CN113435780B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN113435780B
CN113435780B CN202110796957.1A CN202110796957A CN113435780B CN 113435780 B CN113435780 B CN 113435780B CN 202110796957 A CN202110796957 A CN 202110796957A CN 113435780 B CN113435780 B CN 113435780B
Authority
CN
China
Prior art keywords
emergency communication
equipment system
matrix
neural network
evaluation index
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.)
Active
Application number
CN202110796957.1A
Other languages
English (en)
Other versions
CN113435780A (zh
Inventor
田露
杨凯
石宸睿
徐湛
职如昕
陈晋辉
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.)
Beijing Information Science and Technology University
Original Assignee
Beijing Information Science and Technology University
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 Beijing Information Science and Technology University filed Critical Beijing Information Science and Technology University
Priority to CN202110796957.1A priority Critical patent/CN113435780B/zh
Publication of CN113435780A publication Critical patent/CN113435780A/zh
Application granted granted Critical
Publication of CN113435780B publication Critical patent/CN113435780B/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
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/60—Business processes related to postal services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Educational Administration (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Development Economics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Telephonic Communication Services (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明提供了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，属于效能评估技术领域。为了能够更加可靠地反映应急通信感知装备体系的实战效能，提出了基于神经网络的应急通信感知装备体系效能评估方法。该方法通过计算各效能评估指标的熵值后，选取熵值较大的效能评估指标，从而对效能评估指标进行筛选、并结合主成分分析法进一步降低效能评估指标的维数。最后采用反向传播算法设置权重参数，构建BP神经网络效能评估模型。所述方法判断准确率高、时效性高，计算量小，还可有效避免了人为设定权值参数时的盲目性、主观性及偏见。

