CN113962295A - 武器装备体系效能评估方法、系统及装置 - Google Patents
武器装备体系效能评估方法、系统及装置 Download PDFInfo
- Publication number
- CN113962295A CN113962295A CN202111169445.9A CN202111169445A CN113962295A CN 113962295 A CN113962295 A CN 113962295A CN 202111169445 A CN202111169445 A CN 202111169445A CN 113962295 A CN113962295 A CN 113962295A
- Authority
- CN
- China
- Prior art keywords
- index
- data
- weapon equipment
- sample
- simplified
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种武器装备体系效能评估方法、系统及装置,包括,构建武器装备初始指标体系;根据武器装备初始指标体系得到指标样本;对所述指标样本进行预处理;对所述指标样本进行挖掘,得到精简指标体系,获取精简指标数据;基于精简指标数据训练效能评估模型;根据训练效能评估模型对武器装备进行评估。本发明有效处理复杂评估对象指标关联性的问题,降低主观性的影响,准确刻画武器装备的作战效能。
Description
技术领域
本发明涉及武器装备体系效能评估领域,尤其是涉及一种武器装备体系效能评估方法、系统及装置。
背景技术
武器装备体系是个开放复杂系统,这种开放性在作战体系中一方面表现为对抗性,导致评估指标间耦合性的相互作用,指标间可能存在冗余和关联。另一方面,开放性蕴含着主动适应和进化的含义,武器装备体系效能在不同作战环境、作战阶段下也处在动态发展变化之中。忽略以上因素不仅会增加效能评估的时空复杂度,还会使评估结果脱离客观实际,对准确性造成影响。如何精准评估武器装备体系效能,是当前研究的关注重点。
面对指标间存在关联性的现状,目前主要采用粗糙集、专家经验、数理统计与关联性分析等方法消除指标间相互耦合。基于关联规则的挖掘的指标约简是一种隶属于关联性分析的方法,通过挖掘大型数据集不同项目之间的关联关系,寻找支持度不小于最小支持度的频繁项集,进而创建关联规则,实现指标约简。
针对武器装备体系效能评估样本数据少、效能在多指标因素影响下变化规律非线性等条件下的评估问题,目前传统的评估方法如AHP、ADC、专家评定法和试验统计法等虽应用成熟,但受主观经验影响较大,且难以对武器装备体系作战效能指标间的非线性进行可信的描述。
武器装备体系效能评估所存在的以上两个问题,如果采用传统指标处理和评估方法,即依据专家主观经验对数据和指标进行处理,对于系统组成及作战环境均愈加复杂的武器装备体系难以获得较为可信的评估结果。因此,有必要综合数据挖掘与处理领域的思想设计新的武器装备体系效能评估方法。
发明内容
本发明的目的在于提供一种武器装备体系效能评估方法、系统及装置,旨在解决武器装备体系效能评估。
本发明提供一种武器装备体系效能评估方法,包括:
S1、构建武器装备初始指标体系;
S2、根据武器装备初始指标体系得到指标样本;
S3、对所述指标样本进行预处理;
S4、对预处理后的所述指标样本进行挖掘,得到精简指标体系,获取精简指标数据;
S5、基于精简指标数据训练效能评估模型;
S6、根据训练效能评估模型对武器装备进行评估。
本发明还提供一种武器装备体系效能评估系统,包括:
初始体系模块:用于构建武器装备初始指标体系;
指标样本模块:用于根据武器装备初始指标体系得到指标样本;
预处理模块:用于对预处理后的所述指标样本进行预处理;
精简指标体系模块:用于对所述指标样本进行挖掘,得到精简指标体系,获取精简指标数据;
训练模块:用于基于精简指标数据训练效能评估模型;
评估模块:用于根据训练效能评估模型对武器装备进行评估。
本发明实施例还提供一种武器装备体系效能评估系统,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现上述一种武器装备体系效能评估方法的步骤。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有信息传递的实现程序,所述程序被处理器执行时实现上述方法的步骤。
