CN117332923B - 一种网状指标体系的赋权方法及系统 - Google Patents

一种网状指标体系的赋权方法及系统 Download PDF

Info

Publication number
CN117332923B
CN117332923B CN202311298194.3A CN202311298194A CN117332923B CN 117332923 B CN117332923 B CN 117332923B CN 202311298194 A CN202311298194 A CN 202311298194A CN 117332923 B CN117332923 B CN 117332923B
Authority
CN
China
Prior art keywords
index
matrix
value
combat
initial
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
CN202311298194.3A
Other languages
English (en)
Other versions
CN117332923A (zh
Inventor
王佳佳
王凤敏
李娜
张彤
侯健
马静
郝创博
梁瀚戈
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 Jinghang Computing Communication Research Institute
Original Assignee
Beijing Jinghang Computing Communication Research Institute
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 Jinghang Computing Communication Research Institute filed Critical Beijing Jinghang Computing Communication Research Institute
Priority to CN202311298194.3A priority Critical patent/CN117332923B/zh
Publication of CN117332923A publication Critical patent/CN117332923A/zh
Application granted granted Critical
Publication of CN117332923B publication Critical patent/CN117332923B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种网状指标体系的赋权方法及系统，属于数据处理技术领域，解决了现有技术中无法对非线性耦合指标客观赋权的问题。包括：构建网状指标体系；通过作战仿真采集样本数据，根据每条样本数据计算出网状指标体系中末级的各项指标值，构建初始指标矩阵；利用主成分分析法获取初始指标矩阵降维后的字典指标矩阵；利用Lasso算法得到回归系数矩阵，归一化后作为指标权重矩阵；计算指标权重矩阵中每个指标的平均权重，当平均权重的标准差小于1，则根据平均权重更新初始指标矩阵，再次利用主成分分析法和Lasso算法得到新的平均权重，当平均权重的标准差大于1，停止迭代，最后的平均权重即为指标权重。实现了网状指标体系的客观赋权。

