CN113239636A - 一种武器装备的效能评估方法、系统、设备及存储介质 - Google Patents
一种武器装备的效能评估方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN113239636A CN113239636A CN202110667599.4A CN202110667599A CN113239636A CN 113239636 A CN113239636 A CN 113239636A CN 202110667599 A CN202110667599 A CN 202110667599A CN 113239636 A CN113239636 A CN 113239636A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- bootstrap
- alpha
- evaluation
- 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 73
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 99
- 238000013528 artificial neural network Methods 0.000 claims abstract description 57
- 238000013210 evaluation model Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000005259 measurement Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 50
- 238000003062 neural network model Methods 0.000 claims description 41
- 238000012360 testing method Methods 0.000 claims description 39
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 6
- 238000005065 mining Methods 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 230000006872 improvement Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 241000238557 Decapoda Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012821 model calculation 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
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明一种武器装备的效能评估方法、系统、设备及存储介质。方法包括获取SAR导引头测高系统的基础指标;利用Bootstrap法进行扩充得到Bootstrap数据集;利用TOPSIS法分别对Bootstrap集数据进行处理得到TOPSIS_Bootstrap数据;将TOPSIS_Bootstrap数据作为输入,利用RBF神经网络评估模型求取评估值。通过RBF神经网络建立评估模型以解决小样本的评估问题。
Description
技术领域
本发明涉及小样本以及RBF神经网络模型领域,具体涉及一种武器装备的效能评估方法、系统、设备及存储介质。
背景技术
武器装备的效能评估伴随于武器的全周期寿命,对于实战化应用具有非常重要的意义。近年来,随着高新技术在国防科技领域的广泛运用,导弹武器装备在现代化战争中发挥着越来越重要的作用,对于武器装备的效能评估也成为作战决策和军事部署的重要依据。常用的导弹武器装备效能评估模型有:ADC法、层次分析法、模糊综合评价法、SEA法等。ADC法中,能力向量C是系统效能集中的体现,也是评估系统效能的关键。但在模型中,能力向量C应包含哪些能力项,ADC方法没有给出一个统一规范的标准;层次分析法往往与专家法结合起来,通过专家打分来确定指标的权重,评价结果主观性较强,这也导致评价对象的基础指标数量不能太多;模糊综合评价法并不能利用原始数据的深层信息,不能解决评价指标间相关造成的信息重复问题。而SEA法很难解决系统性能和使命性能之间的指标映射。
