CN112308381A - 装备贡献度数据分析方法、系统、存储介质、计算机设备 - Google Patents

装备贡献度数据分析方法、系统、存储介质、计算机设备 Download PDF

Info

Publication number
CN112308381A
CN112308381A CN202011083495.0A CN202011083495A CN112308381A CN 112308381 A CN112308381 A CN 112308381A CN 202011083495 A CN202011083495 A CN 202011083495A CN 112308381 A CN112308381 A CN 112308381A
Authority
CN
China
Prior art keywords
model
equipment
fighting
contribution
contribution degree
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.)
Granted
Application number
CN202011083495.0A
Other languages
English (en)
Other versions
CN112308381B (zh
Inventor
刘立芳
侯佳琳
赵露露
齐小刚
臧敦晓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
CETC 20 Research Institute
Original Assignee
Xidian University
CETC 20 Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University, CETC 20 Research Institute filed Critical Xidian University
Priority to CN202011083495.0A priority Critical patent/CN112308381B/zh
Publication of CN112308381A publication Critical patent/CN112308381A/zh
Application granted granted Critical
Publication of CN112308381B publication Critical patent/CN112308381B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于数据处理技术领域，公开了一种装备贡献度数据分析方法、系统、存储介质、计算机设备，依据作战想定，确定参战的装备类型；构建作战能力指标体系；确定变量类型以及变量间的影响关系，构建装备贡献度评估的结构方程模型；采用仿真系统或其他科学的方式求解每组装备方案下的作战效能值作为观测变量值构成数据集；模型的参数估计；模型检验与修正；将SEM模型估计的参数值代入原模型方程中，转换后求解出解析模型；结合解析模型与效能指标值，计算求解每组装备方案的作战能力值；通过对作战能力值以及解析模型的对武器装备的贡献度进行分析。本发明分析流程能够良好得将定性与定量相结合，模型适配度良好，具有较强的说服力。

