基于改进BP网络的武器效能评估专家系统

2024-05-13

基于改进BP网络的武器效能评估专家系统（精选8篇）

篇1：基于改进BP网络的武器效能评估专家系统

基于改进BP网络的武器效能评估专家系统

介绍了一种基于改进BP网络的武器效能评估专家系统.通过灰色关联度分析法选取武器特征参数,针对武器系统的特点建立了神经网络评估专家系统模型,并采用改进后的.BP算法训练网络,通过仿真实例表明用该方法评估武器系统效能更加精确.

作者：黄俊张斌鲁艺 HUANG Jun ZHANG Bin LU Yi 作者单位：空军工程大学工程学院,陕西,西安,710038 刊名：电光与控制 ISTIC PKU英文刊名：ELECTRONICS OPTICS & CONTROL 年，卷(期)： 12(4) 分类号：V246 TP316.8 关键词：改进BP网络效能灰色关联度分析法专家系统

篇2：基于改进BP网络的武器效能评估专家系统

在现代海战中, 反舰导弹作为海上攻击的主要形式, 具有射程远、命中率高、威力大等优点, 日益成为威胁作战舰艇生存的重要因素。为了在未来海战中夺取主动权, 针对现代舰艇中远程反导地需求, 将舰空导弹、箔条诱饵弹和某型舰炮有机结合, 合理分配武器系统火力, 一方面可以扩大杀伤空域, 提高武器系统反导成功概率;另一方面可以增强战术灵活性, 有利于提高机动能力。本文分析了基于舰炮平台反导武器系统效能指标体系, 通过引入BP神经网络来评估其反导效能。

1 效能评估指标体系的建立

基于舰炮平台反导武器系统, 是指将在某型舰炮的平台上, 搭载导弹和箔条诱饵分系统, 综合考虑三者各自的射程、反应速度和费效比等因素, 合理划分反导区域, 形成优势互补的舰载反导武器系统。

效能评估的重要内容之一就是确定或选择效能评估指标。效能指标的选择是否合理, 将直接影响效能评估的准确性。但由于效能概念的复杂性, 使得效能指标的确定不像物理量那么直接。本文主要从以下几个方面分析此反导武器系统的效能评估指标。

1.1 舰炮分系统

在构建基于舰炮平台反导武器系统的过程中, 是在某型舰炮平台的基础上搭载导弹和诱饵反导武器的。因此, 该舰炮反导平台在整个武器系统中是十分重要的, 而其战术技术指标对武器系统整体反导效能的影响也是比较大的。在该舰炮反导的过程中, 其系统有效性、目标探测能力、反导距离及弹丸初速均对其反导效能产生很大的影响[1]。

1.2 导弹分系统

这里所指的导弹是搭载在某型舰炮反导平台上的舰空反导导弹, 其在反导过程中, 受到多种因素的制约, 同样, 其反导效能亦受到多方面因素的影响。本文经过综合考虑, 提出导弹分系统的反导效能指标主要有以下几种:导弹分系统的可靠性、单发导弹的毁伤概率、毁伤半径和脱靶量[2]。

1.3 箔条诱饵分系统

箔条干扰作为传统的干扰技术, 在雷达体制多样化的今天, 仍发挥着重要的作用, 其在反导方面的应用是不可忽略的。由文献[3]可知, 箔条在反导过程中, 可取以下反导效能指标:箔条云有效雷达反射面积、箔条充分散开时间、箔条云滞时间和电磁波衰减。

1.4 效能评估指标体系

由以上分析可以确定, 基于舰炮平台反导武器系统的效能指标体系如图1所示。

2 BP神经网络评估模型的实现

作为运用最广泛的人工神经网络, BP网络包含输入层、输出层和多个隐层, 虽然结构复杂, 但由于其适应性强, 在处理复杂问题时往往可以得到满意的结果。

2.1 BP网络结构的确立

网络模型的结构选择是一项十分重要的工作。在合理的结构和恰当的权值条件下, 3层BP网络可以逼近任意连续函数, 所以选取结构相对简单的3层BP网络, 如图2所示。

由前面的分析可知, 影响某型反导武器系统效能评估结果的主要指标有12个, 故输入层神经元节点个数为12;输出层节点数为1, 对应多弹种多重反导效能评估值;同时, 由经验公式本文取隐层数为4层;神经元转换函数用sigmoid函数, 表示形式为:

f (x) =1/ (1+e-x)

2.2 BP网络的学习过程

针对BP网络收敛速度慢、可能陷入局部极小的缺点, 算法采用动量梯度下降法训练网络, 可以减小学习过程的振荡趋势, 改善网络的收敛性[4]。具体步骤如下:

(1) 初始化权值和阀值;

(2) 给定输入x和目标输出

(3) 计算实际输出yj:

其中, f取Sigmoid函数。

(4) 修正权值, 比传统算法增加了动量项:

若j为输出节点, 则:δj= (y-yj) yj (1-yj) ;若j为隐节点, 则:

(5) 若达到误差精度或循环次数要求, 则输出结果, 否则返回 (2) 。

2.3 样本量化与处理

由于不同类型指标的量纲不同, 且神经网络处理的数据一般为连续数据, 因此, 需要对指标体系中的数据进行量化处理, 然后进行归一化处理。本文采用最小-最大规范化方法对原始数据进行归一化, 该方法对于神经网络更易于学习和训练。具体方法如下:

记x′为归一化后的样本值, x为原始训练样本值, xmax (xmin) 为对同一指标而言目前可能出现的最大值 (最小值) , 则:

(1) 对效益型评估指标, 按公式 (1) 进行归一化:

(2) 对成本型评估指标, 按公式 (2) 进行归一化:

2.4 基于BP网络的应用算例

本文选取相关装备对所建立的BP网络进行训练。根据图2所示BP网络结构和动量梯度法, 运用BP神经网络工具箱, 将归一化以后的样本输入进行网络训练。表1给出了相关装备的指标原始值和归一化值。

取训练步长为100, 步数为20 000, 学习速度为0.05, 动量因子大小为0.9, 均方误差为0.001来训练网络。经过反复的学习, 直到满足精度要求为止, 此时的BP神经网络已具备了模式识别的能力。运用此训练好的已经具备模式识别的网络对预研的反导武器系统进行对比, 所得到的结果如表2所示。同时可以得到网络训练误差, 如图3所示。

由表2可知, BP网络的输出值与专家的评估值之间的相对误差较小, 可以保证在3.0%之下, 而这样的误差对反导武器系统效能评估等级的确定影响甚小, 在允许的误差范围之内。从评估等级来看, BP网络的输出结果与专家评估结果吻合度很大, 即可以认为两者评判结果一致。

经过上面的分析, 可知本文所建立的BP网络训练已经具备很强的学习能力, 可将评估误差控制在允许的范围之内, 故可运用此网络对基于舰炮平台反导武器系统的效能等级进行评判。经过此网络的评估, 最终效能等级为优秀。

3 结语

在对基于舰炮平台反导武器系统效能评估过程中, 效能指标体系的确定至关重要。本文结合反导武器系统的特点, 确定了12个具有代表性的效能评估指标, 建立了适合此系统的BP网络结构;并对基于舰炮平台反导武器系统的效能进行了评估, 输出结果为优秀, 与专家的评估结果一致。理论分析与算例结果表明, 该评估方法是可行的、有效的, 可为反导武器系统的研制和开发提供一定的参考依据。

