2013，49（9）Computer Engineering and Applications 计算机工程与应用1引言度量各种弹体对军事工程的杀伤作用及其破坏效应，为军事工程设计、改造、防护提供建议，是确保战场安全的前置条件和基础。文献[1]建立了深层硬目标易损性的数学描述，体现了易损性的侧面，但当面对爆炸作用问题，却很难得到解析值。同时，为解决分析军事工程毁伤特性所需的全面、系统的样本数据[2]，以作战仿真环境推理军事工程毁伤的客观规律，成为继理论计算、物理实验之后的重要手段。文 献[3]以仿真样本为基础，建立了基于最小二乘支持向量机的防护工程损毁预测模型，其可信度取决于实验样本的典型性和代表性；文献[4]利用模糊逻辑推理系统度量目标易损性，严重依赖于知识库中的推理机功能；文献[5]利用贝叶斯网络的概率性语义和因果特征，对军事工程毁伤问题
的不确定性事物推理具有明显价值，但如何克服样本缺陷、选择有效样本是其难点。
基金项目：中国博士后科学基金（No.20110491844）；国家社会科学基金军事学项目（No.12GJ003-054）。
作者简介：袁辉（1972—），男，博士，副教授，主要研究方向：武器效应毁伤仿真；王凤山（1978—），男，博士后，讲师，主要研究方向：军事工
程综合防护系统分析。E-mail ：**************
收稿日期：2012-09-24修回日期：2013-01-28文章编号：1002-8331（2013）09-0023-06
CNKI 出版日期：2013-02-07wwwki/kcms/detail/11.2127.TP.20130207.1419.001.html
军事工程毁伤评估的组合智能模型
袁辉1，王凤山1，2
YUAN Hui 1,WANG Fengshan 1，2
1.解放军理工大学野战工程学院，南京210007
2.解放军理工大学指挥信息系统学院，南京210007
1.College of Field Engineering,PLA University of Science &Technology,Nanjing 210007,China
2.College of Command Information Systems,PLA University of Science &Technology,Nanjing 210007,China
YUAN Hui,WANG Fengshan.Compound intelligent assessment model on military engineering damage mechanism.Computer Engineering and Applications,2013,49（9）：23-28.
Abstract ：Whereas the complexity of damage evaluation operations,damage assessment mechanism is advanced on military en-gineering based on compound intelligent assessment mode.Based on the damage assessment system structure and its characters and function constraints,mechanism is designed and advanced on the compound intelligent assessment system for military engi-neering ’s damage effects;to improve the efficiency of damage assessment for military engineering with intelligent optimization algorithms,a compound assessment workflow is designed for its well simulation reason excellence.As the main integration of neural network,non-linear compound intelligent assessment model is erected on the damage evaluation problem of military engi-neering with the integration of wavelet transformation,genetic algorithm and other algorithms,which is applied into the precise damage analysis on military engineering.Case shows that this model fully exploits the strengths of different algorithms,whose simulation result verifies the feasibility of the compound design.
