CN112116225A - 装备系统的作战效能评估方法、装置和存储介质 - Google Patents
装备系统的作战效能评估方法、装置和存储介质 Download PDFInfo
- Publication number
- CN112116225A CN112116225A CN202010927029.XA CN202010927029A CN112116225A CN 112116225 A CN112116225 A CN 112116225A CN 202010927029 A CN202010927029 A CN 202010927029A CN 112116225 A CN112116225 A CN 112116225A
- Authority
- CN
- China
- Prior art keywords
- equipment system
- index
- effectiveness
- combat
- equipment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 70
- 238000013210 evaluation model Methods 0.000 claims abstract description 82
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims description 30
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 5
- 238000002759 z-score normalization Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 abstract description 14
- 238000001514 detection method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007636 ensemble learning method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及装备试验鉴定技术领域,提供一种装备系统的作战效能评估方法、装置和存储介质,包括:将装备系统的作战效能等级作为标签,根据影响装备系统作战效能的指标体系构建初始效能评估模型;根据所述指标体系获取影响装备系统作战效能的指标数据集,根据指标数据集训练初始效能评估模型得到作战效能评估模型;根据作战效能评估模型和装备系统的作战试验生成的数据,确定装备系统的作战效能等级。本发明利用机器学习方法,对复杂装备系统的效能等级进行有效分类,解决复杂的网状指标体系装备效能评估的问题,可在装备作战效能评估中推广应用。
Description
技术领域
本发明涉及装备试验鉴定技术领域,尤其涉及一种装备系统的作战效能评估方法、装置和存储介质。
背景技术
装备的作战效能评估,可等价于对装备的效能进行不同的效能等级划分。对于复杂的装备系统,传统的树形指标体系不能对装备体系进行完整表征,具有片面性,无法满足评估要求。
发明内容
基于此,本发明实施例提供一种装备系统的作战效能评估方法、装置和存储介质,以解决传统装备评估方法不能对复杂装备体系进行完整表征,无法满足评估要求的问题。
根据本发明实施例的第一方面,提供一种装备系统的作战效能评估方法,包括:
将装备系统的作战效能等级作为标签,根据影响装备系统作战效能的指标体系构建初始效能评估模型;
根据所述指标体系获取影响装备系统作战效能的指标数据集,根据所述指标数据集训练所述初始效能评估模型,得到作战效能评估模型;
根据所述作战效能评估模型和所述装备系统的作战试验生成的数据,确定所述装备系统的作战效能等级。
可选的,所述将装备系统的作战效能等级作为标签,根据影响装备系统作战效能的指标体系构建初始效能评估模型,包括:
将装备系统的作战效能等级作为标签,根据影响装备系统作战效能的指标体系,采用Bagging分类方法构建初始效能评估模型。
可选的,所述影响装备系统作战效能的指标数据集包括:装备系统的历史数据、装备系统的试验数据和仿真推演系统生成的数据中的至少一种。
可选的,所述指标数据集包括:定量指标数据集和定性指标数据集;
所述根据所述指标数据集训练所述初始效能评估模型,得到作战效能评估模型,包括:
对所述定量指标数据集进行标准化,以及,对所述定性指标数据集进行编码量化;
根据标准化后的所述定量指标数据集和量化后所述定性指标数据集,训练所述初始效能评估模型,得到作战效能评估模型。
可选的,所述对所述定量指标数据集进行标准化,包括:
采用最大标准化算法、最小标准化算法和z-score标准化算法中的任一种算法,对所述定量指标数据集进行标准化。