摘要：通过对基于舰炮平台反导武器系统的分析, 建立其反导效能指标体系, 并把神经网络运用到某型反导武器系统效能评估中, 得到了基于BP神经网络的评估模型, 通过实例分析计算, 验证了模型的正确, 为此类反导武器系统的预研提供了一定的参考依据。

关键词：效能评估,舰炮平台,反导武器系统

参考文献

[1]肖元星, 张冠杰.地面防空武器系统费效分析[M].国防工业出版社, 2006

[2]陈立新.防空导弹网络化体系效能评估[M].国防工业出版社, 2007

[3]陈静.雷达箔条干扰原理[M].国防工业出版社, 2007

篇3：基于改进BP网络的武器效能评估专家系统

摘要：由于传统BP算法存在收敛速度慢，容易陷入局部极小值等弊端，目前的BP优化算法又使得控制过程变得复杂，继而基于BP神经网络的模型参考自适应控制过程也存在实时性差，收敛性慢，精度不高等不足。现针对改进的BP算法和非线性系统的可逆性，分析设计了一种基于激励函数自寻优的BP网络模型参考自适应控制，并通过Matlab仿真结果表明，在满足控制精度的情况下控制系统中的辨识器和控制器效果都很理想。因此，对工程应用有很大的实际参考利用价值。

关键词：BP算法；神经网络；模型参考自适应控制；激励函数；Matlab仿真

中图分类号：TP183

文献标识码：A

DOI：10.3969/j.issn.1003-6970.2015.07.024

0 引言

在现代实际工业生产中，被控对象存在各种不确定性和时变性，因而使得工业控制过程变得繁琐复杂，针对线性时变系统或非线性系统的控制，人们不断的研究其解决方法，Nare ndra等人提出了神经网络控制和模型参考自适应控制相结合的神经网络模型参考自适应控制（Neural Network Model Reference AdaptiveControlˉˉˉNNMRAC）方法。近来神经网络的研究已成为智能控制研究的热点，因其自身具有自学习的特点，可以有效地解决不确定和复杂的非线性控制系统控制问题。因此将神经网络与模型参考自适应控制相结合，组成基于神经网络的模型参考自适应控制系统，进而使其在复杂非线性过程控制中具有不可替代的优势。目前神经网络模型参考自适应控制系统中应用最广泛的神经网络是BP神经网络。

BP神经网络（Back Propagation Network）是一种多层前向型神经网络也被称为反向传播网络，在BP网络中信号是前向传播的，而误差是反向传播。一般三层BP网络结构就可以使其对有限个不连续点的函数进行逼近，也可以逼近任意非线性映射关系。然而，传统BP神经网络算法存在很多缺点，各种优化改进的BP算法也层出不穷。就目前的BP优化算法，常常忽略算法本身存在的自适应、自学习等特点，改进算法如蚁群算法和粒子群算法大都是直接对BP神经网络中的参数进行训练。文中采用基于激励函数自寻优的方法改进BP神经网络模型参考自适应系统的控制方法，改进后的BP神经网络模型参考自适应控制方法收敛速度快、精度高，系统控制过程中被控对象的输出能够很好地跟随参考模型的输出，具有很好的控制效果，在实际工程中也可以得到很好的验证和应用。

1 BP神经网络结构及其算法改进

BP神经网络已经被证明具有很强的学习能力，能够逼近任意连续有界的非线性函数。一般的BP神经网络包括输入层、隐含层、输出层，其中隐含层可以有多个。其中隐含层和输出层的激励函数通常直接采用Sigmoid函数，其函数表达式为：

上式中β称为Sigmoid函数的斜率参数，不同的β取值，引起曲线的弯曲程度不同，β越大，f（x）图形越陡峭。当斜率参数β接近无穷大时，Sigmoid函数将转化成简单的阶跃函数。但与阶跃函数不同，Sigmoid函数对应于0～1之间的一个连续取值区域，但阶跃函数只对应0和1两个取值。

一般的三层前馈神经网络拓扑结构如图1所示。

输入向量为X_i=（Xl，X2…，X_n）^T，i=1，2，…，n，n表示输入神经元的个数，隐含层的输出向量为y_j= （Y1，y2，…，y_m），j=l，2，…，m，输出层的输出向量为Ok= （Ol，O2….，o_l），k=l，2，…，l。每层之间的权值用w表示，W_ij为隐含层和输入层之间的权值，W_jk为输出层和隐含层之间的权值。

这里对上述BP算法的改进，也就是通过改进激励函数f（x），进而优化神经网络，最终使得基于神经网络的模型参考自适应控制在不增加复杂性及确保精度的情况下，系统性能进一步得到提高改善。由于BP神经网络产生局部极小值的一个重要原因就是误差函数是一个以Sigmoid函数为自变量的非线性函数，而Sigmoid函数存在饱和区，所以改进和优化激励函数对于BP算法的应用是至关重要的。通过实验发现，在函数表达式中增加一个控制参数η，可以控制激励函数的压缩程度。改进的激励函数形式如下：

上式描述的f（x）的定义域为（-∞，+∞），值域为（0，1），函数也是单调的，满足激励函数的条件。

以往出现的改进BP算法学习过程中，η和β的赋值都是经验值，本文使得η是一个可以自适应的参数，就是通过判断网络不断学习过后的权值能否减小网络误差来自动的调整η的值，其调整方法为：

其中，al，E为网络误差，f指迭代次数。在误差信号反向传播时，自适应参数η是随着误差信号不断进行修正的。

此算法可以提高BP网络的收敛速度，同时也避免了陷入局部极小值。文中使其结合模型模型参考自适应控制明显提高了系统的整体控制效果，进一步验证了算法改进的实用性，与传统BP算法相比，改进后的算法在实际运用中更具有意义。

2 神经网络模型参考自适应控制系统结构

典型的神经网络模型参考自适应控制系统结构如图2所示。

图2中NNC（ Neural Network Controller）为神经网络控制器，NNI（ Neural Network Identifier）为神经网络辨识器，r为参考输入，u为NNC的输出，Y_m和y分别为参考模型和被控对象的输出，e_c是参考模型输出和被控对象输出之差，e_i是被控对象输出和辨识器输出之差，NNC的权值修正目标是使e_c达到系统设定值（理想值为零），NNI的目标也是使e_i尽可能最小（理想值为零），且为NNC传递梯度信息。

神经网络辨识器NNI的训练误差表示为，其中，y（k）当前k时刻被控对象的输出数据，为下一时刻的预测输出数据。则辨识器的调整规则就是使误差E_i尽可能小，E_i表示为：

神经网络模型参考自适应控制系统的控制目标在于使被控对象的输出y与参考模型的输出Y_m渐近的匹配，即

其中，s为一个给定的小正数。

神经网络控制器NNC的训练则由误差e_c=y_m-y来训练，训练准则如上式（8），控制系统中神经网络辨识器和控制器的学习算法就采用改进后的BP算法。

在神经网络模型参考自适应控制系统的控制策略设计中，改进的BP算法能够在满足系统控制规律符合要求的情况下，使得神经网络模型参考自适应控制效果更好。虽然改进的BP算法是激励函数自寻优的自适应方法，不能够使神经网络辨识器NNI进行离线训练，但是快速的BP算法仍然可以使网络具有很好的实时性。首先在线训练辨识器，待参数训练好以后，再进行控制器NNC的训练，最终可以保证被控对象的输出y很好的跟踪参考模型的输出Y。

