神经网络在数字化装甲部队指挥信息对抗中的应用

收稿日期622 修回日期622作者简介张俊锋(2　),男,河南临颍人,硕士研究生,主要研究方向装甲兵作战指挥理论与方法。

文章编号:1002206402(2008)增刊20131202神经网络在数字化装甲部队指挥信息对抗中的应用张俊锋(蚌埠坦克学院,安徽　蚌埠　233013) 摘　要:在信息化战争中,对数字化装甲部队指挥信息对抗能力的评估是复杂而重要的问题,采用何种评估方法是值得研究的。

在建立数字化装甲部队指挥信息对抗能力指标体系的基础上,运用BP (B ack p ropagation )神经网络(又称为多层前馈神经网络)模型来求解。

关键词:数字化装甲部队,指挥信息对抗,B P 神经网络,能力评估中图分类号:TP 183 文献标识码:AThe Applica t ion of Neura l Networ k i n the Appra isa l of I n form a tion Res istan ce Ab ility for D i g itiza t ion Arm or ed For ceZHAN G Jun 2feng(B engbu T ank Institu te ,B engbu 233013,China ) Abstrac t:I n the inf o r m at ion w ar,it is com p lex and i m por tant to app ra ise comm and infor m a tionresistance ability of the digit iza tion ar m o red fo rce .W h ich app raisal m e thod to se lect is wonth studying .B ased on e stab lishm ent of comm and inform a t i on resistance ability targe t syste m it uses B P (B ak B r opaga tion )neural netwo rk m odel (m ul tilayered fo r w a rd feednerve netwo rk )to solve .Key words:digitizat ion ar m o red fo rce,com m and info r m at ion resistance,B P neu ra l ne t w o rk ,ability app raisal引　言与过去传统的非数字化装甲机械化部队相比,数字化装甲部队对抗能力存在强点的同时还存在一定的不足。

那么,数字化装甲部队指挥信息对抗强在何处,弱在何处,就是一个必须要研究的问题。

因此,对数字化装甲部队指挥信息对抗进行评估是十分必要的,同时也是十分困难的。

由于评价其好坏的指标多是一些经验性的模糊指标,如果采用常用的评估方法,如模糊评价法,则存在两方面的缺陷:一是指标权重的确定带有较强的主观性;二是评价函数结构简单,这些函数结构往往不能够真实地反映各指标间的关系。

神经网络模型应用于模式识别、非线性映射、复杂系统仿真等领域,具有很强的信息综合能力,能够很好地解决输入信息之间的互补性和冗余性,更好地提供解决问题的思路。

1　指挥信息对抗指标能力体系分析正确、合理地选定指标,建立科学的指标体系是指挥信息对抗能力评估结果好坏的首要条件和关键点。

要系统科学地分析数字化装甲部队指挥信息对抗能力,必须根据数字化装甲部队未来作战的特点,合理地确定评估指标。

衡量数字化装甲部队指挥信息对抗能力必须从以下3个方面考虑:指挥信息攻击能力、指挥信息防护能力、指挥信息保障能力。

这3个指标可以较为全面地衡量数字化装甲部队的指挥信息对抗能力,但在数字化装甲部队指挥信息对抗的组织实施过程中,指挥信息攻击、防护与保障并不是绝对独立的。

一方面,攻中有防,防中带攻;另一方面,指挥信息保障在某些具体的情况下也会体现出攻防结合的特点。

所以,在二级指标的分析过程中,不免会有相互融合和交叉之处。

根据以上分析,建立数字化装甲部队指挥信息对抗能力评估指标体系。

其层次结构如下页图1所示。

2　基于神经网络的数字化装甲部队指挥信息对抗能力评估方法 数字化装甲部队指挥信息对抗能力评估是一个多目标,非结构化的决策过程,可利用神经网络自适应、自学习的功能,通过已有的数据作为样本进行学习,建立起评估系统V o l .33,Sup p l em entA p ril,2008火力与指挥控制Fire Co nt ro l and Comm and Co n tro l 第33卷增　刊:2000810:2001207:1980:指挥效能的神经网络模型,实质是根据评估对象所建立的评估指标,确定相应的神经网络结构及其学习算法。

211　神经网络模型的结构在神经网络模型中,多层前传神经网络(B P)是应用最广的一种网络。

一个3层的B P网络,只要有足够的隐节点就可以逼近任意的连续函数。

BP网络最基本的结构是互连模式下的输入层、隐含层和输出层,常用的为3层网络结构,如图2所示。

本文对指挥信息对抗能力评估采用3层B P神经网络,其中关键是确定每层节点的个数。

根据上面建立的评估指标确定输入层的神经元个数为13个。

模型的输出对应指挥信息对抗能力评估的评语集U={好,较好,一般,较差},因此输出层的神经元个数为4个。

隐节点数的确定可由以下经验公式确定,并在实践中不断优化调整。

n1=n+m+a式中:n1为隐层的节点数;n为输入层的节点数;m为输出层的结节点数;a为1210之间的常数。

212　学习算法神经网络具有模式识别和仿真的能力,是根据一定的学习算法对样本进行不断地学习,以调整神经网络中各神经元的联系来实现。

B P算法采用误差反传的方法不断地修正各层经元的连接权重,最终形成误差到达要求的网络结构。

但是标准B P算法存在收敛速度慢和容易陷入局部的缺点。

本文运用改进的B P动量算法作为学习算法,但是该算法在进行权值调整时,学习效率的选取对于学习速度和网络收敛有很大的影响,因此,采用启发式算法在训练中不断地调整学习效率的大小。