可选的,在所述将装备效能等级作为标签,根据影响装备系统作战效能的指标体系构建初始效能评估模型之前,还包括:
确定影响装备系统作战效能的指标;
根据各指标的相互关系将各指标按照最高层、中间层和最低层的形式进行排列,得到反映各指标关联隶属关系的网状效能指标体系。
根据本发明实施例的第二方面,提供一种装备系统的作战效能评估装置,包括:
模型建立模块,用于将装备系统的作战效能等级作为标签,根据影响装备系统作战效能的指标体系构建初始效能评估模型;
模型训练模块,用于根据所述指标体系获取影响装备系统作战效能的指标数据集,根据所述指标数据集训练所述初始效能评估模型,得到作战效能评估模型;
作战效能评估模块,用于根据所述作战效能评估模型和所述装备系统的作战试验生成的数据,确定所述装备系统的作战效能等级。
可选的,所述模型建立模块具体用于:
将装备系统的作战效能等级作为标签,根据影响装备系统作战效能的指标体系,采用Bagging分类方法构建初始效能评估模型。
根据本发明实施例的第三方面,提供一种装备系统的作战效能评估装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述实施例的第一方面提供的任一项所述的装备系统的作战效能评估方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储计算机程序,所述计算机程序被处理器执行时实现如实施例的第一方面提供的任一项的所述装备系统的作战效能评估方法的步骤。
本发明实施例的装备系统的作战效能评估方法、装置和存储介质与现有技术相比存在的有益效果是:
先将装备系统的作战效能等级作为标签,根据影响装备系统作战效能的指标体系构建初始效能评估模型;根据所述指标体系获取影响装备系统作战效能的指标数据集,根据指标数据集训练初始效能评估模型得到作战效能评估模型;最后根据作战效能评估模型和装备系统的作战试验生成的数据,确定装备系统的作战效能等级,实现了利用机器学习方法,对复杂装备系统的效能等级进行有效分类,解决复杂的网状指标体系装备效能评估的问题,可在装备作战效能评估中推广应用。
附图说明
图1是本发明实施例提供的一种装备系统的作战效能评估方法的实现流程示意图;
图2是图1中步骤S102的具体实现流程示意图;
图3是本发明实施例提供的网状效能指标体系的示意图;
图4是本发明实施例提供的树状效能指标体系的示意图;
图5是本发明实施例提供的一种装备系统的作战效能评估装置的结构示意图;
图6是本发明实施例提供的一种装备系统的作战效能评估装置的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
本发明属于试验鉴定技术领域,更适用于对复杂的装备系统的作战效能评估。对于复杂的装备系统,传统的树形指标体系不能对该装备体系进行完整表征,需建立更为复杂的网络指标体系结构。传统的层次分析法等评估方法不再适用,因此,本实施例运用机器学习方法对复杂的装备系统的指标体系进行作战效能评估。
参见图1,为本实施例提供的装备系统的作战效能评估方法的一个实施例实现流程示意图,详述如下:
步骤S101,将装备系统的作战效能等级作为标签,根据影响装备系统作战效能的指标体系构建初始效能评估模型。
本实施例将对复杂的装备系统的作战效能评估转化为对装备效能等级的分类。可选的,本实施例可以根据评估需求或装备系统的指标数量,将装备的作战效能分为5等级、7等级或者9等级,如表1所示。作战效能等级的个数决定了需要进行机器学习分类的类别数,因此本实施例将装备系统的作战效能等级作为标签,根据影响装备系统作战效能的指标体系构建初始效能评估模型。
表1装备系统的作战效能等级表
1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | |
5等级 | 极差 | 差 | 一般 | 好 | 极好 | ||||
7等级 | 极差 | 很差 | 差 | 一般 | 好 | 很好 | 极好 | ||
9等级 | 极差 | 很差 | 差 | 较差 | 一般 | 较好 | 好 | 很好 | 极好 |
可选的,本实施例将装备系统的作战效能等级作为标签,根据影响装备系统作战效能的指标体系,采用Bagging分类方法构建初始效能评估模型。
机器学习中常用的分类方法有支持向量机算法(支持向量分类器)、贝叶斯方法、决策树方法和集成学习方法等。在利用机器学习对复杂的装备系统进行效能评估时,本实施例发现Bagging分类方法具有较好的分类效果。
Bagging(Bootstrap aggregating,引导聚集算法),又称装袋算法,是机器学习领域的一种团体学习算法。Bagging算法可与其他分类、回归算法结合,提高其准确率、稳定性的同时,通过降低基分类器的方差,改善了泛化误差,避免了过拟合的发生,分类稳定性高,因此本实施例将装备系统的作战效能等级作为标签,根据影响装备系统作战效能的指标体系,采用Bagging分类方法构建初始效能评估模型。
