基于软计算的轻武器装备体系贡献率评估方法
姚天乐1, 胡起伟2, 齐子元1, 温亮2, 陶凤和1
(1.陆军工程大学石家庄校区 火炮工程系, 河北 石家庄 050003;2.陆军工程大学石家庄校区 装备指挥与管理系, 河北 石家庄 050003)
摘要: 武器装备体系贡献率评估对体系作战能力建设、作战使用保障和实战化训练等具有重要意义。针对武器装备体系具有高度非线性、不确定性和模糊性等特点,提出利用软计算对武器装备体系贡献率进行评估的方法。采用基于遗传算法的模糊聚类方法对轻武器体系中的武器进行软分类,构造了基于软分类的模糊神经网络;通过任务子能力- 体系子能力- 体系总能力的模糊映射链求解各模糊映射中的贡献率,充分发挥神经网络的容错性和鲁棒性适应数据资料不完整性和专家认识主观性的特点。采用该评估方法对某轻武器装备体系进行了实例分析,有效评估出体系中下级指标对上级指标的体系贡献率,验证了评估方法的可行性。
关键词: 轻武器装备; 体系贡献率; 软计算; 模糊神经网络; 多属性效用; 模糊聚类
0 引言
信息化条件下武器装备体系的作战能力具有涌现性,仅靠技术指标的对比叠加难以反映武器装备的实际作战能力。基于此,体系贡献率作为一种全新的评估手段,通过定量计算装备融入装备体系后体系的变化情况,从投入产出的角度全面衡量装备的实际作战能力,是对装备体系作战能力评估的一种有效补充。近年来,研究人员对体系的作战能力进行了一系列探索。齐照辉等[1]提出了基于区间数的多属性决策方法,对导弹突防效能进行了分析评估。王美乂等[2]提出了一种基于模糊信息的熵权多属性方案评估方法,在没有专家权重的情况下得出了可信度较高的优选方案。刁联旺等[3]提出了利用综合命中概率对主战坦克火力能力进行综合分析的方法。陈晨等[4]提出了一种基于数据场站技术的效能评估决策方法,降低了评估数据间的依赖性。在贡献率研究方面,罗小明等[5]提出基于结构方程模型的方法,对武器装备体系贡献度进行了评估。陈小卫等[6]运用复杂系统理论,就新型装备对作战体系的贡献机理问题进行了研究。马亚辉等[7]以协同作战能力为评估标准,提出一种空中预警平台体系贡献率建模方法。陈小卫等[8]在总结现有体系贡献率基本概念基础上,分别给出了基于增量、比值、满意度和费效比的度量方法,指出了其发展方向。综上所述,学者们对体系贡献率评估问题已经做了一些工作,但其中大部分研究是主要针对贡献率概念及作用机理进行的。目前,对于庞大复杂的装备体系,仍然没有准确定量地计算体系贡献率的方法。
本文以步兵轻武器装备体系贡献率评估为背景,提出采用软计算求解体系贡献率的方法。根据武器装备体系具有高度非线性和不确定性、模糊性的特点,按照任务子能力- 体系子能力- 体系总能力的模糊映射链,构造模糊神经网络来求解体系贡献率。这种映射关系的质量通过智能系统的自适应调节实现,充分利用了系统的容错性和鲁棒性,可以适应数据资料的不完整性和专家认识的主观性,发挥软计算在不确定环境中的计算优势,提高贡献率评估的客观性和有效性。
(4)按每年8400h计,根据蒸汽和电力消耗,改造后比改造前每年可节省蒸汽费用239万元,具有一定的经济性。
1 基于软计算的体系贡献率评估流程
软计算是近年来出现的建立智能系统的一种新方法[9],它结合了诸多技术和方法,以解决不确定情况下的实际问题。本文使用的软计算手段结合了遗传算法、模糊聚类和模糊神经网络[10]。首先按照不同的武器能力效用,利用以遗传算法(GA)优化的自组织迭代算法(ISODATA)[11]对轻武器体系中的各武器进行软分类。进而建立任务子能力- 体系子能力- 体系总能力的模糊映射链,并构造相应的模糊神经网络,求解各模糊映射中的贡献率。将两次模糊映射求解的贡献率进行合成,得到任务子能力对体系总能力的体系贡献率。武器体系贡献率评估流程如图1所示。