Key words ：compound intelligent assessment;military engineering;damage analysis;neural network;genetic algorithm
摘要：鉴于军事工程毁伤的复杂性，提出了基于组合智能评估模式的军事工程毁伤评估模型。以军事工程毁伤评估体系结构及其特征与功能约束为基础，设计军事工程毁伤效果组合智能评估的构件化模
式，建立军事工程毁伤效果组合智能评估机制；以智能优化算法提高军事工程毁伤效果评估效率为目标，设计了一种易于仿真推理的军事工程毁伤效果组合智能评估流程。以人工神经网络为主体，集成小波分析和遗传算法，建立军事工程毁伤效果评估的非线性智能组合评估模型，应用于军事工程抗精确打击毁伤分析。案例表明，非线性组合智能评估模型充分发掘不同算法的差异优势，仿真实验验证了组合设计的可行性。
关键词：组合智能评估；军事工程；毁伤分析；神经网络；遗传算法
文献标志码：A 中图分类号：TP391.9doi ：10.3778/j.issn.1002-8331.1209-0247
23卢凤娟
Computer Engineering and Applications 计算机工程与应用
2013，49（9）组合智能评估模式，既可对多种模型的评价结果进行有机集成，又可在评估进程中进行优化，避免了单一模型或方法的局限性，已广泛应用于非线性问题的评价或预测，其精度明显高于单一模型或线性组合模型[6]。利用组合模型的智能化运行来分析和研究军事工程毁伤事物的运行特性和规律，目的是适应军事工程毁伤的非线性、多层次、不确性因素涌现等复杂机理，提高毁伤分析系统及模型仿真[7]的精度和可信度。2军事工程毁伤评估科学问题描述系统科学认为，系统型目标的毁
伤评估问题，区别于一般的目标毁伤评估（Battle Damage Assessment ，BDA ），具有物质、能量与信息的复杂系统特征，具备广泛的非线性作用机制[5，8]。利用集合论的观点，军事工程毁伤评估问题可以被定
义成集合结构，表示为S ：S =<T X Ω Q Y δ λ>（1）其中，T 是时间基；X 表征弹体及作用参数、军事工程实体参数等输入集，Ω是其输入段集；Q 是内部状态集，表征军事工程关键单元与整体的毁伤状态；Y 是输出集，即军事工程整体毁伤的度量值；δ是状态转移函数，λ是输出函数。定义从集合角度概括了军事工程毁伤分析结构及评估系统，界定了系统的范围。围绕军事工程毁伤评估任务与功能约束[9]，将军事工程毁伤评估进程及使命空间与此相关的成分和现象抽象出来，表示为实体、行为、交互等可
邻苯二甲酸酐
光纤通信基本原理辨识元素，从模型、进程、评估角度表达军事工程毁伤评估系统特征，如图1所示。图1，本质上是对军事工程毁伤评估的功能性系统抽象，描述了在弹药毁伤效应作用进程的军事工程状态的变迁，包含函数、映射、约束、功能性依赖，通过搜索构件单元的物理毁伤，推理军事工程物理毁伤参数，进而得到军事工程系统层面的功能毁伤推理量值，适应了军事工程系统结构角度复杂性、功能角度多样性、毁伤角度非线性的特殊机理。
3军事工程毁伤效果组合智能评估基本结构3.1军事工程毁伤效果评估的构件化模式从系统观点出发，
文献[5]将军事工程离散成较为典型的点、线、面等子目标，如防护门、洞室等，计算并获取子目标的物理毁伤信息，采取分解、转换、综合的步骤，解决军事工程毁伤评估问题。
军事工程在其结构布局，往往以线型坑道式为主，离
散化子目标的划分容易形成空间位置差异突出的缺点，部
分目标幅员较大，难于推理计算。面向军事工程结构的本质特征，以步长来划分构件单元，赋予构件单元相应的价值系数，改进军事工程毁伤评估系统建模结构，如图2所示，即构件化模式设计的军事工程毁伤评估系统模型。
图2，军事工程实体的构件分解、构件价值、构件关联、
构件搜索、构件毁伤计算，是系统度量军事工程毁伤系统评估层面电力保障、通讯保障等因子以及军事工程整体毁伤量值的前提和基础；而其根本目的是服务于军事工程毁伤量值的判决，本质上是面向军事工程功能易损性的系统毁伤评估模型化设计。
军事工程功能解释结构采集
推理军事工程功能毁伤参数构件单元价值拓扑关系
推理军事工程物理毁伤参数构件单元物理体系
