CN112819264A - 一种用于作战效能评估的加权随机混合语义方法 - Google Patents

一种用于作战效能评估的加权随机混合语义方法 Download PDF

Info

Publication number
CN112819264A
CN112819264A CN201911116459.7A CN201911116459A CN112819264A CN 112819264 A CN112819264 A CN 112819264A CN 201911116459 A CN201911116459 A CN 201911116459A CN 112819264 A CN112819264 A CN 112819264A
Authority
CN
China
Prior art keywords
index
indexes
node
evaluation
nodes
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
CN201911116459.7A
Other languages
English (en)
Other versions
CN112819264B (zh
Inventor
易当祥
李聪
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.)
Xinyun Lingchuang Beijing Technology Co ltd
Original Assignee
Xinyun Lingchuang Beijing Technology Co ltd
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 Xinyun Lingchuang Beijing Technology Co ltd filed Critical Xinyun Lingchuang Beijing Technology Co ltd
Priority to CN201911116459.7A priority Critical patent/CN112819264B/zh
Publication of CN112819264A publication Critical patent/CN112819264A/zh
Application granted granted Critical
Publication of CN112819264B publication Critical patent/CN112819264B/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

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Complex Calculations (AREA)

Abstract

本发明公开了一种用于作战效能评估的加权随机混合语义方法，包括步骤如下：评估指标体系构建与指标赋权、评估指标量化与重映射、建立加权随机混合语义模型和数据代入推断。本发明在贝叶斯网络的框架下，用一种加权随机混合语义来描述作战效能评估过程，可以混合纳入定量指标与定性指标，两者仅在随机产生语义层面存在差异，能够充分利用定性指标提供的潜在信息；同时，本发明实质上是一种贝叶斯后验推断方法，故具有贝叶斯方法容许缺失数据的优势，可量化指标在模型中体现为观测值节点，而缺失指标体现为未知参数节点，由于这些参数节点不作为模型推断的证据，故缺失指标对评估过程和评估结果均不产生影响。