Description

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
技术领域
本发明涉及一种应急通信感知装备体系效能评估方法，尤其涉及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，属于效能评估技术领域。
背景技术
应急通信感知装备体系的效能是指应急通信感知装备体系运行功能以实现响应需求程度的度量，与体系中各装备单元的效能及其形成的体系整体功能结构有关。应急通信感知装备体系效能评估对应急通信感知装备发展战略研究中的应急通信感知装备发展方案设计具有重要的支撑作用，而且应急通信感知装备体系效能评估是支撑应急通信感知装备体制论证与支撑应急通信感知装备建设规划计划论证的重要手段。此外，体系效能评估与重大装备系统发展论证有紧密联系。
当前，传统的效能评估方法往往关注单一应急通信感知装备，评估内容也多为系统的性能或效能，很少在体系背景下研究应急通信感知装备的评估问题。在面对由众多不同类型的应急通信感知装备构成的应急通信感知装备体系时，现有的评估方法难以完全满足需求。因此，构建一个有效的综合效能评估系统非常具有实用价值和意义。
发明内容
本发明的目的是针对现有评估方法人为设置权重参数时存在盲目性、主观性及偏见的技术现状，提出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。
为了达到上述目的，本发明采取如下技术方案。
所述基于神经网络的应急通信感知装备体系效能评估方法，包括构建应急通信感知装备体系效能评估指标、效能评估指标数据降维以及基于BP神经网络构建应急通信感知装备体系效能评估模型；
其中，构建应急通信感知装备体系效能评估指标时，依托于应急通信感知装备体系作战指标的要求，结合应急通信感知装备体系执行任务的实际情况，分为信息采集能力、信息传输能力、机动平台能力、辅助保障能力四方面；
其中，信息采集能力包括温湿度气压感知能力、有毒气体感知能力、生命体征感知能力、三维地物场景感知能力；
信息传输能力包括网络覆盖能力、可靠性、通信性能、设备自身性能；
机动平台能力包括伴随式无人车性能、自主式无人车性能、微型无人机性能、单兵可穿戴装备性能；
辅助保障能力包括辅助定位能力；
首先，通过计算各效能评估指标的熵值，将应急通信感知装备体系效能评估指标体系进行科学的量化处理，选取熵值较大的效能评估指标，从而对效能评估指标进行筛选；
效能评估指标数据降维，具体为：利用主成分分析法对筛选后的效能评估指标数据进行降维；
基于BP神经网络构建应急通信感知装备体系效能评估模型，具体为：将降维后的数据及其相应效能值输入BP神经网络，在0到1内随机初始化其权值参数，之后通过不断迭代得到优化好的BP神经网络；最后再将要评估应急通信感知装备体系的效能指标数据通过同样的方式降维后，将其与相应效能值代入优化好的BP神经网络中，得到可靠的效能值；
所述基于神经网络的应急通信感知装备体系效能评估方法，具体步骤如下：
步骤1)依托于应急通信感知装备体系作战指标的要求，获得应急通信感知装备体系作战效能评估备选指标集，通过计算各效能评估指标的熵值，选取熵值较大的效能评估指标，从而对备选效能评估指标进行筛选，得到效能评估指标；
步骤1)，有如下分步骤：
步骤1.1)：依托于应急通信感知装备体系作战指标的要求，获得应急通信感知装备体系作战效能评估备选效能评估指标集；
步骤1.2)：构建初始样本数据集矩阵，具体为：引入xij为m个样本对于某层n个备选效能评估指标的描述，基于(1)建立初始样本数据集矩阵X；
Figure BDA0003163172190000021
其中，xij为第j个样本对第i个备选效能评估指标的描述；
步骤1.3)初始样本数据集矩阵做归一化处理得到归一化矩阵，具体为：基于(2)对初始样本数据集矩阵X做归一化处理得到归一化矩阵Y：
Figure BDA0003163172190000031
其中，max xi·，min xi分别表示初始样本数据集矩阵X第i行的最大值和最小值；
步骤1.4)：基于归一化矩阵中的元素，计算每个备选效能评估指标的熵值，具体根据(3)计算每个备选效能评估指标的熵值；
Figure BDA0003163172190000032
其中，
Figure BDA0003163172190000033
第i个备选效能评估指标的熵值为Hi；这里取负号以保证熵值为正，归一化系数定义为-1/lnn；
