韩斌 HAN Bin；苏奎峰 SU Kui-feng
（装甲兵工程学院控制工程系，北京 100072）
（Department of Control Engineering，Academy of Armored Force Engineering，Beijing 100072，China）
摘要： 为解决信息化装甲分队目标威胁评估问题，依据径向基函数（RBF）神经网络的快速性和唯一最佳逼近性设计了改进型RBF神经网络。实例分析表明，该改进方法可满足不同作战样式下目标威胁评估要求，具有较高的实用价值。
Abstract: The threat assessment of informational armored unit is studied. The existing assessment methods are unsatisfying without considering the combat style. In order to solve this, this paper establishes the improved RBF according to the rapidity and the optimal approximation ability of RBF neural network. The example shows that the modified method not only meets the demands of battle ground and tactics, but also has a high practical value.
教育期刊网 http://www.jyqkw.com
关键词 ： 威胁评估；RBF神经网络；评估指标
Key words: threat assessment；RBF neural network；assessment indexes
中图分类号：E072 文献标识码：A
文章编号：1006-4311（2015）06-0306-02
0 引言
威胁评估是指挥控制系统的一个重要组成部分[1]，可以辅助指挥员在实际战场环境中对敌情做出准确合理的判断和决策。目前，评估方法大多采用定性定量相结合的方法，如层次分析法、模糊集法、贝叶斯网络法等[2-4]，很少采用RBF神经网络建模并且求解。本文提出一种基于改进型RBF神经网络评估方法，该方法能够充分考虑不同作战样式的评估指标权值的影响。该方法更符合作战实际情况，降低了战场不确定因素的影响，具有较高的评估精度。
1 改进型RBF神经网络基本思想
传统的径向基函数（RBF）神经网络是一种具有较强的输入、输出映射功能的三层静态前馈网络。它包括输入层、隐含层和输出层。
RBF神经网络有四组参数：中心向量、中心宽度、输出权重、和输出调节系数，准确、合理地选择这些参数才能发挥RBF神经网络的非线性逼近能力，且已证明RBF神经网络具有唯一最佳逼近特性，能以任意精度逼近任意连续函数。
本文提出四层结构的改进型RBF神经网络。在输入层前增加的指标调节层就是根据不同的作战样式调节评估指标，克服传统RBF神经网络进行威胁评估时无论哪种作战样式出现相同评估结果的缺点，更符合实际战场战术情况。
2 评估指标及样本生成
信息化条件下装甲分队战斗过程中不确定性因素较多，战场局势紧张，火力打击节奏快，并且不同战斗样式呈现不同的特点，需要对目标的威胁度进行评估，以尽快消灭对我方装甲分队威胁大的目标，尽可能多的保存自己。指挥员需要准确地把握战场局势，合理地选取目标评估准则，并能够根据作战样式的变化适时改变评估指标权重，以使得战场局势朝着最有利于我方的方向发展，取得战斗胜利。针对实际战场战术情况选取评估指标：目标类型（ITYPE）、敌我距离（IDIS）、机动特性（IMOV）、毁伤概率（IDES）、通视条件（IVIEW）、地形条件（IEARTH），如表1所示。
由上述评估指标可得到目标威胁样本集，
3 改进型RBF神经网络的训练
由于采用改进型RBF神经网络评估目标威胁的原理与传统的方法基本相同，下面从目标威胁评估分析改进型RBF神经网络的训练过程及其使用方法。依据表1评估指标建立目标威胁评估模型，如图1所示。