Description

装备贡献度数据分析方法、系统、存储介质、计算机设备
技术领域
本发明属于数据处理技术领域，尤其涉及一种装备贡献度数据分析方法、系统、存储介质、计算机设备。
背景技术
目前，随着各国军事力量的不断提升和武器装备的持续发展，作战方式由单一作战转变为联合作战，武器装备也由机械化演变为信息化。以联合作战为作战方式的体系作战地位日益凸显，在联合作战为主的新作战形势下，作战规模越来越大，作战态势更加复杂，高性能武器装备的作用也越来越重要。未来装备的发展将围绕体系作战展开，而装备的贡献度将成为是否优先发展该装备的重要依据。鉴于信息化装备种类繁多，如何合理有效评价武器装备在体系中的作用成为当前亟待解决的问题。在目前现有的一些评价方法中，基于树状指标体系的研究较多，而考虑同一层指标间关联影响的较少；针对某一项作战任务评估的较多，而给出普适性评估方法的较少。存在着装备体系贡献率内涵不明、评估标准不统计、计算公式有缺陷、指标不易量化、动态评估难等问题。而本专利基于的结构方程模型方法是一种在指标之间简历定量关系的方法，给出的结果是具体的贡献率值。结构方程能够处理评估过程中不易量化或观测的指标，结构方程模型建模分析过程是动态的，每次计算只需要在之前得到的模型上调整即可，实现动态评估，可以同时处理多个潜变量及其相互关系。
通过上述分析，现有技术存在的问题及缺陷为：目前信息化装备种类繁多，如何合理有效评价武器装备在体系中的作用成为当前亟待解决的问题。
解决以上问题及缺陷的难度为：对装备体系贡献率有明确的界定，现有的很多方法有的只针对体系作战能力这一个标准而言，不够全面；有的只考虑了单一的条件约束，缺乏对其他评估条件的分析。因此全面地分析并界定体系贡献率的概念、以及全面考虑评估约束条件也成为解决此问题的难点，另外统一评估标准、确立计算公式、选取容易量化且有意义的指标、并且实现动态评估都是解决此问题的难点所在。
解决以上问题及缺陷的意义为：能够对装备体系贡献率进行更加全面的、可参考性更高的计算与分析，而体系贡献率的计算与分析可以有效地指导武器编配方案的择优和在作战中的运用，能够更快地做出战略决策，精准完成作战任务，达到作战目标。
发明内容
针对现有技术存在的问题，本发明提供了一种装备贡献度数据分析方法、系统、存储介质、计算机设备。
本发明是这样实现的，一种装备贡献度数据分析方法，所述装备贡献度数据分析方法包括：
依据作战想定，确定参战的装备类型，某类型下多种不同武器装备作为该装备类型可投入作战的候选武器集，所有装备类型的候选武器集的笛卡尔积构成体系作战的装备方案空间；
以作战效能反映作战能力，构建作战能力指标体系；
基于作战能力指标体系，确定变量类型以及变量间的影响关系，构建装备贡献度评估的结构方程模型；模型构建完成后，对模型进行识别，识别的作用是判断模型参数是否可以估计；
武器装备方案空间构建完成后，采用仿真系统或其他科学的方式求解每组装备方案下的作战效能值作为观测变量值构成数据集，为装备贡献度SEM模型的求解提供数据支持；
在模型识别完成以及数据空间准备好后，进行模型的参数估计；
模型检验，包括参数检验和拟合优度检验；若模型的检验结果不理想，需要对模型进行适当修正，直至参数接受且修正后的模型符合贡献度分析的实际情况；
将SEM模型估计的参数值代入原模型方程中，转换后求解出解析模型；
结合解析模型与效能指标值，计算求解每组装备方案的作战能力值；采用相对贡献度的分析形式，通过对作战能力值以及解析模型的对武器装备的贡献度进行分析。
进一步，所述装备贡献度数据分析方法的作战想定的内容包括作战背景、参战力量、作战目标、作战结果，是对整个作战过程的描述；方案是不同类型参战装备所形成的组合，装备方案空间是多种方案所构成的方案集合；依据作战想定，确定参战的装备类型，某类型下多种不同武器装备作为该装备类型可投入作战的候选武器集，所有装备类型的候选武器集的笛卡尔积构成体系作战的装备方案空间。
进一步，所述装备贡献度数据分析方法的作战能力指标体系包括：武器装备指标体系和作战能力指标体系；武器装备指标体系获取仿真作战效能数据，为仿真系统的参数设置提供指导；作战能力指标体系用于搭建结构方程模型。
进一步，所述基于作战能力指标体系，确定变量类型以及变量间的影响关系，构建装备贡献度评估的结构方程模型；模型构建完成后，对模型进行识别，识别的作用是判断模型参数是否可以估计包括：
t规则是SEM识别中常用的规则，在SEM中，共有p+q个观测变量，产生(p+q)(p+q+1)/2个不同的协方差和方差，获得(p+q)(p+q+1)/2个不同的含未知参数的方程，只要未知参数个数满足下式，方程就是可识别的：
t＜(p+q)(p+q+1)/2；
其中，t是待估计的未知参数的个数；p是外生观测变量的个数；q是内生观测变量的个数。
进一步，所述在模型识别完成以及数据空间准备好后，进行模型的参数估计包括：参数估计值是使样本数据协方差矩阵S与预测协方差矩阵Σ(θ)差异最小的估计值，衡量差异的标准由估计方法决定，参数估计方法包括：
(1)最大似然估计ML，拟合函数为：
FML(S；Σ(θ))＝tr(SΣ-1(θ))+[log|Σ(θ)|-log|S|]-(p+q)；
其中，tr是一个表明矩阵中对角线元素之和的算法；log|Σ(θ)|是Σ(θ)的决定因子的对数；
(2)未加权最小二乘法ULS，拟合函数如下：
FULS(S；Σ(θ))＝tr([S-Σ(θ)]2)；
(3)一般最小二乘法GLS，根据S-1对S与Σ(θ)之间的差异做加权处理，在大样本数据下，GLS的拟合函数为：
FGLS(S；Σ(θ))＝tr([(S-Σ(θ))S-1]2)。
进一步，所述模型检验包括参数检验和拟合优度检验；参数检验是指通过对参数的显著性和合理性的分析来判断模型是否存在问题；拟合优度检验是通过拟合指数对模型进行检验；
模型修正，若模型的检验结果不理想，对模型进行适当修正，直至参数接受且修正后的模型符合贡献度分析的实际情况。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
依据作战想定，确定参战的装备类型，某类型下多种不同武器装备作为该装备类型可投入作战的候选武器集，所有装备类型的候选武器集的笛卡尔积构成体系作战的装备方案空间；
以作战效能反映作战能力，构建作战能力指标体系；
基于作战能力指标体系，确定变量类型以及变量间的影响关系，构建装备贡献度评估的结构方程模型；模型构建完成后，对模型进行识别，识别的作用是判断模型参数是否可以估计；
武器装备方案空间构建完成后，采用仿真系统或其他科学的方式求解每组装备方案下的作战效能值作为观测变量值构成数据集，为装备贡献度SEM模型的求解提供数据支持；
在模型识别完成以及数据空间准备好后，进行模型的参数估计；
模型检验，包括参数检验和拟合优度检验；若模型的检验结果不理想，需要对模型进行适当修正，直至参数接受且修正后的模型符合贡献度分析的实际情况；
将SEM模型估计的参数值代入原模型方程中，转换后求解出解析模型；
结合解析模型与效能指标值，计算求解每组装备方案的作战能力值；采用相对贡献度的分析形式，通过对作战能力值以及解析模型的对武器装备的贡献度进行分析。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
