基于BP神经网络的军民融合维修保障任务区分*
朱敦祥，史宪铭，苏小波，赵汝东
（陆军工程大学石家庄校区，石家庄 050003）
摘 要： 针对军民融合维修保障任务区分问题，通过构建军民融合装备维修保障能力评估指标体系，利用证据合成理论对维修保障能力指标进行评估，设计BP神经网络模型，通过MATLAB运算得到军民双方维修能力评估值，结果分析表明，BP神经网络具有较强的解决非线性问题的能力，能够作为军民融合维修保障任务区分问题决策的依据。
关键词： 任务区分，能力评估，BP神经网络，证据理论，指标体系
0 引言
我军新型装备大量列装部队，装备复杂程度逐渐增加，而且技术先进、系统复杂，装备的编配基数过大、型号众多、频繁动用，其维修难度越来越大。对于大部分新型装备，我军并不具备等级修理能力，而且完全依靠建制力量短期内也难以建立起其等级维修能力[1]。在这种情况下，需要将地方力量纳入到新型装备的维修任务中来，因此，军方必须拥有和建立哪些新型装备的核心能力[2]，哪些新型装备的维修任务可以交由地方来负责，通过对军地双方的维修保障能力评估实现对维修任务的区分，因此，能力评估问题尤为重要。
目前，军民融合装备维修保障任务区分的常用方法[3]有：定性分析法、定量分析法和综合分析法。具体方法主要包括逐步淘汰法、模型模拟法、综合评价法、两两对比法、层次分析法和模糊综合评判等，普遍存在主观性太强、专家信息融合不充分等弊病。BP神经网络结构简单，收敛速度快，具有较强鲁棒特性，在军民融合装备维修保障任务区分中具有广泛的应用前景[4]。同时证据理论能够克服能力指标评估时层次分析法等方法主观性太强、数据匮乏、信息不明确等弊端[5]。基于此，本文采用证据理论融合专家对军民双方维修保障力量的评价信息，将融合后的专家信息作为神经网络模型的输入样本，利用BP神经网络进行维修保障能力评估的判别，进而确定维修任务的区分问题。通过案例验证，能够提高军民融合装备维修保障任务区分的客观性、科学性和正确性。
1 能力评估指标体系构建
在装备维修保障进程中，影响保障能力的因素众多。选取能力评估指标时，应把着眼点放在紧贴维修保障能力上，选取装备技术勤务能力C1、战损抢修能力C2、机动抢修能力C3、装备技术支援能力C4、器材筹措能力C5、器材投送能力C6、器材紧急生产能力C7，建立维修保障能力评估指标体系，如图1所示。
图1 军民融合装备维修保障能力评估指标体系
通过上述指标体系，可以对军民双方的装备维修保障能力加以评估，从而确定军民双方在任务区分中的比较优势，为任务区分决策提供依据。
针对学校所在地区的实际情况，多开设一些具有当地工业生产特点的实验内容，注重解决实际问题。教学要紧扣地方需要，增强实践教学的针对性、目的性，与地方区域经济建设和社会发展相适应，转变教育观念，从知识、能力、素质三方面协调发展来构筑人才培养模式，培养当地所需的应用型高级人才，使毕业生能以最短的时间适应工作岗位，走出校门就能上岗，真正做到学以致用。近几年，胜利学院结合当地油田特点，开设了一些有针对性的实验内容，例如“储油罐油水界面检测装置”、“抽油机负载检测”、“PLC在输油系统中的应用”等。这些实验内容的开设，既解决了油田实际问题，又提高了学生的动手能力，取得了较好的教学效果。
2 证据理论融合能力评价信息
根据同一项维修保障任务的实际数据和专家意见证据合成，分别对军方和民方维修保障力量选定用于训练的10组样本数据。
2.1 证据合成方法
其中，A的基本概率分配函数反映了对A本身的可信程度大小，K反映了各证据之间相互冲突的程度。
对于某项维修保障任务，运用证据理论融合多名专家对军民双方维修保障力量关于7个指标的评价信息，专家权重均相同，将评价等级划分为4级
，对应等级分值为{1，0.8，0.6，0.4}，依据融合评价信息的两个步骤，就可得到专家针对军民双方维修保障力量关于指标Cl的综合评价值
， 如表1所示，计算过程略。
3）结果输出
作为证据理论中的核心内容，证据合成理论能够综合处理多个不同证据，并根据证据得出信任函数和基本概率分配情况。证据合成理论存在不同的合成方法，Dempster合成方法是其中比较成熟的。该方法定义如下[6]：
2.2 融合能力评价信息的步骤
设
表示我军n名装备维修工程专家的集合；
表示维修保障力量的集合，其中P1为军方建制维修力量，P2为民方建制维修力量；
表示维修保障能力指标集合；
表示各指标的评价等级集合；Cijlk表示专家Gj针对待选目标Pi关于指标Cl给出的对应于评价等级hk的评价值，规定
。
第1步：利用合成式（3），将n名专家针对维修力量Pi关于指标Cl的评价信息（概率分配函数）
进行组合，形成每名专家针对目标Gj关于指标Cl的概率分配函数mjl（hk）。
第2步：对评价等级集合
的不同等级赋予相应的分值，将每名专家针对维修力量Pi关于指标Cl的概率分配函数mjl（hk）与不同等级的分值对应相乘，就能得到每名专家针对维修力量Pi关于指标Cl的评价值mjl。
