作战仿真中基于BP-Adaboost目标威胁估计研究

张 峰, 胥 文, 吴东岩, 陈振朋

(空军航空大学 航空作战勤务学院,吉林 长春 130022)

摘 要 ：对空中来袭目标进行威胁估计是作战中指挥决策的重要部分,是在目标态势的基础上,通过对目标数据量化处理而进行的综合估计,为指挥员进行兵力部署和火力分配提供重要依据。针对单一神经网络预测估计时网络结构选择困难、泛化能力差的缺点,提出了采用BP神经网络作为弱预测器,通过Adaboost进行集成学习,从而建立BP-Adaboost强预测器目标威胁估计模型。通过对不同态势情况下的样本数据进行学习,更新神经网络权值,生成BP-Adaboost强预测器。结果表明,该方法的预测误差明显优于BP 、PSO-SVM和Elman-Adaboost算法。

关键词 ： BP神经网络; 集成学习; 威胁估计; 辅助决策

在未来空战中,一方面,指挥员要处理海量数据;另一方面,空战的快节奏,要求指挥员必须具备更快的反应能力。这就必须要求从海量的多源信息中实时获得各种更抽象、可直接用于决策的空战威胁估计信息提供给决策者,使防空作战中指挥员需要注意的焦点数大幅度减少,从而能为空战行动提前做好准备。显然,这种超前行动作战方式比反应式更适合复杂、多变、突发性强的空战环境。

目标威胁估计是一个涉及众多要素的复杂系统工程,需建立一个完善的威胁估计理论体系,并进行任务分解,求解各自任务后再进行综合,最后给出一个科学的威胁估计值^[1][2]。估计时应采用各种理论和方法,以便提高威胁估计的可靠性。另外,现代空战过程节奏越来越快,对威胁估计实时性要求越来越高,因此,空战威胁估计的准确性、可靠性、实时性是空战威胁估计的目标。因此,空中目标威胁程度的科学估计研究对于辅助决策有重要意义。

1 BP神经网络及Adaboost算法

1.1 BP神经网络

BP(Back Propagation)神经网络是1986年由Rumelhart和Mc Celland为首的科学家小组提出的概念,是一种按误差逆传播算法训练的多层前馈神经网络,是目前应用最广泛的神经网络模型之一。

BP(Back Propagation)神经网络,即信息正传误差反向传播算法的学习过程,由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息,并传递给中间层各神经元;中间层是内部信息处理层,负责信息变换,根据信息变化能力的需求,可以设计为单隐层或者多隐层结构;最后一个隐层传递到输出层各神经元的信息,经进一步处理后,完成一次学习的正向传播处理过程,由输出层向外界输出信息处理结果。当实际输出与期望输出不符时,进入误差的反向传播阶段。误差通过输出层,按误差梯度下降的方式修正各层权值,向隐层和输入层逐层反传。周而复始的信息正向传播和误差反向传播过程,是各层权值不断调整的过程,也是神经网络学习训练的过程,此过程一直进行到网络输出的误差减少到可以接受的程度,或者预先设定的学习次数为止^[3]。

1.2 Adaboost算法

Boosting是一族可将弱学习器提升为强学习器的算法。这种算法的工作机制为:先从初始训练集训练出一个基学习器,再根据基学习器的表现对训练样本分布进行调整,使得先前基学习器做错的训练样本在后续受到更多关注,然后基于调整后的样本分布来训练下一个基学习器。如此重复进行,直至基学习器数目达到事先指定的值T ,最终将这T 个基学习器进行加权结合^[1]。

Boosting族算法最著名的代表是Adaboost(Freund and Schapire ,1997),其描述如图1所示,其中y _i ∈{-1,+1},f 是真实函数。

1.3 BP-Adaboost模型

训练第j 个弱预测器时,用训练样本数据训练BP神经网络并且预测训练数据输出,得到预测序列h (j )的预测误差和ε _j ,其计算公式为

传统青花装饰题材还仅限于表现具象的动植物、人物和书法等等，现代陶瓷艺术创作者对于青花的理解广度相对更大，创作者结合自身的文化素养和当下社会状态，对表现题材进行再创作，这样创作的作品既源于传统又有别于传统，展现了一种新的艺术风貌（如图2）。

图1 Adaboost算法
Fig.1 The algorithm of Adaboost

图2 基于BP-Adaboost强预测器的目标威胁估计
Fig.2 Target threat assessment based on BP-Adaboost strong predictor