依据作战想定，确定参战的装备类型，某类型下多种不同武器装备作为该装备类型可投入作战的候选武器集，所有装备类型的候选武器集的笛卡尔积构成体系作战的装备方案空间；
以作战效能反映作战能力，构建作战能力指标体系；
基于作战能力指标体系，确定变量类型以及变量间的影响关系，构建装备贡献度评估的结构方程模型；模型构建完成后，对模型进行识别，识别的作用是判断模型参数是否可以估计；
武器装备方案空间构建完成后，采用仿真系统或其他科学的方式求解每组装备方案下的作战效能值作为观测变量值构成数据集，为装备贡献度SEM模型的求解提供数据支持；
在模型识别完成以及数据空间准备好后，进行模型的参数估计；
模型检验，包括参数检验和拟合优度检验；若模型的检验结果不理想，需要对模型进行适当修正，直至参数接受且修正后的模型符合贡献度分析的实际情况；
将SEM模型估计的参数值代入原模型方程中，转换后求解出解析模型；
结合解析模型与效能指标值，计算求解每组装备方案的作战能力值；采用相对贡献度的分析形式，通过对作战能力值以及解析模型的对武器装备的贡献度进行分析。
本发明的另一目的在于提供一种实施所述装备贡献度数据分析方法的装备贡献度数据分析系统，所述装备贡献度数据分析系统包括：
想定搭建与装备方案空间生成模块，用于依据作战想定，确定参战的装备类型，某类型下多种不同武器装备作为该装备类型可投入作战的候选武器集，所有装备类型的候选武器集的笛卡尔积构成体系作战的装备方案空间；
指标体系构建模块，用于以作战效能反映作战能力，构建作战能力指标体系；
SEM模型构建与识别模块，用于基于作战能力指标体系，确定变量类型以及变量间的影响关系，构建装备贡献度评估的结构方程模型；模型构建完成后，对模型进行识别，识别的作用是判断模型参数是否可以估计；
作战效能值求解模块，用于武器装备方案空间构建完成后，采用仿真系统或其他科学的方式求解每组装备方案下的作战效能值作为观测变量值构成数据集，为装备贡献度SEM模型的求解提供数据支持；
SEM模型参数估计模块，用于在模型识别完成以及数据空间准备好后，进行模型的参数估计；
模型检验与修正模块，用于模型检验，包括参数检验和拟合优度检验；若模型的检验结果不理想，需要对模型进行适当修正，直至参数接受且修正后的模型符合贡献度分析的实际情况；
解析模型求解模块，用于将SEM模型估计的参数值代入原模型方程中，转换后求解出解析模型；
贡献度分析模块，用于结合解析模型与效能指标值，计算求解每组装备方案的作战能力值；采用相对贡献度的分析形式，通过对作战能力值以及解析模型的对武器装备的贡献度进行分析。
本发明的另一目的在于提供一种终端，所述终端搭载所述的装备贡献度数据分析系统。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明研究了结构方程模型的相关理论；其次，基于结构方程模型构建了装备贡献度求解的分析步骤；最后，通过示例对评估方法进行了验证，给出了最优装备方案和装备研发方向。该方法将定性与定量相结合，克服了传统评估方法主观性强的缺点，示例分析结果表明其具有可行性和有效性。
本发明针对联合作战体系中装备贡献度的评估需求，通过体系装备的贡献度分析步骤，建立了贡献度评估的指标体系与评估模型，并基于建模与仿真方法在典型联合作战场景下进行了装备贡献度的分析；分析流程能够良好得将定性与定量相结合，模型适配度良好，具有较强的说服力，示例分析最终依据贡献度分析结果获取了最优装备方案和装备发展方向，可为实际作战中装备能力准确评价提供分析思路与指导意见。经分析，基于SEM的装备贡献度评估方法具有理论的可行性以及实践的创新性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的装备贡献度数据分析方法流程图。
图2是本发明实施例提供的装备贡献度数据分析系统的结构示意图；
图2中：1、想定搭建与装备方案空间生成模块；2、指标体系构建模块；3、SEM模型构建与识别模块；4、作战效能值求解模块；5、SEM模型参数估计模块；6、模型检验与修正模块；7、解析模型求解模块；8、贡献度分析模块。
图3是本发明实施例提供的SEM模型示意图。
图4是本发明实施例提供的图标含义示意图。
图5是本发明实施例提供的SEM建模分析过程示意图。
图6是本发明实施例提供的装备贡献度分析步骤示意图。
图7是本发明实施例提供的CAS作战想定示意图。
图8是本发明实施例提供的CAS装备指标体系示意图。
图9是本发明实施例提供的CAS作战能力指标体系示意图。
图10是本发明实施例提供的CAS结构方程模型示意图。
图11是本发明实施例提供的SEM模型仿真结果图。
图12是本发明实施例提供的SEM模型的结构模型示意图。
图13是本发明实施例提供的拟合指数值示意图。
图14是本发明实施例提供的仿真系统单次仿真结果统计图。
图15是本发明实施例提供的仿真系统多次仿真图(仿真结束)。
图16是本发明实施例提供的作战仿真跟踪图(模拟仿真系统)。
图17是本发明实施例提供的作战仿真毁伤图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明的改进方案是加强动态性的评估方案，目的是在装备空间发生变化时同时改变结构方程相应的指标体系，以匹配新的装备齐。因为新装备纳入体系后结构的变化必然导致运行方式的变化，最终衍生新的功能，比如：新装备与体系内的其他装备搭配组合形成新的运用方式，进而形成新的战术和新的战法，如预警雷达纳入渡海登岛作战的装备体系后与精确制导武器组合运用形成新的战术，再比如：新装备融入体系后装备间的战术协同能力提升，如战术数据链纳入边境反击作战的装备体系后会大幅提升协同能力。因此要增加加强动态性情况下的贡献率指标，如组合运用方法、战术运用、以及协同能力。方案的实施方式同样可以应用于改进方案，只是要扩展指标空间以及装备空间。
针对现有技术存在的问题，本发明提供了一种装备贡献度数据分析方法、系统、存储介质、计算机设备，下面结合附图对本发明作详细的描述。
如图1所示，本发明提供的装备贡献度数据分析方法包括以下步骤：
S101：依据作战想定，确定参战的装备类型，某类型下多种不同武器装备作为该装备类型可投入作战的候选武器集，所有装备类型的候选武器集的笛卡尔积构成体系作战的装备方案空间；
S102：以作战效能反映作战能力，构建作战能力指标体系；
S103：基于作战能力指标体系，确定变量类型以及变量间的影响关系，构建装备贡献度评估的结构方程模型；模型构建完成后，对模型进行识别，识别的作用是判断模型参数是否可以估计；
S104：武器装备方案空间构建完成后，采用仿真系统或其他科学的方式求解每组装备方案下的作战效能值作为观测变量值构成数据集，为装备贡献度SEM模型的求解提供数据支持；
S105：在模型识别完成以及数据空间准备好后，进行模型的参数估计；
S106：模型检验，包括参数检验和拟合优度检验；若模型的检验结果不理想，需要对模型进行适当修正，直至参数接受且修正后的模型符合贡献度分析的实际情况；
S107：将SEM模型估计的参数值代入原模型方程中，转换后求解出解析模型；