计算构件单元物理毁伤参数弹体爆炸冲击效应作用进程
弹体毁伤效应进程数据弹体侵彻效应作用进程
弹体延时引信作用进程弹体触地效应作用进程
弹药实体模型交战控制模型军事工程实体拓扑构件单元实体模型进程交互评估
图1军事工程毁伤评估体系叙述
XX 系统性能毁伤参数军事工程毁伤量值构件单元实体通讯保障性能毁伤参数构件单元实体物理毁伤
构件单元实体物理毁伤
构件单元实体物理毁伤
电力保障性能毁伤参数
转换构件单元实体构件单元实体军事工程实
体分解目标毁伤作用构件搜索弹
药
实体
因子层面毁伤推理
综合图2构件化的军事工程毁伤评估系统建模结构
24
2013，49（9）袁辉，王凤山：军事工程毁伤评估的组合智能模型因此，构件化的军事工程毁伤评估系统设计，将军事工程毁伤评估问题转变为三阶段问题：第一阶段，弹体毁伤效应作用参数输入阶段；第二阶段，军事工程构件单元毁伤搜索及其评估阶段；第三阶段，构件单元体系对军事工程整体功能毁伤的度量阶段。3.2军事工程毁伤效果组合智能评估系统结构军事工程毁伤效果评估系统模型给出了构件层面、因子层面、系统层面推理的约束要求和功能步骤，须设计整体的毁伤推理规则作为知识库的知识，进而实现毁伤效果的组合智能评估值接近军事专家所期望的最佳效果。识别和抽象军事工程毁伤及其评估问题的共同特征和可变特征[10]，将军事工程毁伤领域知识转化为领域中系统共同的规约、设计和架构，是系统集成和组件系统间信息交互和数据互操作的基础和标准[11]。面向对象
的设计模式是当前典型结构化范型的一种领域工程方法[12]。集成领域工程的面向对象设计模式和军事工程毁伤效果评估的构件化设计模式，简称之为面向对象的构件化设计模式，建立军事工程毁伤效果组合智能评估系统结构，如图3所示。图3，毁伤评估模型库包含现代评估方法基本模型库、组合方案模型库、智能优化算法模型库等方面，毁伤评估推理机运用知识库的知识、综合数据库的数据和评估样
本，按照指定的推理方法和检索策略进行各种毁伤推理，得到军事工程毁伤效果的组合智能评估方案，以适应军事工程毁伤效果评估的动态变异特点和要求。交互接口提供毁伤评估用户与系统之间的对话机制[9]，通过解释机制及时了解系统的推理原则和推理过程，并可为军事工程毁伤仿真推理提供干预支持，还可为知识库提供和修改知识，丰富军事工程毁伤效果评估知识库、模型库的内涵。3.3军事工程毁伤效果组合智能评估机制面向任何单一模型难以全面反映毁伤变量的变化规律这一现实，组合模型利用线性、变结构、非线性等模式[12]，对不同毁伤模型的末端量值结果进行有机合成，以反映军事工程毁伤体系的变化规律。设f 1，f 2，…，f m 为m 个不同毁伤评估模型的军事工程毁伤量值，ϖi 为第i 个模型的权值，则组合评估量值为：f =åi =
1m
ϖi f i ，åi =1m
ϖi =1
（2）
式（2），ϖi 有不同的计算方法，如标准差法、二项式系数法、离异系数法等[6]。
参与组合智能评估的模型往往随毁伤仿真的推理而
变迁，包括模型类型、模型权值等变异结构组合现象[3]。假
设参与组合评估的模型系统的内在结构随时间的推移而不断变化，则
f (t )=åi =1m ϖi (t )f i (t )+εt ，åi =1m
ϖi (t )=1
（3）
式（3），表达了m 个模型t 时刻的评估值f i (t )和权值ϖi (t )以及组合评估值f (t )皆为时间t 的函数。其中，εt 为随机扰动项。
设t 时刻的军事工程毁伤评估训练样本的毁伤量值为
x (t )，则变权组合评价模型的误差平方和为：J =
åt =1n
[x (t )-f (t )]2=åt =1n {åi =1
m ϖi (t )[x (t )-f i (t )]2}（4）
最优化的权值ϖi (t )就是使组合智能评估值平方和J 极小化的一组值。式（2）、式（3）的智能化组合呈线性关
联，比较简单，但局限性较大，其核心是不同评价方法之间
的一种凸凹组合[6]。为克服线性组合模式的不足，将多种
评估模型得到的军事工程毁伤效果量值f i 进行非线性智
能组合，得到毁伤效果量值精度更高的结果f ，即
f =
g (f 1 f 2 f m )。为检验非线性智能组合评估的有效性，采用标准均方差S