BP-Adaboost算法步骤如下:

(5)强预测函数

采集75组不同态势情况作为样本数据,其中大型目标、小型目标和直升机各25组。测试集分别选择大型目标、小型目标和直升机各20组,共60组,15组作为测试数据,样本目标的前10组各个属性如表1所示。

(2)网络初始化

评价指标的内涵要清晰明确，既能说明问题，又便于分析比较；各评价指标之间的相互关系要合理，尽可能减少指标间的关联度，避免或减少指标间的彼此交叉。

给定训练集X =(x ₁,y ₁),…,(x _m ,y _m ),i =1,…,m ,初始化训练集上样本的初始分布权值D _i (i )=1/m ,根据输入输出维数确定神经网络结构、初始BP神经网络权值和阈值。

根据2014年重庆统计年鉴，考虑全市38个区县的人均GDP排位，现场调查选择经济较发达的渝北区(人均GDP位于第3位)和经济欠发达的垫江县(人均GDP位于第25位)两地进行，各自选择两个慢病管理工作开展得较好且愿意配合的乡镇卫生院/社区卫生院，在其规范管理慢性病病人的花名册中，随机抽取高血压患者，对他们2013年6月至2014年6月的“经济负担和家庭卫生支出”情况进行面对面问卷调查。

Adaboost算法的思想是合并多个“弱”分类器的输出以产生有效分类。其主要步骤为:首先给出弱学习算法和样本空间,从样本空间找出m 组训练数据,每组训练数据的权重都是1/m 。然后用弱学习算法迭代运算T 次,每次运算后都按照分类结果更新训练数据的权重分布,对于分类失败的训练个体赋予较大权重,下一次迭代运算时更加关注这些训练个体。弱分类器通过反复迭代得到一个分类函数序列,每个分类函数赋予一个权重,分类函数越好的函数,其对应的权重越大。T 次迭代之后,最终强分类函数F 由弱分类函数加权得到。BP-Adaboost模型即把BP神经网络作为弱分类器,反复训练BP神经网络预测样本输出,通过Aboost算法得到多个BP神经网络弱分类器组成的强分类器^[4],算法流程如图2所示。

玉米螟：7月上、中旬，在玉米螟产卵期，采用人工释放赤眼蜂，释放22.5万头/hm2，将玉米螟消灭在孵化之前。在玉米媒卵孵化阶段，田间喷施Bt可湿性粉剂也有很好的控制虫害效果。在成虫发生期，采用黑光灯或性诱剂技术，能够诱杀大量成虫，减轻下代玉米危害。

(1)

式(1)中,h _j (x _i )为网络预测值,y _i 为期望值。

其中,Z _j 是归一化因子,目的是在权值比例不变的情况下使分布权值和为1,即,

根据预测序列h (j )的预测误差和ε _j 计算序列的权值α _j ,权值计算公式为

α _j =1/2*ln((1-ε _j )/ε _j )

(2)

然后根据预测序列权值α _j 调整下一轮样本的权值,调整公式为

(3)

(4)更新权值

(4)

(1)数据处理

经过T 轮训练得到T 个弱预测函数h _j (x )(j =1,2…,T ),此时组成一个强预测函数为

(5)

2 计算结果及分析

对原始态势情况进行预处理,包括数据量化和归一化,从而使得预处理后的数据能够被弱预测器BP神经网络读入。

表1 目标威胁估计训练样本
Tab.1 Target threat estimation training sample

对目标威胁属性采用G.A.Miller的9级量化理论进行量化,1～9分别表示威胁程度极小、非常小、较小、小、中、大、较大、非常大、极大;对定量属性采用区间量化,并对其进行归一化处理。定性属性的量化值和定量属性的量化区间通常要通过专家群组决策来确定。

(3)寻找弱预测h _j (j =1,…,T )。

对数据集进行量化后,可对训练集和测试集进行归一化处理,采用的归一化映射如下:

(6)

式中,x ,y ∈min(x ),x _max=max(x ),归一化后原始数据被规整到[0,1]范围内,即x _max∈[0,1],i =1,2,…,n ,这种归一法称为[0,1]归一化。

Elman-Adaboost、BP和PSO-SVM(基于粒子群优化支持向量机)等方法都可以对目标威胁进行预测估计。那么,在同一样本下对BP-Adaboost、Elman-Adaboost、BP和PSO-SVM的预测误差绝对值进行比较分析,结果如图3所示。