S108：结合解析模型与效能指标值，计算求解每组装备方案的作战能力值；采用相对贡献度的分析形式，通过对作战能力值以及解析模型的对武器装备的贡献度进行分析。
本发明提供的装备贡献度数据分析方法业内的普通技术人员还可以采用其他的步骤实施，图1的本发明提供的装备贡献度数据分析方法仅仅是一个具体实施例而已。
如图2所示，本发明提供的装备贡献度数据分析系统包括：
想定搭建与装备方案空间生成模块1，用于依据作战想定，确定参战的装备类型，某类型下多种不同武器装备作为该装备类型可投入作战的候选武器集，所有装备类型的候选武器集的笛卡尔积构成体系作战的装备方案空间。
指标体系构建模块2，用于以作战效能反映作战能力，构建作战能力指标体系。
SEM模型构建与识别模块3，用于基于作战能力指标体系，确定变量类型以及变量间的影响关系，构建装备贡献度评估的结构方程模型；模型构建完成后，对模型进行识别，识别的作用是判断模型参数是否可以估计。
作战效能值求解模块4，用于武器装备方案空间构建完成后，采用仿真系统或其他科学的方式求解每组装备方案下的作战效能值作为观测变量值构成数据集，为装备贡献度SEM模型的求解提供数据支持。
SEM模型参数估计模块5，用于在模型识别完成以及数据空间准备好后，进行模型的参数估计。
模型检验与修正模块6，用于模型检验，包括参数检验和拟合优度检验；若模型的检验结果不理想，需要对模型进行适当修正，直至参数接受且修正后的模型符合贡献度分析的实际情况。
解析模型求解模块7，用于将SEM模型估计的参数值代入原模型方程中，转换后求解出解析模型。
贡献度分析模块8，用于结合解析模型与效能指标值，计算求解每组装备方案的作战能力值；采用相对贡献度的分析形式，通过对作战能力值以及解析模型的对武器装备的贡献度进行分析。
下面结合附图对本发明的技术方案作进一步的描述。
1结构方程模型
1.1结构方程模型概述
(1)SEM基本概念
结构方程模型(Structural Equation Model,SEM)是一门用来处理多变量数据关系的统计方法学，能够同时进行理论模型的参数估计与潜在变量的估计。目前其广泛应用于教育、医学以及社会学等众多领域用来解决各类实际问题。
结构方程模型试图用较少的潜在变量来解释一组观测变量间的关系。SEM模型认为，潜在变量决定观测变量的特征，具有抽象概念的潜在变量不能通过直接获取测量数据来表示，但能够被可测量的观测变量来反映，所以可通过对观测变量的研究来获取潜在变量间的关系。
在模型中，观测变量间的关系是包含在协方差矩阵Σ中的。SEM基本原理为：利用推论和假设，在现有理论知识的基础上形成反映变量间相互关系的模型，通过检验样本数据协方差矩阵S和理论协方差矩阵Σ的差异，衡量模型的适配度，获取模型的参数估计结果。
(2)SEM变量类型
结构方程模型中的变量主要有两组：一组是观测变量和潜在变量，一组是内生变量和外生变量。
变量根据是否可直接测量分为观测变量和潜在变量。观测变量是可以直接测量获得的变量，又称为显变量或测量指标等，比如本发明示例中经仿真系统获取的效能指标值。潜在变量是观测变量间所形成的抽象概念，无法通过直接测量获取，需要由观测变量测得的数据来反映。
变量根据是否受到其他变量影响分为外生变量和内生变量。外生变量是指不受任何其他变量影响但影响其他变量的变量，也称自变量。内生变量是指被其他变量说明或受其它变量影响的变量。
(3)SEM基本形式
结构方程模型是由两种极为重要的统计技术组成：验证性因子分析和路径分析。与之对应的SEM包含两类模型，分别是测量模型和结构模型。如果单独使用测量模型，即为验证性因子分析，单独使用结构模型，即为路径分析模型。
测量模型反映的是观测变量X,Y与潜在变量ξ,η间的关系。测量方程为：
X＝Λxξ+δ；
Y＝Λyη+ε；
其中，X为外生观测变量组成的向量；ξ为外生潜在变量组成的向量；Λx为X与ξ间的关系矩阵；δ为X的误差项；Y为内生观测变量组成的向量；η为内生潜在变量组成的向量；Λy为Y与η间的关系矩阵；ε为Y的误差项。
结构模型反映的是潜在变量与潜在变量间的关系。结构方程为：
Figure BDA0002719497980000091
其中，B为内生潜在变量间的关系矩阵；Γ为ξ对η的影响矩阵；
Figure BDA0002719497980000092
为结构方程的残差项。
SEM结构模型与测量模型的关系如图3所示，图标含义如图4所示：
图3中模型的左半部分与右半部分为SEM的测量模型。模型中间部分为SEM的结构模型。结构模型中变量均为潜在变量，左侧变量为外生变量，也称外生潜在变量，由外生潜变量所影响的观测变量为外生观测变量。结构模型右侧部分的变量为内生变量，也称内生潜在变量，由内生潜变量影响的观测变量为内生观测变量。
1.2 SEM建模分析过程
SEM建模分析过程如图5所示。具体分析如下：
(1)模型发展。理论先验性是SEM模型的重要特性，模型建立前需要先对研究内容的背景理论进行深入分析，进而提出有待检验的假设模型。
(2)模型设定。在模型发展完成的基础上，依据特定的技术语言与操作要求，将所提出的假设模型转化成结构方程模型。
(3)模型识别。模型设定完成后，需对模型进行识别。只有在能够被有效识别的情况下，对SEM模型的分析才能顺利进行。
(4)抽样和测量。SEM模型具有样本依赖性，需利用样本数据来为SEM模型的参数估计提供支持。
(5)参数估计。SEM模型的参数估计主要是由计算机来进行，通常采用LISREL、AMOS等软件来完成。少数部分须人工计算，例如解析模型的求解。
(6)模型检验。根据参数估计的结果对模型的适配度进行检验。若检验未通过，则对模型进行修正；若检验通过则对结果进行分析。
(7)模型修正。对未通过检验的模型进行修正，修正后需重新对模型进行识别估计。
2基于SEM的装备贡献度分析步骤
本发明结合装备体系作战背景与SEM建模分析过程，研究基于SEM模型的装备贡献度分析操作步骤，总体可分为三部分：SEM模型构建、数据准备以及模型求解与分析。具体贡献度分析步骤如图6所示。
(1)想定搭建与装备方案空间生成
想定是指对假想或实际事件从开始至结束整个过程的描述。作战想定的内容包括作战背景、参战力量、作战目标、作战结果等，是对整个作战过程的描述。作战想定的确定是构建武器装备方案空间的基础。
方案是不同类型参战装备(同类型只提供一种装备)所形成的组合。装备方案空间是多种方案所构成的方案集合。依据作战想定，确定参战的装备类型(如探测装备、通信装备等)，某类型下多种不同武器装备作为该装备类型可投入作战的候选武器集，所有装备类型的候选武器集的笛卡尔积构成体系作战的装备方案空间。
(2)指标体系构建
作战效能是武器装备在特定作战任务与作战环境下所达到的实际作战效果，与作战环境、作战状态、作战时间以及系统组成结构等因素有关；作战能力是武器装备的固有属性，表示装备体系完成特定作战任务的期望作战效果，是装备体系在特定环境下完成使命任务的潜力。作战能力是作战效能的来源，作战效能反映作战能力，彼此相互影响。本发明以作战效能来反映作战能力，进而构建作战能力指标体系。
指标体系包括武器装备指标体系和作战能力指标体系。武器装备指标体系是参战装备特性的总结，是获取仿真作战效能数据的基础，能够为仿真系统的参数设置提供指导；作战能力指标体系的构建是搭建结构方程模型的前提。
(3)SEM模型构建与识别