Description

一种网状指标体系的赋权方法及系统
技术领域
本发明涉及数据处理技术领域，尤其涉及一种网状指标体系的赋权方法及系统。
背景技术
随着网络技术和装备的不断升级，装备发挥的作用越来越大，装备的发展也逐渐向以体系为中心转变。为了度量装备体系的组成部分对整个装备体系的作用或影响程度的大小，建立对应的考核指标体系，根据建立的指标体系，采集对应的性能指标数据，利用各指标的重要程度作为权重，采用各类评估模型对装备体系贡献率进行评估，得出任务驱动下的装备体系贡献程度的量化评估结论，对于摸清装备在作战任务中能力具有重要意义。
建立科学的考核评估指标体系是评估需求的输入，需要遵循科学、系统、可测、完备等原则，当前采用的方法大多为层级树状结构的指标体系，及改进的各种层级树状结构的指标体系，在实际复杂真实应用时，存在简化处理的情况，并且其重要程度主要依靠专家经验，具有很大的主观性。
在实际应用中，装备的各项指标之间有可能会存在耦合关系，呈现出同层或跨层之间的耦合关系，形成的是网状的指标体系，那么传统的主观或客观的指标赋权方法，如层次分析法、环比系数法等将不再适用。尤其是随着指标的个数增加，其网状结构的指标体系复杂程度变化将会呈现指数级变化、关联性愈加复杂，指标权重的计算方式复杂。实际应用中仅仅依靠专家的经验对各个指标重要程度进行赋权，在指标耦合关系简化情况下的各类处理也与实际存在很大的差距。
发明内容
鉴于上述的分析，本发明实施例旨在提供一种网状指标体系的赋权方法及系统，用以解决现有无法对非线性耦合指标客观赋权的问题。
一方面，本发明实施例提供了一种网状指标体系的赋权方法，包括以下步骤：
根据作战任务和各装备，构建网状指标体系；
通过作战仿真采集样本数据，根据每条样本数据计算出网状指标体系中末级的各项指标值，分别作为初始指标矩阵的行向量；
利用主成分分析法，获取初始指标矩阵降维后的字典指标矩阵；基于初始指标矩阵和字典指标矩阵，利用Lasso算法得到回归系数矩阵，归一化后作为指标权重矩阵；计算指标权重矩阵中每个指标的平均权重，当平均权重的标准差小于1，则根据平均权重更新初始指标矩阵，再次利用主成分分析法和Lasso算法，得到新的平均权重，当平均权重的标准差大于1，停止迭代，最后的平均权重即为指标权重。
基于上述方法的进一步改进，根据每条样本数据计算出网状指标体系中末级的各项指标值之后，根据末级的各项指标的重要程度值对相应的各项指标值加权，再分别作为初始指标矩阵的行向量。
基于上述方法的进一步改进，将作战任务分解成1个或多个作战目标；每个装备至少包含一个装备能力，每个装备能力至少对应一个装备；网状指标体系包括：一级作战目标、二级装备能力和三级指标。
基于上述方法的进一步改进，末级的各项指标的重要程度值通过以下步骤获取：
基于网状指标体系，获取从末级的每项指标依次经过各装备能力完成各作战目标的任务链；计算任务链中相邻两个节点间的相关系数，作为对应边的关系值；将每条任务链中各条边的关系值的平均值作为任务链的影响值；根据末级的各项指标所属任务链影响值，计算出该指标的重要程度值。
基于上述方法的进一步改进，计算任务链中相邻两个节点间的相关系数，作为对应边的关系值，包括：利用典型相关分析对任务链中相邻两个节点包含的指标项进行分析，得到的典型相关系数作为任务链中对应边的关系值。
基于上述方法的进一步改进，根据末级的各项指标所属任务链影响值，计算出该指标的重要程度值，包括：将末级的各项指标所属任务链的影响值与所属任务链中作战目标的权重加权平均，得到该指标的重要程度值。
基于上述方法的进一步改进，利用主成分分析法，获取初始指标矩阵降维后的字典指标矩阵，包括：
根据预置贡献率，得到对初始指标矩阵进行主成分分析降维后的主成分矩阵；
将初始指标矩阵与主成分矩阵的转置矩阵相乘，得到字典指标矩阵。
基于上述方法的进一步改进，基于初始指标矩阵和字典指标矩阵，利用Lasso算法得到回归系数，是通过求解下面的目标函数而得到：
其中，S表示初始指标矩阵，Z表示字典指标矩阵，β表示回归系数矩阵，λ表示常数，取[0,1]之间的小数，||·||1和||·||2分别表示1范数和2范数。
另一方面，本发明实施例提供了一种网状指标体系的赋权系统，包括：
网状指标构建模块，用于根据作战任务和各装备，构建网状指标体系；