3 仿真实例研究

3.1 改进的BP算法验证

本文采用BP神经网络进行预测控制来验证改进算法的有效性。利用简单的一组样本训练集和样本目标集进行神经网络的训练，再给定一组输入样本数据，观测输出层输出数据和误差。分析样本数据设计BP神经网络结构为3个输入、2个输出、隐含层的神经元数目为8。网络学习次数为100次，目标误差设置为0.001。

使用MATLAB软件进行网络训练，传统BP算法的网络训练过程收敛情况如图3所示，经过56步循环达到了网络误差要求的精度。改进的BP算法网络收敛情况如图4所示，仅需要10步就达到了误差精度要求，其中a和b取值分别为0.9和1.5。输出误差和网络实际输出数据在表1中展示，直观的看出，改进后的BP网络可以得到更有效的输出。

根据得到的误差收敛曲线比较看出，改进后的BP算法所用训练步数少即需要的训练时间少，说明收敛速度明显加快。

测试输出结果如表1所示。

从表中可以直观清晰看出改进后的BP算法实际输出误差明显减小，提高了算法精度。

3.2 改进的神经网络模型参考自适应控制仿真实例

结合参考文献中提到的污水处理的例子进行改进算法的验证。污水处理系统结构图如图5所示，

在污水处理系统控制结果是否达标，主要是通过需氧量（OD）、溶解氧（DO）等几个重要参数来衡量。本例中为了提高污水处理效果，系统控制目标设置为使误差e_c控制在±0.05mg/L以内，污水处理控制系统中采

用离散的参考模型：

y_m（k）= 0.375 y_m（k-1）+0.623r（k）

其中，控制输入r（k）=2为系统给定的阶跃信号。

污水处理系统的实验仿真中，BP网络辨识器设定4个输入变量和1个输出变量，隐含层包含10个隐节点，对于BP网络控制器取3个输入层节点，隐含层的节点数为6。根据BP神经网络控制器和辨识器的改进算法，采用MATLAB进行仿真，取采样周期t_s=0.OOls，这里a取0.8，6取1.5，仿真结果如图6所示。

在图6 （a）中第一条线为控制输入r，中间的第二条曲线代表参考模型的输出Y_m，最下边的曲线代表污水被控对象的输出y，图6 （b）中的曲线代表误差e_c（系统实际输出与参考模型输出之差）的变化。从图中可以分析看出，改进后模型参考自适应控制方法在该控制系统中的控制效果很好，氧的溶解浓度（DO）保持在2mg/L左右，参考输出和实际输出最终相吻合，误差e_c控制在±0.05mg/L以内，因此仿真结果满足控制系统的控制要求。

4 结语

篇4：基于改进BP网络的武器效能评估专家系统

关键词：导弹武器系统,作战效能,正负理想点

导弹武器系统作战效能评估是一个多因素综合评估问题。在以往的作战效能评估中存在两方面的不足:一是较多考虑命中率、射程等作战能力指标而忽视其它类型的指标;二是不同国家的同类别导弹的作战效能缺乏有效的比较方法,常见的模糊综合评估法和灰色评估法进行作战效能评估比较时受专家主观影响太大,具有很大的局限性和主观随意性,评估结果不是很精确。

为解决上述不足,本文采用正负理想点法来评估导弹武器系统的作战效能,获得了较好效果。

1正负理想点模型的建立

1.1正负理想点法的基本原理[1]

正负理想点法通过比较评估方案与最佳方案、最差方案之间的正、负理想点距离来进行作战效能评估,即最佳评估结果应是与正理想点距离最近,与负理想点距离最远。正负理想点法首先定义评估问题的正理想方案(最佳方案)和负理想方案(最差方案),尽管这两种方案在评估时不可能存在(否则就无需评估),但我们可将二者作为理想化的最优、最劣基点,以权衡其他可行方案对二者的距离。其次,综合所有评估指标系数,并以此排序,进行作战效能的综合分析和评估。

1.2建立正负理想点模型的原则[2]

建立模型应遵循下列原则:①选取的导弹武器系统的性能指标应该包含对导弹武器系统作战效能影响较大的主要指标,既要包括作战能力指标,也要包括总体性能指标,主要指标不能有遗漏,以保证评价内容的完整性;②选取的导弹武器系统的性能指标应易于量化,尽可能做到数据准确;③建立模型时既要考虑评估的可信度,又要考虑计算方便,所以指标数目不宜太多。

1.3正负理想点法评估导弹武器系统作战效能的步骤[3]

1.3.1 确定评价方案集和因素指标集,得到评估矩阵

设有m种不同的导弹武器系统接受评估,构成评价方案集: U={U1,U2,…,Um};对导弹武器系统作战效能起重要影响作用的n个因素指标构成因素指标集: M={M,M2,…,Mn}。设Ui对于Mj的属性值为xij( i= 1,2, …,m; j =1,2,…,n),由此可得到评估矩阵:

1.3.2 评估矩阵无量纲化

比较各指标值,消除不同指标间的不可公度性的影响,便于分析评估,作如下变换:

(1)若cj是效益型指标,即指标数值越大,对于作战结果越有利的指标(对于导弹武器系统如:飞行速度、单发命中概率等),则令

undefined (1)

(2)若c是成本型指标,即指标数值越大,对于评估结果越有害的指标(对于导弹武器系统如:雷达反射面积,巡航高度等),则令

undefined (2)

1.3.3 加权单位化矩阵

单位化无量纲矩阵中的各个元素 :

undefined (3)

可得到单元化矩阵R。再由专家调查法或层次分析法[4]可得到各项指标的归一化权重向量W= (w1,w2,…, wn)。

将求得的单元化矩阵结合权重系数进行线性叠加Yij=(rijwj),即加权合成,就可得到加权单位化矩阵Y:

1.3.4 确定正负理想点,计算贴近度

确定供评估参考的正理想点和负理想点。先取各指标的最大值构成正理想点:undefined;j =1,2,…,n);再取各指标的最小值构成负理想点:undefined;j =1,2,…,n)。

计算评估方案与正理想点和负理想点的欧几里德距离:

undefined (4)

分别称为方案Ui( i= 1,2, …,m)对正理想方案U+和负理想方案U-的贴近度。

1.3.5 确定评估系数进行综合评估

最终用评估指标与理想指标的接近程度来评估作战效能的优劣。评估系数Ci的定义如下:

Ci= Di/(Li+ Di),0

显然当Ai= A+,C=1;当Ai= A-,Ci=0;Ci值越高,导弹武器系统的综合作战效能越好。对C1,C2,…Cm,的值按从大到小的顺序进行排序,就可以对不同类型的导弹武器系统的作战效能进行精确的横向比较。而C*=max {Ci︳1≤i≤m}是其中综合作战效能最好的导弹武器系统。

2应用示例

本文选择具有典型意义的5种空舰导弹武器系统:“鸬鹚”(德国)、“捕鲸叉”AGM-84A(美国)、空射“雄风2”(台湾)、“飞鱼”AM39(法国)、“天王星”空射X-35(俄罗斯)作为评价样本。