Description

一种用于作战效能评估的加权随机混合语义方法
技术领域
本发明涉及作战效能评估技术领域，尤其涉及一种用于作战效能评估的加权随机混合语义方法。
背景技术
作战效能衡量特定作战行动或作战实体在一定的约束条件下达成预定作战目标的程度，作战效能评估就是对此抽象程度的一种定量估计过程，它通过针对性地构建评估指标体系和评估方法，可以对关键作战要素和作战流程进行量化、综合与排序。因此，作战效能评估对作战计划拟制、作战方案优选和作战体系建设等实际问题具有重大的指导意义。
当前，层次分析法和模糊综合评价法及其各类变体因科学有效和简便易行的特点，在作战效能评估领域取得了广泛应用。这类方法的核心步骤包括：1、根据评估目的建立评估指标体系；2、评估指标量化与规范化；3、采用主客观方式为评估指标赋权重；4、采用加权和或加权积等方法综合计算评估结果。评估结果能直接衡量作战效能的高低，作战人员可以依据定量的效能值定位问题、分析问题、解决问题。
然而，随着武器装备和作战样式的不断发展，作战效能评估的构设环境(如评估对象、评估准则、数据采集手段等)日趋复杂多样，这些传统方法逐渐显露出一定程度的局限。首先，无法处理定性指标。定性指标是一类取值为“好、坏”、“高、低”、“强、弱”等离散标签值的可排序但非量化的指标，而这些方法要求指标值必须为可量化的实数值，对定性指标要么忽略，要么强行赋予一个特定值，这显然都不恰当；其次，无法处理缺失指标。造成缺失指标有很多因素，如采集传感器故障、数据传输链路故障、存储介质损坏、数据质量过低等，外在表现均是出现值为“空”的指标。这些方法处理缺失指标时一般采取经验式填充策略，即填充指标的最小值、最大值或历史数据的平均值等，这显然也是不严谨的。
发明内容
基于背景技术存在的技术问题，本发明提出了一种用于作战效能评估的加权随机混合语义方法。
本发明提出的一种用于作战效能评估的加权随机混合语义方法，包括步骤如下：
(1)评估指标体系构建与指标赋权；
(2)评估指标量化与重映射；
(3)建立加权随机混合语义模型；
(4)数据代入推断。
优选的，所述的步骤(1)包括：
(a)评估指标体系构建；
所述的(a)包括构建评估指标体系的树形结构，一般情况下，第一级指标(即根节点)为作战效能节点，其下设若干个反映作战效能某一特定方面的二级指标，递归地，N级指标可依实际意义与需求再下设N+1级指标，指标级数越高，抽象程度越低，物理意义也越具体，直至达到可量化的指标节点(即叶节点)为止。
(b)评估指标赋权；
所述的(b)包括为指标树中除根节点外的所有指标节点赋予权重，节点的权重衡量此节点与其父节点联系的紧密程度，方法采用专家主观赋权法，权重取值区间为(0,1)。
优选的，所述的步骤(2)包括：
(a)评估指标量化；
所述的(a)包括利用实采数据解算指标树叶节点中定量指标的实数值，以及为定性指标赋予适当的离散标签。
(b)评估指标重映射；
所述的(b)包括：首先，将未缺失的定性指标标签按蕴含的实际正向或负向意义重赋为“达标”或“未达标”之一；
其次，将未缺失的效益型定量指标值重映射至[0,1]区间，映射函数需针对每个指标分别定制，效益型指标是一类量化值越高，代表效能值越高的指标类型，对于任一效益型指标
Figure BDA0002274196930000031
定制其重映射函数如下：
Figure BDA0002274196930000032
其中，u为映射值达到1时
Figure BDA0002274196930000033
的下界，Δu为映射值达到0时
Figure BDA0002274196930000034
相对u向负方向的最小偏离量，且Δu＞0；
最后，将未缺失的成本型定量指标值重映射至[0,1]区间，映射函数需针对每个指标分别定制，成本型指标是一类量化值越高，代表效能值越低的指标类型，对于任一成本型指标
Figure BDA0002274196930000041
定制其重映射函数如下：
Figure BDA0002274196930000042
其中，u为映射值达到1时
Figure BDA0002274196930000043
的上界，Δu为映射值达到0时
Figure BDA0002274196930000044
相对u向正方向的最小偏离量，且Δu＞0。
优选的，所述的步骤(3)包括：(a)建立非叶节点指标产生语义；
所述的(a)包括建立作战效能节点(即根节点)的先验分布，以及各中间节点相对其父节点的产生语义，作战效能节点先验分布为：