现如今,神经网络评估模型为解决这些问题指明了方向。针对如何利用神经网络评估模型解决这些问题,海内外学者做了大量的工作。通过文献调研,有些文献通过分析表现函数梯度,根据迭代梯度方向和增量因子调整修正值,克服幅度偏导造成的不利影响,从而提高训练速度;部分文献通过遗传算法优化模型参数和结构,利用贝叶斯正则化自适应调整参数大小及数量,提高模型的泛化能力,避免出现过拟合现象;还有文献提出采用L-M(Levenberg-Marquardt)方法,并结合历史数据进行多次数值拟合优化模型初始参数,减少迭代次数和模型计算量;还有文献将鳞虾群算法运用到模型连接权值及阈值的训练中,可增强模型的搜索能力和收敛速度。更有文献将BP神经网络算法与数据包络法相结合,虽然结果得到了优化,但是传统BP神经网络中用梯度下降法调节权值存在着收敛速度慢和易于陷入局部最优的先天缺陷。
导弹武器装备具有其特殊性:由于武器的试验成本十分昂贵,使得现有的样本规模很小,同时对评估模型的精确度有着极为苛刻的要求。而上述方法通过分析模型原理和优化参数等方式,提高了传统神经网络模型的训练速度,但是在处理小样本数据类型上结果都不甚理想。
发明内容
针对小样本的情况下,如何通过RBF神经网络建立评估模型以解决小样本的评估问题。本发明提供一种武器装备的效能评估方法、系统、设备及存储介质。
本发明所采用的技术方案是:
一种武器装备的效能评估方法,包括以下步骤:
获取SAR导引头测高系统的基础指标参数;
利用Bootstrap法对基础指标参数进行扩充得到Bootstrap数据集;利用TOPSIS法分别对Bootstrap集数据进行处理得到TOPSIS_Bootstrap数据;
将TOPSIS_Bootstrap数据作为输入,利用RBF神经网络评估模型求取评估值。
作为本发明的进一步改进,建立所述RBF神经网络评估模型包括如下步骤:
建立SAR导引头测高性能评估指标体系;
利用TOPS处理原始数据;
利用Bootstrap法对处理完的数据进行扩充;
构造RBF神经网络,采用有监督学习的方式进行训练对TOPSIS法和Bootstrap法处理后的数据进行训练,得到训练后的RBF神经网络评估模型。
作为本发明的进一步改进,所述SAR导引头测高性能评估指标体系是根据SAR导引头实际的工作环境采用层次分析法,建立导引头测高性能评估指标体系。
作为本发明的进一步改进,所述SAR导引头测高性能评估指标体系具体是将导引头测高性能评估S0分为三个一级指标和八个二级指标;
其中一级指标分为α1、适应复杂地形能力α2、适应电磁干扰能力α3。其中高速下跟踪算法能力α1下的二级指标分为算法线性跟踪范围α11、算法结果信噪比α12和算法均方根误差α13,适应复杂地形能力α2的二级指标分为地伏测高灵敏度α21和复杂地形测高误差α22,适应电磁干扰能力α3的二级指标分为压制干扰失效概率α31、欺骗干扰失效概率α32和噪声干扰失效概率α33。
作为本发明的进一步改进,所述数据进行训练具体包括:
将历史样本随机分为训练集和测试集,通过TOPSIS法对训练集以及测试集数据进行深入挖掘;之后用处理后的训练集数据对RBF神经网络进行有监督学习的训练,得到训练后的神经网络;以测试集为输入,利用训练后的RBF神经网络求取测试样本的评估值,并将估计结果与真实值进行对比;然后求取相对误差,对样本点的相对误差进行比较得到最终的。
作为本发明的进一步改进,还包括验证评估值有效性的步骤,具体包括:
用TOPSIS法处理后的测试集数据对训练后的神经网络模型进行验证,将得到的预测值数据与真实值数据进行对比;
求取相对误差将结果与实际值进行对比,以验证预测结果的有效性。
作为本发明的进一步改进,所述预测值数据与真实值数据进行对比是计算拟合优度进行,拟合度的计算公式为:
求取测高模型的相对误差公式为:
其中,给出参数解释。
一种武器装备的效能评估系统,包括:
获取单元,用于获取SAR导引头测高系统的基础指标参数;
数据处理单元,用于利用Bootstrap法对基础指标参数进行扩充得到Bootstrap数据集;利用TOPSIS法分别对Bootstrap集数据进行处理得到TOPSIS_Bootstrap数据;
效能评估单元,用于将TOPSIS_Bootstrap数据作为输入,利用RBF神经网络评估模型求取效能评估值。
一种电子设备,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所述武器装备的效能评估方法的步骤。
