CN115170002B - 一种基于神经网络的保障能力评估方法及其应用 - Google Patents
一种基于神经网络的保障能力评估方法及其应用 Download PDFInfo
- Publication number
- CN115170002B CN115170002B CN202211092018.XA CN202211092018A CN115170002B CN 115170002 B CN115170002 B CN 115170002B CN 202211092018 A CN202211092018 A CN 202211092018A CN 115170002 B CN115170002 B CN 115170002B
- Authority
- CN
- China
- Prior art keywords
- capability
- neural network
- index
- equipment
- 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.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 54
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000009434 installation Methods 0.000 claims abstract description 14
- 238000004088 simulation Methods 0.000 claims abstract description 11
- 238000012423 maintenance Methods 0.000 claims description 27
- 238000002360 preparation method Methods 0.000 claims description 16
- 230000008439 repair process Effects 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000005094 computer simulation Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 17
- 238000009826 distribution Methods 0.000 description 10
- 230000004913 activation Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 241000251468 Actinopterygii Species 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000011157 data evaluation Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000013210 evaluation model Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000006116 polymerization reaction Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
基于神经网络的装备保障能力评估方法及其应用，包括如下步骤：步骤1：结合待评估部队的使命任务和装备体系编配构建指标体系；步骤2：利用AHP方法为能力指标确定初始权重；步骤3：搭建神经网络，并通过实装演训和仿真推演数据训练神经网络；步骤4：计算得到待评估部队的装备保障能力评估值。本发明利用AHP方法为能力指标确定初始权重；搭建神经网络，并通过实装演训和仿真推演数据训练神经网络；计算得到待评估部队的装备保障能力评估值。
Description
技术领域
本发明涉及一种评估方法，尤其是涉及一种基于神经网络的保障能力评估方法及其应用。
背景技术
目前，国内的装备保障能力评估常用的方法大多为传统的专家打分法、层次分析法等，这些方法已经为各类部队装备体系建设发展提供了有力的支撑。但通过近年来的研究工作，研究人员也逐渐发现传统的评估方法存在主观因素过多、非线性拟合性较差等缺点。
此外，现有技术，如CN107944694A公开了一种面向作战性能的装备保障运行过程分析方法，包括：构建装备保障任务—力量—方式—行动匹配关系方法；预判装备保障关节点，实现战场保障指挥控制方法；监控装备体系作战性能，实现对装备保障行动目标的实时化调控方法。