2.1确立空舰导弹武器系统作战效能指标体系,得到评估矩阵

首先建立空舰导弹武器系统作战效能指标体系,空舰导弹武器系统作战效能评估是个多因素综合评判问题。经过层次分析,认为空舰导弹武器系统的作战效能主要由下列层次分析模型决定,模型如图1所示。[5]

在上述作战效能指标中,导弹的最大有效射程体现出导弹能否“打得到”目标;单发命中概率体现导弹能否“打得准”目标;而飞行速度、雷达反射面积、末端掠海高度、抗干扰能力和末端机动能力反映导弹能否“进得去”目标的防空体系[6];战斗部威力决定导弹能否“有效毁伤”目标;发射扇面角则体现出导弹攻击时的机动性;而巡航高度、系统反应时间、载机性能和环境适应性是衡量导弹总体性能的重要指标。

通过查阅资料得到各空舰导弹武器系统性能指标见表1 (带*为专家估算结果,带**的为结合专家估算和隶属函数计算得出的指标值)。[5,7]

由表1中数据可得到评估矩阵:

undefined

2.2评估矩阵无量纲化

表1中的各项性能指标中,飞行速度、最大有效射程、抗干扰能力、载机性能、环境适应能力、战斗部威力、末端机动能力、发射扇面角和单发命中概率为效益型指标,雷达反射面积、巡航高度、末端掠海高度和系统反应时间为成本型指标。按(1)和(2)式计算可得到无量纲的评估矩阵Z:

undefined

2.3加权单位化矩阵

按(3)式将无量纲矩阵中的各元素单位化,可得到单元化矩阵R:

undefined

根据各衡量条件的相对重要程度,经层次分析法可得出各指标的权重系数W:

W=(0.0712 0.0618 0.0418 0.0561 0.0754 0.1633 0.0752 0.0654 0.0356 0.1246 0.0376 0.0346 0.1574)。

将求得的单元化矩阵结合权重系数进行加权合成,可得到加权单位化矩阵Y:

undefined

2.4确定正、负理想点,计算贴近度

确定供评估参考的正、负理想点,先取各指标的最大值构成正理想点: y+j=(0.035,0.034,0.020,0.032,0.041,0.078,0.040,0.030,0.017,0.067,0.021,0.027,0.077);再取各指标的最小值构成负理想点: y-j=(0.028,0.019,0.015,0.016,0.020,0.060,0.030,0.029,0.016,0.045,0.014,0.009,0.065)。

按(4)式分别计算评价方案与正、负理想方案的贴近度:

L= (0.034, 0.028, 0.036, 0.035, 0.027),

D= (0.030, 0.039, 0.022, 0.034, 0.035)。

2.5综合评估比较

最终用评估指标与理想指标的接近程度来评估作战效能的优劣,由(5)式可算得:

undefined

同理可算出C2=0.582,C3=0.379,C4=0.493,C5=0.564。对结果进行排序:C2>C5>C4>C1>C3。所以这五种空舰导弹武器系统的作战效能的评估结果排序为:捕鲸叉>天王星>飞鱼>鸬鹚>雄风2 。“捕鲸叉”空舰导弹的综合作战效能最好。对结果进一步分析可看出:“捕鲸叉”与“天王星”可归入第一档,“飞鱼”与“鸬鹚”可归入第二档,“雄风2”空舰导弹为第三档,它的综合作战效能最差,并且与第一档的两种导弹差距较大。

本文采用正负理想点法对空舰导弹武器系统的作战效能进行综合评估,评估结果与文献[5]中的评估结果一致,证明该评估方法与专家评估法的结果有一定的一致性。而正负理想点法相比专家评估法的改进提高在于:专家评估法的决策结果主观因素所占比例太大,很难摆脱决策中的随机性和参评人员主观上的不确定性和其认识的模糊性。此外采用专家评估法,用最常见的线性加权和法计算综合评估值时,很可能出现几个评估对象的评估值相同或很接近的情况, 使决策者难以做出决策。而正负理想点法可以较好的弥补专家评估法的上述不足,克服实际评估中的一些人为因素及指标不全面因素,有效地降低专家打分的主观影响,得出精确的评估结果。其次正负理想点法评估值区分度明显,可以对评估对象进行精确的分档,使决策者方便地做出决策。

3结束语

采用正负理想点法对所选的5种空舰导弹武器系统的作战效能进行综合评估,在建立模型的过程中较好地解决了指标体系合成中的量纲问题,有效地降低了专家打分的主观影响,得出的结果较为精确,比较贴近实际情况。相比模糊综合评估法和灰色评估法,该方法区分度明显,评估可信度大大提高,可以推广到其它武器系统的作战效能评估比较上。

参考文献

[1]马亚龙,王精业,徐享忠等.基于正负理想点的仿真结果评估方法研究.计算机工程,2002,28(2):21-22

[2]李昂,庞宇,李斌.对单舰防空武器系统综合作战效能的评估.舰船电子工程,2007,27(3):55-57

[3]郭齐胜,郅志刚,杨瑞平等.装备效能评估概论.北京:国防工业出版社,2005.89-90

[4]许柏树.层次分析法原理.天津:天津大学出版社,1988.1-3

[5]姜智睿,姜青山,付爱辰等.利用优度评价法评估导弹武器系统作战效能.海军航空工程学院学报,2006,21(4):467-470

[6]王永洁,纪永清,江兆涛等.潜射反舰导弹综合作战研究.海军航空工程学院学报,2006,21(2):271-274

篇5：基于改进BP网络的武器效能评估专家系统

摘要：BP算法较强的自学习能力使之可对短期电力负荷进行预测，将一种改进的BP神经网络学习算法应用于短期电力负荷预测中，该算法由于加入动量项修正权值阈值提高了BP神经网络本身的精度，使得预测结果具有更高的精度，算例验证了该算法处理短期电力系统负荷预测的高效性。

关键词：神经网络；短期负荷预测；BP算法；动量项

1 概述

电力系统负荷预测实质是对电力市场需求的预测，短期电力负荷预测是电力部门的重要工作之一。目前主要的负荷预测方法有传统预测、灰色预测、混沌理论预测、智能技术预测、优选组合预测等，其中智能预测中最典型的就是人工神经网络。

人工神经网络是一个极其复杂的非线性动力学系统。它的自学习功能对预测有着重要的意义，能通过学习已存在的历史负荷数据，来反映出输入变量和输出变量之间的非线性关系。由于很多因素都会对电力负荷造成影响，所以可以把神经网络算法引用到负荷预测中来，提高电力负荷的预测精度。本文针对短期电力负荷预测的问题，采用了一种增加动量项改进BP算法的负荷预测方法，并对某城市的有功负荷进行短期负荷预测仿真。

2 传统BP算法及其改进

2.1 传统BP模型及其学习过程

传统BP算法的实质是求均方误差函数的最小值问题，常选择Sigmoid型函数作为激励函数。如图2-1所示即为典型的三层BP神经网络的结构图，从左至右依次为输入层、隐含层、输出层。一般情况下，输入层单元数与输出层相等，隐含层比输入层多，一般多取2n-1，其中n为输入层单元数。