在一个实施例中,步骤S101所述的将装备系统的作战效能等级作为标签,根据影响装备系统作战效能的指标体系构建初始效能评估模型之前,所述方法还包括:
确定影响装备系统作战效能的指标。
根据各指标的相互关系将各指标按照最高层、中间层和最低层的形式进行排列,得到反映各指标关联隶属关系的网状效能指标体系。
然后,将装备系统的作战效能等级作为标签,根据所述网状效能指标体系根据影响装备系统作战效能的指标体系构建初始效能评估模型。
参见图4,传统的效能评估用的大都是树状指标体系,比如一个雷达的树状指标体系中,作战效能可以是探测能力、机动能力等一些二级指标,探测能力又可分为探测范围、探测精度等一些三级指标,机动能力又可以分为速度、行动能力等一些三级指标,可知,探测能力对应的三级指标和机动能力对应的三级指标是相互独立的。但随着装备系统越来越复杂,这种指标体系是不科学的,三级指标和二级指标之间相互关系错综复杂,因此需要构建网状指标体系。
在进行装备的作战效能评估时,需确定影响作战效能的指标,并根据各指标的相互关系,将各指标数据进行分组、分层,比如一个雷达的作战效能指标可以是探测能力、机动能力和通信能力等一些二级指标,探测能力又可分为探测范围、探测精度等一些三级指标,而探测能力内的各指标又是二级、三级甚至是四级的指标。示例性的,各指标按照最高层、中间层和最低层的形式进行排列,建立反映各指标关联隶属关系的网状效能指标体系,如图3所示,另外,图4中的传统的树状指标体系是网状指标体系的简化,对于这种指标体系,本实施例的作战效能评估模型同样适用,即本实施例的效能评估模型在保证进行复杂分类的同时,提高了适用性。
步骤S102,根据所述指标体系获取影响装备系统作战效能的指标数据集,根据所述指标数据集训练所述初始效能评估模型,得到作战效能评估模型。
可选的,所述影响装备系统作战效能的指标数据集包括:装备系统的历史数据、装备系统的试验数据和仿真推演系统生成的数据中的至少一种。
本实施例可以将装备系统的试验数据、历史数据和仿真数据中的一种作为指标数据集,或其中两种数据作为指标数据集,或者全部作为指标数据集。可选的,为了减小模型训练的过拟合问题,使训练样本和测试样本中各类目标更加均衡,本实施例选取所述指标数据集中的第一预设百分比的数据作为训练样本,选取所述指标数据集中的第二预设百分比的数据作为测试样本,其中,第一预设百分比大于第二预设百分比。示例性的,本实施例可以随机选取70%的指标数据集作为训练样本,30%的指标数据集作为测试样本,本实施例对第一预设百分比和第二预设百分比不进行具体限定。
在一个实施例中,所述指标数据集可以包括:定量指标数据集和定性指标数据集。
进一步地,参见图2,步骤S102中所述的根据所述指标数据集训练所述初始效能评估模型,得到作战效能评估模型的具体实现流程包括:
步骤S201,对所述定量指标数据集进行标准化,以及,对所述定性指标数据集进行编码量化。
可选的,采用最大标准化算法、最小标准化算法和z-score标准化算法中的任一种算法,对所述定量指标数据集进行标准化。
影响装备系统作战效能的指标在指标体系中已经确定,本实施例对指标数据集进行标准化便于作战效能评估模型的训练,提高作战效能评估模型分类的速度和精度。
步骤S202,根据标准化后的所述定量指标数据集和量化后所述定性指标数据集,训练所述初始效能评估模型,得到作战效能评估模型。
为了提高作战效能评估模型的收敛速度和分类预测精度,本实施例对定量的指标进行标准化,通常可以采用最大标准化、最小标准化或z-score标准化(定量指标减去样本均值后除以样本方差)方法,对于定性指标,需将数据转换成机器学习模型需要的数字类型的数据,因此需要对定性指标进行编码量化,示例性的,指标数据集中可以包括机动能力指标,机动能力指标可分为机动速度、可机动的公路等级等指标,机动速度可以是定量指标,可机动的公路等级是一种定性指标,定性指标就是一些不可量化指标,只能定性描述好坏或者优良中差的指标,因此需要定性指标转换成机器学习模型需要的数字类型的数据,便于作战效能评估模型的训练。
同时,为了减小模型训练的过拟合问题,使训练样本和测试样本中各类目标更加均衡,本实施例从指标数据集中随机选择70%的样本作为训练样本,剩下的30%作为测试样本,数据拆分的目的是训练样本训练作战效能评估模型,测试样本检测作战效能评估模型的准确率,进而方便调整参数,例如,可以调整网络的batch大小、优化器、网络的架构等等。由于网络参数会影响作战效能评估模型的预报精度,因此需要根据测试样本输入到模型得到的预报精度调整网络的参数。
步骤S103,根据所述作战效能评估模型和所述装备系统的作战试验生成的数据,确定所述装备系统的作战效能等级。