CN109660418A涉及一种基于神经网络的机动通信台站通信保障能力评估方法、系统及电子设备。包括：数据预处理：输入机动通信台站的各项数据，对数据进行归类划分，生成特征属性；自学习训练：获得通信台站设备开设运行的特征属性以及效果评估作为样本，基于模糊神经网络进行训练，生成数据评估模型；数据评估：利用数据评估模型对设备属性进行评估分析，然后将设备属性评估结果和人员属性依据二元语义集成算子进行加权集成，生成综合评价结果。本发明可以有效避免集成时的信息丢失，同时对通信保障能力作出科学的评估，有效提高了评估结果的准确性。
CN112990501A公开了一种基于Delphi-FCE的通用车辆装备维修保障能力评估方法，该方法包括以下步骤：S1、建立基于Delphi的通用车辆装备维修保障能力评估指标体系；S2、建立通用车辆装备保障能力的综合评估模型；S3、通过上述综合评估模型对通用车辆装备维修保障能力进行评估。本发明建立了通用车辆装备保障能力的综合评估模型，获得了更加科学化和合理化评估结果；此外，本发明通过评估某单位的通用车辆装备的维修保障能力，验证了所提方法的正确性，结果表明用本发明方法建立的评估指标客观有效、科学合理，所得的评估结果更加精确，对装备效能评估和加强车辆装备维修保障能力建设具有指导性意义。
CN113947332A公开一种地下工程综合保障能力的评估方法及系统，通过建立LSSVM预测网络对地下工程综合保障能力进行评估，通过视野和步长自适应设定以及引入精英反向学习机制改进人工鱼群算法，使基本的人工鱼群算法更加具有应用性，之后利用优化后的人工鱼群算法得到LSSVM预测网络的最优参数，利用最优参数对LSSVM预测网络进行训练，得到IAFSA-LSSVM模型。最后，利用IAFSA-LSSVM模型对地下工程综合保障能力进行评估，相比未改进的模型，本发明提出的方法，评估效果更好，评估更为准确。
虽然上述现有技术都涉及到保障能力评估，但是，上述现有技术没有充分利用神经网络对于非线性函数拟合效果，不能解决各指标之间的非线性关系，不能很好的消除传统AHP方法中人工主观因素对于权重所造成的误差，提高评估结果的可信性。
发明内容
为了解决上述缺陷，本发明公开一种基于神经网络的保障能力评估方法，其技术方案如下：基于神经网络的装备保障能力评估方法，包括如下步骤：
步骤1：结合待评估部队的使命任务和装备体系编配构建指标体系
步骤1基于对待评估部队的装备保障行动及需求分析，综合实装和仿真系统的数据采集方式与方法，聚焦需求分析的六大能力，按照技术准备能力、维护保养能力、保障指挥能力、抢救抢修能力、器材供应能力、弹药供应能力逐项细化，参照指标体系的构建原则与标准，围绕待评估部队的具体装备保障体系配置，构建适用于实装演习、计算机仿真抑或是二者相结合模式的评估指标体系。
步骤2：利用AHP方法为能力指标确定初始权重
基于步骤1所构建的评估指标体系，采用AHP（层次分析法）确定各层指标权重，首先构造判断矩阵，计算相对重要度，通过特征值法求解特征根与特征向量，将结果进行一致性检验，求解得到一级能力指标值，并将每层指标权重按该方法求解。
步骤3：搭建神经网络，并通过实装演训和仿真推演数据训练神经网络
以步骤2利用AHP所确定的指标权重为基础，基于各类部队积累的实装、仿真历史数据，基于评估指标体系构建了相应的BP神经网络，利用深度人工神经网络对非线性因素具有很好的逼近效果，来对经过AHP法确定权重进行修正，以此使评估结果更加可信、实用。
步骤4：计算得到待评估部队的装备保障能力评估值。
利用python语言和keras实现步骤3所构建的神经网络结构，python语言是跨平台的计算机程序语言，因其对人工智能相关模块库如keras等的良好支持而被广泛使用；keras是由python语言编写的开源人工神经网络库，因其在神经网络模型架构方面的简单性、易用性在深度学习领域被研究人员大量采用，采用python和keras结合的方式实现神经网络并完成训练并得出评估结果。
有益效果
本发明所公布的方法可充分利用历史演训数据进行神经网络拟合训练，可充分利用神经网络对于非线性函数拟合效果，有效解决各指标之间的非线性关系，能够较大程度的消除传统AHP方法中人工主观因素对于权重所造成的误差，提高评估结果的可信性。
附图说明
图1为评估指标体系；
图2为神经网络结构图。
具体实施方式
基于神经网络的装备保障能力评估方法，包括如下步骤：
步骤1：结合待评估部队的使命任务和装备体系编配构建指标体系
基于对待评估部队的装备保障行动及需求分析，综合实装和仿真系统的数据采集方式与方法，聚焦需求分析的六大能力，按照技术准备能力、维护保养能力、保障指挥能力、抢救抢修能力、器材供应能力、弹药供应能力逐项细化，参照指标体系的构建原则与标准，围绕待评估部队的具体装备保障体系配置，构建适用于实装演习、计算机仿真亦或二者相结合模式的评估指标体系,参见图1所示。