一种计算机可读存储介质,所述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实现所述武器装备的效能评估方法的步骤。
本发明的有益效果:
本发明武器装备的效能评估方法,基于TOPSIS-Bootstrap法的小样本RBF神经网络模型,并以SAR导引头测高性能为例,对比了传统的RBF神经网络模型、基于TOPSIS法改进的RBF神经网络模型以及基于Bootstrap法改进的RBF神经网络模型,从得到的四种结果可以看出,改进后的神经网络模型的决定系数和相对误差均有着明显的改善。该模型大大削弱了导弹武器装备性能评估中的主观因素的影响,同时充分挖掘了数据的深层信息,进而扩充原有的数据,使其满足RBF神经网络对于数据量的需求,有效地解决了神经网络模型对数据量的苛刻要求。
附图说明
图1是SAR导引头测高性能评价体系;
图2是基于传统RBF神经网络模型的评估结果;
图3是基于TOPSIS改进RBF神经网络模型的评估值;
图4是基于Bootstrap法改进RBF神经网络模型评估值;
图5是基于TOPSIS-Bootstrap法改进后RBF神经网络模型的评估值。
图6是本发明武器装备的效能评估系统模块图;
图7是本发明电子设备示意图。
具体实施方式
如图1所示,本发明一种武器装备的效能评估方法,包括以下步骤:
获取SAR导引头测高系统的基础指标;
利用Bootstrap法进行扩充得到Bootstrap数据集;利用TOPSIS法分别对Bootstrap集数据进行处理得到TOPSIS_Bootstrap数据;
将TOPSIS_Bootstrap数据作为输入,利用RBF神经网络评估模型求取评估值。
具体是一种小样本以及RBF神经网络模型利用。建立所述RBF神经网络评估模型包括如下步骤:
首先建立评估指标体系,后利用TOPSIS(逼近理想解排序法)法处理原始数据,充分挖掘数据深层信息,再利用Bootstrap法(自助法)对处理完的数据进行扩充,然后通过RBF神经网络建立评估模型。最后,将小样本RBF神经网络模型应用于导引头测高性能评估以验证算法的有效性。从得到的四种结果可以看出,改进后的神经网络模型的决定系数和相对误差均有着明显的改善。该模型大大削弱了导弹武器装备性能评估中的主观因素的影响,同时充分挖掘了数据的深层信息,进而扩充原有的数据,使其满足RBF神经网络对于数据量的需求,有效地解决了神经网络模型对数据量的苛刻要求。
具体的,针对导弹武器装备的试验成本高且试验数据少的问题提出的一种小样本RBF神经网络模型包括如下步骤:
步骤一、建立SAR导引头测高性能评估指标体系;
步骤二、利用TOPSI(逼近理想解排序法)处理原始数据;
步骤三、利用Bootstrap法(自助法)对处理完的数据进行扩充;
步骤四、通过RBF神经网络建立评估模型;
步骤五、将小样本RBF神经网络模型应用于导引头测高性能评估以验证算法的有效性。
作为优选地实施例,在第一步中建立SAR导引头测高性能评估指标体系:
将导引头测高性能评估S0分为三个一级指标和八个二级指标。其中一级指标分为α1、适应复杂地形能力α2、适应电磁干扰能力α3。其中高速下跟踪算法能力α1下的二级指标分为算法线性跟踪范围α11、算法结果信噪比α12和算法均方根误差α13,适应复杂地形能力α2的二级指标分为地伏测高灵敏度α21和复杂地形测高误差α22,适应电磁干扰能力α3的二级指标分为压制干扰失效概率α31、欺骗干扰失效概率α32和噪声干扰失效概率α33。
作为优选地实施例,在第一步建立评估指标体系的基础上,在第二步中,将历史样本随机分为训练集和测试集,通过TOPSIS法对训练集以及测试集数据进行深入挖掘。之后用处理后的训练集数据对RBF神经网络进行有监督学习的训练,得到训练后的神经网络。以测试集为输入,利用训练后的RBF神经网络求取测试样本的评估值,并将估计结果与真实值进行对比。然后利用公式
作为优选地实施例,随机选取8组数据作为训练样本,其余4组作为测试样本。对训练集数据利用Bootstrap法进行扩充,得到200个新的数据集。用处理后的训练集数据对RBF神经网络进行有监督学习的训练,得到训练后的神经网络。以4组测试集为输入,利用训练后的的RBF神经网络求取测试样本的评估值,并将估计结果与真实值进行对比,然后利用公式