A～Beta(1,1)
其中，Beta(1,1)为参数均为1的贝塔分布，它等效于在[0,1]区间上的均匀分布；
四个中间节点的抽样产生语义为：
Figure BDA0002274196930000045
其中，TNormal[0,1]是在区间[0,1]上的截断正态分布，定义为：
Figure BDA0002274196930000051
其中，Normal为正态分布概率密度函数。
(b)建立定量指标节点产生语义；
所述的(b)包括建立定量指标节点相对其父节点的产生语义，若指标Aij为定量指标，父节点为Ai，则其抽样产生语义为：
Figure BDA0002274196930000052
(c)建立定性指标节点产生语义；
所述的(c)包括建立定性指标节点相对其父节点的产生语义，若指标Aij为定性指标，父节点为Ai，则其抽样产生语义为：
Aij～Bernoulli(φ(φ-1(Ai)×wij))
其中，Bernoulli为伯努利分布，Aij＝1表示“达标”，Aij＝0表示“不达标”，函数φ-1为函数φ的反函数，函数φ是标准正态分布的累积概率密度函数，定义为：
Figure BDA0002274196930000053
优选的，所述的步骤(4)包括将步骤(1)赋予的指标权重和步骤(2)计算的量化指标重映射值代入步骤(3)构建的概率化预测模型中，并给出一个类似于[优、良、中、差]或[高级、中级、低级]等的评语集，启动对模型的抽样过程，利用根节点的后验分布样本得出作战效能在评语集上的概率分布。
本发明中，所述一种用于作战效能评估的加权随机混合语义方法，第一，本发明在贝叶斯网络的框架下，用一种加权随机混合语义来描述作战效能评估过程，可以混合纳入定量指标与定性指标，两者仅在随机产生语义层面存在差异，能够充分利用定性指标提供的潜在信息；第二，本发明实质上是一种贝叶斯后验推断方法，故具有贝叶斯方法容许缺失数据的优势，可量化指标在模型中体现为观测值节点，而缺失指标体现为未知参数节点，由于这些参数节点不作为模型推断的证据，故缺失指标对评估过程和评估结果均不产生影响。
附图说明
图1为本发明中采用的某装备作战效能评估指标体系；
图2为本发明中效益型和成本型指标的重映射函数示意图像；
图3为本发明中构建的加权随机混合语义模型；
图4为本发明中某装备作战效能在评语集上的分布。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
实施例。
参照图1-4，一种用于作战效能评估的加权随机混合语义方法，包括步骤如下：
(1)评估指标体系构建与指标赋权；
(a)评估指标体系构建；
步骤(a)评估指标体系构建包括构建评估指标体系的树形结构。一般情况下，第一级指标(即根节点)为作战效能节点，其下设若干个反映作战效能某一特定方面的二级指标。递归地，N级指标可依实际意义与需求再下设N+1级指标，指标级数越高，抽象程度越低，物理意义也越具体，直至达到可量化的指标节点(即叶节点)为止，图1中一级指标为某装备作战效能，下设四个二级指标：指控能力、侦察能力、打击能力和保障能力，每种能力又分别细分为三个可量化的三级指标。图1的三级指标中灰色背景节点为定性指标，其余为定量指标，定性指标取类似“是、否”、“好、坏”等两个意义互斥的离散标签值，定量指标衡量时间、数量、比率等物理量，取值为连续实数。
(b)评估指标赋权；
步骤(b)评估指标赋权包括为指标树中除根节点外的所有指标节点赋予权重，节点的权重衡量此节点与其父节点联系的紧密程度，方法采用专家主观赋权法，权重取值区间为(0,1)，这里权重不用采取类似层次分析法的归一化策略，即不用使每个节点的直接子节点的权重之和为1。设任一非根节点指标Ax的权重为wx。
(2)评估指标量化与重映射；
(a)评估指标量化；
步骤(a)评估指标量化包括利用实采数据解算指标树叶节点中定量指标的实数值，以及为定性指标赋予适当的离散标签。
(b)评估指标重映射；
步骤(b)评估指标重映射包括：
首先，将未缺失的定性指标标签按蕴含的实际正向或负向意义重赋为“达标”或“未达标”之一，如指标A13特情处置“正确”可映射为“达标”，指标A23情报融合“超时”可映射为“不达标”。
其次，将未缺失的效益型定量指标值重映射至[0,1]区间，映射函数需针对每个指标分别定制，效益型指标是一类量化值越高，代表效能值越高的指标类型，对于任一效益型指标
Figure BDA0002274196930000081
定制其重映射函数如下：