指标体系A层各指标为Ai，为装备保障能力指标，也就是评估指标体系的最终评估结果，记为A；
指标体系B层各指标为Bi，B1-B6对应关系如表4.1所示：
其中，一级指标为装备保障能力，二级指标也就是六大能力指标：技术准备能力、维护保养能力、保障指挥能力、装备抢救抢修能力、器材供应能力、弹药供应能力经过对陆军数字化中型合成旅装备体系建设情况和其跨域作战使命任务的行动和需求分析，在三级能力指标上做出如下划分：
（1）技术准备能力
技术准备能力包括技术准备质量、技术准备效率两个方面。
技术准备质量包括配套完好率、环境适用性两个方面，配套完好率和环境适用性分别反映各保障配套装备的完好度和对环境的适应能力，能够较好的体现装备保障的基础能力。
技术准备效率包括检测效率、通用性两个方面，检测效率和通用性分别反映了技术准备的速度与质量和对各类型装备准备能力的通用配套能力，能够较好的体现装备保障能力的基础通用适配能力。
（2）维护保养能力
维护保养能力包括技术状况检查能力、战时保养能力、保养适应性3个方面。
技术状况检查能力包括底盘系统检查能力、武器系统检查能力、指控通信系统检查能力及防护系统检查能力4个方面，这四个基础指标主要反映对合成旅各类型武器装备的基础检查效率及质量，能够较清晰的体现装备保障能力的基准备、检查能力。
战时保养能力包括战斗准备阶段保养能力、战斗转换阶段保养能力2个方面，准备阶段保养能力、转换阶段保养能力分别反映了战斗从准备、转换阶段的保养质量及效率，能够较清晰的体现维护保养环节中的保养基础能力；保养适应性主要包括保养质效性，保养质效性主要从总体反映合成旅保障装备的维护保养能力，能够较清晰的体现维护保养环节中的基础保养能力。
（3）保障指挥能力
保障指挥能力包括指挥效率和指挥质量两个方面。
指挥效率从指挥信息处理容量、保障态势评估时间、指挥决策时间三个方面进行评估，指挥信息处理容量、保障态势评估时间、指挥决策时间三个基础指标分别从空间和时间两个维度反映了保障指挥效率能力，能够较清晰的反应合成旅装备保障指挥基础能力。
指挥质量从保障力量分配合理性、情况处置合理性、保障计划工作量三个方面进行评估，保障力量分配合理性、情况处置合理性、保障计划工作量三个基础指标从定性和定量两个角度去描述了合成旅保障指挥的效率，能够较清晰的反应合成旅装备保障指挥的基础效率。
（4）抢救抢修能力
抢救抢修能力包括展开能力、撤收能力、抢修能力、抢救能力四个方面。
展开能力主要从展开质量、展开速度2个方面进行评估；撤收能力主要从撤收质量、撤收速度2个方面进行评估，撤收质量、撤收速度两个通过比值的方式对撤收能力进行量化，能够较清晰的表示保障装备的基础撤收能力。
抢修能力主要包括了损伤评估能力、抢修效率和抢修质量几个方面，损伤评估能力基本指标项定性的描述了合成旅保障装备及人员在抢修过程中对待保障装备损伤的准确度，抢修效率和抢修质量两个基本指标项通过定量的方式对抢修能力进行离散化，能够较清晰的体现装备保障基础抢修能力。
抢救能力包括战损评估、拖救能力、牵引能力3个方面，战损评估基本指标项描述了抢救过程中对待保障对象损伤程度的准确度和精确性，拖救能力和牵引能力能够较好的描述合成旅装备保障基础抢救能力。
（5）器材供应能力
器材供应能力包括平时器材供应效率和战时器材供应效率两个方面。
平时器材供应效率主要包括平时器材供应数量和平时作业时间两个方面，平时器材供应数量和平时作业时间两项基本指标通过量化聚合的方式能够对平时器材供应效率进行量化，能够较清晰的体现平时装备保障的基础供应能力。
战时器材供应效率主要包括战时器材供应数量和战时作业时间两个方面，战时器材供应数量和战时作业时间两项基本指标通过量化聚合的方式能够对战时器材供应效率进行量化，能够较清晰的体现战时装备保障的保障基础供应能力。
（6）弹药保障能力
弹药保障能力包括弹药请领补给能力、弹药前送补给能力、弹药分发能力、弹药装载能力四个方面。
弹药请领补给能力分为弹药请领数量和弹药请领时间两个方面，弹药请领数量和弹药请领时间两项基本指标通过量化聚合的方式能够对弹药请领补给阶段的供应能力进行量化，能够较清晰的体现弹药请领补给阶段的基础供应能力。
弹药前送补给能力分为弹药前送补给数量和弹药前送补给时间两个方面，弹药前送数量和弹药前送时间两项基本指标通过量化聚合的方式能够对弹药前送补给阶段的供应能力进行量化，能够较清晰的体现弹药前送补给阶段的基础供应能力。
弹药分发能力分为弹药分发数量和弹药分发时间两个方面，弹药分发数量和弹药分发时间两项基本指标通过量化聚合的方式能够对弹药分发补给阶段的供应能力进行量化，能够较清晰的体现弹药分发补给阶段的基础供应能力。
弹药装载能力分为弹药装载数量和弹药装载时间两个方面，弹药装载数量和弹药装载时间两项基本指标通过量化聚合的方式能够对弹药装载阶段的供应能力进行量化，能够较清晰的体现弹药装载阶段的保障基础供应能力。
步骤2：利用AHP方法为能力指标确定初始权重