[图2-1 三层BP神经网络结构图]

令输入模式向量为Xk=（x，x，…，x）T，（k=1，2，…，m），m是学习模式对的个数，n为输入层单元数；对应输入模式的期望输出模式向量为Yk=（y，y，…，y）T，q为输出层单元数；中间隐含层的净输入向量为Sk=（S，S，…，S）T，输出向量为Bk=（b，b，…，b）T，p为隐含层单元数；输出层净输入向量为Lk=（l，l，…，l）T，实际输出向量为Ck=（c，c，…，c）T；输入层至隐含层的连接权值为W={wij}（i=1，2，…，n，j=1，2，…，p），隐含层到输出层的连接权值为V={vjt}，（j=1，2，…，p，t=1，2，…，q）；隐含层各个单元的阈值为θ={θj}（j=1，2，…，p），输出层各个单元的阈值为γ={γt}（t=1，2，…，q）。

中间隐含层各个神经元的净输入和输出：

S=wijs-θj j=1，2，…，p b=f（s） j=1，2，…，p

输出层各个神经元的净输入和实际输出：

l=vjtb-γt t=1，2，…，q c=f（l） j=1，2，…，q

依据给定的期望输出值，得到输出层各个神经元的校正误差：

d=（y-c）f′（l） t=1，2，…，q；隐含层各个神经元的校正误差：

e=[vjtd]f′（S） j=1，2，…，p修正隐含层和输出层神经元之间的阈值γ，其中α为学习速率，0<α<1：

Δvjt=αdd i=1，2，…，p，t=1，2，…，q Δvjt=αdb i=1，2，…，p，t=1，2，…，q

Δγt=αd t=1，2，…，q

修正输入层与隐含层的连接权值和隐含层神经元的阈值θ，其中β为学习速率，0<β<1：

Δwij=βex i=1，2，…，n，j=1，2，…，p Δθj=βe j=1，2，…，p

直到全部m个学习模式对训练完毕，然后判断该神经网络的全局误差E是否满足训练精度要求。

2.2 BP算法的改进

传统BP算法在调整连接权值时，只考虑了此次调整的误差梯度下降方向，因而经常会使训练过程发生振荡，收敛速度缓慢。本文通过增加动量项调整连接权值来改进传统BP算法，进而克服这些缺点。

为了提高神经网络的训练速度，可以在对连接权值进行调整时，以一定的比例加上前一次学习时的调整量，即动量项，带有动量项的连接权值调整公式为：

Δwij（n）=-β+ηΔwij（n-1）

其中ηΔwij（n-1）為动量项，n为学习次数，η为动量系数，0<η<1。加入动量项的实质，就是使其学习速率在训练过程中不再是一个恒定的值。动量项对于n时刻的权值调整起着阻尼作用。在引入动量项后，向同一方向来进行连接权值的调整，即使两次连接权值调整的方向不一样，也可以减小训练过程中的振荡趋势，提高训练速度，加快网络的收敛。

3 基于BP算法的短期电力系统负荷预测及其仿真分析

3.1 负荷预测的基本思想

利用BP神经网络预测未来时日的数据，主要思想是以过去的历史数据作为网络的训练数据，当网络训练完毕，就可通过输入新的时序数据来预测未来数据。因各种因素都会对短期负荷造成一定影响，于是便可建立如图3-1所示的电力系统负荷预测的模型。

3.2 BP神经网络的设计

将一星期内的每一天看成是相同的负荷类型，每隔两小时对电力负荷进行一次测量，得12组整点测量的负荷数据，记为输入变量，输出变量为预测日当天的12个整点的电力负荷值，中间层取神经元位数为25。网络中间层和输出层神经元的激励函数均采用S型函数。

3.3 实例分析

参考文献[2]中的数据，以某城市2009年6月13日到6月23日的12个整点电力负荷值，作为该网络的样本数据，预测6月24日的电力负荷值。分别采用传统和改进的BP算法对这些数据用matlab进行编程仿真，预测结果如表1所示，预测结果仿真图及误差曲线图分别如图3-2、3-3所示。

由以上仿真结果可知，传统BP算法电力负荷预测的最大误差为0.4857%，平均绝对值相对误差为0.0760%；改进BP算法电力负荷预测的最大误差为0.0548%，平均绝对值相对误差为0.0213%。综合图3-2和3-3的比较可得，加入动量项改进后的BP算法在预测精度上明显优于传统BP神经网络算法，故该神经网络满足应用要求。

4 结语

电力系统短期负荷预测对供输电以及电力系统安全分析具有重要的意义。本文在传统BP神经网络的基础上，提出了加入动量项改进BP算法，克服了传统BP算法的一些缺点和不足之处。仿真结果表明，该方法具有较高的预测精度，可以为电力系统提供有效的决策依据。

参考文献：

[1]马锐.人工神经网络原理[M].北京：机械工业出版社.2010：45-57.

[2]米阳，朱旺青，李正辉.改进的BP算法在短期负荷预测中的应用[J].上海电力学院学报，2011，27（1）：14-18.

[3]潘雪涛.基于改进BP神经网络算法的短期负荷预测[J].上海电力学院学报，2012，28（4）：388-391.

[4]高隽.人工神经网络原理及仿真实例[M].北京：机械工业出版社.2007：43-53.

[5]王小川，史峰，郁磊等.MATLAB神经网络43个案例分析[M].北京：北京航空航天大学出版社，2011：4-9.

作者简介：

篇6：基于改进BP网络的武器效能评估专家系统

1 ADC模型

ADC效能评估方法是美国工业界武器效能咨询委员会(Weapon System Effectiveness Industry Advisory Committee,WSEIAC)提出的一种效能评估解析算法,它能较为全面地反映武器系统状态及随时间变化的多项战术、技术指标,在作战使用中的动态变化与综合作用,具有层次分明、结构简单、易于理解等优点。文中选用改进的ADC效能评估方法对电子对抗系统作战效能进行评估与分析。ADC效能评估方法是WSEIAC提出的评价武器系统效能的模型和方法,被认为是有效、通用的模型。WSEIAC规定系统效能是“系统满足一组特定任务要求程度的度量,或者说是系统在规定条件下达到规定使用目标的能力”。规定的条件指的是环境条件、时间、人员、使用方法等因素;规定使用目标指的是所要达到的目的;能力则是指达到目标的定量或定性程度。因此WSEIAC将系统效能规定为系统可用度A(Available)、可信赖度D(Dependability)和能力C(Capability)的函数,用系统效能E表示

E=A×D×C (1)

A=(a1,a2,…,an)为1×n维向量,表示在开始执行任务时系统状态的量度;ai为开始执行任务时系统处于状态i的概率,显然 $\sum_{i = 1}^{n} a_{i} = 1$ ;D=(dij)nn为n×n维的可信性矩阵,是在已知系统开始执行任务时所处状态的情况下,在执行任务过程中某个或多个瞬间的系统状态的量度,如为已知在开始执行任务时系统处于状态i而在执行任务过程中系统处于状态j的概率, $\sum_{j = 1}^{n} d_{i j} = 1$ ;C=(cij)nn为能力矩阵,是在已知系统执行任务过程中所处状态条件下,系统完成任务能力的量度,cij为在系统的有效状态i条件下第j个品质因素值。