本实施例提供了一种基于机器学习的复杂装备系统的作战效能评估方法,利用机器学习方法,对复杂装备系统的作战效能等级进行分类,解决复杂的网状指标体系装备效能评估问题,可在装备作战效能评估中推广应用。复杂装备系统的作战效能评估,可等价于对装备的作战效能进行不同的作战效能等级划分,即将影响装备效能的指标作为训练样本,对应的装备效能等级作为标签,利用机器学习方法训练分类模型(作战效能评估模型),对作战试验生成的数据,利用训练的作战效能评估模型进行预测,进而确定装备的效能等级,例如将装备的作战效能分为5等级,若将实验数据输入至作战效能评估模型,输出结果为3时,参见表1,可知当前装备的作战效能为差,若作战效能评估模型输出结果为7时,可知当前装备的作战效能为好。
上述装备系统的作战效能评估方法中,能解决传统层次分析法需要主观打分确定权重的问题,且对于非线性的指标体系网络结构或者复杂的网状指标体系结构,可利用机器学习方法训练分类模型对复杂装备系统进行效能评估,分类准确且稳定,为装备效能评估提供一种新的评估思路,可在装备作战效能评估中推广应用。
本领域技术人员可以理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
对应于上文实施例所述的装备系统的作战效能评估方法,本实施例提供了一种装备系统的作战效能评估装置。具体参见图5,为本实施例中装备系统的作战效能评估装置的结构示意图。为了便于说明,仅示出了与本实施例相关的部分。
所述装备系统的作战效能评估装置主要包括:模型建立模块110、模型训练模块120和作战效能评估模块130。
模型建立模块110用于将装备系统的作战效能等级作为标签,根据影响装备系统作战效能的指标体系构建初始效能评估模型。
模型训练模块120用于根据所述指标体系获取影响装备系统作战效能的指标数据集,根据所述指标数据集训练所述初始效能评估模型,得到作战效能评估模型。
作战效能评估模块130用于根据所述作战效能评估模型和所述装备系统的作战试验生成的数据,确定所述装备系统的作战效能等级。
可选的,模型建立模块110具体用于:将装备系统的作战效能等级作为标签,根据影响装备系统作战效能的指标体系,采用Bagging分类方法构建初始效能评估模型。
可选的,所述影响装备系统作战效能的指标数据集包括:装备系统的历史数据、装备系统的试验数据和仿真推演系统生成的数据中的至少一种。
可选的,所述指标数据集包括:定量指标数据集和定性指标数据集。
模型训练模块120具体用于:对所述定量指标数据集进行标准化,以及,对所述定性指标数据集进行编码量化;根据标准化后的所述定量指标数据集和量化后所述定性指标数据集,训练所述初始效能评估模型,得到作战效能评估模型。
可选的,模型训练模块120具体用于:采用最大标准化算法、最小标准化算法和z-score标准化算法中的任一种算法,对所述定量指标数据集进行标准化。
可选的,模型建立模块110还用于:确定影响装备系统作战效能的指标;根据各指标的相互关系将各指标按照最高层、中间层和最低层的形式进行排列,得到反映各指标关联隶属关系的网状效能指标体系。
上述装备系统的作战效能评估装置,先将装备系统的作战效能等级作为标签,根据影响装备系统作战效能的指标体系构建初始效能评估模型;根据所述指标体系获取影响装备系统作战效能的指标数据集,根据指标数据集训练初始效能评估模型得到作战效能评估模型;最后根据作战效能评估模型和装备系统的作战试验生成的数据,确定装备系统的作战效能等级,实现了利用机器学习方法,对复杂装备系统的效能等级进行有效分类,解决复杂的网状指标体系装备效能评估的问题,可在装备作战效能评估中推广应用。
本实施例还提供了一种装备系统的作战效能评估装置100的示意图。如图6所示,该实施例的装备系统的作战效能评估装置100包括:处理器140、存储器150以及存储在所述存储器150中并可在所述处理器140上运行的计算机程序151,例如装备系统的作战效能评估方法的程序。
其中,处理器140在执行存储器150上所述计算机程序151时实现上述装备系统的作战效能评估方法实施例中的步骤,例如图1所示的步骤101至103。或者,所述处理器140执行所述计算机程序151时实现上述各装置实施例中各模块/单元的功能,例如图5所示模块110至130的功能。
示例性的,所述计算机程序151可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器150中,并由所述处理器140执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序151在所述装备系统的作战效能评估装置100中的执行过程。例如,所述计算机程序151可以被分割成模型建立模块110、模型训练模块120和作战效能评估模块130,各模块具体功能如下:
模型建立模块110用于将装备系统的作战效能等级作为标签,根据影响装备系统作战效能的指标体系构建初始效能评估模型。