基于步骤1所构建的评估指标体系，采用AHP（层次分析法）确定各层指标权重，首先构造判断矩阵，计算相对重要度，通过特征值法求解特征根与特征向量，将结果进行一致性检验，求解得到一级能力指标值，并将每层指标权重按该方法求解。
层次分析法也即AHP法，是能力评估领域一种常用的方法，其具体计算流程如下：
（1） 建立层次结构模型
层次结构模型即为图1所示的武器装备的指标体系结构模型。
（2）构造判断矩阵B
其中rij表示第i个指标相对第j个指标的重要程度，由专家给出，一般采用1-9级标度法，如表2.1所示：
（3）计算相对重要度
通过特征值法求解B的特征根与特征向量。
λ为特征根，λmax为最大特征根，W为特征向量。
（4）一致性检验
其中，CI为随机一致性指标，n为判断矩阵阶数，RI为平均随机一致性指标，如下表。若CR<0.1时认为判断矩阵的一致性可接受，即结果可以作为权重值。
AHP法对是同一层次指标的权重求解，每层指标的权重均可按此算法求解权重。
步骤3：搭建神经网络，并通过实装演训和仿真推演数据训练神经网络；
首先利用pandas数据处理工具读取训练样本文件和测试样本文件；
将步骤2中利用AHP确定的权重向量输入值initweight向量中；
利用keras的Sequential函数初始化神经网络结构；
利用keras的Sequential的add方法增加Dense层，输入维度为6，激活函数选取线性修正单元（relu），初始权重为initiweight向量；
利用keras的Sequential的add方法增加Dense层，输入维度为1，激活函数选取sigmoid函数；
利用keras的optimizer类的SGD方法设置优化器，学习率为0.01，衰减率为0.00001，采用nesterov梯度下降法进行优化；
编译模型，无误后输入待评估计算向量进行计算，得出评估结论。
以步骤2利用AHP所确定的指标权重为基础，基于各类部队积累的实装、仿真历史数据，基于评估指标体系构建了相应的BP神经网络，利用深度人工神经网络对非线性因素具有很好的逼近效果，来对经过AHP法确定权重进行修正，以此使评估结果更加可信、实用。
BP 神经网络的输入层为六大能力指标，其计算按照由AHP法确定的指标权重层层聚合计算得出，输出层为待评估部队装备保障能力的评估值，输入层为1x6的向量，输出层为1x1的评估值，BP神经网络中的中间层起到增加神经网络对非线性函数的拟合能力，但中间层过于复杂将导致BP网络过拟合，以至于预测结果过于依赖训练样本数据，因此将中间层节点的神经元个数设计为4个。
构建的BP神经网络在确定结构以后，需要对其学习速率进行设定，为保证BP神经网络的整体稳定性与鲁棒性，将学习速率设置为0.01；输入层的初始权值则影响着整个网络的收敛速度与准确性，将初始权值设置为经过AHP法确定的权值系数w。人工神经网络中的激活函数对神经网络的拟合性能起到至关重要的作用，在此在中间层选取线性修正单元RELU作为激活函数,线性修正单元也就是代数学中的斜坡函数，在近年来的深度学习和人工智能相关研究中因其良好的非线性适应性被广泛的使用，其具体形式如下：
其中，f(x)是激活函数的输出值，x为激活函数的输入值。
因为输出层为装备保障能力评估值，因此选取sigmoid函数作为输出层的激活函数，其具有将神经网络拟合结果通过统计学的方式控制在0-1间，得出结果后乘以100也即装备保障能力评估值，其具体形式如下：
其中，s(x)是激活函数的输出值，x为激活函数的输入值。
步骤4：计算得到待评估部队的装备保障能力评估值。
利用python语言和keras实现步骤3所构建的神经网络结构，python语言是跨平台的计算机程序语言，因其对人工智能相关模块库如keras等的良好支持而被广泛使用；keras是由python语言编写的开源人工神经网络库，因其在神经网络模型架构方面的简单性、易用性在深度学习领域被研究人员大量采用，采用python和keras的结合实现神经网络并完成训练并得出得出评估结果。
本发明所公布的方法可充分利用历史演训数据进行神经网络拟合训练，可充分利用神经网络对于非线性函数拟合效果，有效解决各指标之间的非线性关系，能够较大程度的消除传统AHP方法中人工主观因素对于权重所造成的误差，提高评估结果的可信性。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述 的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各 种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (3)
1.基于神经网络的装备保障能力评估方法，其特征为：包括如下步骤：