2 改进的ADC效能评估模型

由于武器和军事装备都是在敌方的积极对抗条件下运用的,对抗环境对武器系统的作战效能有较大影响,所以在评定电子对抗系统作战效能时,必须将敌方的对抗和我方操作人员熟悉、掌握电子对抗系统设备,驾驭使用武器系统的能力水平和战场自然环境条件加以考虑,模型才能符合作战实际,真实地反映出其具备的实际能力。为此,对ADC模型作如下修改,使其适合于更全面的评定[2]

E=K×(1-Q)×A×D×C (2)

其中,K为操作水平性系数;Q为战场环境影响系数。

3 改进的电子对抗系统效能评估方法

电子对抗是现代战争的重要作战手段,随着电子对抗强度的加剧,保障各环节中的不确定因素增多,这对电子对抗能力评估体系建设提出了更高的要求。目前针对电子对抗能力的评估方案还不完善,尤其是对相关干扰因素的处理工作还处于探索阶段。在众多方法中,以基于ADC模型为基础,通过改进和优化,对战场电子对抗系统保障能力进行精确评估的方法较为合理,实现了对电子对抗设备综合效能的定量评估,并为进一步设计、发展电子对抗设备起到了辅助决策作用。

3.1 操作水平性系数

任何系统都需要人操作和使用,由于武器系统操作人员能力、素质的高低、平时训练模式和作战中战术使用的不同,使得同一种武器由不同的人去操作,实现的效果都存在差异。另外,武器系统的人机界面是否友好、自动化程度的高低,都会影响到人员的操作水平。因此,在评估效果时,考虑操作水平性系数是必要的[3]。

操作水平性系数K,即操作人员在完成任务的过程中误操作的概率,主要是操作人员素质、训练水平、系统设备自身的人机界面、系统自动化程度及作战中战术使用等。对于此系数K可以由仿真得到。例如研制的各种武器系统的训练模拟器和战术模拟软件,很好地解决操作训练问题和战场上战术的使用情况,专门研制了操作成绩打分评判系统软件,嵌入式模拟器,对操作训练过程以自动方式进行评判,将训练过程进行量化处理并计算各种条件下电子对抗的成功概率。对操作成绩打分进行处理,得到相对客观的K值。

3.2 战场环境影响系数Q

战场环境影响系数Q,主要考虑到战场上敌情、气候、地形、电磁环境对电子对抗系统性能的影响。战场外部环境对电子对抗系统的性能有较大影响,不同的环境对电子对抗系统性能的影响不同,相同的战场环境中,各种因素对电子对抗系统性能影响也不尽相同。具体环境中具体考虑环境因素也有区别,图3列出的是战场环境下对电子对抗系统性能影响的一般因素。

根据加权平均法可得

$Q = \sum_{i = 1}^{n} β_{i} Η_{i} (\sum_{i = 1}^{n} β_{i} = 1) (3)$

3.3 可用度向量A

设备可用度表示系统在规定条件下随时使用时能正常工作的概率。可用性向量A时由系统开始处于所有可能状态的概率组成,一般表达式为A=[a1,a2,…,ai,…,an],N种可能状态构成了样本空间。这里考虑两个有意义的状态:系统处于正常工作状态,系统处于故障状态。则系统可用性向量可表示为

A=[a1,a2] (4)

其中,a1表示系统在开始执行任务时处于正常工作状态的概率;a2表示系统在开始执行任务时处于发生故障状态的概率,在可用性行向量中

$a_{1} = \frac{Μ Τ B F}{Μ Τ B F + Μ Τ Τ R} (5)$

$a_{2} = \frac{Μ Τ Τ F}{Μ Τ B F + Μ Τ Τ R} (6)$

式中,用平均故障间隔时间(Mean Time Between Failure,MTBF)来表征系统处于正常工作状态的数量特征,用平均修复时间(Mean Time To Restoration,MTTR)来表征系统处于故障状态的数量特征。

3.4 系统可信赖度矩阵D

可信度矩阵D是由各种状态变化为其他状态的概率组成,若系统开始执行任务时有中可能状态,则在执行过程中就会呈现出n×n种可能的转化状态,即

$D = [\begin{matrix} d_{11} & d_{12} & \dots & d_{1 n} \\ d_{21} & d_{22} & \dots & d_{1 n} \\ ⋮ & ⋮ & ⋮ \\ d_{n 1} & d_{n 2} & \dots & d_{n 3} \end{matrix}] (7)$

电子对抗系统设备在执行任务中可按“正常工作”和“发生故障”划分为两种状态,系统的可信度矩阵变为

$D = [\begin{matrix} d_{11} & d_{12} \\ d_{21} & d_{22} \end{matrix}] (8)$

式中,d11为开始执行任务时,设备处于工作状态,在任务完成后,设备能工作的概率;d12为开始执行任务时,设备处于工作状态,在完成任务后,设备处于故障状态的概率;d21为开始执行任务时,设备处于故障状态,在任务完成时,设备能工作的概率;d22为开始执行任务时,设备处于故障状态,在任务完成时,设备处于故障状态的概率。假设电子对抗设备在执行任务过程中不能修复,而系统的故障服从指数定律,则有

$D = [\begin{matrix} \exp (- λ t) & 1 - \exp (- λ t) \\ 0 & 1 \end{matrix}] (9)$

其中,λ为系统故障率;t为任务时间。

3.5 系统设备固有能力C

电子对抗系统设备[4]在执行任务过程中只有正常和故障两种模式[5],因此能力矩阵

$C = [\begin{matrix} c_{1} \\ c_{2} \end{matrix}]$

。在故障状态下,可以认为电子对抗设备不能工作,其系统能力为0(即c2=0),那么能力矩阵

$C = [\begin{matrix} c_{1} \\ 0 \end{matrix}]$

。在正常工作状态下,给定作战任务后,电子对抗系统设备完成任务目标的能力是侦察能力、干扰能力及防御能力的函数,能力结构层次如图3所示,其关系式可表示为[6]

c1=α1β1+α2β2+α3β3 (10)

式中,β1表示电子对抗系统设备的侦察能力;α1表示电子电子对抗系统设备的侦察能力的权系数;β2表示设备干扰能力;α2表示设备干扰能力的权系数;β3表示设备防御能力;α3表示设备防御能力的权系数。

β1、β2、β3分别为3项能力评估相对于综合能力指标的权系数,可采用层次分析法确定,其方法及步骤如下[7]:

(1) 两两比较以构造判断矩阵对同一层次的n个元素关于上一层中某准则的重要性进行两两比较,其值可构造n×n的比较矩阵B=(aij)nn,其中aij是元素i与元素j相对该准则的1～9重要性比例标度,其值可由表1取得。

(2) 依据判断矩阵计算权重。由判断矩阵计算被比较元素对上一层某准则的相对权重有多种方法,文中采用根法,计算权重步骤如下:先计算判断矩阵B中每行元素的乘积Mi

$Μ_{i} = \prod_{j = 1}^{n} a_{i j}, i = 1, 2, \dots, n (11)$

再计算Mi的n次方根

$\bar{λ}_{i} ∶ \bar{λ}_{i} =^{n} \sqrt{Μ_{i}}, i = 1, 2, \dots, n (12)$

对归一化处理

$λ_{i} = \bar{λ}_{/} \sum_{j = 1}^{n} λ_{i}, i = 1, 2, \dots, n (13)$

列向量λ为λ=(λ1,λ2,…,λn)T,其元素即为该层次中各元素相对上层某准则权重。

(3)一致性检验。构造两两比较判断矩阵时,不可能做到一致性判断。为避免误差太大,需对判断矩阵进行一致性检验。先计算检验判断矩阵的一致性指标

CI=(λmax-n)/(n-1) (14)