模型训练模块120用于根据所述指标体系获取影响装备系统作战效能的指标数据集,根据所述指标数据集训练所述初始效能评估模型,得到作战效能评估模型。
作战效能评估模块130用于根据所述作战效能评估模型和所述装备系统的作战试验生成的数据,确定所述装备系统的作战效能等级。
所述装备系统的作战效能评估装置100可包括,但不仅限于处理器140、存储器150。本领域技术人员可以理解,图6仅仅是装备系统的作战效能评估装置100的示例,并不构成对装备系统的作战效能评估装置100的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述装备系统的作战效能评估装置100还可以包括输入输出设备、网络接入设备、总线等。
所述处理器140可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器150可以是所述装备系统的作战效能评估装置100的内部存储单元,例如装备系统的作战效能评估装置100的硬盘或内存。所述存储器150也可以是所述装备系统的作战效能评估装置100的外部存储设备,例如所述装备系统的作战效能评估装置100上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器150还可以既包括所述装备系统的作战效能评估装置100的内部存储单元也包括外部存储设备。所述存储器150用于存储所述计算机程序以及所述装备系统的作战效能评估装置100所需的其他程序和数据。所述存储器150还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模型的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种装备系统的作战效能评估方法,其特征在于,包括:
将装备系统的作战效能等级作为标签,根据影响装备系统作战效能的指标体系构建初始效能评估模型;
根据所述指标体系获取影响装备系统作战效能的指标数据集,根据所述指标数据集训练所述初始效能评估模型,得到作战效能评估模型;
根据所述作战效能评估模型和所述装备系统的作战试验生成的数据,确定所述装备系统的作战效能等级。
2.如权利要求1所述的装备系统的作战效能评估方法,其特征在于,所述将装备系统的作战效能等级作为标签,根据影响装备系统作战效能的指标体系构建初始效能评估模型,包括:
将装备系统的作战效能等级作为标签,根据影响装备系统作战效能的指标体系,采用Bagging分类方法构建初始效能评估模型。
3.如权利要求1所述的装备系统的作战效能评估方法,其特征在于,所述影响装备系统作战效能的指标数据集包括:装备系统的历史数据、装备系统的试验数据和仿真推演系统生成的数据中的至少一种。
4.如权利要求1所述的装备系统的作战效能评估方法,其特征在于,所述指标数据集包括:定量指标数据集和定性指标数据集;
所述根据所述指标数据集训练所述初始效能评估模型,得到作战效能评估模型,包括:
对所述定量指标数据集进行标准化,以及,对所述定性指标数据集进行编码量化;
根据标准化后的所述定量指标数据集和量化后所述定性指标数据集,训练所述初始效能评估模型,得到作战效能评估模型。
5.如权利要求4所述的装备系统的作战效能评估方法,其特征在于,所述对所述定量指标数据集进行标准化,包括:
采用最大标准化算法、最小标准化算法和z-score标准化算法中的任一种算法,对所述定量指标数据集进行标准化。
6.如权利要求1至5任一项所述的装备系统的作战效能评估方法,其特征在于,在所述将装备效能等级作为标签,根据影响装备系统作战效能的指标体系构建初始效能评估模型之前,还包括:
确定影响装备系统作战效能的指标;
根据各指标的相互关系将各指标按照最高层、中间层和最低层的形式进行排列,得到反映各指标关联隶属关系的网状效能指标体系。
7.一种装备系统的作战效能评估装置,其特征在于,包括:
模型建立模块,用于将装备系统的作战效能等级作为标签,根据影响装备系统作战效能的指标体系构建初始效能评估模型;
模型训练模块,用于根据所述指标体系获取影响装备系统作战效能的指标数据集,根据所述指标数据集训练所述初始效能评估模型,得到作战效能评估模型;
作战效能评估模块,用于根据所述作战效能评估模型和所述装备系统的作战试验生成的数据,确定所述装备系统的作战效能等级。
8.如权利要求7所述的装备系统的作战效能评估装置,其特征在于,所述模型建立模块具体用于:
将装备系统的作战效能等级作为标签,根据影响装备系统作战效能的指标体系,采用Bagging分类方法构建初始效能评估模型。