传统教育的教学方法,教师是教学的主体,学生只是被动的吸收知识。长期以来,实验教学中,学生所做课程实验主要是一些常规的验证性、仿真性的实验,每次上实验课前都由教师提前将实验设备检查、维修及调试准备好,并且实验时由教师讲解一遍实验步骤并演示一遍实验过程,然后学生再做。学生在实验中只是机械地重复老师的操作或完全按指导书的实验步骤来做,因此,学生没有积极性,就不可能有创新意识,更不要说培养创新能力了。创新环境有限、创新气氛缺乏,学生的创新潜力得不到充分发挥,创新能力难以得到提升。
图1 武器体系贡献率评估流程
Fig.1 Assessment process of weapon system contribution rate
2 基于效用的轻武器软分类
由于面对任务需求时同种任务子能力在不同武器上发挥的效用不同,对体系子能力的贡献率也不相同,必须按照能力效用对武器体系中的各武器进行分类。软分类的目的是将样本数据划分为不同的类,使同类中的数据具有某种相似性。Bezdek[12]提出的模糊c -均值算法是应用最广泛的算法。由于该算法需要预先定义类别的数量c ,但一般在分类前往往并不可能知道c ,因此如何获得最佳的分类和相应的最佳聚类数是一个重要问题。本文采用GA-ISODATA,将ISODATA嵌入GA,利用ISODATA的迭代进行最优逼近以实现模糊c -划分,利用GA在整个空间中搜索最佳聚类数以实现武器种类的最佳划分。利用该方法,通过能力效用对轻武器体系中的18种武器进行软分类。
阿拉善右旗西南部地区有龙首山,最高峰海拔3 052 m。暖湿气流受山脉阻挡形成堆积、不断增多,水汽密度不断增高挤压周边空气形成抬升现象,形成了很好的动力条件。这也是此次降水过程中,西南部地区量级偏大的一个重要因素。
2 .1 体系构建与指标选择
式中:Y 为每种武器的火力支援能力;α 、β 和γ 为常数,α +β +γ =1;A 表示每种武器的三元效用,表示每种武器能提供C 1、C 2和C 3共3种能力的百分比,C 1、C 2和C 3分别表示100 m、400 m和1 000 m内的有效毁伤能力。根据(2)式可得
图2 步兵轻武器装备体系
Fig.2 Infantry small arms system
由于武器装备体系中各级指标之间的关系以及效用的合成关系,借用Cobb-Douglas函数中的投入产出关系,将底层指标看作体系的投入,将高层指标看作体系的输出,以此对各个指标实现聚合。由于Cobb-Douglas函数与时间相关,如果实际产出为Y 、输入元素的数量为n ,则生产函数的一般形式[13]为
Y =F (x 1,x 2,…,x n ;t ),
(1)
式中:x 1,x 2,…,x n 表示影响产出的n 个指标的数值;t 表示n 个指标导致实际产出Y 的时间。(1)式表示输出元素与输入元素之间的某种依赖关系。
第2类轻武器:
(2)
以某轻型步兵营步兵轻武器装备体系为研究对象,其结构体系如图2所示。
(3)
(3)式表示每种武器的能力效用与该武器的火力支援能力、100 m内有效毁伤能力、400 m内有效毁伤能力和1 000 m内有效毁伤能力具有一定的依存关系。基于这种依存关系,可对步兵营步兵轻武器装备体系中的18种轻武器进行软分类。
2 .2 模糊聚类分析
于简氏年刊上查找各轻武器的指标数据,利用效用转化和合成[15],将各个指标数据转化为各种武器任务子能力的效用值。利用GA-ISODATA对各武器任务子能力的效用值进行模糊聚类,可以得到最佳聚类数c =3. 轻武器软分类隶属度值如表1所示。
红狮控制推出的通信产品中,包括RAM系列蜂窝RTU和路由器,均内置了强大的状态防火墙,可编ACL条目等来应对安全需求,Radius及TACACS+认证服务协议可以帮助用户进行身份验证,提供接入安全。RAM系列还支持IPSEC和OpenVPN协议,IPSEC通过可靠的加密和共享参数来保证前端到远端网络设备间数据通信的安全性;OpenVPN则通过共享证书来确保数据的安全,同时在路由器间提供安全的数据传输。SPI状态防火墙可以对每个数据包进行扫描,并根据当前运行的服务判断允许数据包通过或丢弃。