3.1 作战样式确定指标调节层 信息化装甲分队作战样式大致上可分成3类：进攻战斗、防御战斗、遭遇战斗。在不同的作战样式下，通常采取不同的目标打击策略。相应地，对目标的威胁评估也有所不同。如在进攻战斗中，目标处于防守状态，那么目标类型指标ITYPE在进行威胁评估时占的权重较弱；但在防御作战任务的情况下，目标类型指标ITYPE在进行威胁评估时须着重考虑，所占权重较大。因此，目标威胁程度与作战样式关系紧密，通过指标调节层体现不同作战样式对威胁评估各指标的影响。指标经过标准化处理以后进入指标调节层进行调节，其调节的向量为R=[r1 r2 r3 r4 r5 r6]，其中ri（i=1，2，……，6）为指标调节权重。以目标类型指标ITYPE为例，它对应的指标调节权重是r1，取值情况为：
其中，r1在不同作战样式下是一个取值区间，可以根据同一作战样式中不同作战时期的转换，在相应取值区间中进行调整，以符合战场连续性的要求。限于篇幅，不再赘述作战样式对其它指标的影响。
3.2 RBF数学模型的确定 假设有Ｎ个训练样本，其输入部分有ｎ个数据，则训练样本输入部分的标准化过程为
i=1，2，…，N；j=1，2，…，n
其中，Tij为训练样本Ti标准化前的输入部分，Xij为训练样本Ti标准化后的输入部分，则经过标准化后的第i个训练样本的输入部分可表示为Xi=[xi1，xi2]。
训练样本的输出部分在样本生成阶段已限定在适合RBF神经网络参数优化的范围内，训练样本的输出部分标准化后与原数据相同，即Yi=TiTAR。
输入层可将训练样本标准化并且将经过调节后的数据传递到隐含层，隐层节点由辐射状作用函数构成，通常选取高斯函数，
其中，Ck=[ck1 ck2 … ckn]为第k个隐层节点的中心向量，σk为第k个隐层节点的中心宽度。RBF神经网络隐含层的维数m可依据经验公式m=3/2n确定，也可通过实验确定更有效的维数。
输出层为隐层节点输出的线性组合，由于本问题只涉及到一个输出——威胁值，即l=1，则有
其中，wk为第k个隐层节点到输出层的权重系数。
3.3 RBF神经网络的学习算法
根据正则化RBF神经网络的特点和优点，本文采用该网络结构，由于隐层点数等于输入样本数，并且所有输入样本设为径向基函数的中心，训练过程中只需考虑扩展常数σk和输出节点权值wk。径向基函数的扩展常数可根据数据中心的散布而确定，为了避免每个径向基函数太尖或太平，将所有径向基函数的扩展常数设为：
式中，dmax是样本之间最大距离；N是样本数目。
输出层的权值调整采用最小均方算法（LMS），LMS算法的输入向量即隐节点的输出向量。权值调整公式为：Δwk=η（dk-wkuk）uk，k=1，2，~，N。权值可初始化为任意值。
4 实例仿真
为了验证改进方法的合理性，设定60种不同的战场条件下的目标，运用第2节的方法确定目标威胁样本集，选定N=50个样本作为训练样本，余下10个样本做为测试样本。为了进行对比，使用相同的样本并用传统的RBF神经网络进行训练与测试，得到最后得排序结果如表2所示。
经过数据比较，基本上可以体现了以下几点：①改进以后的RBF神经网络与传统的评估结果大致相同，改进方法基本符合实际战场战术条件。②目标6和目标9以及目标4和目标7的排序出现了交叉改变，对比评估指标可以发现在进攻作战过程中目标类型以及机动性对评估结果影响较小，符合进攻作战样式的特点。③排序交叉改变只出现在相邻目标排序中，比如排序2和排序3的目标交叉改变以及排序9和排序10的目标交叉改变，说明改进的RBF神经网络合理有效。以上几点，基本上说明了改进型RBF能够充分考虑作战样式对威胁评估指标的影响，建立的模型符合战场战术情况。
5 结论
本文提出的信息化装甲分队威胁评估模型具有较强的实用性，设计的改进型RBF神经网络能够满足求解的要求，为信息化装甲分队火力优化配置提供数据依据。为验证改进方法的有效性，用十个测试样本做出检验，结果如表2所示。不难发现，该改进方法的输出目标威胁排序符合不同作战样式的特点，从而验证了该改进方法的有效性。但改进方法还存在两个问题：指标调节层参数是静态的，不能符合战场动态改变的要求；评估指标的选取固定，应根据实际战场情况动态选取指标。如何解决以上两个问题需要进一步改进网络，是下一步研究工作的重点。
教育期刊网 http://www.jyqkw.com
参考文献：
[1]徐克虎，黄大山，王天召.坦克分队作战要素量化研究[J]. 装甲兵工程学院学报，2011，27（1）：48-53.
[2]贾滨，孙杰，冯正超.一种改进的空袭目标威胁等级评估模型[J].指挥控制与仿真，2011，33（4）：25-28.
[3]张磊，童幼堂，徐奕航.舰艇编队空中目标威胁排序模型研究[J].舰船电子工程，2009，29（6）：136-138.
[4]税薇，葛艳，韩玉.基于贝叶斯网络的火力威胁等级评估算法[J].系统仿真学报，2009，21（5）：4625-4627.