采用本发明实施例,有效处理复杂评估对象指标关联性的问题,降低主观性的影响,准确刻画武器装备的作战效能。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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是本发明实施例的武器装备体系效能评估方法的流程图;
图2是本发明实施例的武器装备体系效能评估方法的框架示意图;
图3是本发明实施例的武器装备体系效能评估方法的定量分析评价示意图;
图4是本发明实施例的武器装备体系效能评估方法的指标体系构建优化方法流程图;
图5是本发明实施例的武器装备体系效能评估方法的指标挖掘FP-Tree构建方法流程图;
图6是本发明实施例的武器装备体系效能评估方法的改进灰狼算法反向学习策略示意图;
图7是本发明实施例的武器装备体系效能评估方法的改进灰狼算法精英突变策略示意图;
图8是本发明实施例的武器装备体系效能评估方法的改进灰狼算法适应性收敛因子示意图;
图9是本发明实施例的武器装备体系效能评估方法的采用反向学习策略、精英突变策略与适应性收敛因子的改进灰狼算法流程图;
图10是本发明实施例的武器装备体系效能评估系统的示意图;
图11是本发明实施例的武器装备体系效能评估装置的示意图。
附图标记说明:
1010:初始体系模块;1020:指标样本模块;1030:预处理模块;1040:精简指标体系模块;1050:训练模块;1060:评估模块。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。此外,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
方法实施例
根据本发明实施例,提供了一种武器装备体系效能评估方法,图1是本发明实施例的武器装备体系效能评估方法的流程图,如图1所示,具体包括:
S1、构建武器装备初始指标体系;
S1具体包括:根据武器装备体系构成、能力需求与应用环境特点,构建武器装备初始指标体系。
S2、根据武器装备初始指标体系得到指标样本;
S2具体包括:根据武器装备初始指标体系建立仿真系统,结合拉丁超立方实验设计仿真得到指标样本。
S3、对指标样本进行预处理;
S3具体包括:对指标样本进行归一化处理并进行阈值划分,其中,归一化处理公式如下:
其中,min为某一指标样本的最小值,max为指标样本的最大值,c为指标样本的原始数据,c*为归一化后的数据。
S4、对预处理后的指标样本进行挖掘,得到精简指标体系,获取精简指标数据;
S4具体包括:采用FP-Tree算法对指标样本进行挖掘,从数据集中找出满足最小支持度阈值的频繁项集,并由频繁项集产生满足最小置信度的关联规则得到精简指标体系,获取精简指标数据。
S5、基于精简指标数据训练效能评估模型。
S5具体包括:基于精简指标数据训练改进灰狼算法优化的支持向量回归机模型;
S6、根据训练效能评估模型对武器装备进行评估。
根据上述方法,具体实施方法如下:
本发明公开了一种新的武器装备体系效能评估方法,属于效能评估、机器学习领域,包括以下步骤:能力需求分析;建立指标数据库;数据预处理;指标挖掘;评估模型训练。本发明使用关联规则方法挖掘指标关联信息实现指标精简,在此基础上融合改进灰狼算法优化的支持向量回归机进行效能评估模型的训练。以精简且独立的指标体系确保了评估结果的准确性,以机器学习方法进行效能评估保证了评估的客观性与评估效率,该评估方法能够以较小的计算代价处理更复杂的评估对象,评估的准确性与效率得到显著提高。
本发明公开了一种基于指标挖掘与数据驱动的武器装备体系效能评估方法;
图2是本发明实施例的武器装备体系效能评估方法的框架示意图,如图2所示;
(1)能力需求分析
分析武器装备体系的主要使命、作战任务和目标要求,按照“使命-任务-能力”的分析思路,从信息支援的角度提出武器装备体系的作战任务目标、作战样式,分析提出典型作战任务对武器装备体系的需求,构建武器装备体系能力需求框架,为作战效能评估指标体系的构建奠定基础。
(2)建立指标数据库
基于能力需求分析结果构建初始指标数据库,指标数据库的构建是指标挖掘与评估的前提和基础。首先建立可实际操作的评估指标体系结构,通过实践检验形成初步评估指标体系后,经过对相关专家、技术人员的建议搜集,反复迭代最终确定可进行挖掘的初始指标数据库。
(3)数据预处理
首先对数据进行归一化处理,在此基础上对各指标进行阈值划分,归一化处理公式如下:
其中,min为某一指标数据的最小值,max为数据的最大值,c为指标的原始数据,c*为归一化后的数据。
(4)指标挖掘
根据预处理后的初始指标数据,采用FP-Tree算法进行指标挖掘,从数据集中找出满足最小支持度阈值的频繁项集,并由频繁项集产生满足最小置信度的关联规则。
(5)评估模型训练
根据指标挖掘后得到的精简独立指标体系,获得新的作战仿真数据,以此为基础训练基于数据驱动的效能评估模型。效能评估模型采用改进灰狼算法优化的支持向量回归机模型,以改进的GWO算法优化支持向量回归机中的参数(Ci,εi,σi),Ci,εi,δi分别表示第i个个体的惩罚参数、不灵敏损失函数、高斯核函数。
提出了新的GWO算法适应性改进,包括反向学习策略、精英突变策略和适应性的收敛因子。反向学习策略公式如下:
而后采用精英突变策略提升灰狼种群的多样性,精英突变策略如下:
结合收敛因子的适应性改进,对α,β,δ个体的收敛因子分别定义如下:
aα(i)、aβ(i)、aη(i)分别是α、β、δ个体的收敛因子,amax和amin表示收敛因子a的上界和下界,i是当前迭代次数,imax是最大迭代次数,ηα,ηδ是α个体和δ个体的成长因子,ηα,ηδ的取值分别为2和3。
以均方差MSE最小化为目标,若满足IGWO-SVR结束条件I>max_iter,则获得SVR最优超参数Xi={C,σ,ε},Xi为第i只灰狼的位置,C、σ、ε分别为惩罚参数、不灵敏损失函数、高斯核函数,进而构建基于改进GWO优化SVR的武器装备体系效能评估模型。
一种基于关联规则挖掘与数据驱动的武器装备体系效能评估系统,包括指标体系构建模块、评估数据获取模块和效能评估模型构建模块;
指标体系构建模块:分析武器装备体系构成、能力需求与作战环境特点,作为指标约简的初始指标体系,结合关联规则指标约简方法精简指标集;
评估数据获取模块:分析评估对象和评估场景,设计仿真系统,进行拉丁超立方实验设计,获取仿真数据作为指标约简及评估的基础数据;
效能评估模型构建模块:给定训练样本和测试样本,将训练样本用于基于改进灰狼算法优化SVR的模型训练,获取模型最优参数,使用所获得模型评估武器装备体系效能。
一种基于指标挖掘和数据驱动的武器装备体系效能评估方法,包括以下步骤:
步骤1、分析武器装备体系构成、能力需求与应用环境特点,构建初始指标体系;
步骤2、设计仿真系统,结合拉丁超立方实验设计,仿真获取评估数据样本;
步骤3、将仿真数据按照阈值进行划分,构建事务数据库D;将频繁1-项集按照支持度递减排序,得到排序后的项集;构建FP-Tree,将降序排列的数据集的各条事务依次插入根节点为null的FP-Tree;
步骤4、挖掘频繁模式树,获得蕴含的关联规则及对应的置信度,实现精简指标体系的构建;
步骤5、将精简指标体系对应数据样本划分为训练集D_train和测试集D_test;
步骤6、以IGWO算法优化SVR参数构建效能评估模型,具体步骤如下:将训练集D_train用于IGWO算法的初始化,选定反向学习概率p,与随机数rand比较。若rand<p则将OBL策略应用于初始化流程,OBL策略为
引入差异化的收敛因子a,对收敛过程进行控制,对于α,β,δ个体的收敛因子分别定义如下
aα(i)、aβ(i)、aη(i)分别是α、β、δ个体的收敛因子,amax和amin表示收敛因子a的上界和下界,i是当前迭代次数,imax是最大迭代次数,ηα,ηδ是α个体和δ个体的成长因子,ηα,ηδ的取值分别为2和3。
以均方差MSE最小化为目标,若满足IGWO-SVR结束条件I>max_iter,则获得SVR最优超参数Xi={C,σ,ε},Xi为第i只灰狼的位置,C、σ、ε分别为惩罚参数、不灵敏损失函数、高斯核函数,进而构建基于改进GWO优化SVR的武器装备体系效能评估模型。
步骤7、以测试样本集D_test验证模型性能,若低于预设要求则重新进行SVR超参数优化,若满足要求则完成评估模型的构建,以所构建评估模型对武器装备体系应用效能开展评估。
分析武器装备体系的主要使命、作战任务和目标要求,按照“使命-任务-能力”的分析思路,从信息支援的角度提出武器装备体系的作战任务目标、作战样式,分析提出典型作战任务对武器装备体系的需求,构建武器装备体系能力需求框架,为作战效能评估指标体系的构建奠定基础。
一种基于指标挖掘和数据驱动的武器装备体系效能评估方法,包括以下步骤:
图3是本发明实施例的武器装备体系效能评估方法的定量分析评价示意图,如图3所示;
步骤1、系统分析武器装备体系构成及能力需求,构建初始指标体系,具体步骤如下;