Figure BDA0002274196930000082
其中，u为映射值达到1时
Figure BDA0002274196930000083
的下界，Δu为映射值达到0时
Figure BDA0002274196930000084
相对u向负方向的最小偏离量，且Δu＞0。
最后，将未缺失的成本型定量指标值重映射至[0,1]区间，映射函数需针对每个指标分别定制，成本型指标是一类量化值越高，代表效能值越低的指标类型，对于任一成本型指标
Figure BDA0002274196930000085
定制其重映射函数如下：
Figure BDA0002274196930000086
其中，u为映射值达到1时
Figure BDA0002274196930000087
的上界，Δu为映射值达到0时
Figure BDA0002274196930000088
相对u向正方向的最小偏离量，且Δu＞0。
(3)建立加权随机混合语义模型；
(a)建立非叶节点指标产生语义；
步骤(a)建立非叶节点指标产生语义包括建立作战效能节点(即根节点)的先验分布，以及各中间节点相对其父节点的产生语义。
图1中作战效能节点先验分布为：
A～Beta(1,1)
其中，Beta(1,1)为参数均为1的贝塔分布，它等效于在[0,1]区间上的均匀分布。
四个中间节点的抽样产生语义为：
Figure BDA0002274196930000093
其中，TNormal[0,1]是在区间[0,1]上的截断正态分布，定义为：
Figure BDA0002274196930000091
其中，Normal为正态分布概率密度函数。
(b)建立定量指标节点产生语义；
步骤(b)建立定量指标节点产生语义包括建立定量指标节点相对其父节点的产生语义。若指标Aij为定量指标，父节点为Ai，则其抽样产生语义为：
Figure BDA0002274196930000092
(c)建立定性指标节点产生语义；
步骤(c)建立定性指标节点产生语义包括建立定性指标节点相对其父节点的产生语义。若指标Aij为定性指标，父节点为Ai，则其抽样产生语义为：
Aij～Bernoulli(φ(φ-1(Ai)×wij))
其中，Bernoulli为伯努利分布，Aij＝1表示“达标”，Aij＝0表示“不达标”。函数φ-1为函数φ的反函数，函数φ是标准正态分布的累积概率密度函数，定义为：
Figure BDA0002274196930000101
(4)数据代入推断；
步骤(4)包括将步骤(1)赋予的指标权重和步骤(2)计算的量化指标重映射值代入步骤(3)构建的概率化预测模型中，并给出一个类似于[优、良、中、差]或[高级、中级、低级]等的评语集。本发明使用Stan概率建模工具编码实现步骤(3)的模型，借助其内置的no-U-turn sampler(NUTS)方法实现对模型的抽样过程，若存在缺失指标，则不将其纳入后验证据中即可，实际需要抽样的根节点指标的后验分布为：
p(A|{Aij|Aij∈Ω})······(1)
其中，Ω为可量化(即非缺失)叶节点指标集合。
最后,利用(1)式后验分布的抽样样本得出作战效能在评语集上的概率分布。具体地，设评语集中元素数为K，则[0,1]区间可被分为[0,1/K),[1/K,2/K),···,[(K-1)/K,1]这K个不相交区间，将评语按实际等级高低从低至高排序，则这K个区间与排序后的评语一一对应。另设得出的作战效能节点后验分布抽样样本个数为M，且M[a,b)表示样本值位于区间[a,b)中的样本个数，则作战效能在评语集上的分布为[M[0,1/K)/M,M[1/K,2/K]/M,···,M[(K-1)/K,1]/M]。
表1是图1实施例中指标体系的指标权重、指标重映射值及是否缺失等信息，评语集为[优、良、中、差]，在同时存在定量、定性和缺失指标的情况下，使用本发明方法得出某装备作战效能在评语集上的分布如图4，易知效能值集中于良好偏下的区间，优秀占比过小，表明作战方案或作战过程存在问题，需要进一步查找并改进。
Figure BDA0002274196930000111
Figure BDA0002274196930000121
表1
以上所述，仅为本发明较佳的具体实施方式，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，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (5)