式中,λmax为矩阵最大特征指标;n为矩阵阶数。再查找相应的平均随机一致性指标值,如表2所示。

计算一致性比例:CR=CI/RI,当CR≤0.1时,矩阵不一致性可接受,否则,需对判断矩阵进行调整重新计算,直到满意的一致性为止,即可得到β1、β2和β3的值。一般情况下,α1、α2和α3三项系数可通过专家咨询、构造判断矩阵,求解矩阵最大特征根的方法求得,也可采用确定权重的最小二乘法等方法求得。

在K、Q和A、D、C分别确定后,通过公式E=K×(1-Q)×A×D×D,便可得到系统效能。可以看出式中的K、Q、A、D、C都是概率指标,因此最后计算出来的系统效能也是一个概率结果。

4 结束语

用改进的ADC模型对电子对抗系统作战进行了效能分析,该模型将人员因素和战场环境影响系数作为单独因素考虑,给出了电子对抗系统作战效能定量评估手段,为电子对抗系统设备的设计和发展起到了辅助决策作用,具有较强的使用性。

摘要：基于改进的ADC方法,通过分析对抗条件下战场环境的对抗效能,在借鉴有关作战效能指标体系设计方法基础上,结合作战运用效能分析方法和层次分析法,分析了影响电子对抗系统作战效能的5个主要因素,建立了电子对抗系统的作战效能模型,为电子对抗系统设备设计起到了辅助决策作用,具有较强的使用性。

关键词：改进ADC,电子对抗,作战效能

参考文献

[1]李昆,陈丽花,李学军.电子对抗系统作战效能评估研究[C].军事电子信息学术会议论文集,2006:1227-1230.

[2]赵德才,汪路平,李骥,等.基于ADC模型对通信系统效能的评估方法[J].舰船电子工程,2009,29(6):96-98.

[3]刘刚,叶广庆,汪民乐.攻防对抗环境下无人侦察机作战效能评估[J].战术导弹技术,2005(1):34-36.

[4]刘琳,陈云翔.综合电子战系统作战效能评估[J].火力与指挥控制,2008,33(3):97-98,102.

[5]魏继才,黄谦,胡晓峰.层次分析法在武器系统效能建模中的应用[J].火力与指挥控制,2007,27(3):23-28.

[6]屈也频,廖英.海军飞机反舰作战能力评估方法研究[J].上海航天,2004(5):30-36,60.

篇7：基于改进BP网络的武器效能评估专家系统

针对BP算法容易陷入局部极值和粒子群算法易失去多样性的问题，为了克服两种算法的缺点同时能够利用这两种算法的优点，本文提出一种新的算法，在算法前期利用粒子群算法能够较快的找到局部最佳的优点，如果此时粒子群失去多样性的情况下，再继续用BP算法继续训练网络，在局部极值的情况下继续训练网络，从而找到局部更优点，如果在BP算法陷入极值时，转到粒子群算法进行训练神经网络，进而克服BP算法的缺点，同时，本文将新的算法用户网络入侵检测中进行验证，发现本文提出的算法在精度和速度方面都要优于BP算法和粒子群算法。随着移动终端电子设备的使用普及，计算机网络已经渗透到我们生活的每个角落并正在改变我们的生活方式，但是，网络安全问题日渐凸显，当前网络安全防护技术有访问控制，入侵检测等等，其中，网络入侵检测是当前研究的热点问题之一。然而，传统的入侵检测技术正逐渐显示其缺点和不足，基于BP神经网络的入侵检测系统引入使得与人工智能结合的更为紧密，更能识别和检测出各类入侵行为。但是BP算法本身具有训练时间长且不易收敛到局部最小的缺点，本文分析了当前的入侵检测系统及神经网络技术，并且考虑到BP算法的缺陷的基础上提出将粒子群优化算法（PSO）和BP算法相融合的新算法，称之为IPSO-BP算法。主要优点是克服两种算法在入侵检测训练过程中各自的缺点。

改进算法原理

PSO-BP算法用来优化的对象（粒子）主要是BP神经网络的权值和阈值，粒子群空间维度是BP神经网络的权值和阈值的个数之和，每个粒子对应神经网络的权值和阈值，在输入样本时，用粒子群中的粒子来计算出相应的输出，而衡量每个粒子的适应度的是网络的期望值和实际输出值之间的均方误差。公式如下：

（1）

J表示每个粒子的适应值；其中N为训练样本集的总数；Yij为第i个样本的第j个网络输出节点的理想输出值；yij是第i个样本的第j个实际输出值，c是网络输出元的个数。在本算法中还要引入另一个重要指标-粒子群的聚集程度公式如下：

（2）

其中t表示粒子群迭代到第t代；s（t）表示当前粒子和每个粒子历史最好位置的聚集程度；n表示粒子总数；i表示第i个粒子；j表示第i个粒子的第j维；xij（t）表示第i个粒子的第j维坐标值；表示粒子群中所有粒子的第j维坐标的平均值。当粒子的聚集程度低于S（t）时，要进行对当前粒子的每维加上一个（-1，1）之间的随机值进行干扰，同时对每个粒子的最好位置也加上随机值进行变化，提高其多样性。对全局最优值用BP算法进行训练。具体的算法流程如下：（1）设定粒子群中粒子个数N，根据需要确定神经元的个数和相应的权值和阈值，以此确定粒子群中粒子的维数D，设定训练次数iter，设定粒子更新速度的最大值Vmax，学习因子c1，c2，设定适应值精度error。（2）随机初始化每个粒子的位置和速度。并且将每个粒子的pbest和全局最小值gbest设为无穷大。（3）把每个粒子值赋对应的赋给神经网络的权值和阈值。输入样本，计算出对应的实际输出值，按公式（5）计算每个粒子的适应值。（4）取适应值最小的与gbest比较，如果比gbest小，更新gbest，反之gbest不变。每个粒子当前适应值和自身历史最好pbest比较，如果比pbest小，更新pbest和相应的位置，反之pbest不变。如果gbest低于设定的error则，训练结束。如果训练次数大于iter，训练结束，反之进入步骤（5）。（5）根据公式（2）、计算出每个粒子每一维的变化速度，并且与Vmax和 -Vmax比较比Vmax大，值改之为Vmax比-Vmax小的改之为-Vmax，带入公式（3）更新每个粒子。（6）用公式（6）判断当前粒子的聚集程度，如果不低于預先设置的标准时，转到步骤（3）重复执行，反之进入下一步骤。（7）产生随机数对当前粒子进行干扰。对每个粒子的历史最好位置，用随机函数进行干扰，保存为历史最好位置和适应值。用BP算法对全局最优值的位置进行训练，得到的适应值与全局最优值比较，较好的话，更新全局最优值和相应位置。转入步骤（3）重复执行。