步骤1.5)：筛选应急通信感知装备体系备选效能评估指标集，即剔除对评估结果影响较低的指标，筛选出合适的效能评估指标，具体为：按照备选效能评估指标的熵值从大到小排序，选取熵值前KK％的备选效能评估指标作为效能评估指标；
其中，KK的取值范围为60到90；效能评估指标熵值越大，则该指标所提供的有效信息量越多；
步骤2)效能评估指标数据降维，得到降维后的数据集矩阵，具体为：采用主成分分析法，通过投影的方式将筛选后得到的数据在保留最多有效信息的同时映射到低维空间，在低维空间将信息分解为互不相关的数据；
步骤2)，有如下分步骤：
步骤2.1)：构建数据集矩阵，具体依据(4)将数据集中每个样本作为列向量，效能评估指标数据作为行向量，构成一个n行m列的数据集矩阵A；
Figure BDA0003163172190000034
其中，aij为第j个样本相对于第i个效能评估指标的描述；
步骤2.2)：将数据集矩阵进行Z-score标准化，得到标准化矩阵，具体为：根据(5)公式实现；
Figure BDA0003163172190000041
其中，B为标准化矩阵，
Figure BDA0003163172190000042
为数据集矩阵A第i行的均值，σi为第i行的标准差；
步骤2.3)：求出标准化矩阵的协方差矩阵，并求出协方差矩阵的特征值及相应单位特征向量；
步骤2.4)：将特征值由从大到小的顺序排列，并按特征值顺序计算特征值的方差贡献率，取方差累计贡献率超过XX％的主成分，并将其相对应的单位特征向量排列成矩阵，得到转换矩阵；
其中，方差累计贡献率，即
Figure BDA0003163172190000043
αj表达为(6)：
Figure BDA0003163172190000044
其中，XX的取值范围为大于80；超过XX％的主成分为k个：
步骤2.5)：数据集矩阵乘以转换矩阵得到降维后的数据集矩阵；
步骤3)基于BP神经网络构建装备体系效能评估模型，具体为：将降维后得到的数据集矩阵及其相应效能值代入BP神经网络，在随机赋予0到1之内的初始权值之后不断迭代求得最优的权值，以得到优化好的BP神经网络；在评价装备体系效能时，将要评价装备体系筛选后的效能评估指标数据通过同样的降维处理，即乘以步骤2)中得到的转换矩阵，最后代入优化好的BP神经网络，得到对于该装备的评价；
步骤3)，有如下分步骤：
步骤3.1)：根据步骤2)降维后的效能评估指标数确立输入层节点数，输出层节点是为1。确立隐藏层节点数的公式为：
Figure BDA0003163172190000045
其中，l为隐含层节点数；n为输入层节点数；m为输出层节点数；a为0～10之间的常数；
步骤3.2)：将样本数据按照训练集、验证集、测试集的随机分开，其中，训练集、验证集、测试集数据比例为z、(1-z)/2、(1-z)/2，z的取值范围为60～80％，在训练集上遍历得到的隐藏层节点数，再通过在验证集上的平均准确率来确定最优隐含层节点数以得到优化好的BP神经网络，并将其视为最终的应急通信感知装备体系效能评估模型；该评估模型的准确性由其在测试集上的平均准确率确定；
步骤3.3)：评价某一具体的应急通信感知装备体系效能时，将要评价应急通信感知装备体系的筛选后的效能评估指标数据乘以步骤2)中得到的转换矩阵，再代入优化好的BP神经网络，所输出结果即为对于该应急通信感知装备体系的评价。
有益效果：
本发明提出的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，与现有效能评估方法相比，具有以下有益效果：
1.所述效能评估方法在步骤1)中通过计算各效能评估指标的熵值，选取熵值较大的效能评估指标，从而对备选效能评估指标进行筛选，可保留所提供的信息量较大的效能评估指标，与现有效能评估方法相比，可更高效的评估不同应急通信感知装备体系的效能值；
2.所述效能评估方法在步骤2)中采用主成分分析法对数据进行降维处理，可在保留绝大部分信息的情况下用较少的几个综合指标代替原效能评估指标，从而减少后续优化BP神经网络时的计算量；
3.所述效能评估方法，通过在步骤3)中构建BP神经网络模型，自动提取输入指标数据与输出效能值间的“合理规则”，并自适应的将所学习内容记忆于网络的权值中，还可随着样本的增加不断自适应的修改完善效能评估模型，与现有效能评估方法相比，具有高度自学习和自适应的能力。
附图说明