另外,随机选取表1中的8组数据作为训练样本,其余4组作为测试样本。对训练集数据利用Bootstrap法进行扩充得到200个Bootstrap数据集。利用TOPSIS法分别对200个Bootstrap训练集数据和4个原始测试集数据的8项基础指标进行处理得到204个TOPSIS_Bootstrap数据。把200个TOPSIS_Bootstrap训练集数据放入到RBF神经网络中,采用有监督学习的方式进行训练,得到训练过后的神经网络。以4组TOPSIS_Bootstrap测试集数据作为输入,利用RBF神经网络求取测试样本的评估值,并将估计结果与真实值进行对比,然后利用公式
求取决定系数R2,利用公式
由TOPSIS_Bootstrap法改进的RBF神经网络评估模型来评估的四个样本结果相对误差最小,这说明由它评估出来的结果更逼近样本的真实值。
同时,其R2值要大于前两种神经网络模型,这说明由基于TOPSIS_Bootstrap法改进后的神经网络模型得出的回归直线与真实直线之间的拟合程度更好。
为了使本发明目的、技术方案及优点更加清晰,下面结合仿真实验对本发明进一步说明。
仿真对象描述:
以SAR导引头测高系统为例进行仿真实验分析,把现有12组历史样本,分为8组训练集和4组测试集,如表1所示。我们通过建立不同的RBF神经网络模型来对系统的测高性能进行评估。
导引头的测高性能的评估体系有八个基础指标,将8个基础指标作为神经网络的输入,利用有监督学习的方式训练神经网络。传统RBF神经网络作为对照组,然后将三种改进后的神经网络模型作为实验组,得到相应的预测值、决定系数和相对误差,S0是由实际命中精度与各类数据标准计算所得,并在此基础上对四种评估结果进行分析。
表1 SAR导引头测高样本数据
步骤一:基于传统RBF神经网络模型的评估结果
实验方法:
Step1:随机选取表1中的8组数据作为训练样本,其余4组作为测试样本。
Step2:构造RBF神经网络,采用有监督学习的方式对原始训练集数据进行训练,得到训练过后的神经网络。
Step3:将4组测试集输入到训练完成后的RBF神经网络中,求取测试样本的评估值。
Step4:利用公式(1)求取决定系数R2,公式(2)求取相对误差将结果与实际值进行对比如图2和表2所示。
表2传统RBF神经网络模型评估值
分析图2和表2可知:传统的RBF神经网络模型对训练样本自身进行评估时,其决定系数为:0.73371,可见回归方程的拟合效果不是很理想。四个样本点的相对误差值均大于0.01,其中样本4的相对误差更是达到了0.1。由上述仿真结果可见,模型的预测结果远远不能满足导弹武器装备的对评估模型精准度的需求。
步骤二:基于TOPSISS改进RBF神经网络模型的评估结果
实验方法:
Step1:随机选取表1中的8组数据作为训练样本,其余4组作为测试样本。
Step2:利用TOPSIS法分别对训练集数据和测试集数据的8个基础指标进行处理得到的数据如表3所示。
Step3:用处理后的训练集数据对RBF神经网络进行有监督学习的训练,得到训练后的神经网络。
Step4:以4组测试集为输入,利用Step3的RBF神经网络求取测试样本的评估值,并将估计结果与真实值进行对比,如图5所示。
Step5:利用公式(1)求取决定系数R2,公式(2)求取相对误差,对四个样本点的相对误差进行比较,如图3和表4所示。
表3经过TOPSIS法处理后的SAR导引头测高样本数据
表4基于TOPSIS法的RBF神经网络模型评估值
分析图3和表4可知:基于TOPSIS法的RBF神经网络模型对训练样本自身进行评估时,其决定系数为:0.85478,可见回归方程的拟合结果不甚理想。从表4可见,所有样本点的相对误差值均大于0.01,其中样本4的误差甚至达到了0.0598。可见基于TOPSIS法的RBF神经网络模型的预测结果虽然比传统RBF神经网络有所提升,但依然不能满足导弹武器装备对评估模型的精准度要求。
步骤三:基于Bootstrap法改进RBF神经网络模型的评估结果
实验方法:
Step1:随机选取表1中的8组数据作为训练样本,其余4组作为测试样本。
Step2:对训练集数据利用Bootstrap法进行扩充,得到200个新的数据集。
Step3:用处理后的训练集数据对RBF神经网络进行有监督学习的训练,得到训练后的神经网络。
Step4:以4组测试集为输入,利用Step3的RBF神经网络求取测试样本的评估值,并将估计结果与真实值进行对比,如图6所示。
Step5:利用公式(1)求取决定系数R2,公式(2)求取相对误差将结果与实际值进行对比如图4和表5所示。
表5基于Bootstrap法改进RBF神经网络模型评估值