初始指标获取模块，用于通过作战仿真采集样本数据，根据每条样本数据计算出网状指标体系中末级的各项指标值，分别作为初始指标矩阵的行向量；
指标权重学习模块，用于利用主成分分析法，获取初始指标矩阵降维后的字典指标矩阵；基于初始指标矩阵和字典指标矩阵，利用Lasso算法得到回归系数矩阵，归一化后作为指标权重矩阵；计算指标权重矩阵中每个指标的平均权重，当平均权重的标准差小于1，则根据平均权重更新初始指标矩阵，再次利用主成分分析法和Lasso算法，得到新的平均权重，当平均权重的标准差大于1，停止迭代，最后的平均权重即为指标权重。
基于上述系统的进一步改进，初始指标获取模块中根据每条样本数据计算出网状指标体系中末级的各项指标值之后，根据末级的各项指标的重要程度值对相应的各项指标值加权，再分别作为初始指标矩阵的行向量。
与现有技术相比，本发明至少可实现如下有益效果之一：
1、建立了网络状指标体系，区别于传统的对指标体系进行简化的线性处理，网络状指标体系充分考虑实际任务驱动下的指标之间的相关关系，更符合实际情况。
2、基于网络状指标体系，针对每个指标进行任务链的分析，从结构和数据两个层面进行赋权，充分考虑多层级指标之间的关系，结合迭代的主成分分析和LASSO学习技术，对具有耦合关系的数据进行分析处理，得出客观的指标权重，更加贴近真实应用情况，为摸清装备在任务中的贡献程度提供技术支撑。
本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
图1为本发明实施例1中一种网状指标体系的赋权方法流程图；
图2为本发明实施例2中一种网状指标体系的赋权系统结构示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
实施例1
本发明的一个具体实施例，公开了一种网状指标体系的赋权方法，如图1所示，包括以下步骤：
S11、根据作战任务和各装备，构建网状指标体系。
需要说明的是，将作战任务分解成1个或多个待干扰或待摧毁的作战目标，根据作战目标选择各装备，组成作战体系。武装装备的类型包括侦察类(S)、决策类(D)、打击类(A)、目标类(T)四种，作战体系中每类武装装备可以有多个。每个装备至少包含一个装备能力，每个装备能力至少对应一个装备。
示例性地，作战任务分解为打击敌方目标，由一个决策类的指挥控制装备、两个侦察类的态势感知装备、一个打击类的打击装备和一个目标类的打击装备组成作战体系，其中打击类的打击装备完成对目标类的打击装备的精确打击。指挥控制装备具有指挥控制能力，态势感知装备具有情报侦察探测能力，两类打击装备具有打击能力，四种类型的装备均具有信息传输能力。
优选地，当作战任务分级为多个作战目标时，为各作战目标设置一个权重。
对每类装备的每种装备能力进一步细化成三级指标。比如，指挥控制能力包括控制准确性指标和控制时效性指标，情报侦察探测能力包括目标侦察距离指标和目标识别概率指标，打击能力包括目标命中概率指标和目标毁伤概率指标；信息传输能力包括链路传输时间指标和通信质量指标。
由于多种类型的装备具有相同的装备能力，因此三级指标并不是单一地对应一种装备，形成了一种网状的指标体系，该体系自顶向下包括：一级作战目标、二级装备能力和三级指标。
需要说明的是，本实施例的网状指标体系中每一级都可以根据实际情况再进行细分，不做具体层级的限定。
与现有技术相比，本实施例建立了网络状指标体系，区别于传统的对指标体系进行简化的线性处理，网络状指标体系充分考虑实际任务驱动下的指标之间的相关关系，更符合实际情况，取代树状的指标体系构建技术，为装备体系贡献率评估提供更加真实客观的输入。
S12、通过作战仿真采集样本数据，根据每条样本数据计算出网状指标体系中末级的各项指标值，分别作为初始指标矩阵的行向量。
需要说明的是，各指标根据实际情况有明确的指标计算公式，比如目标毁伤概率＝敌方装备被我方毁伤的数量÷敌方装备总数量。采集历史作战仿真过程中各装备的性能参数、作战仿真系统的交互数据和监控数据，将获取的每次仿真的原始数据作为每条样本数据，根据每条样本数据计算出网状指标体系中末级的各项指标值，并按照预置的顺序组成各项指标值向量，作为初始指标矩阵的行向量，则所有样本数据的各项指标值向量组合成初始指标矩阵。