表1 轻武器软分类隶属度表
Tab.1 Weapon soft classification membership table
体系子能力由各任务子能力组成,包括100 m内毁伤能力、400 m内毁伤能力以及1 000 m内毁伤能力。以400 m内毁伤能力对火力支援能力的贡献率求解为例,可以与构建FNN1同样构建FNN2,从而得到400 m内毁伤能力对火力支援能力的贡献率α 2.
图3 适应度函数
Fig.3 Fitness function
根据最大隶属度原则,最佳轻武器软分类结果如表2所示。其中:第1类轻武器表示单兵自卫武器,体积小、射程近、易于携带;第2类轻武器表示单兵战斗武器,射程较远、易于单兵携带;第3类轻武器表示班组支援武器,体积大、射程远、适合班组战斗使用。该分类结果完全符合步兵营轻武器的体系型谱分类特征。
表2 最佳轻武器软分类
Tab.2 Weapon classification results
3 贡献率评估模糊映射链及映射求解
模糊逻辑利用语言和概念表达大脑的宏观能力,模糊神经网络(FNN)将模糊逻辑嵌入神经网络中,用于处理各种基于隶属函数和一系列规则的模糊信息,具有许多模糊逻辑和神经网络的优点。本文利用3条规则和线性结论构造了体系总能力与体系子能力之间的FNN1映射,以及体系子能力和任务子能力之间的FNN2映射,最终可求解得到体系子能力对体系总能力的贡献率α 1以及任务子能力对体系子能力的贡献率α 2.
3 .1 构建FNN1
如图4所示,步兵轻武器装备体系能力由单兵作战能力、火力支援能力、精确打击能力和特种打击能力组成。
图4 轻武器装备能力体系结构图
Fig.4 Structure of small arms equipment capabilities
邀请来自论证部门的多位专家对各体系子能力的权重值进行评估,并计算得到各体系子能力的能力值。利用效用转化和合成公式,可以得到体系总能力的效用值。毛义华等[15]提出一种综合各因素的效用转化和效用合成方法,给出效用空间中任意点的总体效用U (u )为
(4)
式中:u 为利用效用函数将能力客观值转化而来的效用;w r 为由专家主观判断得出的第r 个指标的权重;m 表示参与聚合的底层指标数;u r 表示m 个指标中第r 个指标能力的效用。在利用(4)式进行效用合成时,两种参数相互作用,既体现了专家在评估时对指标的主观态度,也发挥了指标本身数据的客观作用,因此充分结合了两种方法的优势。将相关数据代入(4)式进行计算,可以得到如表3所示的体系能力效用数值。
表3 体系能力效用数值表
Tab.3 System capability utility values
以火力支援能力对体系总能力的贡献率求解为例,构建FNN1如图5所示。图5中的输入变量x 1、x 2、x 3、x 4分别表示4种体系子能力,输出Y 表示步兵轻武器装备体系总能力,节点中∑表示求和,∏表示求乘积,f 表示求隶属函数,连线处1表示节点间传递、不进行运算。
图5 FNN1的结构
Fig.5 Structure of FNN1
对于4个输入变量x i (i =1~4)和1个输出变量Y ,在每个输入变量的论域上各定义4个模糊子集A 1j 、A 2j 、A 3j 、A 4j (j =1~3),Y j 表示第j 条规则的输出。隶属度函数为其中μ Aji (x i )表示变量x i 属于第j 条规则的隶属度,w c、w g为算法参数,w c和1/w g分别表示隶属函数的高斯函数中心和宽度。这里的推理形式为
4) C层:S函数层,共有12个节点,每个节点只有1个输入w g(x j -w c)。节点内计算出的隶属度函数为模糊集合的宽度);C层、D层的权重都是1.