分析图4和表5可知:基于Bootstrap的RBF神经网络模型对训练样本自身进行评估时,其决定系数为:0.85478,这表明拟合效果一般但是达不到优秀的程度。从图4可见,基于Bootstrap的RBF神经网络模型的预测值更接近于传统的RBF神经网络模型预测结果。从表5可知,虽然样本2和样本3的相对误差在0.01之内,但是样本1和样本4的相对误差依然大于0.01。可见基于Bootstrap的RBF神经网络模型虽然在一定程度上提升了预测的准确度,但评估结果依然不令人满意。
步骤四:基于小样本RBF神经网络模型的评估结果
实验方法:Step1:随机选取表1中的8组数据作为训练样本,其余4组作为测试样本。
Step2:对训练集数据利用Bootstrap法进行扩充得到200个Bootstrap数据集。
Step3:利用TOPSIS法分别对200个Bootstrap训练集数据和4个原始测试集数据的8项基础指标进行处理得到204个TOPSIS_Bootstrap数据。
Step4:把200个TOPSIS_Bootstrap训练集数据放入到RBF神经网络中,采用有监督学习的方式进行训练,得到训练过后的神经网络。
Step5:以4组TOPSIS_Bootstrap测试集数据作为输入,利用Step3的RBF神经网络求取测试样本的评估值,并将估计结果与真实值进行对比,如图7所示。
Step6:利用公式(1)求取决定系数R2,公式(2)求取相对误差将结果与实际值进行对比如图5和表6所示。
表6基于TOPSIS_Bootstrap法改进后RBF神经网络模型的评估值
分析图5和表6可知:基于TOPSIS法和Bootstrap法优化后的RBF神经网络模型对训练样本自身进行评估时,其决定系数为:0.97022。所有点的相对误差均在0.006之内,其中样本4的相对误差值更是在0.001之内。模型的预测结果比前两种RBF神经网络模型预测结果都要好很多。能够充分满足导弹武器装备的需要。
如图6所示,本发明的另一目的在于提出一种武器装备的效能评估系统,包括:
获取单元,用于获取SAR导引头测高系统的基础指标;
数据处理单元,用于利用Bootstrap法进行扩充得到Bootstrap数据集;利用TOPSIS法分别对Bootstrap集数据进行处理得到TOPSIS_Bootstrap数据;
效能评估单元,用于将TOPSIS_Bootstrap数据作为输入,利用小样本RBF神经网络评估模型求取评估值。
如图7所示,本发明第三个目的是提供一种电子设备,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所述武器装备的效能评估方法的步骤。
本发明第四个目的是提供一种计算机可读存储介质,所述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实现所述武器装备的效能评估方法的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种武器装备的效能评估方法,其特征在于,包括以下步骤:
获取SAR导引头测高系统的基础指标参数;
利用Bootstrap法对基础指标参数进行扩充得到Bootstrap数据集;利用TOPSIS法分别对Bootstrap集数据进行处理得到TOPSIS_Bootstrap数据;
将TOPSIS_Bootstrap数据作为输入,利用RBF神经网络评估模型求取评估值。
2.根据权利要求1所述的方法,其特征在于,建立所述RBF神经网络评估模型包括如下步骤:
建立SAR导引头测高性能评估指标体系;
利用TOPS处理原始数据;
利用Bootstrap法对处理完的数据进行扩充;
构造RBF神经网络,采用有监督学习的方式进行训练对TOPSIS法和Bootstrap法处理后的数据进行训练,得到训练后的RBF神经网络评估模型。
3.根据权利要求2所述的方法,其特征在于,所述SAR导引头测高性能评估指标体系是根据SAR导引头实际的工作环境采用层次分析法,建立导引头测高性能评估指标体系。
4.根据权利要求2所述的方法,其特征在于,所述SAR导引头测高性能评估指标体系具体是将导引头测高性能评估S0分为三个一级指标和八个二级指标;
其中一级指标分为α1、适应复杂地形能力α2、适应电磁干扰能力α3;其中高速下跟踪算法能力α1下的二级指标分为算法线性跟踪范围α11、算法结果信噪比α12和算法均方根误差α13,适应复杂地形能力α2的二级指标分为地伏测高灵敏度α21和复杂地形测高误差α22,适应电磁干扰能力α3的二级指标分为压制干扰失效概率α31、欺骗干扰失效概率α32和噪声干扰失效概率α33。
5.根据权利要求2所述的方法,其特征在于,所述数据进行训练具体包括:
将历史样本随机分为训练集和测试集,通过TOPSIS法对训练集以及测试集数据进行深入挖掘;之后用处理后的训练集数据对RBF神经网络进行有监督学习的训练,得到训练后的神经网络;以测试集为输入,利用训练后的RBF神经网络求取测试样本的评估值,并将估计结果与真实值进行对比;然后求取相对误差,对样本点的相对误差进行比较得到最终的。
6.根据权利要求1所述的方法,其特征在于,还包括验证评估值有效性的步骤,具体包括:
用TOPSIS法处理后的测试集数据对训练后的神经网络模型进行验证,将得到的预测值数据与真实值数据进行对比;
求取相对误差将结果与实际值进行对比,以验证预测结果的有效性。
8.一种武器装备的效能评估系统,其特征在于,包括:
获取单元,用于获取SAR导引头测高系统的基础指标参数;
数据处理单元,用于利用Bootstrap法对基础指标参数进行扩充得到Bootstrap数据集;利用TOPSIS法分别对Bootstrap集数据进行处理得到TOPSIS_Bootstrap数据;
效能评估单元,用于将TOPSIS_Bootstrap数据作为输入,利用RBF神经网络评估模型求取效能评估值。
9.一种电子设备,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权利要求1-7任一项所述武器装备的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有计算机程序,所述计算机程序被处理器执行时实现权利要求1-7任一项所述武器装备的效能评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110667599.4A CN113239636A (zh) | 2021-06-16 | 2021-06-16 | 一种武器装备的效能评估方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110667599.4A CN113239636A (zh) | 2021-06-16 | 2021-06-16 | 一种武器装备的效能评估方法、系统、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113239636A true CN113239636A (zh) | 2021-08-10 |
Family
ID=77140120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110667599.4A Pending CN113239636A (zh) | 2021-06-16 | 2021-06-16 | 一种武器装备的效能评估方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113239636A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116050914A (zh) * | 2023-01-19 | 2023-05-02 | 上海理工大学 | 机床设备安装一致性定量评价方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014101636A1 (zh) * | 2012-12-31 | 2014-07-03 | 北京邮电大学 | 一种电力通信网风险评估方法 |
CN109241591A (zh) * | 2018-08-21 | 2019-01-18 | 哈尔滨工业大学 | 反舰导弹作战效能评估及辅助决策方法 |
CN109614729A (zh) * | 2018-12-18 | 2019-04-12 | 上海机电工程研究所 | 一种基于元模型的装备效能评估结果快速分析方法 |
WO2019144337A1 (zh) * | 2018-01-25 | 2019-08-01 | 大连理工大学 | 一种基于深度学习算法的航空发动机全包线模型自适应修正方法 |
-
2021
- 2021-06-16 CN CN202110667599.4A patent/CN113239636A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014101636A1 (zh) * | 2012-12-31 | 2014-07-03 | 北京邮电大学 | 一种电力通信网风险评估方法 |