NMSE 和平均绝对误差S MAE
作为组合模型的指标，即ìíîïïïïS NMSE =1n δ2åt =1
n
[x (t )-f (
t )]2S MAE =1n åt =1
n |
|x (t )-f (t )（5）
式（5），δ表示军事工程毁伤效果训练样本序列的方差。4军事工程毁伤效果组合智能评估流程设计军事工程毁伤效果组合智能评估机制的多样性以及评估效果的差异性，其核心在于组合方案的设计，须根据
军事工程的结构与布局实际，选择合理的基本评估方法，然后进行组合、集成。
以智能优化算法提高军事工程毁伤效果评估效率为目标，设计一种军事工程毁伤效果组合智能评估流
程，如图4所示。
图4，以两两组合的模块化设计描述了一种军事工程
毁伤效果组合智能评估流程，易于仿真推理。对于影响因素较多且具有较多模糊信息的毁伤评估问题，可以组合模糊逻辑和人工神经网络进行评估；对于军事工程结构上具有明显层次性且毁伤信息带有不确定性的毁伤评估问题，
可以采用层次分析法与灰关联分析法相结合的方式进行评估。知识获取毁伤
评估用户专家级交互
评估样本数据库毁伤评估模型库综合数据库学习机
制图3军事工程毁伤效果组合智能评估系统结构
25
中档轿车
Computer Engineering and Applications 计算机工程与应用
2013，49（9）5军事工程毁伤的非线性智能组合评估案例5.1神经网络主体的军事工程毁伤效果组合评估设计神经网络算法由于具有良好的自适应性、自组织和容错性及可实现输入输出的高度非线性映射功能等特性而颇受青睐[12-13]；但其在复杂问题上常陷于局部最优或者无法求解等困境[14-15]。文献[16]建立以神经网络为主体的组合智能信息处理器，对神经网络、小波分析、遗传算法予以组合集成，产生智能决策支持系统，其仿真实验验证了方案的可行性和有效性。根据军事工程毁伤效果组合智能评估流程，应用神经
网络的拓展特性[17]，设计基于神经网络主体的军事工程毁伤效果组合智能评估模式，如图5所示。图5，以神经网络为主体的军事工程毁伤效果组合智
能评估模式，采用三层（输入层、隐含层、输出层）网络结构模型。其中，输入层包含弹体触地速度、触地角度、弹着点
军事工程构件单元系数、介质抗力系数等，输出层以单指标“军事工程毁伤系数”体现，隐含层包含军事工程毁伤推理三阶段在内的诸多进程。
5.2神经网络主体的军事工程毁伤效果组合智
能评估模型
给定军事工程毁伤效果组合智能评估的训练样本序列D ，D ={(-x 1 y 1) (-x i y i ) (-x l y l )}，-
x i ÎR m ，y i ÎR ，
其中，-x i 表示m 维样本输入向量，表征军事工程毁伤的破坏机理与影响因素，-x i =(x 1(i ) x 2(i ) x m (i ))，而且是归一
化的训练样本；y
i 为样本输出向量，表征军事工程毁伤效
果的量值，机器学习的目的就是建立从输入空间到输出空
间的映射Ψ:R m ®R ，使得Ψ(-x i )=y i 。训练样本序列映射Ψ的建立，可采用输入节点为m (m =7)个，输出节点为n (n =1)个，隐节点为u 个的三层神经网络来实现。其中，网络的隐含层神经元采用小波函数
作激励函数，仿真推理中使用函数Wavenet ()，输出层神经元采用Sigmoid 函数作激励函数。小波函数作为神经网络隐含层神经元的激励函数，将小波变换应用到神经网络，
可从本质上改善神经网络的学习功能[18]。
小波分析与神经网络的组合应用，其所构成的新型神经网络的输入输出之间关系如公式（6）所示。
图4军事工程毁伤效果组合智能评估流程
弹着点军事工程防护介质抗力系数(x 7)输出值
毁伤系数弹着点军事工程防护层厚度(x 6)
弹着点军事工程
构件单元系数(x 5)弹着点相对于军事工程轴线方向(x 4)
弹体触地落角(x 3)弹体触地速度(x 1)
炸点与军事工程轴线距离(x 2)……
…图5神经网络主体的组合智能评估模式26
2013，49（9）袁辉，王凤山：军事工程毁伤评估的组合智能模型y i =h (åj =1u v j ×φa b [åp =1m