ifx 1isA j1 andx 2isA j2 andx 3isA j3 andx 4isA j4 ,
thenY j =w j0 +w j1 x 1+w j2 x 2+w j3 x 3+w j4 x 4.
本文所构造的FNN1采用反向传播(BP)算法,图5中各层和节点的功能描述如下:
2.在选择配送路线时没有考虑到不同站点车辆的配载。车辆运输的满载率直接影响配送的成本不同站点货物配送时的合理配载对于降低物流成本起着重要的作用。而嘉兴A配送中心是划分片区的形式进行派工,这使得常常出现部分车辆仅仅半车的情况下出去配送,另外一部分车辆由于货物过多要分两次往返配送,这就造成了资源的浪费。
1) δ层:4个节点的输入层,4个节点分别表示输入的4种要素。
2) A层:输入层,共有8个节点,方框中的-1表示固定输入,方框到B层节点的权重为w c,圆圈到B层节点的权重都是1.
3) B层:偏移层,共有12个节点,在节点内作x j -w c的运算;B层和C层之间的权重是w gq ,q =1~12.
食品质量问题已成为当前社会人们最为关注的话题之一,可以说食品的质量安全直接影响到了人们的生命健康安全,因此,应当高度重视食品质量检验的工作效率以及准确性。严格监控食品检验的样品采集、仪器维护以及数据检验等各个环节,通过高效的控制措施优化检验过程,从而保证食品检验结果的准确性,保护人们的生命健康安全。
9) L层:解模糊层,仅有1个节点,执行计算
6) E层:规则层,共有3个节点,分别对应3条规则,每个节点有4个输入,在节点内相乘后得激活度α j =μ Aj1 (x 1)μ Aj2 (x 2)μ Aj3 (x 3)μ Aj4 (x 4)(α j ∈[0,1])后,求出平均激活度
土平顶民居立面与山区民居类似,墙体多用荒石垒砌,表面涂黄土和石灰抹面,屋顶覆厚厚的白矸土和石板,前后檐利用石板做悬挑,门窗洞口较小。当地窑洞多采用尖券,民国以前修建的窑洞,窑脸通常不做大开间的券形立面,像瓦房立面一样,门窗洞口多使用半圆券(图14)。
7) F、G、H、I和J层:F层、G层的功能是实现线性函数f k (x 1,x 2,x 3,x 4)=w j0 +w j1 x 1+w j2 x 2+w j3 x 3+w j4 x 4. F层中有4个节点,将F层、G层的连接权归一化为w s=1/(x 1+x 2+x 3+x 4)。G层有5个节点,G层、H层的连接权重都是1;H层有15个节点;H层、I层的权重是w ji ,w ji 同时也表示规则的后件参数;I层有15个节点,I层、J层的权重都是1.
8) K层:K层有3个节点,执行计算:
Y j =
5) D层:合成层,共有12个节点,12个节点的输出为隶属度μ Aji (x i );在本层即完成模糊化,D层、E层的权重都是1.
3 .2 构建FNN2
算法的适应度函数如图3所示,适应度函数的最大点,即分类目标的最小点正好对应于最佳分类数c =3.