示例性地，m条样本数据，网状指标体系中末级有n项指标，则得到m×n维的初始指标矩阵。
优选地，根据每条样本数据计算出网状指标体系中末级的各项指标值之后，根据末级的各项指标的重要程度值对相应的各项指标值加权，再分别作为初始指标矩阵的行向量。
需要说明的是，末级的各项指标的重要程度值根据网状指标体系中各任务链的影响值计算得到。本实施例中的任务链与现有装备体系网络中的作战环不同。作战环是为了完成特定的作战任务，装备体系中的侦察类、决策类、攻击类等装备实体与敌方目标实体构成的闭合回路。比如典型作战环T→S→D→A→T表示敌方装备T被我方侦察类装备S发现，由我方侦察类装备S通过信息传输将有效信息传输给决策类装备D，决策类装备D在处理信息后向打击类装备A下达攻击命令，打击类装备A对敌方装备T实施攻击的过程。由于不同类型的装备数量可能不止一个，同种装备之间存在着协同关系或可替代关系，因此，作战环中会出现多个同一类型的装备，体现出不同的作战能力。比如作战环T1→S1→S2→D2→D1→A1→T1表示包含信息共享和协同指挥的作战环。
本实施例为了更客观地对末级指标赋权，在根据作战目标建立了作战环后，考虑每个装备的在作战环中的装备能力，以及每个装备能力中所包含的末级指标，细化出多条任务链，每条任务链从末级的每项指标开始，依次经过其所属的某个装备的某个装备能力，再根据该装备的装备能力在任务链中的作用和传递关系，确定下一个装备的装备能力，直至任一个作战目标。
接着，计算任务链中相邻两个节点间的相关系数，作为对应边的关系值，包括：利用典型相关分析(CCA，canonical correlation analysis)对任务链中相邻两个节点包含的指标项进行分析，得到的典型相关系数作为任务链中对应边的关系值。
需要说明的是，开始的两个节点是末级指标与其所属的装备能力，由于装备能力中包括多个指标，该末级指标与其它多个指标可能存在互相影响或者因果关系，也可以通过计算皮尔逊相关系数来得到。
将每条任务链中各条边的关系值的平均值作为任务链的影响值。
由于末级的各项指标可以与多个装备有关，不同装备的装备能力生成的任务链不同，因此，末级的各项指标对应1个或多个任务链，完成的作战目标不同。则根据末级的各项指标所属任务链影响值，计算出该指标的重要程度值，包括：将末级的各项指标所属任务链的影响值与所属任务链中作战目标的权重加权平均，得到该指标的重要程度值。将末级的各项指标的重要程度值对每条样本中计算出来的相应的各项指标值加权，作为初始指标矩阵的行向量，则所有样本数据的各项指标值向量组合成初始指标矩阵。
与现有技术相比，本实施例基于网络状指标体系，针对每个指标进行任务链的分析，从网状结构上对每个指标进行赋权，充分考虑指标与与装备能力之间的关系，装备能力之间的关系，为后续指标从数据层面进一步赋权打好基础。
S13、利用主成分分析法，获取初始指标矩阵降维后的字典指标矩阵；基于初始指标矩阵和字典指标矩阵，利用Lasso算法得到回归系数矩阵，归一化后作为指标权重矩阵；计算指标权重矩阵中每个指标的平均权重，当平均权重的标准差小于1，则根据平均权重更新初始指标矩阵，再次利用主成分分析法和Lasso算法，得到新的平均权重，当平均权重的标准差大于1，停止迭代，最后的平均权重即为指标权重。
需要说明的是，本步骤是通过迭代学习得到指标权重的过程。
首先，利用主成分分析法，获取初始指标矩阵降维后的字典指标矩阵，包括：
根据预置贡献率，得到对初始指标矩阵进行主成分分析降维后的主成分矩阵；将初始指标矩阵与主成分矩阵的转置矩阵相乘，得到字典指标矩阵。
示例性地，预置贡献率为90％，则根据预置贡献率，将m×n维的初始指标矩阵降维到p维，得到p×n维的主成分矩阵；将m×n维的初始指标矩阵，与主成分矩阵的转置矩阵n×p维相乘，得到m×p维字典指标矩阵。
进一步地，基于初始指标矩阵和字典指标矩阵，利用Lasso算法得到回归系数，是通过求解下面的目标函数而得到：
其中，S表示初始指标矩阵，Z表示字典指标矩阵，β表示回归系数矩阵，λ表示常数，取[0,1]之间的小数，||·||1和||·||2分别表示1范数和2范数。
具体来说，根据m×n维的初始指标矩阵和m×p维字典指标矩阵，得到p×n维的回归系数，归一化后作为指标权重矩阵，对每一列取均值，得到n个指标的平均权重。
接着，计算n个平均权重的标准差，当标准差大于1，则停止学习，n个平均权重即为n个指标的指标权重；否则，根据平均权重对初始指标矩阵中对应指标值加权，更新初始指标矩阵，再次利用主成分分析法和Lasso算法，得到新的平均权重，当平均权重的标准差大于1，停止迭代，最后的平均权重即为指标权重。
将计算出来的末级的各项指标权重，用于装备体系能力贡献率的评估中，提高整个评估的客观性和准确性。
具体来说，末级的各项指标权重与预置的最小阈值相比，如果小于最小阈值，说明该指标对整个装备能力的所起的作用不大，则不再选择该指标。因此，保留指标权重大于最小阈值的各项指标。
获取待评估装备体系能力贡献率的作战仿真数据，根据保留的各项指标计算出指标值。根据各装备能力包含的各项指标值和指标权重，采用指标聚合的方法，计算出各装备能力值；
对建立的每个作战环，将侦察类、决策类和攻击类装备的装备能力值相乘后除以目标类装备的装备能力值，得到作战环的能力值；
将同一个作战目标对应的各作战环的能力值相加，得到作战环对该作战目标的影响力值；根据每个作战目标的权重，将对应的影响力值加权后求和，得到作战体系能力综合评估值。
装备对于体系能力贡献的一个直观理解为若某装备从体系中移除或被摧毁，剩余体系对敌方目标作战能力大大降低，则表示该装备对作战体系能力贡献较高，反之，移除该装备后新旧体系对敌方目标作战能力基本不发生改变，则表示该装备的增加对作战体系能力的增加未起到积极作用。
装备体系能力贡献率可以考虑体系中某一个装备对体系能力的能力贡献率，也可考虑某一类装备对体系能力的能力贡献率。
以移除一个装备为例，将有无某装备的作战体系能力综合评估值之差除以原作战体系能力综合评估值的比值作为衡量某装备的体系能力贡献率，用以下公式表示：
其中，G表示作战体系网络，G-v表示将装备v从G中移除后构成新的作战体系网络，hG表示原作战体系能力综合评估值，表示新的作战体系能力综合评估值。
与现有技术相比，本实施例提供的一种网状指标体系的赋权方法，建立了网络状指标体系，区别于传统的对指标体系进行简化的线性处理，网络状指标体系充分考虑实际任务驱动下的指标之间的相关关系，更符合实际情况；基于网络状指标体系，针对每个指标进行任务链的分析，从结构和数据两个层面进行赋权，充分考虑多层级指标之间的关系，结合迭代的主成分分析和LASSO学习技术，对具有耦合关系的数据进行分析处理，得出客观的指标权重，更加贴近真实应用情况，为摸清装备在任务中的贡献程度提供技术支撑。
实施例2
本发明的另一个实施例，公开了一种网状指标体系的赋权系统，从而实现实施例1中的一种网状指标体系的赋权方法。各模块的具体实现方式参照实施例1中的相应描述。如图2所示，该系统包括：
网状指标构建模块101，用于根据作战任务和各装备，构建网状指标体系；
初始指标获取模块102，用于通过作战仿真采集样本数据，根据每条样本数据计算出网状指标体系中末级的各项指标值，分别作为初始指标矩阵的行向量；
指标权重学习模块103，用于利用主成分分析法，获取初始指标矩阵降维后的字典指标矩阵；基于初始指标矩阵和字典指标矩阵，利用Lasso算法得到回归系数矩阵，归一化后作为指标权重矩阵；计算指标权重矩阵中每个指标的平均权重，当平均权重的标准差小于1，则根据平均权重更新初始指标矩阵，再次利用主成分分析法和Lasso算法，得到新的平均权重，当平均权重的标准差大于1，停止迭代，最后的平均权重即为指标权重。
优选地，初始指标获取模块中根据每条样本数据计算出网状指标体系中末级的各项指标值之后，根据末级的各项指标的重要程度值对相应的各项指标值加权，再分别作为初始指标矩阵的行向量。
由于本实施例与前述一种网状指标体系的赋权方法相关之处可相互借鉴，此处为重复描述，故这里不再赘述。由于本系统实施例与上述方法实施例原理相同，所以本系统实施例也具有上述方法实施例相应的技术效果。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
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，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (3)

1.一种网状指标体系的赋权方法，其特征在于，包括以下步骤：
根据作战任务和各装备，构建网状指标体系；将作战任务分解成1个或多个作战目标；每个装备至少包含一个装备能力，每个装备能力至少对应一个装备；网状指标体系包括：一级作战目标、二级装备能力和三级指标；
通过作战仿真采集样本数据，根据每条样本数据计算出网状指标体系中末级的各项指标值之后，根据末级的各项指标的重要程度值对相应的各项指标值加权，再分别作为初始指标矩阵的行向量；
所述末级的各项指标的重要程度值通过以下步骤获取：基于网状指标体系，获取从末级的每项指标依次经过各装备能力完成各作战目标的任务链；计算任务链中相邻两个节点间的相关系数，作为对应边的关系值；将每条任务链中各条边的关系值的平均值作为任务链的影响值；根据末级的各项指标所属任务链影响值，计算出该指标的重要程度值；
所述计算任务链中相邻两个节点间的相关系数，作为对应边的关系值，包括：利用典型相关分析对任务链中相邻两个节点包含的指标项进行分析，得到的典型相关系数作为任务链中对应边的关系值；
利用主成分分析法，获取初始指标矩阵降维后的字典指标矩阵；基于初始指标矩阵和字典指标矩阵，利用Lasso算法得到回归系数矩阵，归一化后作为指标权重矩阵；计算指标权重矩阵中每个指标的平均权重，当平均权重的标准差小于1，则根据平均权重更新初始指标矩阵，再次利用主成分分析法和Lasso算法，得到新的平均权重，当平均权重的标准差大于1，停止迭代，最后的平均权重即为指标权重；
所述利用主成分分析法，获取初始指标矩阵降维后的字典指标矩阵，包括：根据预置贡献率，得到对初始指标矩阵进行主成分分析降维后的主成分矩阵；将初始指标矩阵与主成分矩阵的转置矩阵相乘，得到字典指标矩阵；
所述基于初始指标矩阵和字典指标矩阵，利用Lasso算法得到回归系数矩阵，是通过求解下面的目标函数而得到：
其中，S表示初始指标矩阵，Z表示字典指标矩阵，β表示回归系数矩阵，λ表示常数，取[0,1]之间的小数，||·||1和||·||2分别表示1范数和2范数。
2.根据权利要求1所述的网状指标体系的赋权方法，其特征在于，所述根据末级的各项指标所属任务链影响值，计算出该指标的重要程度值，包括：将末级的各项指标所属任务链的影响值与所属任务链中作战目标的权重加权平均，得到该指标的重要程度值。
3.一种网状指标体系的赋权系统，其特征在于，包括：
网状指标构建模块，用于根据作战任务和各装备，构建网状指标体系；将作战任务分解成1个或多个作战目标；每个装备至少包含一个装备能力，每个装备能力至少对应一个装备；网状指标体系包括：一级作战目标、二级装备能力和三级指标；
初始指标获取模块，用于通过作战仿真采集样本数据，根据每条样本数据计算出网状指标体系中末级的各项指标值之后，根据末级的各项指标的重要程度值对相应的各项指标值加权，再分别作为初始指标矩阵的行向量；
所述末级的各项指标的重要程度值通过以下步骤获取：基于网状指标体系，获取从末级的每项指标依次经过各装备能力完成各作战目标的任务链；计算任务链中相邻两个节点间的相关系数，作为对应边的关系值；将每条任务链中各条边的关系值的平均值作为任务链的影响值；根据末级的各项指标所属任务链影响值，计算出该指标的重要程度值；
所述计算任务链中相邻两个节点间的相关系数，作为对应边的关系值，包括：利用典型相关分析对任务链中相邻两个节点包含的指标项进行分析，得到的典型相关系数作为任务链中对应边的关系值；
指标权重学习模块，用于利用主成分分析法，获取初始指标矩阵降维后的字典指标矩阵；基于初始指标矩阵和字典指标矩阵，利用Lasso算法得到回归系数矩阵，归一化后作为指标权重矩阵；计算指标权重矩阵中每个指标的平均权重，当平均权重的标准差小于1，则根据平均权重更新初始指标矩阵，再次利用主成分分析法和Lasso算法，得到新的平均权重，当平均权重的标准差大于1，停止迭代，最后的平均权重即为指标权重；
所述利用主成分分析法，获取初始指标矩阵降维后的字典指标矩阵，包括：根据预置贡献率，得到对初始指标矩阵进行主成分分析降维后的主成分矩阵；将初始指标矩阵与主成分矩阵的转置矩阵相乘，得到字典指标矩阵；
所述基于初始指标矩阵和字典指标矩阵，利用Lasso算法得到回归系数矩阵，是通过求解下面的目标函数而得到：
其中，S表示初始指标矩阵，Z表示字典指标矩阵，β表示回归系数矩阵，λ表示常数，取[0,1]之间的小数，||·||1和||·||2分别表示1范数和2范数。
CN202311298194.3A 2023-10-09 2023-10-09 一种网状指标体系的赋权方法及系统 Active CN117332923B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311298194.3A CN117332923B (zh) 2023-10-09 2023-10-09 一种网状指标体系的赋权方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311298194.3A CN117332923B (zh) 2023-10-09 2023-10-09 一种网状指标体系的赋权方法及系统