神经元的激活函数选用S i gmo id函数。

f(x)=1�1+e-x网络训练的算法步骤是:(1)输入初始权重w j i(0);(2)输入学习样本x p,p=1,2,…,q;(3)对样品P,计算隐单元的输出状态Q p j=f(∑h w j h Q p h)其中,点w j h指输入单元到隐节的连接权重,Q p h指输入状态;(4)对样品P,计算输出单元的输出状态Q p j=f(∑1w j1Q p h)=f(∑1w j1f(∑n w jh Q p h))其中,w j i指隐节点到输出单元的连接权重,Q p i指隐节点输入状态;(5)令E(t)=12∑p j(tp j-Op j)2其中t p j为理想输出值。

判断是否E(t)≤Ε,若是则转(11),否则转(6);(6)计算训练误差:对隐含层有Δp j=O p j(1-O p j)∑hΔp h w j h对于输出层,有Δp j=O p j(1-O p j)(t p j-O p j)(7)令∃E(t)=E(t)-E(t-1)判断是否∃E(t)<0,若是则转(8),否则转(9);(8)令学习效率Γ=Γ+aΓ,a∈(0,1),转(10);(9)令Γ=Γ-aΓ,a∈(0,1);(10)修正权重w j i(t-1)=w j i(t)+ΓΔp j O p i+ a(w j i(t))-w j i(t-1)其中a是动量常数,表示过去权重的变化对目前权重变化的影响程度。

表1　部分学习样本样本信息欺骗能力信息干扰能力网络攻击能力情报侦察能力实体摧毁能力信息屏蔽能力信息保密能力网络防护能力抗干扰能力实体防护能力指挥信息获取能力指挥信息传递能力指挥信息处理能力理想输出101930196019401920192019801930192019501940198019601951000 201860188018401900191018801890187019101820183018401810100 301720169017201740173017601750173017201770166017201730010 401590144015801660173015401590164016201680167016601680001 (11)结束。

3　仿真实例把所有的学习样本输入网络中进行反复训练,直到精度满足要求,输出学习后网络中各神经元之间的连接权重为止。

这时,B神经网络模型已经建立好,可对数字化装甲部队指挥信息对抗能力进行评估。

通过网络的反复训练,最终输出结果如第135页表2所示,可以看出实际输出与理想输出已基本接近。

在构造学习样本时,对学习样本评估指标中的非定量指标,设计评判集为={优,良,中,差},其相应的分值为(下转第35页)231火力与指挥控制2008年　增　刊P u1矩阵:W111=0130170001601400100000130170,则u111的属性测度向量为Ξ111=A n l i W(n-1)li=(0137,0142,0121,0)。

同理可得指标Ξ112,Ξ113,Ξ114的测度向量分别为:Ξ112=(0,0115,0146, 0139),Ξ113=(0125,0125,0129,0121),Ξ114=(0,017, 013,0),结合第一层指标权重可得出某自行迫榴炮作战效能的综合测度为:Ξ=AW=(0125,0135,0125,0115) 01370142012100011501460139012501250129012100170130=(01155,01325,01331, 01189)进行属性判断有:01155+01189+01325=01669,取Κ=0167,即k0=m ax{k:∑kl=iΞl≤Κ}=3,即得出某型自行迫榴炮作战效能的综合评价为良好。

4　结束语在评价某自行迫榴炮作战效能时,应用AM C评判模型,考虑各个方面因素对火炮性能的影响,并将各因素分为几个等级,各个因素以及因素之间进行相互评估,最后进行综合评价。

这种方法的优势在于可以用于任意多个对象和影响对象的因素,同时利用了层次分析法进行权重的确定,为该型火炮的作战研究提供可靠的效能分析结果,所得的分析结果具有较大的实用价值,从而这种方法具有一定的可行性和客观性。

参考文献:[1]高善清,王卓柱1弹药物流路径的优化决策研究[J]1包装工程,2006,27(2):1512153.[2]美国陆军司令部1陆军武器系统分析(上、下册)[M].北京:兵器工业出版社,1983.[3]程红炬1产品包装设计综合评价AM C模型探究[J]1包装工程,2006,27(2):1242127.(上接第132页)w={w1,w2,w3,w4}。