按照构造FNN1相似的思路,FNN2中输出与输入间可以写成(5)式结构的函数:
H =f (e ,h ,s )+ε ,
(5)
式中:H 表示火力支援能力;e 表示100 m内毁伤能力;h 表示400 m内毁伤能力;s 表示1 000 m内毁伤能力;ε 表示随机变量。FNN2的结构和学习算法与FNN1相同。FNN2的输入是100 m内毁伤能力、400 m内毁伤能力以及1 000 m内毁伤能力,输出是火力支援能力。
4 实例分析
为了验证第3节提出的方法,对某山地步兵营轻武器体系400 m内有效毁伤能力对体系总能力的体系贡献率进行评估,作为数值示例。
4 .1 FNN1 映射结果分析
FNN1的输入是各类武器集群平均单兵作战能力、平均火力支援能力、平均精确打击能力以及平均特种打击能力,输出是平均体系总能力。利用BP算法对FNN1进行训练,可以得到表4所示的3条模糊规则以及各体系子能力的贡献率。表4中S 表示后件参数之和。
表4 体系子能力的模糊规则及贡献率
Tab.4 Fuzzy rules and contribution rates of system sub-capacities
通过观察表4中的数据可以看出,在模糊规则前提下,各体系子能力均包含在模糊集中,模糊规则的结果参数由各类轻武器的平均能力组成。在整体平均能力上,显然第2类轻武器优于第3类轻武器,因为w 20>w 30. 第3类轻武器优于第1类轻武器,因为w 30>w 10. 第1类轻武器中,单兵作战能力、火力支援能力、精确打击能力以及特种打击能力的体系贡献率分别为43.55%、25.63%、3.69%、27.11%;第2类轻武器中各体系子能力的体系贡献率分别为34.48%、46.32%、14.31%、4.89%;第3类轻武器中各体系子能力的体系贡献率分别为10.33%、43.62%、45.34%、0.71%. 通过比较表4中的数据可知,单兵作战能力与火力支援能力对体系总能力的体系贡献率均比较高;火力支援能力在第2类轻武器中的体系贡献率最高,在第1类轻武器中最低。
首先分析该所需配制的缓冲溶液的pH为4.50,根据配制缓冲溶液的原则,所选取的缓冲溶液的共轭酸碱对的酸对相应的PKa值应该尽可能的接近欲配制溶液的pH,查阅弱酸的解离常数,确定醋酸的PKa为4.75,其与欲配制的缓冲溶液的pH4.50很接近,所以确定缓冲对为HAc-NaAc
4 .2 FNN2 映射结果分析
利用BP算法对FNN2进行训练,得到表5所示任务子能力的模糊规则及贡献率。
人本化的教育管理强调将人视为管理的主要对象及组织中最重要的资源,通过各种措施提高学校成员当中“人”的能力和素质。“以人为本”的教育管理理念,能激发被管理者的潜能,使其能发挥出自身的主观能动性,从而实现教育的目标[3]。人本化的教育管理模式正是在时代和教育将关注的焦点转向“人”的背景下提上议事日程,并逐渐成为教育改革的新课题和新亮点,其具体内涵主要表现在以下几个方面。
表5 任务子能力的模糊规则及贡献率
Tab.5 Fuzzy rules and contribution rates of task sub-capacities
观察表5可知,第1类轻武器中100 m内毁伤能力、400 m内毁伤能力、1 000 m内毁伤能力的体系贡献率分别为89.13%、10.11%、0.76%;第2类轻武器中各任务子能力的体系贡献率分别为15.25%、66.21%、18.54%;第3类轻武器中各任务子能力的体系贡献率分别为1.39%、39.34%、59.27%.