2.3 军民双方维修保障能力证据合成评价
若
是同一识别框架Ω上的n个信任函数，
分别是其对应的基本概率分配，
分别为对应的焦元，设
表1 军民双方维修保障力量关于指标Cl的综合评价值mjl数据表
3 基于BP神经网络的维修保障能力评估
经过证据合成理论处理过的评价值可以作为神经网络模型的输入数据，构建基于BP神经网络的目标选择模型，最终判别目标的选择情况[8-9]，实现军民融合装备维修保障任务的区分。
甲基莲心碱与荷叶碱作用HepG2细胞对其上清液中LDH、TGF-β1、VEGF 的比较…………………………………… 李 娜，宋金春（2·89）
3.1 BP神经网络基本思想
BP神经网络（Back Propagation Neural Network），由输入层、中间隐含层、输出层3层神经元组成，每层由若干神经元组成，不同层次的神经元之间相互连接，同层之间无相互连接。经网络，由输入层、隐含层和输出层组成[10-11]，如下页图2所示。
图2 BP神经网络结构图
3.2 BP神经网络模型构建
将专家Gj关于指标Cl的评价值mjl作为神经网络模型的输入样本数据，构建BP神经网络模型，如图3所示。输入层节点数为7，分别对应7个能力评估指标C1～C7的评价值；隐层节点数不定，由经验公式计算得到；输出层节点数为1个。
图3 基于BP神经网络的目标选择模型
4 案例验证
依据上述指标体系，邀请多名装备维修工程专家对军民双方维修保障力量的各个指标进行评价。为合理公正地处理评价指标信息，借助证据理论对不同的待选目标进行信息处理，得到指标对维修保障能力的评估值。
其中，n表示数据点个数，ci和ui分别表示实际聚类标签和求得的聚类标签.δ(c,u)表示当c=u时，函数值为1；否则δ(c,u)=0.map函数将求得的聚类标签与实际标签进行映射，映射可采用Kuhn-Munkres(最大权匹配)算法[18]获得.ACC的值越大表示聚类越准确.
1）军方建制维修保障力量学习样本矩阵、目标输出矩阵、待评估矩阵的数据输入
总而言之，现阶段房屋建筑工程数量及规模已然呈现出逐年增长的发展态势，因此为更好的保障房屋建筑工程质量，实现工程稳定有序建设目标，相关管理部门就应从认清建筑土建施工中质量监督管理重要性入手，结合工程具体建设需求，构建科学且长效土质量管理机制，及时发现工程施工中存在的风险因素，更好的降低工程事故发生几率。
民方维修保障力量学习样本矩阵、目标输出矩阵、待评估矩阵的数据输入
2）BP神经网络模型程序代码设计
则由
合成的信任函数Bel由下式给出的基本概率分配函数确定[7]：
对应待评估矩阵的仿真结果值为：军方建制维修保障能力为Y1=0.796 5，它表示：在7个评估指标值为待评估矩阵所给出定值时，军方建制维修保障能力为0.796 5。经过42次训练后，误差收敛到规定的0.01，结束训练，如图4所示。
微生态制剂在动物消化道中形成有益菌群，和致病菌争夺生长与繁育所需的时间、空间及相关营养素等，影响致病菌的生长、繁衍、附着及定居等。有益菌和宿主黏膜的上皮密切融合产生致密性的茵膜，形成生物屏障；附着在动物皮肤、消化道及呼吸道上的有益菌，在代谢环节所形成的挥发性乳酸与脂肪酸，减低动物体内的pH值等，形成过氧化氢，影响病原菌；部分细菌能够形成细菌素与抗生素，直接消灭病原菌。
图4 军方建制维修保障能力训练误差变化曲线
民方维修保障能力为Y2=0.775 4。它表示：在7个评估指标值为待评估矩阵所给出定值时，民方维修保障能力为0.775 4。经过44次训练后，误差收敛到规定的0.01，结束训练，如图5所示。
图5 民方维修保障能力训练误差变化曲线
比较分析可以看出，针对该项维修保障任务，军方建制维修保障能力0.796 5要高于民方维修保障能力0.775 4，因此，该项维修保障任务交由军方建制维修保障力量来完成较为合理。
2017年10月，李某应聘到一家书业公司，从事某学科编辑工作。入职当天，李某与公司签订了一份试用期工作协议书和入职信息登记表。协议书约定了李某的试用期及试用期工资，并约定试用合格后与李某签订正式劳动合同。1个月的试用期满后，李某经公司考试合格，顺利转正。公司当天与李某签订了一份为期两年、固定格式的《劳动合同书》，合同一式三份，但公司并未在该劳动合同的甲方处盖章。不到1个月，李某感觉工作不顺心，便从公司办理了辞职和交接手续。
5 结论
本文充分结合了BP神经网络和证据合成理论方法，首先构建军民融合装备维修保障能力评估指标，并利用证据合成理论对各指标进行评估，得到融合信息后，借助BP神经网络实现对军民双方维修保障力量的能力评估，并利用MATLAB实现仿真运算，最终得到了军民双方维修保障能力评估值，可以作为维修任务区分决策的参考。但本文只提取了10组样本数据进行学习训练和检验，如果增加样本数量，将会显著提高所得结果的精确度。
借助于翔实可靠的语料，作者分析的瓯越语语汇在语音、词汇、语法、语用上的特点就很有见解和说服力。如分析瓯语语汇中的变声构词时，作者在大量的语料分析基础上，指出：