图1是本发明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依托的应急通信感知装备体系效能评估指标体系图；
图2是本发明本发明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中基于神经网络构建应急通信感知装备体系效能评估模型的主要算法流程图；
图3是本发明本发明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中对于某一应急通信感知装备体系中某层指标实际的BP神经网络的训练结果图。
具体实施方式
下面结合附图和较佳的实施例对本发明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的技术方案做进一步的详细说明。此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
实施例1
本发明所述基于神经网络的应急通信感知装备体系效能评估方法属于应急通信感知装备体系效能评估领域，主要针对应急通信感知装备体系效能评估的问题。所述方法的目标是为应急通信感知装备体系的效能评估提供一种更为科学合理的方法，不同于传统效能评估的方法只可针对某一具体的应急通信感知装备进行效能评估，而是可对应急通信感知装备体系进行效能评估，通过学习自动提取输入指标数据与输出效能值间的“合理规则”，并自适应的将学习内容记忆于网络的权值中，可规避传统效能评估方法具有的主观性及偏见等弊端，保证了效能评估的准确性及客观性，而且具有高度的自学习与自适应能力。
具体步骤包括：
步骤1)：获取应急通信感知装备体系备选效能评估指标集，通过计算各效能评估指标的熵值，选取熵值较大的效能评估指标，从而对备选效能评估指标进行筛选，得到效能评估指标；
其中，如图1所示，依托于应急通信感知装备体系作战指标的要求，将应急通信感知装备体系效能评估指标分为信息采集能力、信息传输能力、机动平台能力、辅助保障能力四方面；
其中，信息采集能力包括温湿度气压感知能力、有毒气体感知能力、生命体征感知能力、三维地物场景感知能力；
信息传输能力包括网络覆盖能力、可靠性、通信性能、设备自身性能；
机动平台能力包括伴随式无人车性能、自主式无人车性能、微型无人机性能、单兵可穿戴装备性能；
辅助保障能力包括辅助定位能力；
步骤2)与步骤3)如图2所示。首先数据集经过主成分分析法降维得到低维度数据集，再将之与其相对应的效能值代入BP神经网络之中，以求得最优权值，即为最终效能评估模型。具体地：
步骤2)：采用主成分分析法，通过投影的方式将筛选后得到的数据在保留最多有效信息的同时映射到低维空间，在低维空间将信息分解为互不相关的数据；
步骤3)：基于BP神经网络构建装备体系效能评估模型。
具体地，所述步骤1)包含：
步骤1.1)：依托于应急通信感知装备体系作战指标的要求获取应急通信感知装备体系备选效能评估指标集。
步骤1.2)：构建初始样本数据集矩阵，具体为：引入xij为n个样本对某层m个备选效能评估指标的描述，建立效能初始样本数据集矩阵X；
具体地，在本实例中，其中某层8个样本关于9个备选效能评估指标描述为：
Figure BDA0003163172190000071
步骤1.3)归一化处理，基于(2)对初始样本数据集矩阵X做归一化处理得到归一化矩阵Y；
Figure BDA0003163172190000072
Figure BDA0003163172190000073
步骤1.4)：确定熵值，根据(3)计算每个备选效能评估指标的熵值；
Figure BDA0003163172190000074
其中，
Figure BDA0003163172190000081
第i个备选效能评估指标的熵值为Hi；
此实施例中，
H＝[0.84 0.80 0.79 0.83 0.76 0.50 0.69 0.83 0.85]。
步骤1.5)：筛选应急通信感知装备体系备选效能评估指标集，即剔除对评估结果影响较低的指标，筛选出合适的效能评估指标。而效能评估指标熵值越大，则该指标所提供的有效信息量越多。在此，按照备选效能评估指标的熵值从大到小排序，此实施例中，选取熵值前80％的备选效能评估指标作为效能评估指标，最后选定第1,2,3,4,5,8,9个指标作为效能评估指标。