WO2019144337A1 (zh) * | 2018-01-25 | 2019-08-01 | 大连理工大学 | 一种基于深度学习算法的航空发动机全包线模型自适应修正方法 |
CN109241591A (zh) * | 2018-08-21 | 2019-01-18 | 哈尔滨工业大学 | 反舰导弹作战效能评估及辅助决策方法 |
CN109614729A (zh) * | 2018-12-18 | 2019-04-12 | 上海机电工程研究所 | 一种基于元模型的装备效能评估结果快速分析方法 |
Non-Patent Citations (4)
Title |
---|
何华锋等: "基于改进型BP神经网络的导引头测高性能评估", 《系统工程与电子技术》 * |
李健等: "基于生成对抗网络和深度神经网络的武器系统效能评估", 《计算机应用与软件》 * |
王斌会: "《多元统计分析及R语言建模第4版》", 31 March 2016, 暨南大学出版社 * |
许友平等: "基于支持向量机的红外成像导引头抗干扰性能评估方法", 《电光与控制》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116050914A (zh) * | 2023-01-19 | 2023-05-02 | 上海理工大学 | 机床设备安装一致性定量评价方法 |
CN116050914B (zh) * | 2023-01-19 | 2024-07-02 | 上海理工大学 | 机床设备安装一致性定量评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110503075B (zh) | 基于pso-eemd方法的行星齿轮箱故障诊断方法及系统 | |
CN107977710A (zh) | 用电异常数据检测方法和装置 | |
CN114036610A (zh) | 一种基于数据增强的侵彻深度预测方法 | |
CN109163911A (zh) | 一种基于改进的蝙蝠算法优化elm的发动机燃油系统故障诊断方法 | |
CN111832813A (zh) | 一种海底隧道断层活化突水预测方法及系统 | |
CN111931983A (zh) | 一种降水量预测方法及系统 | |
CN103885867B (zh) | 一种模拟电路性能的在线评价方法 | |
CN110889207B (zh) | 一种基于深度学习的体系组合模型可信度智能评估方法 | |
CN112069918A (zh) | 一种行星齿轮箱的故障诊断方法和装置 | |
CN113239636A (zh) | 一种武器装备的效能评估方法、系统、设备及存储介质 | |
CN112883651A (zh) | 基于改进pbi方法的系统级测试性设计多目标优化方法 | |
CN115859805A (zh) | 基于混合加点准则的自适应序贯试验设计方法和装置 | |
CN114996995A (zh) | 一种超材料隔振单元性能预报方法和系统 | |
CN108469609B (zh) | 一种用于雷达目标跟踪的检测信息滤波方法 | |
CN113419280B (zh) | 基于改进椭圆拟合的叠前裂缝密度估算方法 | |
CN113705110A (zh) | 一种基于双重随机森林回归方法的爆破振动速度预测方法 | |
CN108288093A (zh) | Bp神经网络权值确定方法、系统以及预测方法、系统 | |
CN109492516A (zh) | 一种基于dgru神经网络的uuv集群行为识别方法 | |
CN110135085B (zh) | 基于自适应核密度估计辅助粒子滤波的疲劳裂纹评估方法 | |
CN111782904B (zh) | 一种基于改进smote算法的非平衡数据集处理方法及系统 | |
CN116340384A (zh) | 基于规则演化的核递归最大相关熵时间序列在线预测方法 | |
CN115392441A (zh) | 量化神经网络模型的片内适配方法、装置、设备及介质 | |
CN115047408A (zh) | 一种基于单层大卷积核神经网络的水下多声源定位方法 | |
CN113837644A (zh) | 基于灰色关联的装备作战效能与贡献率一体化评估方法 | |
CN113051809A (zh) | 一种基于改进受限玻尔兹曼机的虚拟健康因子构建方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210810 |