗試。

1 深度置信網(wǎng)絡(luò)(DBN)

深度學(xué)習(xí)的概念源于人工神經(jīng)網(wǎng)絡(luò)。含多隱層的多層感知器就是一種深度學(xué)習(xí)結(jié)構(gòu)。深度學(xué)習(xí)通過組合低層特征形成更加抽象的高層表示屬性類別或特征,以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。深度學(xué)習(xí)廣泛應(yīng)用于計算機視覺、自然語言處理等領(lǐng)域。

深度學(xué)習(xí)一般分為兩類[6]，分別是有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)。深度學(xué)習(xí)常見模型包括:深度置信網(wǎng)、堆疊自動編碼機(降噪自動編碼機、緊縮自動編碼機、稀疏自動編碼機)、卷積神經(jīng)網(wǎng)絡(luò)。其中,深度置信網(wǎng)是生成式模型,堆疊自動編碼機系列和卷積神經(jīng)網(wǎng)絡(luò)是判別式模型。

深度置信網(wǎng)(Deep Belief Networks,DBN)是一個生成式模型,對P(observation|label)和P(label|observation)都做了評估[7,8]。判別模型只對P(label|observation)建模。使用傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的BP算法訓(xùn)練DBN時,DBN學(xué)習(xí)過程慢,且若選擇的初始化超參數(shù)不合適,則會使模型很容易陷入局部最優(yōu)。一個受限制的玻爾茲曼機(RBM)包括一個可見層和一個隱藏層,可見層與隱藏層之間相互連接,各層內(nèi)部沒有連接。

DBN作為一種基礎(chǔ)的深度學(xué)習(xí)模型,靈活地衍生出各種升級版DBN,如:卷積深度置信網(wǎng)(CDBN,Convolutional Deep Belief Networks)。CDBN中的卷積結(jié)構(gòu)彌補了DBN對于二維空間結(jié)構(gòu)的缺陷,DBN的輸入忽略了二維圖像的空間信息,直接把二維的矩陣?yán)L為一個一維的向量。此外,DBN針對語音信號處理,衍生出堆疊時間RBM。與DBN很相似的另外一種深度學(xué)習(xí)網(wǎng)絡(luò)是堆疊自動編碼機,它是通過堆疊多層的自動編碼器來替換DBN的堆疊RBM。與RBM不同,自動編碼機是判別式模型,普通自動編碼機難以捕捉一個較好的內(nèi)部特征表達(dá)。降噪自動編碼機能夠很好地解決此問題,且比DBN更優(yōu)。此外,在普通自動編碼機的基礎(chǔ)上,增加各種正則化約束,也能針對性地學(xué)習(xí)想要的特征表達(dá)。

2 評估方法

本文提出的基于深度學(xué)習(xí)的雷達(dá)偵察系統(tǒng)作戰(zhàn)效能評估方法是對傳統(tǒng)的以層次分析法為代表的效能評估方法的一種改進(jìn),既能滿足多目標(biāo)、多準(zhǔn)則問題層次化定量計算的需求,又體現(xiàn)了機器學(xué)習(xí)算法的靈活性和準(zhǔn)確性,具有一定的先進(jìn)性。

2.1 作戰(zhàn)效能評估

效能評估是指采用量化的手段評價一個系統(tǒng)在完成某種功能時所能達(dá)到預(yù)期目標(biāo)的程度。具體到武器裝備中,作戰(zhàn)效能評估可以客觀地量化武器裝備執(zhí)行某種作戰(zhàn)任務(wù)的能力,是武器裝備研制和論證過程中不可或缺的環(huán)節(jié),是確定武器裝備戰(zhàn)技指標(biāo)和作戰(zhàn)使用方式的重要依據(jù),也是提高武器裝備論證決策水平的關(guān)鍵技術(shù)。隨著我國國防事業(yè)的飛速發(fā)展,各領(lǐng)域新式武器裝備層出不窮,各種在研型號的試驗測試與效能評估工作成為型號體系論證中重要的工作之一,它對驗證設(shè)計方案的正確性、科學(xué)性和合理性有積極的意義。建立一套科學(xué)的評估體系和實用的評估方法,是近些年來熱門的研究課題。