9.一种装备系统的作战效能评估装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的装备系统的作战效能评估方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的装备系统的作战效能评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010927029.XA CN112116225A (zh) | 2020-09-07 | 2020-09-07 | 装备系统的作战效能评估方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010927029.XA CN112116225A (zh) | 2020-09-07 | 2020-09-07 | 装备系统的作战效能评估方法、装置和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112116225A true CN112116225A (zh) | 2020-12-22 |
Family
ID=73802245
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010927029.XA Pending CN112116225A (zh) | 2020-09-07 | 2020-09-07 | 装备系统的作战效能评估方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112116225A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113127318A (zh) * | 2021-04-01 | 2021-07-16 | 中科恒运股份有限公司 | 一种通信导航设备效能评估系统 |
CN113313354A (zh) * | 2021-04-27 | 2021-08-27 | 中国人民解放军63966部队 | 一种针对作战试验评估方法的筛选规则方法和装置 |
CN113435780A (zh) * | 2021-07-14 | 2021-09-24 | 北京信息科技大学 | 一种基于神经网络的应急通信感知装备体系效能评估方法 |
CN116362607A (zh) * | 2023-03-30 | 2023-06-30 | 中国人民解放军军事科学院系统工程研究院 | 一种物资储备效能评估方法及装置 |
CN117332923A (zh) * | 2023-10-09 | 2024-01-02 | 北京京航计算通讯研究所 | 一种网状指标体系的赋权方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108681747A (zh) * | 2018-05-11 | 2018-10-19 | 武汉理工大学 | 基于深度学习的旋转机械故障诊断与状态监测系统及方法 |
CN111080108A (zh) * | 2019-12-06 | 2020-04-28 | 上海机电工程研究所 | 数据驱动的武器装备作战效能评估指标筛选方法及系统 |
CN111080437A (zh) * | 2019-05-31 | 2020-04-28 | 北京东方融信达软件技术有限公司 | 金融主客体动态信用评估方法及装置 |
CN111178675A (zh) * | 2019-12-05 | 2020-05-19 | 佰聆数据股份有限公司 | 基于LR-Bagging算法的电费回收风险预测方法、系统、存储介质及计算机设备 |
-
2020
- 2020-09-07 CN CN202010927029.XA patent/CN112116225A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108681747A (zh) * | 2018-05-11 | 2018-10-19 | 武汉理工大学 | 基于深度学习的旋转机械故障诊断与状态监测系统及方法 |
CN111080437A (zh) * | 2019-05-31 | 2020-04-28 | 北京东方融信达软件技术有限公司 | 金融主客体动态信用评估方法及装置 |
CN111178675A (zh) * | 2019-12-05 | 2020-05-19 | 佰聆数据股份有限公司 | 基于LR-Bagging算法的电费回收风险预测方法、系统、存储介质及计算机设备 |
CN111080108A (zh) * | 2019-12-06 | 2020-04-28 | 上海机电工程研究所 | 数据驱动的武器装备作战效能评估指标筛选方法及系统 |
Non-Patent Citations (2)
Title |
---|
臧华磊等: "基于BP的地空导弹人-机-环系统作战效能评估", 《武器装备自动化》, vol. 26, no. 10, pages 19 - 21 * |