基于作战能力指标体系，确定变量类型以及变量间的影响关系，构建装备贡献度评估的结构方程模型。模型构建完成后，须对模型进行识别，识别的作用是判断模型参数是否可以估计。
t规则是SEM识别中常用的规则。由于在SEM中，共有p+q个观测变量，可产生(p+q)(p+q+1)/2个不同的协方差和方差，进而获得(p+q)(p+q+1)/2个不同的含未知参数的方程。因此只要未知参数个数满足下式，方程就是可识别的：
t＜(p+q)(p+q+1)/2；
其中，t是待估计的未知参数的个数；p是外生观测变量的个数；q是内生观测变量的个数。
(4)不同装备方案下的作战效能值求解
武器装备方案空间构建完成后，采用仿真系统或其他科学的方式求解每组装备方案下的作战效能值作为观测变量值构成数据集，为装备贡献度SEM模型的求解提供数据支持。
(5)SEM模型参数估计
在模型识别完成以及数据空间准备好后，就可以进行模型的参数估计。参数估计值是使样本数据协方差矩阵S与预测协方差矩阵Σ(θ)差异最小的估计值，而衡量差异的标准由估计方法来决定。常用参数估计方法有ML、TSLS、GLS以及ULS等。
①最大似然估计(ML)
最大似然估计最接近无偏，抽样分布方差最小，但ML法规定数据应服从多元正态分布，对数据的要求比较高。其拟合函数为：
FML(S；Σ(θ))＝tr(SΣ-1(θ))+[log|Σ(θ)|-log|S|]-(p+q)；
其中，tr是一个表明矩阵中对角线元素之和的算法；log|Σ(θ)|是Σ(θ)的决定因子的对数。
②未加权最小二乘法(ULS)
ULS法比较直观，对于无规律分布的数据也可以获取稳定的估计结果。但其没有考虑到各变量的标准差差异，导致模型矩阵残差变异量很大，进而导致估计结果误差较大。ULS拟合函数如下：
FULS(S；Σ(θ))＝tr([S-Σ(θ)]2)；
③一般最小二乘法(GLS)
一般最小二乘法的拟合函数相较于ULS法来说比较复杂，因为它根据S-1对S与Σ(θ)之间的差异做了加权处理，该方法在大样本数据下，与ML法的结果相似。GLS的拟合函数为：
FGLS(S；Σ(θ))＝tr([(S-Σ(θ))S-1]2)；
(6)模型检验与修正
①模型检验
模型检验主要包括参数检验和拟合优度检验。参数检验是指通过对参数的显著性和合理性的分析来判断模型是否存在问题。拟合优度检验是通过拟合指数来对模型进行检验。LISREL软件提供了相关检验参数来对模型进行衡量，拟合参数比较直观，拟合指数主要包括拟合程度检验(χ2统计量)、近似误差均方根检验(RMSEA)、非标准拟合指数(NNFI)、标准拟合指数(NFI)、比较拟合指数(CFI)、拟合优度指数(GFI)等。上述指数的评判标准如表1所示。
表1拟合指数评判标准表
拟合指数 评判标准
χ<sup>2</sup> 越小越好
RMSEA 小于0.05，越小越好
NNFI 大于0.9，越接近1越好
NFI 大于0.9，越接近1越好
CFI 大于0.9，越接近1越好
GFI 大于0.9，越接近1越好
②模型修正
若模型的检验结果不理想，需要对模型进行适当修正，直至参数可以接受且修正后的模型符合贡献度分析的实际情况。常见的模型修正方式有增减变量、增减路径以及改变变量间的关系等。
(7)求解解析模型
解析模型是表征作战效能与作战能力之间映射关系的评估模型。将SEM模型估计的参数值代入原模型方程中，转换后求解出解析模型。
(8)贡献度分析
结合解析模型与效能指标值，计算求解每组装备方案的作战能力值。采用相对贡献度的分析形式，通过对作战能力值以及解析模型的研究来对武器装备的贡献度进行分析。
下面结合具体实施例对本发明的技术方案作进一步的描述。
本发明依据贡献度分析步骤，以近距离空中支援为作战背景进行装备贡献度的示例分析。首先根据CAS作战过程搭建作战想定，生成该想定下的装备方案空间；其次构建CSA作战能力指标体系，结合该体系确定变量类型，完成模型的搭建并采用t规则对模型进行识别；然后采用可视化仿真系统对装备方案下的作战过程进行仿真，获取样本数据集；最后对模型进行参数估计，计算解析模型并对结果进行分析。
1、SEM模型构建
(1)作战想定搭建与方案空间生成
近距离空中支援(Close Air Support，CAS)是指利用空中力量实施对敌毁伤，从而援助地面部队作战的支援作战行动[33]。CAS作战是联合火力支援的重要组成部分，可有效增强地面部队的作战火力，与空中遮断、夺取制空权并列为当代空军三大任务。
本发明通过对近距离空中支援作战过程的研究，选取前置式近距离空中支援为作战方式，以空军和陆军为作战力量，搭建的CAS作战想定如图7所示。
作战想定搭建完成基础上，选取作战所需的武器装备。红方出动的近距离空中支援作战装备包括探测装备、通信装备以及打击装备，其中打击装备包括飞行装备与毁伤装备。各装备的基础性能指标如下所示。
表2探测装备基础性能指标
设备编号 探测距离(km) 探测精度(m) 机动速度(km/h)
D1 15 25 50
D2 22 12 60
D3 28 15 70
D4 15 2 60
表3通信装备基础性能指标
设备编号 保密参数 抗干扰参数 是否组网
C1 0 0 是
C2 0.3 0 是
C3 0.6 0.8 是
C4 0.9 0.4 是
C5 0 0 否
表4飞行装备基础性能指标
Figure BDA0002719497980000131
Figure BDA0002719497980000141
表5毁伤装备基础性能指标
设备编号 飞行速度(km/h) 杀伤半径(m) 打击精度(m) 造价(万美元)
M1 1470 40 10 12.3
M2 3675 30 6 28.8
M3 943.3 40 3 116
M4 980 30 2.4 40
对上表中的不同装备组合进行全排列，可形成160种近距离空中支援作战方案，部分方案如下表所示。
表6 CAS作战部分方案
方案编号 探测设备 通信系统 飞行设备 毁伤设备
36 D1 C5 F1 M4
40 D1 C5 F2 M4
87 D3 C1 F2 M3
103 D3 C3 F2 M3
107 D3 C4 F1 M3
110 D3 C4 F2 M2
111 D3 C4 F2 M3
119 D3 C5 F2 M3
143 D4 C3 F2 M3
151 D4 C4 F2 M3
(2)指标体系构建
指标体系构建包括装备指标体系构建和作战能力指标体系。图8为CAS装备指标体系，图9为CAS作战能力指标体系。
(3)模型构建与识别
①模型构建
根据CAS作战能力指标体系和SEM模型理论基础，构建CAS结构方程模型如图10所示。
CAS结构方程模型变量说明如表7所示。
表7 SEM的变量说明表
Figure BDA0002719497980000142
Figure BDA0002719497980000151
SEM测量模型的矩阵方程式如下：
Figure BDA0002719497980000152
SEM结构模型的矩阵方程式如下：
Figure BDA0002719497980000153
SEM测量模型的解析模型如下：
Figure BDA0002719497980000154
SEM结构模型的解析模型如下：
Figure BDA0002719497980000155