Publications (2)

Publication Number Publication Date
CN117332923A CN117332923A (zh) 2024-01-02
CN117332923B true CN117332923B (zh) 2024-03-26

Family

ID=89289885

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311298194.3A Active CN117332923B (zh) 2023-10-09 2023-10-09 一种网状指标体系的赋权方法及系统

Country Status (1)

Country Link
CN (1) CN117332923B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109408773A (zh) * 2018-11-06 2019-03-01 福州大学 一种生态健康诊断的指标自动化筛选方法
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
CN112907026A (zh) * 2021-01-18 2021-06-04 中电普信(北京)科技发展有限公司 一种基于可编辑网状指标体系的综合评估方法
CN113139303A (zh) * 2021-06-22 2021-07-20 中国人民解放军国防科技大学 体系任务链路动量获取方法、装置和计算机设备
CN115017700A (zh) * 2022-06-02 2022-09-06 红云红河烟草(集团)有限责任公司 基于scad算法的卷烟制丝过程变量选择及赋权方法
CN116016206A (zh) * 2022-12-07 2023-04-25 北京航空航天大学 开放环境下无人集群系统的弹性评估方法及系统
CN116784820A (zh) * 2022-11-12 2023-09-22 上海大学 一种基于种子点连接的脑功能网络构建方法及系统
CN116820709A (zh) * 2023-05-26 2023-09-29 京信数据科技有限公司 任务链的运行方法、装置、终端及计算机存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11802865B2 (en) * 2021-12-27 2023-10-31 Chevron Phillips Chemical Company Lp Utilizing aTREF data with chemometric analysis for determining the types of polyethylene present in polymer blends and multilayer films

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109408773A (zh) * 2018-11-06 2019-03-01 福州大学 一种生态健康诊断的指标自动化筛选方法
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
CN112907026A (zh) * 2021-01-18 2021-06-04 中电普信(北京)科技发展有限公司 一种基于可编辑网状指标体系的综合评估方法
CN113139303A (zh) * 2021-06-22 2021-07-20 中国人民解放军国防科技大学 体系任务链路动量获取方法、装置和计算机设备
CN115017700A (zh) * 2022-06-02 2022-09-06 红云红河烟草(集团)有限责任公司 基于scad算法的卷烟制丝过程变量选择及赋权方法
CN116784820A (zh) * 2022-11-12 2023-09-22 上海大学 一种基于种子点连接的脑功能网络构建方法及系统
CN116016206A (zh) * 2022-12-07 2023-04-25 北京航空航天大学 开放环境下无人集群系统的弹性评估方法及系统
CN116820709A (zh) * 2023-05-26 2023-09-29 京信数据科技有限公司 任务链的运行方法、装置、终端及计算机存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"空管体系效能指标网构建与评价方法研究";徐萌;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20220315(第03期);第C031-637页 *

Also Published As

Publication number Publication date
CN117332923A (zh) 2024-01-02

Similar Documents

Publication Publication Date Title
CN111539515B (zh) 一种基于故障预测的复杂装备维修决策方法
CN111787011B (zh) 一种信息系统安全威胁智能分析预警系统、方法及存储介质
CN113378939B (zh) 基于物理驱动神经网络的结构数字孪生建模与参数识别法
Ahmadi et al. Learning fuzzy cognitive maps using imperialist competitive algorithm
CN115037553B (zh) 信息安全监控模型构建及其应用方法、装置和存储介质
CN117669895A (zh) 公路工程环境影响评估系统
CN116522747A (zh) 一种两阶段优化的挤压铸造工艺参数优化设计方法
CN110084291B (zh) 一种基于大数据极限学习的学生行为分析方法及装置
CN117332923B (zh) 一种网状指标体系的赋权方法及系统
CN117591722A (zh) 一种基于社交网络舆论动力学模型的舆论传播预测方法及系统
CN116582330A (zh) 一种面向部分未知安全状态的工控网络自动防御决策方法
CN116128361A (zh) 智能侦察系统多级效能计算方法、装置、设备及介质
CN116346475A (zh) 一种隐匿高危行为操作异常评分方法和系统
CN117332924A (zh) 一种体系贡献率的评估方法及系统
CN111667072B (zh) 一种情报使用价值评估方法
CN114006744A (zh) 一种基于lstm的电力监控系统网络安全态势预测方法及系统
CN111382391A (zh) 一种用于多目标回归的目标相关特征构建方法
CN117650949B (zh) 一种基于rpa机器人数据分析的网络攻击拦截方法及系统
CN117171748B (zh) 一种恶意代码家族分类方法
CN114117450B (zh) 一种用于可信计算环境模糊测试的种子生成方法
CN115890738B (zh) 一种机器人迁移能力评价方法及系统
Meng et al. Computer Network Security Evaluation Method Based on GABP Model
Ironi et al. Optimal robust search for parameter values of qualitative models of gene regulatory networks
CN118363364A (zh) 一种基于深度强化学习的可解释的入侵响应决策方法
Wu et al. Research on Data Mining of Network Security Hazards Based on Machine Learning Algorithms

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