所述效能评估方法在步骤1)中计算各效能评估指标的熵值，选取熵值较大的效能评估指标，对备选效能评估指标进行筛选，可保留所提供的信息量较大的效能评估指标，与现有效能评估方法相比，可更高效的评估不同应急通信感知装备体系的效能值。
步骤2)：效能评估指标数据降维，具体为：采用主成分分析法，通过投影的方式将筛选后得到的数据在保留最多有效信息的同时映射到低维空间，在低维空间将信息分解为互不相关的数据；
步骤2.1)：构建数据集矩阵，将数据集中每个样本作为列向量，效能评估指标数据作为行向量，构成一个n行m列的数据集矩阵A。其中，aij为第j个样本相对于第i个效能评估指标的描述；
此实施例中，
Figure BDA0003163172190000082
步骤2.2)：根据(5)将A矩阵Z-score标准化得到标准化矩阵B；
Figure BDA0003163172190000083
Figure BDA0003163172190000091
步骤2.3)：求出标准化矩阵B的协方差矩阵，并求出协方差矩阵的特征值和单位特征向量；
步骤2.4)：将特征值由从大到小的顺序排列，并按特征值顺序根据(6)计算特征值的方差贡献率，在此实施例中，取方差累计贡献率
Figure BDA0003163172190000092
超过85％的主成分，并将其相对应的单位特征向量排列成矩阵，得到转换矩阵P：
Figure BDA0003163172190000093
得到的特征值为λ＝[2.52,1.18,0.38]，即将7维数据降维到3维。转换矩阵由其对应的特征向量构成，为：
Figure BDA0003163172190000094
步骤2.5)：数据集矩阵A乘以转换矩阵P得到降维后的数据集矩阵。
所述方法在步骤2)中采用主成分分析法对数据进行降维处理，可在保留绝大部分信息的情况下用较少的几个综合指标代替原效能评估指标，从而减少后续优化BP神经网络时的计算量。
步骤3)基于BP神经网络构建装备体系效能评估模型，具体为：将降维得到的低维度数据集矩阵及其相应效能值代入BP神经网络，在随机赋予0到1之内的初始权值之后不断迭代求得最优的权值，以得到优化好的BP神经网络；在评价装备体系效能时，将要评价装备体系的筛选后的效能评估指标数据通过同样的降维处理，即乘以步骤2)中得到的转换矩阵P，最后代入优化好的BP神经网络，得到对于该装备的评价；
步骤3)，有如下分步骤：
步骤3.1)：根据效能评估指标确立输入层节点数，输出层节点是为1。确立隐藏层节点数的公式为：
Figure BDA0003163172190000101
其中，l为隐含层节点数；n为输入层节点数；m为输出层节点数；a为0～10之间的常数；
此实施例中，l取值范围为：1～12。
步骤3.2)：将样本数据按照训练集、验证集、测试集的随机分开，其中，训练集、验证集、测试集数据比例为z％、(1-z％)/2、(1-z％)/2，z的取值范围为60～80，再在训练集上遍历得到的隐藏层节点数，再通过在验证集上的平均准确率来确定最优隐含层节点数以得到优化好的BP神经网络，并将其视为最终的应急通信感知装备体系效能评估模型。该评估模型的准确性由其在测试集上的平均准确率确定。
对于此实施例，取x为70，最佳隐藏层神经元个数确定为6，其训练结果如图3所示，三条曲线分别为训练集、验证集、测试集在该BP神经网络上的仿真结果，取在训练集上迭代6次之后的模型作为最优模型。
步骤3.3)：评价某一具体的装备体系效能时，将要评价装备体系的筛选后的效能评估指标数据乘以步骤2)中得到的转换矩阵P，再代入优化好的BP神经网络，所输出结果即为对于该装备的评价。
所述效能评估方法在步骤3)中构建BP神经网络模型，自动提取输入指标数据与输出效能值间的“合理规则”，并自适应的将所学习内容记忆于网络的权值中，还可随着样本的增加不断自适应的修改完善效能评估模型，与现有效能评估方法相比，具有高度自学习和自适应的能力。
总之，本发明所述的应急通信感知装备体系效能评估方法，能更加可靠地反映应急通信感知装备体系的实战效能。该方法通过计算各效能评估指标的熵值后，选取熵值较大的效能评估指标，从而对效能评估指标进行筛选、并结合主成分分析法进一步降低效能评估指标的维数。最后采用反向传播算法设置权重参数，构建BP神经网络效能评估模型。所述方法判断准确率高、时效性高，计算量小，还可有效避免了人为设定权值参数时的盲目性、主观性及偏见。
以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (8)

