论文部分内容阅读
我国正面临着越来越严峻的国际及周边环境,为了应对未来可能发生的地区冲突和挑衅,我国正积极进行军队现代化建设,尤其是海军的发展最为显著。海军作战环境为浩瀚的海洋,海洋环境复杂多变,对武器的作战效能会产生较大影响,使得海军武器效能的评估难度较大。所以,建立客观高效的武器作战效能评估模型,具有重要而实用的研究价值。 目前,武器效能评估方法的理论框架并不完善,主要有专家评估法、试验统计法、层次分析法和解析评估法。专家评估法受主观因素影响较大;资金消耗大和试验周期长限制了试验统计法的使用范围;层次分析法定性成分过多,结果不能令人信服;解析评估法一般为线性模型。而针对本文海洋环境下武器作战效能的复杂非线性评估问题,上述方法均不能给出满意的效果。 支持向量机和神经网络在武器作战效能评估问题上都具有好的表现。支持向量机在处理小样本时具有优势,但在处理大样本时神经网络具有更好的性能。初期样本数据相对较少,适宜采用支持向量机建立评估模型,但是随着武器试验数据的不断增加,将会有越来越多的样本数据,这样建立基于神经网络的武器效能评估模型同样具有重要的实用价值。本文将前馈神经网络理论应用到海洋环境下武器作战效能的评估问题中,以影响武器效能的海洋环境要素为输入,以武器作战效能为输出,基于标准BP神经网络和标准RBF神经网络分别建立武器效能评估模型。针对BP算法在模型训练中速度慢的缺点,给出一种其改进算法RPROP(Resilient Backpropagation)算法,并基于该算法建立评估模型。针对BP神经网络容易陷入局部极小值问题,使用具有较好全局寻优能力的GA算法对前馈神经网络进行优化,建立起基于GA-BP神经网络的武器效能评估模型,并与基于标准BP神经网络的武器效能评估模型进行对比和分析。另外,针对RBF神经网络建模过程中隐含层神经元数目及基函数中心难以客观确定的问题和各海洋环境要素重要性可能不同的问题,提出一种基于样本统计信息的聚类算法,基于该算法建立改进RBF神经网络评估模型。改进RBF神经网络评估模型采用基于样本相似度的聚类算法,以加权欧氏距离为样本相似性度量方法,通过对样本进行聚类处理确定RBF神经网络隐含层参数,进而建立武器效能评估模型。对于每一种评估模型,使用相同实例验证模型的可行性,并对各模型之间的性能进行比较并分析原因。对评估模型的软件实现中需要使用的神经网络、遗传算法、聚类算法和矩阵操作,分别设计开发了神经网络工具箱、遗传算法工具箱、聚类算法工具箱和矩阵操作类。 在对上述基于神经网络的武器效能评估模型理论分析的基础上,对评估模型建立过程中使用的工具箱进行UML类图设计和实现,以这些基于神经网络的评估模型为核心,设计基于神经网络的评估模块,并对该模块从UML用例图角度进行分析,然后在visualstudio2008开发环境中实现了基于神经网络的武器效能评估模块。最后对本文的主要工作进行了总结,并对下一步研究方向给出了简单说明。