实验

本实验数据主要源于麻省理工学院林肯实验室提供的1999年从模拟网络中手机的网络攻评估数据。设计网络中为一个输入单元，8个隐含单元和1个输出单元的三层神经网络。C1=C2=1.5，Vmax=1.5，Wmax=0.95，Wmin=0.25，均方误差设置为error=1e-4；粒子群的大小设置为N=70。通过比较带动量项的BP算法，标准的PSO算法，IPSO-BP算法。在粒子群聚集到一定程度，用rand（）对当前粒子群干扰的算法和对粒子群粒子历史最优位置干扰的方法和IPSO-PB算法比较结果。均方误差值如下：

图1：三种算法误差比较曲线

从图1可以看出，在均方误差值方面，IPSO-BP算法优于后两种算法。本文提出的干扰当前粒子群，干扰每个粒子历史最好位置和集合两种方法并且对粒子群最好位置采用BP算法等三种方法在均方误差方面用实验验证。可以看出，对于本实验数据，在粒子群迭代到1500次左右时，干扰当前和干扰粒子历史最好位置两种方法在均方误差方面已经不是很明显了，在IPSO-BP算法中，到1500次左右的时候却下降的很快。

（作者单位：中国人民银行淮安市中心支行）

作者简介

篇8：基于改进BP网络的武器效能评估专家系统

煤与瓦斯突出 (简称突出) 是煤矿开采中最为严重的自然灾害之一, 不仅影响矿井安全生产, 还对作业人员的人身安全构成威胁, 严重制约矿山生产与经济效益的提高[1]。近年来, 随着煤矿采掘深度和强度的增加, 矿井中瓦斯压力和地应力不断增大, 突出事故呈现增多的态势[2]。对突出预测进行研究显得尤为重要。

国内外有关学者对突出提出了很多预测方法[2,3,4,5], 大致归结为3种:① 基于经验知识的预测。该方法取决于专家的经验知识, 有较大的主观性, 准确度很低。② 基于数学模型的预测。突出是个复杂的动力学过程, 与其影响因素之间存在复杂的非线性关系。数学模型难以准确反映该非线性关系, 导致预测结果不太理想。③ 基于黑箱理论的预测。该方法强调在一定的输入条件下获得正确的预测结果, 不需要了解输入和输出之间的转换关系, 人的主观性对预测结果的影响也较小, 应用较广泛。

基于黑箱理论的BP (Back Propagation, 反向传播) 神经网络具有良好的非线性逼近能力, 能真实反映输入变量和输出变量间的非线性关系。然而, 传统的BP神经网络具有收敛速度慢、易陷入局部极小等缺陷, 用于预测突出时耗时长且准确性较差。为解决该问题, 笔者对传统BP神经网络进行了改进, 并采用Visual Studio 2008 和Matlab设计了一种基于改进BP神经网络模型的突出预测系统, 实现了突出预测工作的可视化和操作简单化, 并提高了突出预测的速度和准确性。

1 基于Matlab的改进BP神经网络模型

1.1 基本原理

传统的BP算法是一种简单的梯度最速下降法, 即

式中:Wij为神经元节点i与节点j之间的连接权重;t为网络迭代步数;η为学习步长, 0.01~0.1;E为权重空间{W (t) }的误差超平面;α为冲量系数, 约为0.9。

BP神经网络的信号是前向传播的, 误差是反向传播的。其学习过程也由前向传播和反向传播组成, 误差函数的求取是一个由输出层经隐含层向输入层反向传播的递归过程。神经元权重值通过反复学习训练样本来修正, 采用最速下降法使权重值沿着误差函数的负梯度方向变化, 最终稳定于最小值。

本文采用Matlab神经网络工具箱中的VLBP (Variable Learning Rate BP, 可变学习速率BP) 算法和基于数值优化技术的LMBP (Levenberg Marquardt BP) 算法对传统BP神经网络进行改进, 加快了算法的收敛速度, 有利于提高突出预测工作的速度和准确度。

VLBP算法通过改变学习速率μ来提高收敛速度。速率改变规则:训练集中, 当权重值更新, 平方误差增加且超过一定值 (本文取3%) 时, 取消该权重值, μ乘以一个因子ρ (0<ρ<1) ;平方误差增加并小于3%时, 接受该权重值, μ不变;平方误差减小时, 接受该权重值, μ乘以一个因子σ (σ >1) 。

LMBP算法是牛顿法的变形, 用以最小化作为其他非线性函数平方和的函数。突出的性能指数为均方误差, 采用LMBP算法训练神经网络比较合适。

1.2 改进的BP神经网络模型

在BP神经网络模型中, 一般解决问题的性质决定了输入节点和输出节点的个数, 主要是隐含层数和节点的选取。Hecht-Nielsen证实只要选取足够的隐含层节点数, 只含1个隐含层的BP神经网络模型就可以逼近任意闭区间的非线性函数[6]。本文选用只有1个隐含层的3层BP神经网络。

影响突出的因素可归结为煤层瓦斯含量、瓦斯压力、瓦斯放散初速度、煤的普氏系数、软分层煤体厚度、煤体破坏类型、开采深度。将这7项指标作为输入层的7个神经元节点。将突出预测的结果分为严重突出、一般突出和无突出三类。输出层由out1、out2这2个神经元节点组成, 设置的3类期望输出值为[0.9, 0.9] (严重突出) 、[0.9, 0.1]或[0.1, 0.9] (一般突出) 、[0.1, 0.1] (无突出) 。根据Kolmogorov定理, 如果神经网络的输入层有n个神经元, 则隐含层约有 (2n+1) 个神经元[7], 由此选定隐含层神经元为15个。

改进的BP神经网络模型结构如图1所示。激励函数采用Sigmoid函数。X1为煤层瓦斯含量, X2为瓦斯放散初速度, X3为瓦斯压力, X4为软分层煤体厚度, X5为煤的普氏系数, X6为开采深度, X7为煤体破坏类型。

2 系统开发平台及步骤

基于改进BP神经网络的突出预测系统的开发平台为Visual Studio 2008, 数据库系统采用SQL Server 2005, 开发语言为C#。采用ActiveX技术和M文件实现C#与Matlab软件的无缝集成, 实现突出预测结果的可视化。

系统开发步骤:

(1) 系统需求分析和总体设计, 以此为基础完成系统的功能模块设计及数据库设计。

(2) 构建基于改进BP神经网络的突出预测模型。

(3) 收集用于突出预测的基本信息、各类属性信息、矿井采掘工作面信息等, 并对这些资料进行归类整理。

(4) 在SQL Server 2005数据库的支撑下, 实现各类基础数据的导入, 建立系统的数据库管理结构。

(5) 在Visual Studio 2008开发平台下, 应用相关组件对象和标准控件, 编写系统各功能模块的C#代码程序, 并利用Matlab工具箱对突出预测模型进行编码实现。

3 系统功能模块设计

基于改进BP神经网络的突出预测系统包括用户管理、基础数据管理、预测服务、突出预测、突出管理、系统管理6个功能模块, 如图2所示。

系统的核心部分是基于改进BP神经网络的突出预测模块, 其界面如图3所示。用户选择预测指标、神经元个数以及网络训练函数, 通过训练得到预测结果并与期望输出进行对比, 同时得到网络训练过程曲线。