(2)模型识别
本发明采用t规则对CAS装备贡献度的结构方程模型进行识别。
模型回归系数：
Figure BDA0002719497980000156
γ1、γ2、γ3；外生潜在变量方差：
var(ξ1)、var(ξ2)、var(ξ3)；
扰动项方差：
var(δ1)、var(δ2)、var(δ3)、var(δ4)、var(δ5)、var(δ6)；
var(δ7)、var(ε1)、var(ε2)、var(ε3)、
Figure BDA0002719497980000161
根据以上信息可统计出模型参数个数为27。在本发明CAS贡献度分析SEM中，外生观测变量包括x1～x7，即p＝7；内生观测变量包括y1～y3，即q＝3。由下述公式：
t＝27＜(p+q)(p+q+1)/2＝55；
可以看出，模型符合t规则识别要求。模型自由度为正，可过度识别，即该模型存在与观测数据最相近且误差最小的唯一解。
2、数据准备
模型的参数估计需要观测数据的支持。本发明采用自研CAS可视化仿真系统对装备方案空间中的160组方案进行仿真，获取每一方案的作战效能值，构成用于参数估计的数据集。其中每组方案的仿真次数为2000次，经无量纲化处理的部分方案作战效能值如表8所示。
表8无量纲化处理后的作战效能值
Figure BDA0002719497980000162
3、模型求解与贡献度分析
(1)SEM模型参数估计
结合构建的SEM模型与获取的数据集，使用LISREL软件对模型参数进行估计，参数包括路径系数、误差项以及残差项。SEM的仿真结果如图11所示，图12是SEM模型的结构模型。
图13为SEM模型的拟合指数，由这些指数对比评判标准来看模型匹配度良好，可用于CAS装备贡献度问题的求解分析。
(2)CAS装备贡献度分析
将模型仿真结果图中的参数估计值代入解析模型中，可得实际解析模型如下：
ξ1＝2.5x1-4.545x2+0.071；
ξ2＝0.9x3+0.236x4-1.042x5+0.991；
ξ3＝2.778x6-25x7+0.278；
η＝0.12ξ1+0.1ξ2+0.01ξ3+0.05；
依据解析模型和各方案的作战效能值，计算得到各方案的作战能力值。经标准化处理后，部分方案的作战能力值如表9所示。
表9标准处理后的相对能力值表
方案号 36 40 87 103 107 110 111 119 143 151
相对能力值 0.000 0.015 0.658 0.906 0.987 0.980 1.000 0.550 0.517 0.568
结合SEM模型参数估计结果、解析模型以及各方案下的相对能力值，以相对贡献度方式对装备贡献度进行分析，可得出结果如下：
①通过解析模型可以看出，CAS作战的探测能力与发现目标概率成正比，与发现目标时间成反比，发现目标时间-4.545的高反比系数也体现出在现代化战争中时间的重要性；CAS作战的通信能力与保密能力、抗干扰能力成正比，与通信响应时间成反比，在针对移动目标的打击任务中，通信响应时间越长，目标位置的偏差就越大，整体作战效果就越差；毁伤能力与毁伤目标概率成正比，与装备故障率成反比，反比系数为-25更是表明装备的可靠性至关重要。
②由潜变量间的解析模型可以看出，在CAS作战过程中，探测能力和通信能力的贡献度相对较大。探测能力是整体作战进行的基础能力，只有发现了目标才能够进行后续作战。通信能力在红蓝双方对抗过程中起到至关重要的作用，高性能的通信能力不仅可以降低因设备被破解而引起的通信瘫痪，还可以提高作战体系对敌方目标的毁伤性能。需要注意的是，路径系数所表示的能力贡献度大是指单位基础效能变化对作战能力所起到的影响更大，并不意味着该能力所提供的贡献值越大，贡献值的大小还与该能力所对应的基础效能值大小有关。
③由解析模型和分析①可知，选择高性能的装备对作战更有利，但武器装备往往各有特色，既有优点也有缺点，如何在各有特点的装备方案中选取使CAS作战能力最优的组合，这也是本发明的研究意义。通过相对能力值表可以看出，第111组方案最优，相对能力值为1；第107和110组方案较优，相对能力值分别为0.987和0.98；第36组方案最劣，相对能力值为0。111组方案的装备组成为D3、C4、F2和M3，以D3为例，D3的基础性能值为探测距离28km、探测精度15m、机动速度70km/h，其探测距离与机动速度最优，探测精度并不出众，但其优势特点对CAS作战更有利，所以其为组合方案中的最优探测装备。
④87、103、111、119四组方案的作战能力值分别为0.658、0.906、1.0、0.550，四组方案的不同在于通信设备，87、103、111方案均为数据链通信系统，119方案为模拟通信系统，通过对方案作战能力的分析可以发现，数据链通信系统的作战能力明显大于模拟通信系统，且高性能的数据链系统将大幅提高作战能力，在基础性能方面，保密性对于CAS作战的影响更大。
贡献度分析的意义在于选择高效的武器装备组合方案或者确定装备的发展方向。通过上述分析，在CAS作战背景下，方案111为最优，可选择该方案进行作战。在装备发展方面，有限的经费可以优先发展探测设备和通信设备来提高整体的作战性能。探测距离影响发现目标概率，探测机动速度影响发现目标时间，因此可以优先研发探测距离大、机动速度快的探测设备；对于通信设备而言，保密性能会间接影响通信装备的故障率，组网特性会降低通信时延，影响通信响应时间，进而影响毁伤目标概率，抗干扰性能也会影响对目标的毁伤概率但影响幅度较小，因此可优先发展保密性能强、延时低的数据链通信系统。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种装备贡献度数据分析方法，其特征在于，所述装备贡献度数据分析方法包括：
依据作战想定，确定参战的装备类型，某类型下多种不同武器装备作为该装备类型可投入作战的候选武器集，所有装备类型的候选武器集的笛卡尔积构成体系作战的装备方案空间；
以作战效能反映作战能力，构建作战能力指标体系；
基于作战能力指标体系，确定变量类型以及变量间的影响关系，构建装备贡献度评估的结构方程模型；模型构建完成后，对模型进行识别，识别的作用是判断模型参数是否可以估计；
武器装备方案空间构建完成后，采用仿真系统或其他科学的方式求解每组装备方案下的作战效能值作为观测变量值构成数据集，为装备贡献度SEM模型的求解提供数据支持；
在模型识别完成以及数据空间准备好后，进行模型的参数估计；
模型检验，包括参数检验和拟合优度检验；若模型的检验结果不理想，需要对模型进行适当修正，直至参数接受且修正后的模型符合贡献度分析的实际情况；
将SEM模型估计的参数值代入原模型方程中，转换后求解出解析模型；
结合解析模型与效能指标值，计算求解每组装备方案的作战能力值；采用相对贡献度的分析形式，通过对作战能力值以及解析模型的对武器装备的贡献度进行分析。
2.如权利要求1所述的装备贡献度数据分析方法，其特征在于，所述装备贡献度数据分析方法的作战想定的内容包括作战背景、参战力量、作战目标、作战结果，是对整个作战过程的描述；方案是不同类型参战装备所形成的组合，装备方案空间是多种方案所构成的方案集合；依据作战想定，确定参战的装备类型，某类型下多种不同武器装备作为该装备类型可投入作战的候选武器集，所有装备类型的候选武器集的笛卡尔积构成体系作战的装备方案空间。