層次分析法是美國著名的運籌學(xué)家T. L. Satty等人在20世紀(jì)70年代提出的一種定性與定量分析相結(jié)合的多準(zhǔn)則效能評估方法,是一種最經(jīng)典的效能評估方法,因其具有模型直觀、邏輯清晰、量化明確的特點,至今仍在很多領(lǐng)域廣泛應(yīng)用。這一方法的特點是在對復(fù)雜決策問題的本質(zhì)、影響因素以及內(nèi)在關(guān)系等進(jìn)行深入分析后,構(gòu)建一個層次結(jié)構(gòu)模型,然后，利用較少的定量信息,把決策的思維過程數(shù)學(xué)化,從而為求解多目標(biāo)、多準(zhǔn)則或無結(jié)構(gòu)特性的復(fù)雜問題,提供一種簡便的決策方法。具體地說,它是將決策問題的有關(guān)元素分解成目標(biāo)、準(zhǔn)則、方案等層次,用一定的標(biāo)度對人的主觀判斷進(jìn)行客觀量化,在此基礎(chǔ)上進(jìn)行定性分析和定量分析的一樣效能評估方法。它把人的思維過程層次化、數(shù)量化,并用數(shù)學(xué)方法為分析、決策、預(yù)報或控制提供定量的依據(jù)。

對于一般的問題來說,建立問題的層次結(jié)構(gòu)模型是層次分析法中最重要的一步,這樣就可以把復(fù)雜的問題分解成稱之為元素的各個組成部分(如圖1所示)。最高層只有一個元素,它表示決策者所要達(dá)到的目標(biāo);中間層次一般為準(zhǔn)則、子準(zhǔn)則,表示衡量是否達(dá)到目標(biāo)的判斷準(zhǔn)則;最底層表示要選用的解決問題的各種措施、決策、方案等,它們的數(shù)據(jù)是可以直接采集的。各層級的指標(biāo)間依靠某種數(shù)學(xué)關(guān)系向高一層級的指標(biāo)聚合。

層次分析法是一種有組織有規(guī)律地進(jìn)行效能評估的好方法,對效能評估的直觀性和規(guī)范性起到了非常重要的作用。然而,層次分析法帶來的問題也不容忽視。

1)權(quán)重確定不夠客觀。即使用了九分法做標(biāo)度,但其權(quán)重里還是包含了專家的主觀因素,專家的專業(yè)知識和行業(yè)權(quán)威性便成了指標(biāo)體系是否合理的重要依據(jù)。此外,一旦權(quán)重向量不符合一致性,又需要反復(fù)咨詢專家的意見,影響效能評估的進(jìn)展。

2)計算過程較為煩瑣。除了需要計算權(quán)重向量,一致性檢驗也是必不可少的計算過程。如果同一層次的評估指標(biāo)較多(比如大于10),且不論以上計算過程的復(fù)雜性如何,僅僅是讓專家完成判斷矩陣表就是一個非常困難的事情。

于是,本文考慮用一種新的模型來改進(jìn)層次分析法,特別是對與數(shù)據(jù)采集直接相關(guān)的底層指標(biāo)的聚合計算方法進(jìn)行調(diào)整,實現(xiàn)效能評估性能和效率的提升。

2.2 基于深度學(xué)習(xí)的作戰(zhàn)效能評估方法

本文的研究將深度學(xué)習(xí)中的一種深度置信網(wǎng)絡(luò)(DBN)模型應(yīng)用于作戰(zhàn)效能評估的分類計算中。針對指標(biāo)體系的底層采樣數(shù)據(jù)容易出現(xiàn)的數(shù)據(jù)量大、缺乏統(tǒng)一標(biāo)度、指標(biāo)間權(quán)重難以確定等問題進(jìn)行了模型化處理,取得了較好的效果。

DBN模型是由多層受限波爾茲曼機(Restricted Boltzmann Machine, RBM)和一層反向傳播(Back Propagation,BP)神經(jīng)網(wǎng)絡(luò)構(gòu)成的,實現(xiàn)了一種無監(jiān)督學(xué)習(xí)和有監(jiān)督學(xué)習(xí)的混合網(wǎng)絡(luò),它的結(jié)構(gòu)如圖2所示。簡單來說,有監(jiān)督學(xué)習(xí)是指利用一組已知類別/標(biāo)簽的樣本調(diào)整分類器的參數(shù),使其達(dá)到所要求性能的過程;而在無監(jiān)督學(xué)習(xí)中,樣本的類別/標(biāo)簽是未知的。在DBN模型中,多層RBM網(wǎng)絡(luò)采用無監(jiān)督的學(xué)習(xí)方法,而BP神經(jīng)網(wǎng)絡(luò)采用有監(jiān)督的學(xué)習(xí)方法。自底向上每一層RBM對輸入數(shù)據(jù)進(jìn)行提取、抽象,盡可能保留重要信息,將最后一層RBM網(wǎng)絡(luò)的輸出信息作為BP神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)。由于每層RBM的學(xué)習(xí)訓(xùn)練過程只能使該層網(wǎng)絡(luò)參數(shù)達(dá)到最優(yōu),而不能使整個網(wǎng)絡(luò)達(dá)到最優(yōu),所以要用有監(jiān)督學(xué)習(xí)的方式微調(diào)整個網(wǎng)絡(luò),最終輸出對輸入數(shù)據(jù)的分類結(jié)果。這個結(jié)果既保證了客觀性,又不失穩(wěn)定性。