图4是本发明实施例的武器装备体系效能评估方法的指标体系构建优化方法流程图,如图4所示;
通过评估对象的系统分析和目标分析确定待评估武器装备体系的属性特征,通过对其系统结构分析确定评估指标体系的层次结构,确定可行的初始指标体系后,经过向专家咨询,多次迭代,最终得到完备的武器装备体系效能评估指标体系。
步骤2、根据评估对象和评估场景,按照拉丁超立方实验设计获取实验基础数据;
为了在较少实验次数的条件下尽量增加能够涵盖的评估对象可能的编配情况,提升数据利用率,本发明采用拉丁超立方采样的实验设计方法。
参数设置
设定可设置参数主要为光学成像卫星数量、SAR卫星数量、电子侦察卫星数量、通信中继卫星平台数量;对应的载荷传感器参数中光学成像载荷参数分别为视场角、最大侧摆角、侧摆角粒度;SAR载荷对应参数分别为视场角、最大侧摆角、侧摆角粒度;电子侦察载荷对应参数为覆盖幅宽,汇总上述需设置参数共十一个。
拉丁超立方实验设计
确定采样方案数量m=4096,设置参数数量n=11,确定采规模矩阵X2000,11;将每个采样空间的维度分割为两份,得到2048个样块;选择尺寸为2*11的基础样块;将基础样块在每个维度进行平移复制,得到初始采样方案;删除不满足采样数量要求的采样点,删除原则为就近原则,直至达到采样要求,获得最终的4096组实验方案。
指标数据获取
将所设计的4096种参数组合方案作为评估对象的编配方案,获得对应的指标数据并记录,直到获得全部所需数据。
步骤3、以仿真数据样本为基础进行关联规则指标约简,图5是本发明实施例的武器装备体系效能评估方法的指标挖掘FP-Tree构建方法流程图,如图5所示;
设原始数据集合为D,扫描数据集D,计算D中项集支持度,按降序排列;将降序排列的数据集中各条事务依次插入根节点为null的FP-Tree;
步骤4、使用FP-Tree算法挖掘构建项头表,FP-Tree构建算法伪代码如下;
根据构建的频繁模式树,挖掘对应的关联规则,伪代码如下;最终实现指标集精简。
步骤5、根据精简后的评估指标体系重新获得仿真数据样本,划分为训练集D_train和测试集D_test;
步骤6、采用反向学习策略初始化灰狼种群,图6是本发明实施例的武器装备体系效能评估方法的改进灰狼算法反向学习策略示意图,如图6所示;初始化策略如为:
步骤7、在初始化种群的基础上,将标准灰狼算法生成的后代种群与反向学习策略生成的种群合并,按个体适应度重新排序,前一半m只灰狼被保留以作为新的种群。在这m只中,适应度最高的p只狼被选择进入下一代,剩余的m-p只狼产生变异个体,图7是本发明实施例的武器装备体系效能评估方法的改进灰狼算法精英突变策略示意图,如图7所示,变异方式如图7,公式如下:
步骤8、引入差异化的收敛因子a,对收敛过程进行控制,图8是本发明实施例的武器装备体系效能评估方法的改进灰狼算法适应性收敛因子示意图,如图8所示,对于α,β,δ个体的收敛因子分别定义如下:
aα(i)、aβ(i)、aη(i)分别是α、β、δ个体的收敛因子,amax和amin表示收敛因子a的上界和下界,i是当前迭代次数,imax是最大迭代次数,ηα,ηδ是α个体和δ个体的成长因子,ηα,ηδ的取值分别为2和3。
以均方差MSE最小化为目标,若满足IGWO-SVR结束条件I>max_iter,则获得SVR最优超参数Xi={C,σ,ε},Xi为第i只灰狼的位置,C、σ、ε分别为惩罚参数、不灵敏损失函数、高斯核函数,进而构建基于改进GWO优化SVR的武器装备体系效能评估模型,图9是本发明实施例的武器装备体系效能评估方法的采用反向学习策略、精英突变策略与适应性收敛因子的改进灰狼算法流程图,如图9所示:
步骤9、依照构建的精简指标体系获取武器装备体系的评估数据,输入所构建的效能评估模型,即可对武器指标体系的效能进行评估。
系统实施例
根据本发明实施例,提供了一种武器装备体系效能评估系统,图10是本发明实施例的武器装备体系效能评估系统的示意图,如图10所示,具体包括:
初始体系模块1010:用于构建武器装备初始指标体系;
指标样本模块1020:用于根据武器装备初始指标体系得到指标样本;
预处理模块1030:用于对指标样本进行预处理;
精简指标体系模块1040:用于对预处理后的指标样本进行挖掘,得到精简指标体系,获取精简指标数据;
训练模块1050:用于基于精简指标数据训练效能评估模型;
评估模块1060:用于根据训练效能评估模型对武器装备进行评估。
初始体系模块具体用于:根据武器装备体系构成、能力需求与应用环境特点,构建武器装备初始指标体系。