1.一种用于作战效能评估的加权随机混合语义方法，其特征在于，包括步骤如下：
(1)评估指标体系构建与指标赋权；
(2)评估指标量化与重映射；
(3)建立加权随机混合语义模型；
(4)数据代入推断。
2.根据权利要求1所述的一种用于作战效能评估的加权随机混合语义方法，其特征在于，所述的步骤(1)包括：
(a)评估指标体系构建；
所述的(a)包括构建评估指标体系的树形结构，一般情况下，第一级指标(即根节点)为作战效能节点，其下设若干个反映作战效能某一特定方面的二级指标，递归地，N级指标可依实际意义与需求再下设N+1级指标，指标级数越高，抽象程度越低，物理意义也越具体，直至达到可量化的指标节点(即叶节点)为止。
(b)评估指标赋权；
所述的(b)包括为指标树中除根节点外的所有指标节点赋予权重，节点的权重衡量此节点与其父节点联系的紧密程度，方法采用专家主观赋权法，权重取值区间为(0,1)。
3.根据权利要求1所述的一种用于作战效能评估的加权随机混合语义方法，其特征在于，所述的步骤(2)包括：
(a)评估指标量化；
所述的(a)包括利用实采数据解算指标树叶节点中定量指标的实数值，以及为定性指标赋予适当的离散标签。
(b)评估指标重映射；
所述的(b)包括：首先，将未缺失的定性指标标签按蕴含的实际正向或负向意义重赋为“达标”或“未达标”之一；
其次，将未缺失的效益型定量指标值重映射至[0,1]区间，映射函数需针对每个指标分别定制，效益型指标是一类量化值越高，代表效能值越高的指标类型，对于任一效益型指标
Figure FDA0002274196920000021
定制其重映射函数如下：
Figure FDA0002274196920000022
其中，u为映射值达到1时
Figure FDA0002274196920000023
的下界，Δu为映射值达到0时
Figure FDA0002274196920000024
相对u向负方向的最小偏离量，且Δu＞0；
最后，将未缺失的成本型定量指标值重映射至[0,1]区间，映射函数需针对每个指标分别定制，成本型指标是一类量化值越高，代表效能值越低的指标类型，对于任一成本型指标
Figure FDA0002274196920000025
定制其重映射函数如下：
Figure FDA0002274196920000026
其中，u为映射值达到1时
Figure FDA0002274196920000031
的上界，Δu为映射值达到0时
Figure FDA0002274196920000032
相对u向正方向的最小偏离量，且Δu＞0。
4.根据权利要求1所述的一种用于作战效能评估的加权随机混合语义方法，其特征在于，所述的步骤(3)包括：(a)建立非叶节点指标产生语义；
所述的(a)包括建立作战效能节点(即根节点)的先验分布，以及各中间节点相对其父节点的产生语义，作战效能节点先验分布为：
A～Beta(1,1)
其中，Beta(1,1)为参数均为1的贝塔分布，它等效于在[0,1]区间上的均匀分布；
四个中间节点的抽样产生语义为：
Figure FDA0002274196920000033
其中，TNormal[0,1]是在区间[0,1]上的截断正态分布，定义为：
Figure FDA0002274196920000034
其中，Normal为正态分布概率密度函数。
(b)建立定量指标节点产生语义；
所述的(b)包括建立定量指标节点相对其父节点的产生语义，若指标Aij为定量指标，父节点为Ai，则其抽样产生语义为：
Figure FDA0002274196920000041
(c)建立定性指标节点产生语义；
所述的(c)包括建立定性指标节点相对其父节点的产生语义，若指标Aij为定性指标，父节点为Ai，则其抽样产生语义为：
Aij～Bernoulli(φ(φ-1(Ai)×wij))
其中，Bernoulli为伯努利分布，Aij＝1表示“达标”，Aij＝0表示“不达标”，函数φ-1为函数φ的反函数，函数φ是标准正态分布的累积概率密度函数，定义为：
Figure FDA0002274196920000042
5.根据权利要求1所述的一种用于作战效能评估的加权随机混合语义方法，其特征在于，所述的步骤(4)包括将步骤(1)赋予的指标权重和步骤(2)计算的量化指标重映射值代入步骤(3)构建的概率化预测模型中，并给出一个类似于[优、良、中、差]或[高级、中级、低级]等的评语集，启动对模型的抽样过程，利用根节点的后验分布样本得出作战效能在评语集上的概率分布。
CN201911116459.7A 2019-11-15 2019-11-15 一种用于作战效能评估的加权随机混合语义方法 Active CN112819264B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911116459.7A CN112819264B (zh) 2019-11-15 2019-11-15 一种用于作战效能评估的加权随机混合语义方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911116459.7A CN112819264B (zh) 2019-11-15 2019-11-15 一种用于作战效能评估的加权随机混合语义方法