圖2 DBN模型的網(wǎng)絡(luò)結(jié)構(gòu)

DBN模型的結(jié)構(gòu)是由機器學(xué)習(xí)和生物學(xué)的前期研究結(jié)果所決定的。

無監(jiān)督學(xué)習(xí)在生物認(rèn)知過程中發(fā)揮重要作用。帶有類別/標(biāo)簽信息的樣本數(shù)量往往較少,并且包含的信息量有限,無監(jiān)督學(xué)習(xí)有助于增加先驗知識,從而提高網(wǎng)絡(luò)的性能。

在生物系統(tǒng)中, 穩(wěn)定的神經(jīng)網(wǎng)絡(luò)一旦形成, 則難以改變。如果沒有無監(jiān)督學(xué)習(xí), 只使用隨機初始化的有監(jiān)督學(xué)習(xí), 往往會導(dǎo)致模型訓(xùn)練失敗。

DBN模型是一個生成式模型。一個RBM包括一個可見層和一個隱藏層,可見層與隱藏層之間相互連接,各層內(nèi)部沒有連接。DBN模型由多層RBM組成。隱藏層神經(jīng)元被用于訓(xùn)練捕捉可見層高階數(shù)據(jù)的相關(guān)性,DBN最頂端的兩層是一個模式判別層。RBM相比傳統(tǒng)深層的sigmoid信念網(wǎng),更容易學(xué)習(xí)層間的連接權(quán)值。此外,Hinton還提出了一種非監(jiān)督的逐層貪婪算法,通過該算法初始化得到的深度模型參數(shù)被證明是有效的,利于有監(jiān)督的調(diào)參。該算法又被稱為對比分歧(Contrastive Divergence,CD)算法。

RBM的訓(xùn)練過程可以用一個圖像識別的例子來形象化的描述。假設(shè)有一個二值圖像訓(xùn)練集,圖像的像素值相當(dāng)于RBM的可見層向量v的神經(jīng)元,它再將值傳遞給隱藏層h,得到〈vihj〉data用于更新RBM,〈vihj〉data代表由圖片(樣本)數(shù)據(jù)得到的玻爾茲曼分布下的vihj期望值。然后,新建一個RBM模型,其可見層單元值由隨機選擇的二值(0或1)得來,傳遞給隱藏層h,再用h嘗試去重構(gòu)可見層v,得到〈vjhj〉model。權(quán)值更新依據(jù)隱藏層神經(jīng)元的激活值和可見層輸入之間的相關(guān)性差別,即Δwij=(〈vihj〉data-〈vihj〉model)用于更新建立的RBM模型,其中是學(xué)習(xí)速率。在重構(gòu)v的過程中,可重復(fù)執(zhí)行映射h和v,這樣反復(fù)執(zhí)行的過程叫做吉布斯采樣(Gibbs Sampling)。這種訓(xùn)練方式能明顯減少訓(xùn)練時間?？梢宰C明,DBN網(wǎng)絡(luò)的性能比單純的BP算法訓(xùn)練的神經(jīng)網(wǎng)絡(luò)更好。其解釋如下:DBN的每一層參數(shù)已經(jīng)經(jīng)過RBM預(yù)訓(xùn)練,初始化的參數(shù)已經(jīng)達(dá)到一個較好表達(dá)原始數(shù)據(jù)的特征,最后的BP算法只需要在這個較好的初始化權(quán)值的基礎(chǔ)上進(jìn)行一個局部的搜索,即微調(diào)。這與只用BP算法訓(xùn)練整體隨機初始化權(quán)值的神經(jīng)網(wǎng)絡(luò)相比,訓(xùn)練速度更快,收斂時間少,效果更好。

顯然,如果我們將效能評估看作對評估數(shù)據(jù)的分類過程,那么，這種具有分類能力的模型和方法是可以用于效能評估的。

在DBN模型的訓(xùn)練過程中,確定網(wǎng)絡(luò)的深度,也就是RBM的個數(shù)是一個重要的問題。用重構(gòu)誤差法解決這個問題是一種常用的方法。