步骤1：结合待评估部队的使命任务和装备体系编配构建指标体系；基于对待评估部队的装备保障行动及需求分析，综合实装和仿真系统的数据采集方式与方法，聚焦需求分析的六大能力，按照技术准备能力、维护保养能力、保障指挥能力、抢救抢修能力、器材供应能力、弹药供应能力逐项细化，参照指标体系的构建原则与标准，围绕待评估部队的具体装备保障体系配置，构建适用于实装演习、计算机仿真抑或是二者相结合模式的评估指标体系；
步骤2：利用AHP方法为能力指标确定初始权重；基于步骤1所构建的评估指标体系，采用层次分析法AHP确定各层指标权重，首先构造判断矩阵，计算相对重要度，通过特征值法求解特征根与特征向量，将结果进行一致性检验，求解得到一级能力指标值，并将每层指标权重按该方法求解；层次分析法也即AHP法，是能力评估领域一种常用的方法，其具体计算流程如下：
（1）建立层次结构模型
层次结构模型为武器装备的指标体系结构模型；
（2）构造判断矩阵B
其中rnn表示第n个指标相对第n个指标的重要程度，由专家给出；
步骤3：搭建神经网络，并通过实装演训和仿真推演数据训练神经网络；以步骤2利用AHP所确定的指标权重为基础，基于各类部队积累的实装、仿真历史数据，基于评估指标体系构建了相应的BP神经网络，利用深度人工神经网络对非线性因素具有很好的逼近效果，来对经过AHP法确定权重进行修正，以此使评估结果更加可信、实用；
步骤4：计算得到待评估部队的装备保障能力评估值；利用python语言和keras实现步骤3所构建的神经网络结构，采用python和keras的结合实现神经网络并完成训练并得出评估结果。
2.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，所述程序运行时控制非易失性存储介质所在的设备执行权利要求1所述的方法。
3.一种电子装置，其特征在于，包含处理器和存储器；所述存储器中存储有计算机可读指令，所述处理器用于运行所述计算机可读指令，其中，所述计算机可读指令运行时执行权利要求1所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211092018.XA CN115170002B (zh) | 2022-09-07 | 2022-09-07 | 一种基于神经网络的保障能力评估方法及其应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211092018.XA CN115170002B (zh) | 2022-09-07 | 2022-09-07 | 一种基于神经网络的保障能力评估方法及其应用 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115170002A CN115170002A (zh) | 2022-10-11 |
| CN115170002B true CN115170002B (zh) | 2022-12-02 |
Family
ID=83482150
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211092018.XA Active CN115170002B (zh) | 2022-09-07 | 2022-09-07 | 一种基于神经网络的保障能力评估方法及其应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115170002B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117421889B (zh) * | 2023-10-19 | 2024-08-09 | 北京归一科技有限公司 | 用于装甲装备的保障效能仿真建模方法、系统及存储介质 |
| CN118396480A (zh) * | 2024-06-27 | 2024-07-26 | 中国电子科技集团公司第十研究所 | 一种装备信息保障能力评估方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105825022A (zh) * | 2016-03-24 | 2016-08-03 | 中国人民解放军装甲兵工程学院 | 一种基于多Agent的动态装备保障体系效能评估方法与系统 |
| CN106469340A (zh) * | 2015-08-17 | 2017-03-01 | 苏州优估营网络科技有限公司 | 一种基于神经网络的复合型项目风险评估模型 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11170334B1 (en) * | 2020-09-18 | 2021-11-09 | deepwatch, Inc. | Systems and methods for security operations maturity assessment |