中国木材与木制品流通协会副会长兼秘书长李佳峰在致辞中表示，随着国际形势复杂多变，中美贸易纠纷不断升级，中国地板行业面临着美国木材原料供应有限，出口市场受阻，国内竞争日益激烈的局面。当前，木地板行业总体发展平稳，优质环保地板需求不断提升，品牌企业业绩增长显著，消费集中向大品牌、个性化品牌倾斜。世界木地板大会作为企业家们交流信息、碰撞观点、拓展业务的舞台，大家应畅所欲言，沟通有无，凝聚共识，以国际视野共同为世界地板产业的健康发展建言献策，提高产品质量和服务水平，打造消费者满意的国家品牌，共享中国广大消费市场，助推行业健康有序发展。

对比且分析医护人员对研究组、参照组医疗器械清洗满意度，结果划分为三个标准，即十分满意、相对满意和不满意。

图3 目标威胁估计结果
Fig.3 The results of target threat assessment

由图3可知,在相同样本条件下BP-Adaboost的估计精度高于BP、PSO-SVM、Elman-Adaboost的估计精度,同时BP-Adaboost曲线变化幅度小,没有出现某些点误差偏大的情况,表明未出现过拟合现象。通过实验,并与BP、PSO-SVM和Elman-Adaboost强分类器预测比较,表明BP-Adaboost强预测器目标威胁估计模型和算法具有很好的预测能力,可以快速、准确、有效地完成作战目标估计。实验结果真实、准确地反映了实际情况,证明了该方法的有效性,为目标威胁估计提供了一种更为有效的方法和途径。

针对性管理最早源于金融领域，是一种防范风险的有效管理方法。心血管内科护理相比于普通的护理工作具有更高的风险性，因此它具有很高的应用价值。通过应用针对性管理措施，预测心血管内科护理中的风险，找带来风险的因素，从而将护理中的风险降至最低。

参考文献:

[1] 俞卫树,姜长生.基于Elman神经网络的空战威胁排序研究[J].电光与控制.2008,15(8):2-4,13.

YU Weishu,JANG Changsheng,Research on air operation threat ranking based on Elman neural network[J].Electronics Optics & Control,2008,15(8):2-4,13.

[2] 樊胜利,柏严奇,李保国.装甲目标威胁评估智能计算方法研究[J].装备指挥技术学院学报,2011,22(2):45-50.

FAN Shengli,BAI Yanqi,LI Baoguo.Research on intelligent method for threat assessment of armored targets[J].Journal of College of Equipment Command Technology,2011,22(2):45-50.

[3] 周志华.机器学习[M].北京:清华大学出版社,2018.

ZHOU Zhihua.Machine Learning[M].Beijing :Tsinghua University Press,2018.

[4] 王小川.Matlab神经网络43个案例分析[M].北京:北京航空航天大学出版社,2013.

WANG Xiaochuan.Analysis of 43 cases of Matlab neural network[M].Beijing:Beijing University of Aeronautics and Astronautics Press,2013.

The Research on Target Threat Assessment Based on BP -Adaboost in Operational Simulation

ZHANG Feng ,XU Wen ,WU Dongyan ,CHEN Zhenpeng

(School of Aviation Operations and Services,Aviation University of Air Force,Changchun 130022,China)

Abstract ：Target threat assessment is an important part of command and decision-making in combat.It is a comprehensive evaluation based on the target situation through quantitative processing of target data,which can provide significant evidence for the commander to make firepower allocation.To improve the shortcomings of difficult selection of network structure and poor generalization ability in single neural network prediction and evaluation,this paper uses BP neural network as a weak predictor and integrates learning through Adaboost to establish a target threat assessment model of BP-Adaboost strong predictor.By learning the sample data in different situations,the weights of the neural network are updated and the strong predictor of BP-Adaboost is generated.The experiment indicates that the prediction error of this method has higher target threat prediction accuracy than the normal BP、PSO-SVM and Elman-Adaboost algorithm.

Key words ： BP neural network; integrated learning; threat assessment; assisted decision making

中图分类号 ：TP391

文献标识码： A

张 峰 男(1981—),江苏泰兴人,硕士,主要研究方向为作战仿真与模拟训练。

标签：bp神经网络论文;  集成学习论文;  威胁估计论文;  辅助决策论文;  空军航空大学航空作战勤务学院论文;