設(shè)重構(gòu)誤差ERROR為

其中,n為樣本個數(shù),m為輸入個數(shù),p為網(wǎng)絡(luò)結(jié)算的值,d為真實值。

規(guī)定:如果重構(gòu)誤差ERROR大于某個設(shè)定的值,則增加一層RBM,繼續(xù)學(xué)習(xí);否則,交由BP進(jìn)行反向調(diào)節(jié)(如圖3所示)。由于樣本的真實值是可以提前預(yù)知的, 在應(yīng)用中可通過計算得到重構(gòu)誤差值,最終使正確率保持在90%以上。

圖3 使用RBM重構(gòu)誤差計算DBN深度

2.3 評估流程

效能評估的通用流程如圖4所示,目的是將分散的、描述各個評估指標(biāo)的具體數(shù)據(jù)聚合轉(zhuǎn)化為統(tǒng)一的效能值,提供給決策者。具體來看,這個過程包含了以下10個步驟。

1) 分析評估需求:根據(jù)用戶需求,結(jié)合外部條件和約束,給出合理的運用構(gòu)想、主要功能、作戰(zhàn)性能、質(zhì)量需求和綜合保障等的武器裝備概念和效能評估框架,并形成需求定義。

2) 制定評估方案:根據(jù)需求分析結(jié)果,結(jié)合評估對象在結(jié)構(gòu)、功能、性能和狀態(tài)等方面的特點,制定具體的評估方案，包括評估數(shù)據(jù)的類型和數(shù)量,仿真的環(huán)境和次數(shù)等。

3) 建立指標(biāo)體系:根據(jù)現(xiàn)有的相關(guān)聯(lián)的指標(biāo)體系和已制定的具體評估方案,對指標(biāo)體系進(jìn)行裁剪和優(yōu)化。指標(biāo)體系應(yīng)滿足完整性、簡明性、客觀性、獨立性、可測性和可運算性的要求。

4) 選擇評估方法:根據(jù)評估數(shù)據(jù)的實際情況,選擇合理的效能評估方法。如層次分析法、模糊綜合評判法、灰色綜合評判法和ADC法等,以及本文提出的基于深度學(xué)習(xí)的方法。

5) 搭建評估模型:將指標(biāo)體系和評估方法相結(jié)合,搭建效能評估的具體計算模型。

圖4 效能評估流程

6) 采集評估數(shù)據(jù):因為采集到的實測數(shù)據(jù)往往存在量綱不同的問題,需要對它們進(jìn)行一些預(yù)處理(比如,歸一化處理),保證這些數(shù)據(jù)在同一個指標(biāo)體系中可以相互比較和聚合計算。

7) 優(yōu)化評估模型:用數(shù)據(jù)挖掘和數(shù)據(jù)融合等智能信息處理的方法優(yōu)化效能評估模型。此外,還可以通過對初步評估結(jié)果的可靠性分析,優(yōu)化該模型。

8) 計算評估結(jié)果:這個結(jié)果應(yīng)包含指標(biāo)體系中各單項指標(biāo)的效能評估值和整個系統(tǒng)的綜合評估值。

9) 效能評估分析:通過運用元評估等分析方法,對以上效能評估結(jié)果的可靠性和置信度進(jìn)行分析,迭代效能評估模型。當(dāng)然,這個迭代過程不是必須的,如果效能評估模型已經(jīng)得到?jīng)Q策者的認(rèn)可,則可以省略迭代優(yōu)化的過程。

10) 提供決策信息:將合理可信的評估結(jié)果提供給決策者使用。

3 雷達(dá)偵察機綜合能力評估應(yīng)用實例

雷達(dá)偵察機綜合能力評估用于量化考察某型號雷達(dá)偵察機在電子戰(zhàn)中的任務(wù)完成能力。

3.1 指標(biāo)體系

雷達(dá)偵察機的主要作戰(zhàn)任務(wù)包括對真目標(biāo)的識別和測量兩個方面。對比真目標(biāo)航跡和雷達(dá)輸出結(jié)果,可以評價雷達(dá)偵察機的綜合能力。雷達(dá)偵察機綜合能力評估指標(biāo)體系如圖5所示。

圖5 雷達(dá)偵察機綜合能力評估指標(biāo)體系

各指標(biāo)的含義如下:

1) 正確識別率為正確分選輻射源的個數(shù)占輻射源總數(shù)的比例。該指標(biāo)為效益性指標(biāo),值越大說明被試裝備性能越好。

2) 增批率為獲得錯誤輻射源的個數(shù)占輻射源總數(shù)的比例。該指標(biāo)為成本性指標(biāo),值越小說明被試裝備性能越好。

3) 正確截獲率為試驗中正確截獲輻射源的次數(shù)與無干擾條件下輻射源最大能被截獲的次數(shù)(設(shè)為250)的比值。該指標(biāo)為效益性指標(biāo),值越大說明被試裝備性能越好。