1.一种基于神经网络的应急通信感知装备体系效能评估方法，其特征在于：包括构建应急通信感知装备体系效能评估指标、效能评估指标数据降维以及基于BP神经网络构建应急通信感知装备体系效能评估模型，具体步骤如下：
步骤1)依托于应急通信感知装备体系作战指标的要求，获得应急通信感知装备体系作战效能评估备选指标集，通过计算各效能评估指标的熵值，选取熵值较大的效能评估指标，从而对备选效能评估指标进行筛选，得到效能评估指标；
步骤1)，有如下分步骤：
步骤1.1)：依托于应急通信感知装备体系作战指标的要求，获得应急通信感知装备体系作战效能评估备选效能评估指标集；
步骤1.2)：构建初始样本数据集矩阵；
步骤1.3)：对初始样本数据集矩阵做归一化处理得到归一化矩阵；
步骤1.4)：基于归一化矩阵中的元素，计算每个备选效能评估指标的熵值；
步骤1.5)：筛选应急通信感知装备体系备选效能评估指标集，即剔除对评估结果影响较低的指标；筛选出合适的效能评估指标，具体为：按照备选效能评估指标的熵值从大到小排序，选取熵值前KK％的备选效能评估指标作为效能评估指标；
其中，KK的取值范围为60到90；效能评估指标熵值越大，则该指标所提供的有效信息量越多；
步骤2)采用主成分分析法，将效能评估指标数据降维，得到降维后的数据集矩阵，具体为：
步骤2.1)：构建数据集矩阵；
步骤2.2)：将数据集矩阵进行Z-score标准化，得到标准化矩阵；
步骤2.3)：求标准化矩阵的协方差矩阵，并求出协方差矩阵的特征值和单位特征向量；
步骤2.4)：将特征值由从大到小的顺序排列，并按特征值顺序计算特征值的方差贡献率，取方差累计贡献率超过XX％的主成分，并将其相对应的单位特征向量排列成矩阵，得到转换矩阵；
其中，方差累计贡献率，即
Figure FDA0004127489760000011
αj表达为(6)：
Figure FDA0004127489760000012
其中，XX的取值范围为大于80；超过XX％的主成分为k个；
步骤2.5)：数据集矩阵乘以转换矩阵得到降维后的数据集矩阵；
步骤3)将降维后得到的数据集矩阵及其相应效能值代入BP神经网络，在随机赋予0到1之内的初始权值之后不断迭代求得最优的权值，以得到优化好的BP神经网络；在评价应急通信感知装备体系效能时，将要评价应急通信感知装备体系筛选后的效能评估指标数据即乘以转换矩阵，最后代入优化好的BP神经网络，得到对于该装备的评价；
步骤3.1)：根据降维后的效能评估指标数确立输入层节点数，输出层节点是为1；确立可能的隐藏层节点数；
步骤3.2)：将样本数据按照训练集、验证集、测试集的随机分开，在训练集上遍历可能的隐藏层节点数，通过在验证集上的平均准确率，来确定最优隐含层节点数以得到优化好的BP神经网络，并将其视为最终的应急通信感知装备体系效能评估模型；
步骤3.3)：评价某一具体的应急通信感知装备体系效能时，将要评价应急通信感知装备体系筛选后的效能评估指标数据乘以得到的转换矩阵，再代入优化好的BP神经网络，所输出结果即为对于该应急通信感知装备体系的评价。
2.依据权利要求1所述的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，其特征在于：应急通信感知装备体系效能评估指标，依托于应急通信感知装备体系作战指标的要求，分为信息采集能力、信息传输能力、机动平台能力、辅助保障能力四方面；
其中，信息采集能力包括温湿度气压感知能力、有毒气体感知能力、生命体征感知能力、三维地物场景感知能力；
信息传输能力包括网络覆盖能力、可靠性、传输性能、设备自身性能；
机动平台能力包括伴随式无人车性能、自主式无人车性能、微型无人机性能、单兵可穿戴装备性能；
辅助保障能力包括辅助定位能力；
构建应急通信感知装备体系效能评估指标时，结合应急通信感知装备体系执行任务的实际情况；在评估应急通信感知装备体系的实际作战效能时，通过计算各效能评估指标的熵值，选取熵值较大的效能评估指标，从而对备选效能评估指标进行筛选，得到效能评估指标。