指标样本模块具体用于:根据武器装备初始指标体系建立仿真系统,结合拉丁超立方实验设计仿真得到指标样本。
预处理模块具体用于:对数据进行归一化处理并对指标样本进行阈值划分,其中,归一化处理公式如下:
其中,min为某一指标数据的最小值,max为数据的最大值,c为指标的原始数据,c*为归一化后的数据。
精简指标体系模块具体用于:采用FP-Tree算法对指标样本进行挖掘,从数据集中找出满足最小支持度阈值的频繁项集,并由频繁项集产生满足最小置信度的关联规则得到精简指标体系,获取精简指标数据。
本发明实施例是与上述方法实施例对应的系统实施例,各个模块的具体操作可以参照方法实施例的描述进行理解,在此不再赘述。
装置实施例一
本发明实施例提供一种武器装备体系效能评估系统,如图11所示,包括:存储器110、处理器112及存储在存储器110上并可在处理器112上运行的计算机程序,计算机程序被处理器执行时实现上述方法实施例中的步骤。
装置实施例二
本发明实施例提供一种计算机可读存储介质,计算机可读存储介质上存储有信息传输的实现程序,程序被处理器112执行时实现上述方法实施例中的步骤。
本实施例所述计算机可读存储介质包括但不限于为:ROM、RAM、磁盘或光盘等。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替本发明各实施例技术方案,并不使相应技术方案的本质脱离本方案的范围。
Claims (10)
1.一种武器装备体系效能评估方法,其特征在于,包括,
S1、构建武器装备初始指标体系;
S2、根据武器装备初始指标体系得到指标样本;
S3、对所述指标样本进行预处理;
S4、对预处理后的所述指标样本进行挖掘,得到精简指标体系,获取精简指标数据;
S5、基于精简指标数据训练效能评估模型;
S6、根据训练效能评估模型对武器装备进行评估。
2.根据权利要求1所述的方法,其特征在于,所述S1具体包括:根据武器装备体系构成、能力需求与应用环境特点,构建武器装备初始指标体系。
3.根据权利要求2所述的方法,其特征在于,所述S2具体包括:根据武器装备初始指标体系建立仿真系统,结合拉丁超立方实验设计仿真得到指标样本。
5.根据权利要求4所述的方法,其特征在于,所述S4具体包括:采用FP-Tree算法对指标样本进行挖掘,从数据集中找出满足最小支持度阈值的频繁项集,并由频繁项集产生满足最小置信度的关联规则得到精简指标体系,获取精简指标数据。
6.根据权利要求5所述的方法,其特征在于,所述S5具体包括:基于精简指标数据训练改进灰狼算法优化的支持向量回归机模型。
7.一种武器装备体系效能评估系统,其特征在于,包括:
初始体系模块:用于构建武器装备初始指标体系;
指标样本模块:用于根据武器装备初始指标体系得到指标样本;
预处理模块:用于对预处理后的所述指标样本进行预处理;
精简指标体系模块:用于对所述指标样本进行挖掘,得到精简指标体系,获取精简指标数据;
训练模块:用于基于精简指标数据训练效能评估模型。
评估模块:用于根据训练效能评估模型对武器装备进行评估。
8.根据权利要求7所述的系统,其特征在于,
初始体系模块具体用于:根据武器装备体系构成、能力需求与应用环境特点,构建武器装备初始指标体系。
指标样本模块具体用于:根据武器装备初始指标体系建立仿真系统,结合拉丁超立方实验设计仿真得到指标样本。
预处理模块具体用于:对数据进行归一化处理并对所述指标样本进行阈值划分,其中,归一化处理公式如下:
其中,min为某一指标数据的最小值,max为数据的最大值,c为指标的原始数据,c*为归一化后的数据。
精简指标体系模块具体用于:采用FP-Tree算法对指标样本进行挖掘,从数据集中找出满足最小支持度阈值的频繁项集,并由频繁项集产生满足最小置信度的关联规则得到精简指标体系,获取精简指标数据。
9.一种武器装备体系效能评估装置,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至6中任一项所述的武器装备体系效能评估方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有信息传递的实现程序,所述程序被处理器执行时实现如权利要求1至6中任一项所述的武器装备体系效能评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111169445.9A CN113962295A (zh) | 2021-10-08 | 2021-10-08 | 武器装备体系效能评估方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111169445.9A CN113962295A (zh) | 2021-10-08 | 2021-10-08 | 武器装备体系效能评估方法、系统及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113962295A true CN113962295A (zh) | 2022-01-21 |