3.如权利要求1所述的装备贡献度数据分析方法，其特征在于，所述装备贡献度数据分析方法的作战能力指标体系包括：武器装备指标体系和作战能力指标体系；武器装备指标体系获取仿真作战效能数据，为仿真系统的参数设置提供指导；作战能力指标体系用于搭建结构方程模型。
4.如权利要求1所述的装备贡献度数据分析方法，其特征在于，所述基于作战能力指标体系，确定变量类型以及变量间的影响关系，构建装备贡献度评估的结构方程模型；模型构建完成后，对模型进行识别，识别的作用是判断模型参数是否可以估计包括：
t规则是SEM识别中常用的规则，在SEM中，共有p+q个观测变量，产生(p+q)(p+q+1)/2个不同的协方差和方差，获得(p+q)(p+q+1)/2个不同的含未知参数的方程，只要未知参数个数满足下式，方程就是可识别的：
t＜(p+q)(p+q+1)/2；
其中，t是待估计的未知参数的个数；p是外生观测变量的个数；q是内生观测变量的个数。
5.如权利要求1所述的装备贡献度数据分析方法，其特征在于，所述在模型识别完成以及数据空间准备好后，进行模型的参数估计包括：参数估计值是使样本数据协方差矩阵S与预测协方差矩阵Σ(θ)差异最小的估计值，衡量差异的标准由估计方法决定，参数估计方法包括：
(1)最大似然估计ML，拟合函数为：
FML(S；Σ(θ))＝tr(SΣ-1(θ))+[log|Σ(θ)|-log|S|]-(p+q)；
其中，tr是一个表明矩阵中对角线元素之和的算法；log|Σ(θ)|是Σ(θ)的决定因子的对数；
(2)未加权最小二乘法ULS，拟合函数如下：
FULS(S；Σ(θ))＝tr([S-Σ(θ)]2)；
(3)一般最小二乘法GLS，根据S-1对S与Σ(θ)之间的差异做加权处理，在大样本数据下，GLS的拟合函数为：
FGLS(S；Σ(θ))＝tr([(S-Σ(θ))S-1]2)。
6.如权利要求1所述的装备贡献度数据分析方法，其特征在于，所述模型检验包括参数检验和拟合优度检验；参数检验是指通过对参数的显著性和合理性的分析来判断模型是否存在问题；拟合优度检验是通过拟合指数对模型进行检验；
模型修正，若模型的检验结果不理想，对模型进行适当修正，直至参数接受且修正后的模型符合贡献度分析的实际情况。
7.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
依据作战想定，确定参战的装备类型，某类型下多种不同武器装备作为该装备类型可投入作战的候选武器集，所有装备类型的候选武器集的笛卡尔积构成体系作战的装备方案空间；
以作战效能反映作战能力，构建作战能力指标体系；
基于作战能力指标体系，确定变量类型以及变量间的影响关系，构建装备贡献度评估的结构方程模型；模型构建完成后，对模型进行识别，识别的作用是判断模型参数是否可以估计；
武器装备方案空间构建完成后，采用仿真系统或其他科学的方式求解每组装备方案下的作战效能值作为观测变量值构成数据集，为装备贡献度SEM模型的求解提供数据支持；
在模型识别完成以及数据空间准备好后，进行模型的参数估计；
模型检验，包括参数检验和拟合优度检验；若模型的检验结果不理想，需要对模型进行适当修正，直至参数接受且修正后的模型符合贡献度分析的实际情况；
将SEM模型估计的参数值代入原模型方程中，转换后求解出解析模型；
结合解析模型与效能指标值，计算求解每组装备方案的作战能力值；采用相对贡献度的分析形式，通过对作战能力值以及解析模型的对武器装备的贡献度进行分析。
8.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
依据作战想定，确定参战的装备类型，某类型下多种不同武器装备作为该装备类型可投入作战的候选武器集，所有装备类型的候选武器集的笛卡尔积构成体系作战的装备方案空间；
以作战效能反映作战能力，构建作战能力指标体系；
基于作战能力指标体系，确定变量类型以及变量间的影响关系，构建装备贡献度评估的结构方程模型；模型构建完成后，对模型进行识别，识别的作用是判断模型参数是否可以估计；
武器装备方案空间构建完成后，采用仿真系统或其他科学的方式求解每组装备方案下的作战效能值作为观测变量值构成数据集，为装备贡献度SEM模型的求解提供数据支持；
在模型识别完成以及数据空间准备好后，进行模型的参数估计；
模型检验，包括参数检验和拟合优度检验；若模型的检验结果不理想，需要对模型进行适当修正，直至参数接受且修正后的模型符合贡献度分析的实际情况；
将SEM模型估计的参数值代入原模型方程中，转换后求解出解析模型；
结合解析模型与效能指标值，计算求解每组装备方案的作战能力值；采用相对贡献度的分析形式，通过对作战能力值以及解析模型的对武器装备的贡献度进行分析。
9.一种实施权利要求1～6任意一项所述装备贡献度数据分析方法的装备贡献度数据分析系统，其特征在于，所述装备贡献度数据分析系统包括：
想定搭建与装备方案空间生成模块，用于依据作战想定，确定参战的装备类型，某类型下多种不同武器装备作为该装备类型可投入作战的候选武器集，所有装备类型的候选武器集的笛卡尔积构成体系作战的装备方案空间；
指标体系构建模块，用于以作战效能反映作战能力，构建作战能力指标体系；
SEM模型构建与识别模块，用于基于作战能力指标体系，确定变量类型以及变量间的影响关系，构建装备贡献度评估的结构方程模型；模型构建完成后，对模型进行识别，识别的作用是判断模型参数是否可以估计；
作战效能值求解模块，用于武器装备方案空间构建完成后，采用仿真系统或其他科学的方式求解每组装备方案下的作战效能值作为观测变量值构成数据集，为装备贡献度SEM模型的求解提供数据支持；
SEM模型参数估计模块，用于在模型识别完成以及数据空间准备好后，进行模型的参数估计；
模型检验与修正模块，用于模型检验，包括参数检验和拟合优度检验；若模型的检验结果不理想，需要对模型进行适当修正，直至参数接受且修正后的模型符合贡献度分析的实际情况；
解析模型求解模块，用于将SEM模型估计的参数值代入原模型方程中，转换后求解出解析模型；
贡献度分析模块，用于结合解析模型与效能指标值，计算求解每组装备方案的作战能力值；采用相对贡献度的分析形式，通过对作战能力值以及解析模型的对武器装备的贡献度进行分析。
10.一种终端，其特征在于，所述终端搭载权利要求9所述的装备贡献度数据分析系统。
CN202011083495.0A 2020-10-12 2020-10-12 装备贡献度数据分析方法、系统、存储介质、计算机设备 Active CN112308381B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011083495.0A CN112308381B (zh) 2020-10-12 2020-10-12 装备贡献度数据分析方法、系统、存储介质、计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011083495.0A CN112308381B (zh) 2020-10-12 2020-10-12 装备贡献度数据分析方法、系统、存储介质、计算机设备