参考文献：
[1]肖振华，吕彬.军民融合式装备保障理想模式研究[J].装备学院学报，2013，24（3）：22-26.
[2]陆凯，聂成龙.装备体系核心保障能力分析[J].火力与指挥控制，2017，42（5）：1-5.
[3]杨英杰，张柳，聂成龙，等.适应阶段装备保障方案评价研究[J].火力与指挥控制，2015，40（10）：5-8.
[4]芦冬青.基于BP神经网络的创新绩效评价模型[J].现代电子技术，2017，40（15）：56-58.
[5]逯程，徐廷学，赵骏.基于DSM证据云物元模型的装备状态评估方法 [J]. 系统工程与电子技术，2017，39（7）：1549-1553.
[6]段新生.证据理论与决策人工智能[M].北京：中国人民大学出版社，1993.
[7]毕凯，王晓丹，邢雅琼.基于D-S证据理论的模糊聚类集成[J].系统工程与电子技术，2014，36（7）：1446-1452.
[8]刘国光，武志玮，牛富俊，等.基于BP神经网络的场道脱空检测方法及实验[J].深圳大学学报（理工版），2016，33（3）：309-31.
[9]夏维，刘新学，范阳涛，等.基于混合遗传BP神经网络的城市系统作战能力评估[J].系统工程与电子技术，2017，39（1）：107-113.
[10]史军涛，周铭，张振坤.基于SOM-BP云神经网络的通信对抗作战能力评估[J].火力与指挥控制，2013，38（10）：99-102.
[11]张淘沙，鲁艺.基于BP神经网络的UCAV航迹综合评价[J].火力与指挥控制，2017，42（7）：153-156.
Distinguishing of Military and Civil Service Maintenance Tasks Based on BP Neural Network
ZHU Dun-xiang，SHI Xian-ming，SU Xiao-bo，ZHAO Ru-dong
（Shijiazhuang Campus of the Army Engineering University，Shijiazhuang 050003，China）
Abstract： Aiming at the problem of the integration of military and civilian integration and maintenance tasks，this paper constructs the evaluation index system of military and civilian integration equipment maintenance support capability，evaluates the seven maintenance support capability indexes by using the theory of evidence synthesis，designs the BP neural network model，and analyzes the result by matlab simulation software The results show that the BP neural network has a strong ability to solve the nonlinear problem，and it is suitable for the division of the task of military and civilian integration and maintenance.
Key words： task differentiation，capacityassessment，BPneuralnetwork，evidencetheory，indexsystem
中图分类号： E08；TJ01
文献标识码： A
DOI： 10.3969/j.issn.1002-0640.2019.05.030
引用格式： 朱敦祥，史宪铭，苏小波，等.基于BP神经网络的军民融合维修保障任务区分[J].火力与指挥控制，2019，44（5）：139-143.
文章编号： 1002-0640（2019）05-0139-05
收稿日期： 2018-02-10
修回日期： 2018-05-19
*基金项目： 国家社科基金军事学基金资助项目（16GJ003-105）
作者简介： 朱敦祥（1993- ），男，山东滕州人，硕士研究生。研究方向：装备系统管理理论与应用。
Citation format： ZHU D X，SHI X M，SU X B，et al.Distinguishing of military and civil service maintenance tasks based on BP neural network [J].Fire Control&Command Control，2019，44（5）：139-143.