4 .3 体系贡献率结果分析
按轻武器装备体系贡献率测算步骤,第1类轻武器400 m内有效毁伤能力对火力支援能力的贡献率为%,第2类轻武器为%,第3类轻武器为%;第1类轻武器的火力支援能力对体系总能力的体系贡献率%,第2类轻武器%,第3类轻武器%.因此,可得体系中3个轻武器类400 m内有效毁伤能力对轻武器体系总能力的体系贡献率分别如下:
第1类轻武器:
为了实现体系中18种武器的软分类,对Cobb-Douglas函数进行如下扩展[14]:
第3类轻武器:
进而可得整个轻武器装备体系中,武器400 m内有效射击能力的平均体系贡献率为η =(η 1+η 2+η 3)/3=16.87%.
参考Pivotto[7]的方法,利用TA.XT.Plus质构仪,选用A/MORS刀具,沿垂直肌纤维向切割,测定剪切力值。
各轻武器类及轻武器体系400 m内有效毁伤能力的体系贡献率如表6所示。
然而在传统的专业课程教学中,虽然针对学生本专业的培养目标,设定了具体完整的培养方案,但是大多注重理论知识的教学,对实际的工程实践涉及较少。这主要是由以下因素导致的。
表6 各类轻武器400 m内有效毁伤能力体系贡献率
Tab.6 Contribution rates of effective damage capability within 400 m of various weapons clusters
由表6可以看出,不同种类轻武器对轻武器体系总能力的体系贡献率不同。结合表4和表5可以看出,不同种类轻武器具备4种体系子能力的特征并不相同。具体分析如下:
第1类轻武器是单兵自卫武器,射程近、易于携带,主要用于单兵自卫,因此能够提供较大的单兵战斗能力,兼具有火力支援能力。由于第1类轻武器中有微声手枪以及匕首枪等特种作战装备,还具备有特种打击能力。由于单兵自卫武器射程近,基本不具备精确打击能力。第2类轻武器是单兵战斗武器,种类最多、射程较远、较易携带,因此能够提供较大的火力支援能力。大部分第2类轻武器的射程能高于400 m,因此第2类轻武器400 m内有效射击能力对火力支援能力的贡献最高。由于第2类轻武器的单兵战斗能力对体系总能力的贡献可以达到30.67%,第2类轻武器也能提供较强的单兵战斗能力。第3类轻武器是班组支援武器,武器体型较大、射程远,能够提供大量的精确打击能力。第3类轻武器对体系的贡献主要作用于攻击远距离目标,同时对近距离目标也有杀伤作用。分析表4和表5可以看出,第2类轻武器与第3类轻武器均可以提供较大的火力支援能力,但是二者作用目标不同,远距离火力支援能力主要由第3类轻武器提供,400 m内火力支援能力则由第2类轻武器提供。第2类轻武器的精确打击能力相对火力支援能力偏低,如果能有效提高第2类轻武器的射程及精度,则能够有效提高整体的体系总能力。
5 结论
本文针对轻武器装备体系具有高度非线性、不确定性和模糊性等特点,提出了基于模糊数学和神经网络的软计算来量化体系贡献率的方法。采用模糊聚类方法对轻武器体系中的武器进行软分类,利用模糊映射链求解了各模糊映射中的贡献率。本文贡献及主要结论如下:
细菌溶解产物胶囊防治儿童反复呼吸道感染有效性和安全性的Meta分析 ………………………………… 戎 萍等(12):1702
1) 构造的模糊映射链较好地契合了轻武器装备体系递阶层次结构,使能力指标体系最底层元素对顶层元素的贡献率也能实现精确求解。在本文基础上,面对更复杂的装备体系可以建立更长的模糊映射链来求解体系贡献率,为其他种类武器装备体系贡献率评估提供了一种新思路。
2) 模糊神经网络有效地适应了数据资料的不完整性和专家认识的主观性,发挥了软计算在不确定环境中的计算优势,提高了贡献率评估的客观性和有效性。
3) 通过对各类轻武器底层能力对上层能力的贡献率计算,能够更清楚地了解各类轻武器的优势与弱势,为轻武器装备体系结构优化提供依据,为计算轻武器装备融入体系后体系的变化情况提供了一定的参考。
存储模块包括NAND和DDR2,NAND用于存放启动程序、操作系统及用户程序等,DDR2用于提供系统运行时的内存空间扩展。本系统的NAND选用镁光公司的16 Gbit容量、8 bit位宽的MT29F16G08FAAWC:A芯片,与DM368的AEMIF连接。DDR2选用镁光公司的1 Gbit容量、16 bit位宽的MT47H64M16HR-3:E芯片,与DM368的DDR2接口连接。
参考文献(References)
[1] 齐照辉,王祖尧,张为华.基于区间数多属性决策的导弹突防效能评估方法[J].系统工程与电子技术,2006,28(11):1700-1703.