-
2022
- 2022-09-07 CN CN202211092018.XA patent/CN115170002B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106469340A (zh) * | 2015-08-17 | 2017-03-01 | 苏州优估营网络科技有限公司 | 一种基于神经网络的复合型项目风险评估模型 |
| CN105825022A (zh) * | 2016-03-24 | 2016-08-03 | 中国人民解放军装甲兵工程学院 | 一种基于多Agent的动态装备保障体系效能评估方法与系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115170002A (zh) | 2022-10-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115170002B (zh) | 一种基于神经网络的保障能力评估方法及其应用 | |
| Zhang et al. | A comprehensive wind speed prediction system based on Monte Carlo and artificial intelligence algorithms | |
| CN108108832B (zh) | 一种基于无线传感器网络的油罐车油气泄漏智能监测系统 | |
| US5751915A (en) | Elastic fuzzy logic system | |
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| CN110046710A (zh) | 一种神经网络的非线性函数极值优化方法及系统 | |
| CN109190834A (zh) | 基于神经网络的股票价格趋势预测方法及系统 | |
| CN112001496A (zh) | 神经网络结构搜索方法及系统、电子设备及存储介质 | |
| CN112101525A (zh) | 一种通过nas设计神经网络的方法、装置和系统 | |
| Shin-ike | A two phase method for determining the number of neurons in the hidden layer of a 3-layer neural network | |
| CN108053052B (zh) | 一种油罐车油气泄漏速度智能监测系统 | |
| CN113762486A (zh) | 换流阀故障诊断模型的构建方法、装置和计算机设备 | |
| CN111897240B (zh) | 一种基于核动力系统运行的仿真方法及系统 | |
| CN112464981B (zh) | 基于空间注意力机制的自适应知识蒸馏方法 | |
| CN114154401B (zh) | 基于机器学习和观测数据的土壤侵蚀模数计算方法及系统 | |
| CN115618732A (zh) | 核反应堆数字孪生关键参数自主优化数据反演方法 | |
| CN113947332A (zh) | 一种地下工程综合保障能力的评估方法及系统 | |
| Xilin et al. | Resource allocation optimization of equipment development task based on MOPSO algorithm | |
| Na et al. | A novel heuristic artificial neural network model for urban computing | |
| CN112862211A (zh) | 通信管理系统动环缺陷派单方法及装置 | |
| CN116992935A (zh) | 基于改进随机配置算法的神经网络模型训练方法及系统 | |
| CN117076887A (zh) | 一种泵站机组运行状态预测和健康评估方法及系统 | |
| Montes et al. | Local power peaking factor estimation in nuclear fuel by artificial neural networks | |
| CN111797474A (zh) | 船舶动稳性性能的预测模型的建立、预测方法、装置及介质 | |
| CN116300755A (zh) | 基于mpc的含储热的供热系统双层优化调度方法及装置 |
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 |