Family
ID=79463651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111169445.9A Pending CN113962295A (zh) | 2021-10-08 | 2021-10-08 | 武器装备体系效能评估方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113962295A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2021
- 2021-10-08 CN CN202111169445.9A patent/CN113962295A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109165664B (zh) | 一种基于生成对抗网络的属性缺失数据集补全与预测方法 | |
CN110688288B (zh) | 基于人工智能的自动化测试方法、装置、设备及存储介质 | |
CN110909926A (zh) | 基于tcn-lstm的太阳能光伏发电预测方法 | |
CN109934615B (zh) | 基于深度稀疏网络的产品营销方法 | |
CN112233723A (zh) | 基于深度学习的蛋白质结构预测方法及系统 | |
CN112733997B (zh) | 基于woa-lstm-mc的水文时间序列预测优化方法 | |
CN110175168A (zh) | 一种基于生成对抗网络的时间序列数据填补方法及系统 | |
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 | |
CN112884236B (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及系统 | |
CN114330659A (zh) | 一种基于改进aso算法的bp神经网络参数优化方法 | |
CN108879732A (zh) | 电力系统暂态稳定评估方法及装置 | |
CN111310918B (zh) | 一种数据处理方法、装置、计算机设备及存储介质 | |
CN113836823A (zh) | 一种基于负荷分解和优化双向长短期记忆网络的负荷组合预测方法 | |
CN114841055A (zh) | 一种基于生成对抗网络的无人机集群任务预分配方法 | |
CN114548591A (zh) | 一种基于混合深度学习模型和Stacking的时序数据预测方法及系统 | |
CN115496144A (zh) | 配电网运行场景确定方法、装置、计算机设备和存储介质 | |
CN113962295A (zh) | 武器装备体系效能评估方法、系统及装置 | |
CN114219017A (zh) | 一种隐式语义数据增强方法 | |
CN109886405A (zh) | 一种抑制噪声的基于人工神经网络结构优化方法 | |
CN117523291A (zh) | 基于联邦知识蒸馏和集成学习的图像分类方法 | |
CN117194219A (zh) | 模糊测试用例生成与选择方法、装置、设备及介质 | |
Pan et al. | Predicting times to event based on vine copula models | |
CN116303386A (zh) | 一种基于关系图谱的缺失数据智能插补方法和系统 | |
CN116415177A (zh) | 一种基于极限学习机的分类器参数辨识方法 | |
CN113011893B (zh) | 数据处理方法、装置、计算机设备及存储介质 |
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 |