QI Z H, WANG Z Y, ZHANG W H. Multiple attribute decision evaluating approach to penetration effectiveness of missile based on interval numbers [J]. Systems Engineering and Electronics,2006,28(11):1700-1703. (in Chinese)
[2] 王美乂,张凤鸣,刘智.模糊信息的熵权多属性决策方案评估方法[J].系统工程与电子技术,2006,28(10):1523-1525.
WANG M Y, ZHANG F M, LIU Z. Evaluation method of the multi-attribute scheme based on entropy weight of fuzzy information[J].Systems Engineering and Electronics,2006,28(10):1523-1525. (in Chinese)
[3] 刁联旺,彭亚霖,刘焕章.实战条件下坦克对装甲目标射击的综合命中概率[J].兵工学报,2002,23(1):123-125.
DIAO L W, PENG Y L,LIU H Z. Integrated hit probability of tank firing at armored targets in live circumstances [J]. Acta Armamentarii,2002,23(1):123-125. (in Chinese)
[4] 陈晨,王赟.基于数据场站的系统效能评估决策支持方法[J].国防科技大学学报,2014,36(1):124-130.
CHEN C, WANG Y. Data yard based system effectiveness evaluation and decision support method[J].Journal of National University of Defense Technology,2014,36(1):124-130. (in Chinese)
[5] 罗小明,朱延雷,何榕.基于SEM的武器装备作战体系贡献度评估方法[J].装备学院学报,2015,26(5):1-6.
LUO X M, ZHU Y L, HE R. SEM-based evaluation method of contribution to system war-fighting for weapons and equipments[J].Journal of Equipment Academy,2015,26(5):1-6. (in Chinese)
[6] 陈小卫,谢茂林,张军奇.新型装备对作战体系的贡献机理[J].装备学院学报,2016,27(6):26-30.
CHEN X W, XIE M L, ZHANG J Q. Analysis on the contribution mechanism of new equipment system to the warfighting system[J].Journal of Equipment Academy,2016,27(6):26-30. (in Chinese)
[7] 马亚辉,李洋.空中预警平台体系贡献率建模研究[J]. 数字通信世界,2018(4):97-98.
MA Y H, LI Y. Research on modeling of contribution rate of airborne early warning platform system[J].Digital Communication World, 2018 (4):97-98. (in Chinese)
[8] 陈小卫,张军奇,杨永志. 新研装备体系贡献率度量方法分析[J]. 兵器装备工程学报,2018,39(4):19-22.
CHEN X W, ZHANG J Q, YANG Y Z. Analysis of the measurement method of the contribution rate of the new research equipment system[J].Journal of Ordnance Equipment Engineering, 2018, 39(4):19-22. (in Chinese)
[9] 张颖,刘艳秋.软计算方法[M].北京:科学出版社,2002.
ZHANG Y, LIU Y Q.Soft computing method[M].Beijing: Science Press, 2002. (in Chinese)
[10] 李士勇.模糊控制·神经控制和智能控制论[M].哈尔滨:哈尔滨工业大学出版社,1998.