Publications (2)

Publication Number Publication Date
CN112308381A true CN112308381A (zh) 2021-02-02
CN112308381B CN112308381B (zh) 2023-06-20

Family

ID=74489683

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011083495.0A Active CN112308381B (zh) 2020-10-12 2020-10-12 装备贡献度数据分析方法、系统、存储介质、计算机设备

Country Status (1)

Country Link
CN (1) CN112308381B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113010847A (zh) * 2021-02-20 2021-06-22 中国人民解放军战略支援部队航天工程大学 一种装备体系作战发展趋势转折点的判别方法
CN113657736A (zh) * 2021-08-04 2021-11-16 中国人民解放军战略支援部队航天工程大学 基于结构方程模型的武器装备体系效能动态评估方法
CN113837644A (zh) * 2021-09-30 2021-12-24 中国人民解放军战略支援部队航天工程大学 基于灰色关联的装备作战效能与贡献率一体化评估方法
CN113836699A (zh) * 2021-08-31 2021-12-24 成都众享天地网络科技有限公司 一种基于非线性sem的雷达对抗能力评估方法
CN114329933A (zh) * 2021-12-20 2022-04-12 北京力通通信有限公司 一种宽带功率放大器输入输出特性拟合方法
CN114329928A (zh) * 2021-12-14 2022-04-12 中国运载火箭技术研究院 一种装备模型的模块化组装与总体参数快速生成方法
CN114676572A (zh) * 2022-03-25 2022-06-28 中国航空发动机研究院 一种参数确定方法及装置、计算机可读存储介质
CN116108613A (zh) * 2022-11-07 2023-05-12 中山大学 一种可解释的装备组合快速构建方法、系统、设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040059518A1 (en) * 2002-09-11 2004-03-25 Rothschild Walter Galeski Systems and methods for statistical modeling of complex data sets
CN107180160A (zh) * 2017-06-21 2017-09-19 西南交通大学 基于sem模型的公共自行车用户忠诚度确定方法
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040059518A1 (en) * 2002-09-11 2004-03-25 Rothschild Walter Galeski Systems and methods for statistical modeling of complex data sets
CN107180160A (zh) * 2017-06-21 2017-09-19 西南交通大学 基于sem模型的公共自行车用户忠诚度确定方法
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
D. CARATELLI等: "SEM-based analysis of antenna radiation properties", 《2011 XXXTH URSI GENERAL ASSEMBLY AND SCIENTIFIC SYMPOSIUM》 *
罗小明;朱延雷;何榕;: "基于SEM的武器装备作战体系贡献度评估方法", 装备学院学报, no. 05 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113010847A (zh) * 2021-02-20 2021-06-22 中国人民解放军战略支援部队航天工程大学 一种装备体系作战发展趋势转折点的判别方法
CN113657736A (zh) * 2021-08-04 2021-11-16 中国人民解放军战略支援部队航天工程大学 基于结构方程模型的武器装备体系效能动态评估方法
CN113836699A (zh) * 2021-08-31 2021-12-24 成都众享天地网络科技有限公司 一种基于非线性sem的雷达对抗能力评估方法
CN113837644A (zh) * 2021-09-30 2021-12-24 中国人民解放军战略支援部队航天工程大学 基于灰色关联的装备作战效能与贡献率一体化评估方法
CN114329928A (zh) * 2021-12-14 2022-04-12 中国运载火箭技术研究院 一种装备模型的模块化组装与总体参数快速生成方法
CN114329928B (zh) * 2021-12-14 2024-04-09 中国运载火箭技术研究院 一种装备模型的模块化组装与总体参数快速生成方法
CN114329933A (zh) * 2021-12-20 2022-04-12 北京力通通信有限公司 一种宽带功率放大器输入输出特性拟合方法
CN114676572A (zh) * 2022-03-25 2022-06-28 中国航空发动机研究院 一种参数确定方法及装置、计算机可读存储介质
CN114676572B (zh) * 2022-03-25 2023-02-17 中国航空发动机研究院 一种参数确定方法及装置、计算机可读存储介质
CN116108613A (zh) * 2022-11-07 2023-05-12 中山大学 一种可解释的装备组合快速构建方法、系统、设备及介质
CN116108613B (zh) * 2022-11-07 2023-12-01 中山大学 一种可解释的装备组合快速构建方法、系统、设备及介质

Also Published As

Publication number Publication date
CN112308381B (zh) 2023-06-20

Similar Documents

Publication Publication Date Title
CN112308381A (zh) 装备贡献度数据分析方法、系统、存储介质、计算机设备
Odenbaugh et al. Buyer beware: Robustness analyses in economics and biology
US20210404952A1 (en) Method for selection of calibration set and validation set based on spectral similarity and modeling
CN112053042A (zh) 动态构建效能评估体系的方法、系统、计算机设备及存储介质
CN112861257B (zh) 一种基于神经网络的飞机火控系统精度敏感性分析方法
CN113554153A (zh) 氮氧化物排放量预测方法、装置、计算机设备及介质
Rioux et al. Item parcels as indicators: Why, when, and how to use them in small sample research
CN114818828B (zh) 雷达干扰感知模型的训练方法及雷达干扰信号识别方法
CN113657736B (zh) 基于结构方程模型的武器装备体系效能动态评估方法
Liu et al. fSDE: efficient evolutionary optimisation for many-objective aero-engine calibration
CN109299491B (zh) 一种基于动态影响图对策的元模型建模方法及使用方法
CN112632765B (zh) 一种加权和法与sem法结合的作战能力评估方法
Hughes et al. Fidelity and validity: issues of human behavioral representation requirements development
Ulan et al. Towards meaningful software metrics aggregation
Wen A unified view of false discovery rate control: Reconciliation of bayesian and frequentist approaches
CN111985826A (zh) 一种多指标工业产品的可视化质量分级方法和系统
Yang et al. Assessing COTS integration risk using cost estimation inputs
CN111222736A (zh) 一种基于混合相关向量机模型的弹药贮存可靠度评估方法
CN113076661B (zh) 一种不确定数据驱动的雷达预警探测建模方法
CN113836699A (zh) 一种基于非线性sem的雷达对抗能力评估方法
CN110930054A (zh) 一种基于数据驱动的作战体系关键参数快速优化方法
CN116702521B (zh) 一种自动驾驶场景一致性对比方法、装置及电子设备
Yang et al. COCOTS risk analyzer
Petty Model verification and validation methods
Ke et al. Correcting for the multiplicative and additive effects of measurement unreliability in meta-analysis of correlations.

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
GR01 Patent grant
GR01 Patent grant