Publications (2)

Publication Number Publication Date
CN112819264A true CN112819264A (zh) 2021-05-18
CN112819264B CN112819264B (zh) 2024-08-27

Family

ID=75851737

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911116459.7A Active CN112819264B (zh) 2019-11-15 2019-11-15 一种用于作战效能评估的加权随机混合语义方法

Country Status (1)

Country Link
CN (1) CN112819264B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113408137A (zh) * 2021-06-29 2021-09-17 中国舰船研究设计中心 一种基于任务完成度和损失比的体系作战效能分析方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2604909C1 (ru) * 2015-09-21 2016-12-20 Открытое акционерное общество "Завод им. В.А. Дегтярева" Способ оценки эффективности стрельбы боевого дистанционно-управляемого модуля, размещенного на подвижном объекте
CN108615122A (zh) * 2018-05-11 2018-10-02 北京航空航天大学 一种防空反导体系作战能力评估方法
CN108805430A (zh) * 2018-05-30 2018-11-13 北京航空航天大学 一种防空反导体系作战能力评估方法与装置
CN110175773A (zh) * 2019-05-24 2019-08-27 南京邮电大学 基于贝叶斯网络的侦查无人机作战效能评估方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2604909C1 (ru) * 2015-09-21 2016-12-20 Открытое акционерное общество "Завод им. В.А. Дегтярева" Способ оценки эффективности стрельбы боевого дистанционно-управляемого модуля, размещенного на подвижном объекте
CN108615122A (zh) * 2018-05-11 2018-10-02 北京航空航天大学 一种防空反导体系作战能力评估方法
CN108805430A (zh) * 2018-05-30 2018-11-13 北京航空航天大学 一种防空反导体系作战能力评估方法与装置
CN110175773A (zh) * 2019-05-24 2019-08-27 南京邮电大学 基于贝叶斯网络的侦查无人机作战效能评估方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李聪 等: "用于作战效能评估的加权概率混合语义模型", 《第三十三届中国仿真大会论文集 中国仿真学会》, 15 October 2021 (2021-10-15), pages 1 - 6 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113408137A (zh) * 2021-06-29 2021-09-17 中国舰船研究设计中心 一种基于任务完成度和损失比的体系作战效能分析方法
CN113408137B (zh) * 2021-06-29 2022-06-10 中国舰船研究设计中心 一种基于任务完成度和损失比的体系作战效能分析方法

Also Published As

Publication number Publication date
CN112819264B (zh) 2024-08-27

Similar Documents

Publication Publication Date Title
CN112488395A (zh) 一种配电网线损预测方法及系统
CN112734128B (zh) 一种基于优化rbf的7日电力负荷峰值预测方法
CN102780765A (zh) 一种基于性能融合的云制造服务资源匹配与组合方法
CN113792754B (zh) 一种先除异后修复的换流变dga在线监测数据处理方法
US20170161628A1 (en) Maintenance period determination device, deterioration estimation system, deterioration estimation method, and recording medium
CN116150897A (zh) 一种基于数字孪生的机床主轴性能测评方法及系统
CN118133068B (zh) 一种电网拓扑自动识别与构建方法及系统
CN114066196A (zh) 一种电网投资策略优化系统
CN112818525A (zh) 一种水电机组状态评价方法及其系统
Zhang et al. Multi-state deterioration prediction for infrastructure asset: Learning from uncertain data, knowledge and similar groups
Wang et al. Short-term load forecasting with LSTM based ensemble learning
CN115409317A (zh) 基于特征选择和机器学习的台区线损检测方法及装置
CN118278914A (zh) 一种基于gis系统设备故障抢修的实现方法
CN117787792B (zh) 一种基于医疗器械质量安全风险监管的方法及系统
CN112819264A (zh) 一种用于作战效能评估的加权随机混合语义方法
CN116862209B (zh) 一种新能源汽车充电设施管理方法及系统
CN117495109A (zh) 一种基于深井网络的窃电用户识别系统
CN112966930A (zh) 光伏电站的评价方法、装置以及计算机可读存储介质
CN116776209A (zh) 一种关口计量装置运行状态辨识方法、系统、设备及介质
CN111160715A (zh) 基于bp神经网络新旧动能转换绩效评价方法和装置
CN115545339A (zh) 变电站安全作业态势评估方法及装置
CN114153683A (zh) 基于综合评价算法的网络化软件健康度评价方法
CN118134358B (zh) 一种智慧物流配送数据管理平台
CN118447459B (zh) 基于深度学习的滑坡堆积体监控方法及系统
CN117972646B (zh) 输电线路避雷器、杆塔和接地系统运行状态评估方法

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