舰炮武器系统保障性神经网络评价模型及分析.pdf

《舰炮武器系统保障性神经网络评价模型及分析.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、总第189期2010年第3期舰船电子工程ShipElectronicEngineeringV01．30No．3165舰炮武器系统保障性神经网络评价模型及分析刘明攀”晁盛远”王鼎2’(海军驻西安舰炮军事代表室”西安710000)(海军工程大学孙武汉430033)摘要针对舰炮武器系统保障性评价问题，根据其保障性内涵，运用BP神经网络，建立了舰炮武器系统的保障性评价模型，给出了研制阶段舰炮武器系统保障性定性与定量相结合的评估方法，克服了以往定性评价方法的模糊性和不确定性，能更准确地为舰炮武器的保障性设计提供依据。并以多种型号舰炮武器系统为

2、例，对其保障性进行了评价。计算结果说明该方法可有效地用于舰炮武器系统的保障性评价。关键词保障性评价；BP神经网络；舰炮武器系统；综合保障性能中图分类号TPl83SupportabilityAssessmentModelandAnalysisofNavalGunWeaponSystemBasedonNeuralNetworksLiuMingpanl’ChaoShengyuanl’WangDingz’(NavalGunRepresentativeOfficeofNavyinXi’anl’，Xi’锄710000)(NavalUnivers

3、ityofEngineemgz’。Wuhan430033)AbstractBasedontheproblemofthesupportabilityassessmentofthenavalgunweaponsystem，andaeeordingtOtheconceptionofthesupportabilityofit，theevaluationmodelofthesupportablesystemofnavalgunweaponsystemiscreatedbyBPneuralnetworks．Sotheevaluationmeth

4、odattheproiectdefinitionphaseofanewnavelgunthatcombinesthemeritofthequalitativemethodandthemeasurablemethodisgave，itconqueredfaintnessandincertitudeoftheformerevaluationmethod．andcouldgivethegistforthesupportabilitydesigneffectively．Lasttaketheexampleofsomenavalgunweap

5、onsystems，calculationresultsshowedthatthismethodcanbeeffectivelyputintouseinsupportabilityassessmentstudyOfthenavalgunweaponsystem．KeyWordssupportabilityassessment，BPneuralnetworks，navalgunweaponsystem，integratedsupportabilityCI箍sNuml槲TPl831引言的研制和改进提供了一定的参考依据。现代战争中，武器装

6、备的保障性直接关乎到战争的胜负，因此如何对新型武备的保障性进行客观评价是武备开发的一项重大工程。由于实际得到的很多信息是模糊、不确定和难以量化的，因此对新型舰炮武器系统保障性进行评价的关键就是把这些模糊、不确定的和难以量化的信息转化为确定的、量化的信息[1q]。本文运用三层BP神经网络系统来评价舰炮武器系统保障性，为舰炮武器系统2保障性评价指标体系的建立舰炮武器系统的保障性是系统的设计特性和计划的保障资源能满足平时战备及战时使用要求的能力，对舰炮武器系统保障性的评价就是对该种能力的评估。现确定舰炮武器系统保障性的指标体系如图1所示。

7、其结构为层次结构，底层20个元素即为评价保障性指标L3]。。收稿日期：2009年11月30日，修回日期：2009年12月21日作者简介：刘明攀，男，助理工程师，研究方向：舰炮监造。166刘明攀等：舰炮武器系统保障性神经网络评价模型及分析总第189期图1某型舰炮武器保障性指标体系3保障性评价神经网络模型的实现对于解决舰炮武器系统综合保障性能评价这一类复杂的非线性问题，BP神经网络具有独特的优势。BP神经网络是目前应用最广泛的网络之一，它是一种多层前馈网络，不仅有输入层节点、输出层节点，而且有隐层节点。隐层可以是一层，也可以是多层。当信

8、号输入时，首先传至隐节点，经过作用函数后，再把隐节点的输出信号传播至输出层节点。经过处理后给出输出结果[4~5]。3．1BP神经网络模型的确立网络模型结构的选择是一项十分重要的工作，选择得好可以减少网络训练次数，提高网络学习精度；反之