λpj ×x p (i )+θj ]+r )（6）式中，h 为Sigmoid 函数，h =1/(1+e -x )；i =1 2 l ；x p 表示样本-x i 的网络输入，y i 表示网络输出，λpj 表示输入层p 节点到隐层节点j 的权值，v j 表示隐层节点j 到输出层惟一节点的权值，θj 表示隐层j 节点处的阀值，r 为输出
节点的阀值。若设net j =åp =1m λpj x p +θ
j ，则
φa b (net j )=φ[net j -b j
a j ]（7）
其中，a j 、b j 分别为尺度参数和位移参数。军事工程毁伤效果的神经网络模型求解的关键在于确定网络结构和网络的模型参数（如a j ，b j 和λpj ，v j ，θj ，r ）。
集成遗传算法较强的全局搜索能力[13，16]，确定神经网络中隐层小波基的个数、相应的伸缩和平移系数以及各权值、阀值，以当网络结构较复杂时，军事工程毁伤效果的神经网络模型求解困难的问题。设军事工程毁伤效果神经网络总的误差小于Â，即E =12åi =1l
[y i -y i ]2 Â（8）
至此，把军事工程毁伤效果神经网络评估问题空间映射为遗传空间，组合智能神经网络模型的基本数学方程，如下：min E (λ v θ r )=12åi =1l
[y i -y i ]2
消炎痛栓
<λÎR m ´u v ÎR u ´1 r ÎR （9）利用遗传算法求解如上的二次非线性优化问题，将得
到的网络结构和连接权值，代入式（8）计算，如果E 小于设
定的误差限值Â，则完成军事工程毁伤效果智能神经网络训练。因此，军事工程毁伤效果智能神经网络评估模型，本质上组合神经网络、小波分析、遗传算法的建模方法，以神经网络结构为主体，小波函数作为神经网络隐含层的激
励函数，遗传算法完成神经网络结构的训练。
5.3军事工程毁伤效果智能神经网络评估算例
利用数值模拟与仿真手段，根据军事工程毁伤与防护
仿真实验平台[19]，模拟“某型制导的爆炸波”在介质中的传播过程和军事工程结构的破坏过程，鉴于训练样本的
数据庞大，挑选部分样本数据，如表1。
表1，训练样本的输入数据首先通过“归一化”进行数据的预处理[18]，输出数据“军事工程毁伤效果量值”依赖于
军事规则、侵爆规则、构件单元关联规则、工程毁伤量计算规则、价值毁伤量计算规则等，称之为“专家值”。集成Matlab 的神经网络工具箱函数[18]，调用、改进其Train ()等，学习军事工程毁伤评估的神经网络结构，其训
练值以“BP 值”、“智能值”表征BP 神经网络、智能神经网络
的训练效果。
通过大量样本数据的训练和检验，明显表征出集成小
波分析和遗传算法的智能神经网络比BP 神经网络模型具有较优的收敛速度、低误差和简单结构，如图6，表达军事工程毁伤评估模型差异性。其中，横坐标表示样本序列，
纵坐标表示毁伤概率值。
军事工程毁伤效果组合智能评估的根本目的是为军
事工程毁伤仿真系统服务，增强系统判断决策的主动性和101102103104105…512.00874.00883.00503.00641.00…74.0069.0021.0016.0058.00…0.580.380.150.000.83…0.360.270.110.390.12…5225481741… 6.838.524.617.281.48… 1.051.490.961.270.81…0.3560.3190.4240.3550.621…训练值0.3890.3020.4160.3920.705…绝对误差/（%）9.275.331.8910.4213.53…训练值0.3470.2880.4280.3410.599…绝对误差/（%）
2.539.720.94
3.943.54…
智能神经网络模型
BP 神经网络
y 1x 7x 6/m x 5x 4x 3x 2/m x 1/（m ·s －1）序号表1军事工程损毁评估训练样本及训练结果
1.0
0.9
0.80.70.6
0.50.4
0.3
促进就业法0.2
0.1
0100105110115120125130135140145150专家值BP 值
智能值
毁伤
概率值
样本序号
图6军事工程毁伤评估模型差异性
27
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议