郭圣明等: "基于强制稀疏自编码神经网络的作战态势评估方法研究", 《系统仿真学报》, vol. 30, no. 3, pages 772 - 783 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113127318A (zh) * | 2021-04-01 | 2021-07-16 | 中科恒运股份有限公司 | 一种通信导航设备效能评估系统 |
CN113313354A (zh) * | 2021-04-27 | 2021-08-27 | 中国人民解放军63966部队 | 一种针对作战试验评估方法的筛选规则方法和装置 |
CN113313354B (zh) * | 2021-04-27 | 2024-03-12 | 中国人民解放军63966部队 | 一种针对作战试验评估方法的筛选规则方法和装置 |
CN113435780A (zh) * | 2021-07-14 | 2021-09-24 | 北京信息科技大学 | 一种基于神经网络的应急通信感知装备体系效能评估方法 |
CN116362607A (zh) * | 2023-03-30 | 2023-06-30 | 中国人民解放军军事科学院系统工程研究院 | 一种物资储备效能评估方法及装置 |
CN116362607B (zh) * | 2023-03-30 | 2023-11-03 | 中国人民解放军军事科学院系统工程研究院 | 一种物资储备效能评估方法及装置 |
CN117332923A (zh) * | 2023-10-09 | 2024-01-02 | 北京京航计算通讯研究所 | 一种网状指标体系的赋权方法及系统 |
CN117332923B (zh) * | 2023-10-09 | 2024-03-26 | 北京京航计算通讯研究所 | 一种网状指标体系的赋权方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112116225A (zh) | 装备系统的作战效能评估方法、装置和存储介质 | |
CN108959187B (zh) | 一种变量分箱方法、装置、终端设备及存储介质 | |
Liu et al. | Variable selection in clustering for marketing segmentation using genetic algorithms | |
CN111383101A (zh) | 贷后风险监控方法、装置、设备及计算机可读存储介质 | |
CN114418035A (zh) | 决策树模型生成方法、基于决策树模型的数据推荐方法 | |
CN110991474A (zh) | 一种机器学习建模平台 | |
CN110930218B (zh) | 一种识别欺诈客户的方法、装置及电子设备 | |
CN111191731A (zh) | 数据处理的方法、装置、存储介质及电子设备 | |
CN107368526A (zh) | 一种数据处理方法及装置 | |
CN114638498A (zh) | Esg评价方法、系统、电子设备及存储设备 | |
CN112434862B (zh) | 上市企业财务困境预测方法及装置 | |
CN114140009A (zh) | 电网配网工程技术评审方法、装置、终端及存储介质 | |
CN116861358A (zh) | 基于bp神经网络与多源数据融合的计算思维评测方法 | |
CN113392086B (zh) | 基于物联网的医疗数据库构建方法、装置及设备 | |
CN115641201A (zh) | 数据异常检测方法、系统、终端设备及存储介质 | |
CN113704236A (zh) | 政务系统数据质量评估方法、装置、终端及存储介质 | |
CN113742495B (zh) | 基于预测模型的评级特征权重确定方法及装置、电子设备 | |
CN111753992A (zh) | 筛选方法和筛选系统 | |
CN113435513B (zh) | 基于深度学习的保险客户分群方法、装置、设备和介质 | |
CN115618921B (zh) | 知识蒸馏方法、装置、电子设备和存储介质 | |
CN113159957B (zh) | 一种交易处理方法及装置 | |
US20230376569A1 (en) | Analysis of clustered data | |
CN113569482A (zh) | 隧道服役性能的评估方法、装置、终端及存储介质 | |
Wibowo et al. | Identifying Determinant Factors to Internet Access Using Decision Tree. | |
CN118013188A (zh) | 处理噪声数据的方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |