聲明：本文為《現代防御技術》雜志社供《中國軍工網》獨家稿件。未經許可，請勿轉載。
作者簡介：曹強（1981-），男，江蘇揚州人，碩士生，主要從事水面艦艇作戰指揮系統與指揮自動化技術研究。
曹強，胡錦春
（1.海軍大連艦艇學院 研究生2隊，遼寧 大連116018）
摘要：為解決傳統艦載C4I威脅判斷模型的不足，尋求適應信息化作戰要求的艦載C4I威脅判斷模型，將神經網絡引入艦載C4I系統，提出了基于BP神經網絡的威脅判斷模型，并對BP算法進行了改進；通過Matlab仿真計算，結果表明該方法計算速度快、精度高。
關鍵詞：神經網絡；BP算法；威脅判斷
中圖分類號：TP183；E844文獻標識碼：A文章編號：1009086X（2006）01005303
Warship C4I threat evaluation model based on improved BP algorithm
CAO Qiang， HU Jinchun
（1.Postgraduate Team 2 of Dalian Navy Academy，Liaoning Dalian 116018，China）
Abstract:In order to solve the shortage of traditional warship C4I threat evaluation model and seek a new warship C4I threat evaluation model to meet the requirements of information war, neural network was applied in warship C4I. A threat evaluation model based on BP neural networks was put forward. The BP algorithm was also improved. The result of Matlab simulation demonstrated that the improved BP neural network was a high speed and high accuracy warship C4I threat evaluation model.
Key words:Neural net; BP algorithm; Threat evaluation
1引言
威脅判斷（簡稱威判）是實施攻擊和防御的前提。在信息化海戰中，根據本艦獲得的目標信息，判定目標對本艦的威脅程度和威脅大小，能為其他戰術應用軟件和艦艇指揮員戰術決策提供依據［1］。BP神經網絡廣泛應用于函數逼近、模式識別、分類、數據壓縮［2］。威判問題實際上是一種目標的分類和識別問題，因此可以將BP網絡用作指控系統的威判模塊，解決現有模塊某些方面的不足。
2BP網絡威判模型
BP神經網絡即誤差后向傳播的神經網絡是人工神經網絡中的一類非常重要、使用廣泛的網絡結構。它由輸入層、隱層和輸出層組成，典型的3層BP網絡結構如圖1所示［2］。其中， x1，x2，…， xn表示輸入向量， n 表示輸入層神經元的個數； y1，y 2，…， ym表示輸出向量，m 表示輸出層神經元的個數。
圖1BP網絡結構圖
Fig1Sketch map of BP neural network
BP網絡學習是典型的有導師學習過程。其實質是提供足夠的樣本，通過反復調整網絡各層神經元之間的權值和閾值，對網絡輸入參數和輸出參數之間復雜的對應關系不斷進行擬合逼近。調整的原則是使網絡輸出值和樣本輸出值之間的均方根誤差越來越小，當均方根誤差達到要求的精度時，表明網絡已訓練好了。
現代防御技術·指揮控制與通信曹強，胡錦春：基于改進的BP算法的艦載C4I威脅判斷模型現代防御技術2006年第34卷第1期典型的BP學習算法概括為如下步驟：
（1） 初始化網絡及學習參數，如設置網絡初始權矩陣、學習算子等；
（2） 提供訓練模式，訓練網絡，直到滿足學習要求；
（3） 前向傳播過程：對給定的訓練模式輸入，計算網絡的輸出模式，并與目標函數比較，若誤差允許，則執行(4)，否則，返回(2)；
（4） 后向傳播過程：計算同一層單元的誤差，修正權值和閾值，返回(2)。
將艦載傳感器獲取的目標特征參數作為BP網絡的輸入向量，將所需的威判值作為結果，就構成艦載C4I系統的威判模型。
3BP算法改進
傳統的BP算法是基于梯度下降的方法，其收斂速度慢，且常受局部最小點的困擾，因此有必要對此算法進行一定的改進［3］。
3.1加快迭代收斂［4］
為加快權值的修正，在迭代公式中，增加阻尼項，即ωij（t＋1）＝ωij（t）－ηJ（t）〖〗ωij（t）＋
β［ωij（t）－ωij（t－1）］,（1）式中：ωij（t）為第t次迭代時神經元i和j之間的權值；η為學習算子；J為網絡的目標函數；β為阻尼系數，或稱為平滑因子，0＜β＜1 。