3.依据权利要求2所述的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，其特征在于：步骤1.2)：具体为：引入xij为m个样本对于某层n个备选效能评估指标的描述，基于(1)建立初始样本数据集矩阵X；
Figure FDA0004127489760000021
其中，xij为第j个样本对第i个备选效能评估指标的描述。
4.依据权利要求3所述的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，其特征在于：步骤1.3)、具体为：基于(2)对初始样本数据集矩阵X做归一化处理得到归一化矩阵Y：
Figure FDA0004127489760000031
其中，maxxi·，minxi·分别表示初始样本数据集矩阵X第i行的最大值和最小值。
5.依据权利要求4所述的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，其特征在于：步骤1.4)：基于归一化矩阵中的元素，计算每个备选效能评估指标的熵值，具体根据(3)计算每个备选效能评估指标的熵值；
Figure FDA0004127489760000032
其中，
Figure FDA0004127489760000033
第i个备选效能评估指标的熵值为Hi；这里取负号以保证熵值为正，归一化系数定义为-1/lnn。
6.依据权利要求5所述的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，其特征在于：步骤2.1)：具体依据(4)将数据集中每个样本作为列向量，效能评估指标数据作为行向量，构成一个n行m列的数据集矩阵A；
Figure FDA0004127489760000034
其中，aij为第j个样本相对于第i个效能评估指标的描述。
7.依据权利要求6所述的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，其特征在于：步骤2.2)：将数据集矩阵进行Z-score标准化，得到标准化矩阵，具体为：根据(5)公式实现；
Figure FDA0004127489760000035
其中，B为标准化矩阵，
Figure FDA0004127489760000036
为数据集矩阵A第i行的均值，σi为第i行的标准差。
8.依据权利要求7所述的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，其特征在于：步骤3.1)中确立隐藏层节点数的公式为：
Figure FDA0004127489760000037
其中，l为隐含层节点数；s为输入层节点数；t为输出层节点数；a为0～10之间的常数；
步骤3.2)中，训练集、验证集、测试集数据比例为z、(1-z)/2、(1-z)/2，z的取值范围为60～80％。
CN202110796957.1A 2021-07-14 2021-07-14 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 Active CN113435780B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110796957.1A CN113435780B (zh) 2021-07-14 2021-07-14 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110796957.1A CN113435780B (zh) 2021-07-14 2021-07-14 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

