冯根生，刘宪军，方 龙，杨 涛

（装甲兵学院，安徽 蚌埠 233050）

基于SOM神经网络的坦克作战效能评估

冯根生，刘宪军，方 龙，杨 涛

（装甲兵学院，安徽 蚌埠 233050）

坦克作战效能评估是一个多属性评估问题，通过建立自组织特征映射神经网络（SOM）的坦克作战效能评估模型，通过该模型的二维拓扑有序映射图，可以清晰地观察到不同型号坦克的作战效能特征；并通过MATLABR2010a训练、仿真，对我国某型坦克的作战效能进行相似性预测评估。

SOM神经网络，坦克，效能评估

0 引言

主战坦克是进行地面作战的重要突击力量，但对其作战效能的评估中，既存在许多模糊不确定因素，又存在评估者掌握信息不完全、资料不充分的问题，这就要求在评估过程中要综合考虑模糊性和灰色性因素的影响。以往对坦克作战效能的评估主要有专家打分法、试验统计法、作战模拟法和层次分析法等方法，这些方法需要的条件往往比较高，主观因素大。基于此，本文创造性的应用SOM神经网络模型对坦克作战效能进行评估［1-2］。

1 建立坦克作战效能评估指标体系

主战坦克的作战效能指标主要有3个：防护性能指标，机动性能指标，火力性能指标。每一性能指标又包含一些具体的性能指标，例如，火力性能指标包括初速、发射速度、命中概率等。为此建立了如图1所示的坦克作战性能评估指标体系。

图1 坦克作战性能评估指标体系

2 SOM神经网络模型在坦克作战效能评估中的应用

2.1 SOM神经网络介绍

自组织特征映射网络（SOM，Self-Organizing FeatureMap）是由荷兰学者Teuvo Kohonen于1981年提出的［3］。该网络是一个由全连接的神经元阵列组成的无教师、自组织、自学习网络。SOM神经网络是根据这些样本的信息自适应调整网络，使网络以后的响应与输入样本相互之间的关系，它既可以学习训练数据输入向量的分布特征，也可以学习训练数据输入向量的拓扑结构。通过训练，可以建立起一种布局，它使得每个可权值向量都位于输入向量聚类的中心。一旦SOM完成训练，就可以对训练数据或其他数据进行聚类。对高维数据的低维组织能力，SOM神经网络模型在分类、聚类以及预测等领域都有广泛的应用。

2.2 SOM神经网络结构

图2 SOM神经网络结构

SOM神经网络由输入层和自组织特征映射层组成，映射层的神经元互相连接，每个输出神经元连接至所有输入神经元。其网络结构如图2所示，该网络的输出神经元之间相互竞争以求被激活，结果在每一时刻只有一个输出神经元被激活。这种网络实际上是一种非线性映射关系，不同的是它没有阈值。当输出为i等于获胜神经元时，竞争传递函数为1，其他输出均为0。SOM网络是一个典型的特性就是可以在一维或者二维的处理单元阵列上形成输入信号的特征拓扑分布，SOM神经网络具有抽取输入信号模式特征的能力。其中应用较多的二维阵列模型由4部分组成：①处理单元阵列，用于接受事件输入，并且形成对这些信号的判别函数；②比较选择机制，用于比较判别函数，并选择一个具有最大函数输出值的处理单元；③局部互连作用，用于同时激励被选择的处理单元及其最邻近的处理单元；④自适应过程，用于修正被激励的处理单元的参数，以增加其对应于特定输入的判别函数的输出值［4］。

2.3 SOM神经网络算法分析

SOM神经网络的算法能够自动找出输入数据之间的类似度，将相似的输入在网络上就近配置，因此，是一种可以构成对输入数据有选择地给予反应的网络［5］。SOM网络采用的学习算法按如下步骤进行：

2.3.1 初始化

对输出层各权向量赋于小随机数并按式（1）进行归一化处理，得到W^j（j=1，2，…，m），建立初始优胜邻域Nj*（0）和学习率η初值。m为输出层神经元数目。

2.3.2 接受输入向量

对每个输入向量按式（2）进行归一化处理，得到X^p（p=1，2，…，n），n为输入层神经元数目。

2.3.3 计算输入向量的距离（欧式距离）

2.3.4定义优胜邻域Nj*（t）

以j*为中心确定t时刻的权值调整域，一般初始邻域Nj*（0）较大（大约为总节点的50%~80%），训练过程中Nj*（t）随训练时间收缩。如图3所示。

图3邻域Nj*（t）的收缩

2.3.5 调整权值

对优胜邻域Nj*（t）内的所有节点调整权值

其中，α（t，N）是训练时间 t和邻域内第 j个神经元与获胜神经元j*之间的拓扑距离N的函数，该函数一般有以下规律：

如 α（t，N）=α（t）e-N， α（t）可采用 t的单调下降函数也称退火函数。

2.3.6 结束判定

当学习率α（t）≤αmin时，训练结束；不满足结束条件时，转到步骤2.3.2继续。

3 应用实例及MATLAB仿真

本文主要抽取部分现役典型的主战坦克：T80、日 90、豹Ⅱ、M1A1、勒克莱尔、挑战者、M60A3。其基本性能如表1所示：

运用Matlab R2010a软件进行仿真在Matlab R2010a中新建M文件输入以下内容：

表1 部分现役主坦克性能表

得到聚类结果如表2所示：当训练步数为1 000次时，网络已经把每个样本归为一类，已经符合训练要求，其网络拓扑效果如图4所示。将我国某型坦克的各项性能输入网络，可得其结果为yc1=54，结果表明该坦克与美国M1A1坦克性能相当。

表2 训练步数与聚类结果分析

图4 聚类效果图

4 结束语

本文通过分析坦克作战性能，建立了综合评价指标体系，并运用SOM神经网络的建立了坦克效能可视化评估模型。通过效能评估模型的二维拓扑有序映射图，可以清晰地观察到不同型号坦克的作战效能特征。最后对我国某型坦克进行作战效能相似性预测，最终得出了与M1A1坦克性能相似的预测。该方法不仅可以用于坦克作战效能的评估，而且还可以推广到其他武器装备的效能评估。

［1］朱家元，董彦非，张恒喜.基于SOM网络信息融合的飞机作战效能评估是［J］.火力与指挥控制，2003，28（2）:33-36.

［2］侯媛彬，杜京义，汪梅.神经网络［M］.西安:西安电子科技大学出版社，2007．

［3］闻新，周露，李翔.MATLAB神经网络仿真与应用［M］.北京:科学出版社，2003.

［4］张德丰.MATLAB神经网络编程［M］.北京:北京工业出版社，2011.

［5］吴东亚，毛保全，刘广洋.顶置火炮式坦克综合效能评估［J］.四川兵工学报，2011，30（1）：32-34.

Evaluation of Tank Combat Efficiency Based on SOM NeuralNetwork

FENGGen-sheng，LIUXian-jun，FANG Long，YANGTao
（Armored Force Institute，Bengbu 233050，China）

The evaluation of combat efficiency of tank is a problem of multiple attributes，so through the self-organizing feature map of tank operational efficiency evaluation type and the two dimensional topologically ordered map of such type，characteristics of different types of tank combat efficiency can be clearly observed.Then，the assessment of the similarity of the combat efficiency of a certain type of tank can be predicted through MATLABR2010a training and simulating.

SOM neuralnetwork，tank，evaluation ofefficiency

E924

A

1002-0640（2015）11-0084-03

2014-09-25

2014-11-17

冯根生（1962- ），男，河南新县人，教授。研究方向：计算机控制和军事仿真。