3.2學習算子η的自適應調整［3］
學習算子η（亦稱步長）由樣本平均誤差D的大小來調整，計算公式為ηn＋1＝ηnDn＋1/Dn,（2）式中：η為迭代次數。當權值使D遠離穩定點時，學習系數η取較大值；當接近穩定點時，η取較小值。
3.3隱層單元確定
隱層神經元個數的確定始終是BP算法的一個難點問題，目前尚無理論指導。隱層神經元的個數太少，則BP網絡的認知能力(即BP網絡逼近任意映射的能力)較差，影響其收斂程度和泛化能力；隱層神經元的數量太多，將會使計算量增加，影響BP網絡的收斂速度，以下幾個經驗公式僅供參考：k＝n＋m＋α，其中，常數α∈［1，10］，（3）
k≤m（n＋3）＋1，（4）
p〖〗n＋2＜k≤p〖〗n＋1，（5）
k＝logn2，（6）式中：k為隱層的神經元數；n為輸入層的神經元數；m為輸出層的神經元數；p為樣本總數。
在實際應用中，可采用相關分析法來判斷隱層神經元是否存在冗余，同時以上幾個公式應綜合考慮，一般取介于幾個公式求解的最大值和最小值之間值或取平均值，再通過上機反復測試，來確定隱層的最佳個數。
4仿真計算
4.1特征參數的選取
以空中目標的威脅判斷為例。我們選取飛臨時間、航路勾徑、抗干擾能力（制導方式）（0：強，1：一般，2：弱）、高度、突防能力（0：很強，1：強，2：一般，3：弱）、目標類型（0：反艦導彈，1：反輻射導彈，2：制導炸彈，3：殲轟機、轟炸機，4：艦載直升機，5：預警、電子戰飛機，6：誘餌）為判斷威脅的特征參數。
4.2仿真結果
我們選取美國、中國臺灣主要空中目標［5］進行分析，目標1為雄風-Ⅱ反艦導彈，目標2為雄風-Ⅰ反艦導彈，目標3為“魚叉”反艦導彈， 目標4為“幻影”2000-5戰斗機，目標5為E-2T預警機, 目標6為S-70C(M)艦載直升機，目標7為EA-6B電子戰飛機，目標8為誘餌，目標9為“哈姆”反輻射導彈，目標10為F/A-18戰斗機。采用Matlab語言仿真計算結果如表1所示。表1典型目標的威脅判斷
Table 1Threat evaluation of typical target
目標〖〗飛臨時間/s〖〗航路勾徑/km〖〗抗干擾能力〖〗高度/m〖〗突防能力〖〗目標類別〖〗專家評估值〖〗BP網絡評估值1〖〗5〖〗00〖〗0〖〗10〖〗0〖〗0〖〗0.90〖〗0.906 02〖〗10〖〗0.1〖〗1〖〗20〖〗1〖〗0〖〗0.85〖〗0.881 73〖〗15〖〗0.2〖〗0〖〗10〖〗0〖〗0〖〗0.95〖〗0.947 44〖〗100〖〗00〖〗2〖〗5 000〖〗1〖〗3〖〗0.70〖〗0.537 85〖〗250〖〗500〖〗0〖〗10 000〖〗2〖〗5〖〗0.20〖〗0.174 06〖〗200〖〗200〖〗2〖〗200〖〗3〖〗4〖〗0.40〖〗0.381 77〖〗150〖〗300〖〗0〖〗3 500〖〗2〖〗5〖〗0.50〖〗0.391 48〖〗300〖〗90〖〗2〖〗700〖〗3〖〗6〖〗0.10〖〗0.082 29〖〗20〖〗00〖〗0〖〗20〖〗0〖〗1〖〗—〖〗0.678 010〖〗120〖〗0.15〖〗1〖〗300〖〗1〖〗3〖〗—〖〗0.470 0
表1中目標1～目標8的數據是樣本數據,輸入層有6個節點,隱層有10個節點,1個輸出層節點,采用Levenberg-Marquardt學習規則，經過127次迭代，網絡達到設定的0.01的誤差。從神經網絡輸出的威判值，可以看出與專家評估值很接近。用訓練好的權值和閾值計算出了目標9、目標10的威脅程度值。
從仿真計算看，使用神經網絡進行威脅判斷很好地解決了傳統威判模型的不足，其精度也符合實戰需要，因此該方法可行、有效。
5結束語
采用神經網絡理論，通過對知識樣本的學習，獲得評價專家的經驗和知識，網絡可再現評價專家的經驗、知識和直覺思維，從而降低評價過程中的人為因素影響，保證了其客觀性。本文討論了基于神經網絡的威脅判斷模型，其計算速度快，判斷準確可靠，能適應信息化作戰需要，為研究指揮控制系統提供了一種新的思路。但本文中訓練樣本比較少，只有8個，如果增加訓練樣本，必將使網絡威判的精度更高。
參考文獻：
［1］劉良權. 艦載信息系統［M］.大連：海軍大連艦院，2002222-223.
［2］飛思科技產品研發中心.MATLAB6.5輔助神經網絡分析與設計［M］.北京：電子工業出版社，200427-30.
［3］閻平凡，張長水.人工神經網絡與模擬進化計算［M］.北京：清華大學出版社，200023-26.
［4］徐麗娜. 神經網絡控制［M］. 北京：電子工業出版社，200318-22.
［5］海軍裝備論證中心.臺灣海軍武器裝備手冊［M］.北京：解放軍出版社，1999151-153.2006年2月〖〗第34卷第1期現代防御技術〖〗MODERN DEFENCE TECHNOLOGYFeb. 2006〖〗Vol.34No.1