LI S Y. Fuzzy control: neurocontrol and intelligent cybernetics[M].Harbin: Harbin Institute of Technology Press, 1998. (in Chinese)
[11] 诸克军,苏顺华,黎金玲.模糊c -均值中的最优聚类与最佳聚类数[J].系统工程理论与实践,2005,3(3):52-61.
ZHU K J, SU S H, LI J L.Optimal clustering and optimal clustering numbers in fuzzy c -means[J].Systems Engineering—Theory & Practice,2005,3(3):52-61.(in Chinese)
[12] BEZDEK J C.Pattern recognition with fuzzy objective function algorithms [M]. New York,NY,US: Plenum Press, 1981.
[13] 陶章华,郭耀煌,张炜.生产函数的一种基本理论表达式——弹性生产函数[J].管理工程学报,2001,15(2):19-21.
TAO Z H, GUO Y H, ZHANG W. An essential theoretic expression of production function—elasticity production function [J]. Journal of Industrial Engineering and Engineering Management, 2001, 15 (2) : 19-21. (in Chinese)
[14] 王周焰,王烷尘.模糊推理在系统预测中的应用[J].系统工程理论方法应用,2000,9(4):326-329.
WANG Z Y, WANG W C. Application of fuzzy reasoning in system prediction [J].Systems Engineering Methodology,2000,9(4):326-329.(in Chinese)
[15] 毛义华,阮连法,郑邦岩.效用方法评价施工企业综合经济效益[J].浙江大学学报(自然科学版),1997,31(5):592-599.
MAO Y H, RUAN L F, ZHENG B Y. Applying utility theory to the synthetic assessment of economic benefit on construction enterprises [J].Journal of Zhejiang University (Natural Science),1997,31(5):592-599. (in Chinese)
Soft Computing -based Assessment Method of Contribution Rate of Small Arms and Equipment System
YAO Tianle1, HU Qiwei2, QI Ziyuan1, WEN Liang2, TAO Fenghe1
(1.Department of Artillery Engineering, Shijiazhuang Campus, Army Engineering University, Shijiazhuang 050003, Hebei, China; 2.Department of Equipment Command and Management, Shijiazhuang Campus, Army Engineering University, Shijiazhuang 050003, Hebei, China)
Abstract : The assessment of contribution rate of weapon equipment system is of great significance to the system’s combat capability construction, operational support, and actual combat training. A soft computing-based assessment method for the contribution rate of weapon equipment system is proposed for the high nonlinearity, uncertainty and ambiguity of weapon equipment system. The fuzzy clustering method based on genetic algorithm is used for the soft classification of the weapons in the small arms system, and a fuzzy neural network based on soft classification is constructed. The fuzzy mapping chain based on the task sub-capacity-system sub-capability-total system capacity is used to solve the contribution rate. The contribution rate in the middle makes full use of the fault tolerance and robustness of the neural network to adapt to the incompleteness of data and the subjectivity of expert’s cognition. The proposed method is used to analyze the case of a small arms equipment system, the contribution rate of the lower-level indicators to the higher-level indicators in the system is assessed, and the feasibility of the method is verified.
Keywords : small arms and equipment; contribution rate of system; soft computing; fuzzy neural network; multi-attribute utility; fuzzy clustering
中图分类号: E917; TJ202
文献标志码: A
文章编号: 1000-1093(2019)05-0938-08
DOI :10.3969/j.issn.1000-1093.2019.05.005
收稿日期: 2018-07-20
基金项目: 武器装备预先研究项目(9140A27040314JB34452)
作者简介: 姚天乐(1994—), 男, 硕士研究生。 E-mail: 18931970836@163.com
通信作者: 陶凤和(1963—), 男, 教授, 博士生导师。 E-mail: fhtao63@126.com
标签:轻武器装备论文; 体系贡献率论文; 软计算论文; 模糊神经网络论文; 多属性效用论文; 模糊聚类论文; 陆军工程大学石家庄校区火炮工程系论文; 陆军工程大学石家庄校区装备指挥与管理系论文;