4) 錯誤截獲率為試驗中錯誤匹配次數(shù)和增批截獲次數(shù)之和與無干擾條件下輻射源最大能被截獲的次數(shù)(設(shè)為250)的比值。該指標(biāo)為成本性指標(biāo),值越小說明被試裝備性能越好。

5) 測頻誤差為試驗中頻率測量絕對誤差的最大值。該指標(biāo)為成本性指標(biāo),值越小說明被試裝備性能越好。

6) 測向誤差為試驗中方位向測量絕對誤差的最大值。該指標(biāo)為成本性指標(biāo),值越小說明被試裝備性能越好。

7) 脈寬測量誤差為試驗中脈沖寬度測量絕對誤差的最大值。該指標(biāo)為成本性指標(biāo),值越小說明被試裝備性能越好。

8) 脈沖重復(fù)周期測量誤差為試驗中脈沖重復(fù)周期測量絕對誤差的最大值。該指標(biāo)為成本性指標(biāo),值越小說明被試裝備性能越好。

本文分別對測量、分選兩個階段平均脈沖丟失率進(jìn)行統(tǒng)計,二者和為總的平均脈沖丟失率。該指標(biāo)為成本性指標(biāo),值越小說明被試裝備性能越好。

3.2 評估計算

根據(jù)圖5所示的指標(biāo)體系,我們可以用深度學(xué)習(xí)的方法計算“分選識別能力”和“測量能力”的效能。然后對這兩個指標(biāo)的效能計算結(jié)果用加權(quán)計算的方法得到“雷達(dá)偵察機綜合能力”的最終評估結(jié)果。

具體來看,我們需要在軟件中新建一個指標(biāo)體系,并完成其中各指標(biāo)的屬性配置。然后我們不需要指定底層各指標(biāo)間的權(quán)重關(guān)系,通過“深度學(xué)習(xí)”完成“分選識別能力”和“測量能力”的DBN模型的訓(xùn)練后,就可以進(jìn)行評估數(shù)據(jù)的計算,并獲得客觀的評估結(jié)果。此時,再選擇“加權(quán)計算”,完成“分選識別能力”和“測量能力”評估結(jié)果的融合,最終獲得“雷達(dá)偵察機綜合能力”的評估結(jié)果。

為了驗證深度學(xué)習(xí)算法的準(zhǔn)確性,我們可以從評估結(jié)果對樣本容量和噪聲等級的敏感性這兩個角度考察算法及軟件的性能。已知“分選識別能力”和“測量能力”的評估結(jié)果是由DBN模型計算得到的,所以我們重點研究這兩個指標(biāo)對樣本容量和噪聲等級的敏感性。

首先,我們從訓(xùn)練樣本中隨機挑選指定容量的數(shù)據(jù)組成一組評估數(shù)據(jù)。用訓(xùn)練好的DBN模型計算這組評估數(shù)據(jù),檢查評估結(jié)果與原訓(xùn)練樣本中的評估結(jié)果是否相同。驗證結(jié)果如表1所示。

表1 不同數(shù)據(jù)容量時評估結(jié)果的準(zhǔn)確性

然后,我們在容量為100的那組評估數(shù)據(jù)中,隨機加入不同等級的噪聲,再次產(chǎn)生一組新的評估數(shù)據(jù)。用訓(xùn)練好的DBN模型計算這組新的評估數(shù)據(jù),檢查評估結(jié)果與原訓(xùn)練樣本中的評估結(jié)果是否相同。驗證結(jié)果如表2所示。

表2 不同噪聲等級時評估結(jié)果的準(zhǔn)確性

考察結(jié)果如表1和表2所示。顯然,在這兩種驗證實驗中基于深度學(xué)習(xí)的作戰(zhàn)效能評估方法對數(shù)據(jù)容量和噪聲等級也并不敏感,同樣表現(xiàn)出了較高的算法穩(wěn)定性。評估準(zhǔn)確性始終大于92%,優(yōu)于層次分析法的85%,從而驗證了深度學(xué)習(xí)算法在效能評估中的可行性和實用性。

4 結(jié)束語

本文提出了一種新的基于深度學(xué)習(xí)的作戰(zhàn)效能評估方法,并將該方法與傳統(tǒng)的層次分析法相結(jié)合,用深度置信網(wǎng)絡(luò)(DBN)模型實現(xiàn)了底層評估數(shù)據(jù)的分類與判定,并結(jié)合雷達(dá)偵察系統(tǒng)作戰(zhàn)能力的評估，仿真驗證了該評估方法的合理性和正確性。