Publications (2)

Publication Number Publication Date
CN113435780A CN113435780A (zh) 2021-09-24
CN113435780B true CN113435780B (zh) 2023-05-12

Family

ID=77760529

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110796957.1A Active CN113435780B (zh) 2021-07-14 2021-07-14 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

Country Status (1)

Country Link
CN (1) CN113435780B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105719094A (zh) * 2016-01-27 2016-06-29 刘冰 一种输电设备状态评估方法
CN105930645A (zh) * 2016-04-18 2016-09-07 中国人民解放军重庆通信学院 基于主元分析的通信台站装备维修保障能力评估方法
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
CN110544011A (zh) * 2019-07-31 2019-12-06 北京航空航天大学 一种智能化的体系作战效能评估和优化方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004164039A (ja) * 2002-11-08 2004-06-10 Upstone Technology Inc 情報交換支援システム、情報交換支援方法およびプログラム
CN103178995B (zh) * 2013-02-05 2016-01-06 中国电子科技集团公司电子科学研究院 一种体系化多尺度通信网效能评估方法
JP7311244B2 (ja) * 2018-03-07 2023-07-19 株式会社大林組 地盤評価システム及び地盤評価方法
CN108596509A (zh) * 2018-05-07 2018-09-28 北京创源微致软件有限公司 一种基于kpi和神经网络的作业车间绩效评价方法
CA3025302A1 (en) * 2018-11-26 2020-05-26 Loreen M. Sherman Process to integrate quantified qualitative data into analytics
JP7261103B2 (ja) * 2019-06-26 2023-04-19 大和ハウス工業株式会社 カビ抑制システムおよびプログラム
CN110825583B (zh) * 2019-10-29 2023-07-28 湘潭大学 一种针对云数据中心多指标融合的能效定性评估技术
CN110874509B (zh) * 2019-11-14 2023-12-12 北京信息科技大学 一种高端数控装备多维信息融合状态评价方法
CN111163487B (zh) * 2019-12-31 2023-04-28 上海微波技术研究所（中国电子科技集团公司第五十研究所） 通信波形综合传输性能评价方法及系统
CN111832911A (zh) * 2020-06-24 2020-10-27 哈尔滨工程大学 一种基于神经网络算法的水下作战效能评估方法
AU2020102123A4 (en) * 2020-09-03 2020-10-15 Tianjin Research Institute For Water Transport Engineering, M.O.T. A quantitative assessment method and system of energy-saving operations on port shore cranes
CN112116225A (zh) * 2020-09-07 2020-12-22 中国人民解放军63921部队 装备系统的作战效能评估方法、装置和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105719094A (zh) * 2016-01-27 2016-06-29 刘冰 一种输电设备状态评估方法
CN105930645A (zh) * 2016-04-18 2016-09-07 中国人民解放军重庆通信学院 基于主元分析的通信台站装备维修保障能力评估方法
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
CN110544011A (zh) * 2019-07-31 2019-12-06 北京航空航天大学 一种智能化的体系作战效能评估和优化方法

Also Published As

Publication number Publication date
CN113435780A (zh) 2021-09-24

Similar Documents

Publication Publication Date Title
CN105488528B (zh) 基于改进自适应遗传算法的神经网络图像分类方法
CN112149962B (zh) 一种施工事故致因行为的风险定量评估方法及系统
CN111695731A (zh) 基于多源数据和混合神经网络的负荷预测方法、系统及设备
CN112966773B (zh) 一种无人机飞行工况模式识别方法及系统
CN112285376A (zh) 一种基于cnn-lstm的风速预测方法
CN109300040A (zh) 基于全媒体大数据技术的海外投资风险评估方法及系统
CN113516304A (zh) 基于时空图网络的区域污染物时空联合预测方法及装置
CN114764682B (zh) 一种基于多机器学习算法融合的大米安全风险评估方法
CN115393690A (zh) 一种轻量化神经网络的空对地观测多目标识别方法
CN115423594A (zh) 企业财务风险的评估方法、装置、设备及存储介质
CN113626929B (zh) 多阶段多拓扑的船舶交通复杂度度量方法及系统
CN110826526A (zh) 一种测云雷达识别云类的方法
CN114169502A (zh) 一种基于神经网络的降水预测方法、装置和计算机设备
CN113435780B (zh) 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
CN115423091A (zh) 一种条件对抗神经网络训练方法、场景生成方法和系统
CN113128615A (zh) 基于pca的bp神经网络对信息安全的检测系统、方法、应用
CN115859344A (zh) 基于秘密共享的联邦无人机群数据安全共享方法
CN114723998A (zh) 基于大边界贝叶斯原型学习的小样本图像分类方法及装置
CN113408908A (zh) 一种基于履约能力和行为的多维信用评价模型构建方法
CN113935413A (zh) 一种基于卷积神经网的配网录波文件波形识别方法
CN112101814B (zh) 基于加权的模糊聚类算法的油气工程分类方法和系统
Volkov et al. Development of a Neural Network Algorithm for Predicting the Technical State of Complex Systems Based on an Algebraic Approach
CN112231933B (zh) 一种面向雷达电磁干扰效应分析的特征选择方法
CN117788737B (zh) 一种基于无人机高光谱遥感的测绘方法
CN115766508B (zh) 一种面向典型应用场景的卫星通信效能评估方法及装置

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