王 明

（江苏自动化研究所 连云港 222006）

1 引言

在现代科技水平不断提高的背景下，水面舰艇装备自动化水平、科研投入越来越多，水面舰艇装备取得了蓬勃的发展。但随着科研工作者的不断深入研究和发掘，随之而来的新问题也不断涌现，其中最为突出的是武器装备和海洋环境如何紧密结合，如何在复杂多变的海洋环境下保证武器装备的应有效能，并在一定程度上对海洋环境加以利用，提升武器装备的效能。

未来海上信息化战争的胜负，将不仅仅取决于敌我双方在战场上投入兵力和装备的多少，还取决于对诸如复杂的海洋环境信息等作战信息资源的控制和使用。

2 武器装备的海洋环境影响因素

海洋环境情况十分复杂，从季节上的变化包括春夏秋冬，位置的变化包括水面、水下，各个因素都有可能对水面舰艇的武器装备产生不同程度的影响。如磁场、大气波导、电离层等对雷达探测、无线电通信影响很大，海洋的温度、盐度、密度、深度等对声纳的探测效果影响很大［1～3］。本文根据武器装备的属性并结合海洋环境因素，将影响武器装备的因素与武器装备进行了对照，如表 1［4～6］。

表1 影响武器装备的因素与武器装备对照表

3 水面舰艇海洋环境影响分析方法

海洋环境影响武器装备的效能分析研究已经得到广泛关注，文献［7］提出了海洋环境对舰载鱼雷效能的影响评估，该模型利用模糊函数识别方法构建了针对鱼雷效能的模型；文献［8］提出了海洋环境对吊放声纳作战使用影响研究，该模型依据声纳特点提供了声纳深度影响曲线；文献［9］提供了大气环境对激光制导武器的影响，文献［10］提出了大气湍流对海军光电装备性能的影响，但是该文献未建立相应的影响模型。综合分析，此前研究多集中在某个武器的影响效能分析，或者只是分析了影响，未建立具有通用性的评估模型。本文利用BP神经网络自适应性和学习性强的特点，旨在建立一个具有通用性，适应性强的影响评估模型。

由表1中影响武器装备的海洋环境因素可以看出，不同的武器装备受海洋环境的不同因素影响，且两者之间存在复杂连接关系，该关系的确定难以采用普通线性数学关系描述。神经网络作为一种以人类大脑工作方式为参考的数学模型，利用已有输入和输出样本数据，通过不断的训练和学习能够确定输入数据对输出数据的影响权值，为非线性连接关系提供了一种合理有效的方法。

BP神经网络通常是指基于误差逆传播算法训练的多层前馈神经网络。BP神经网络拓扑结构包括输入层、隐层和输出层，文中采用的BP网络为具有单隐含层的三层结构［11～14］，如图1。

图1 单隐含层的三层结构图

1）输入层即可能对输出结果有影响的数据集合。在本文的应用中，输入层为对某武器装备有代表性影响的重要参数，如文中第二节中的导航设备，可将风、浪、流、雷、雨、雾、电磁、海杂波作为输入层各个神经元的代表。

2）隐含层，BP神经网络隐含层神经元个数的确定至今尚无一个非常确定的方法，根据第二节中列出的舰载武器装备受海洋环境影响表查看，每种舰载武器装备所受的影响因素数量相对较少，最多为13种，可见神经网络学习计算量相对较小。可通过确定隐含层数量个数范围，在确定范围内进行神经网络学习，根据对不同隐含层神经元个数情况的学习结果进行比对，将最佳的隐含层个数结果取值为隐含层神经元最终个数。

3）输出层，即各种海洋环境影响因素同时作用时，对舰载武器装备的工作积极和负面影响程度，简单的划分如表2。

表2 输出层对应表

4 评估模型建立

评估模型建立过程流程图如图2。

图2 评估模型建立过程流程图

1）样本采集及其量化；

量化方法：

设x为某一输入层元素的具体值，xmin为该输入层元素的最小值，xmax为该输入层元素的最大值，将x取之范围统一到以［0，10］的中 y值的方法是

2）初始化BP网络最大训练次数max，精度ε＞0、隐含层与输出层的神经元个数n；

3）创建BP网络，如下图，初始化输入层与隐含层连接权重ω、隐藏层与输出层连接权重υ；

4）用样本数据对BP网络进行训练：求出各样本在各层神经元上的输出，并计算各层之间的反向传播误差以及该BP网络的性能误差e［10］；

各层的误差计算公示为

5）若e≤ε，即模型训练精度达到要求，则转至步骤8；

6）修正各层之间的连接权值；

7）如果训练次数k小于最大训练次数max，则转4），否则转至8）；

8）确定当前各个海洋环境影响因素权值，保存BP网络参数。

5 仿真分析

以导弹武器装备影响权值分析为例，结合第二章中分析导弹受海洋环境中哪些因素的影响，确定权值过程如下。

1）样本采集及其量化

风对导弹发射和飞行的影响可以分为风速和风向。风速可以直接作为影响因素输入神经元，根据一般情况，风速的阈值范围为［0，40m/s］。风向的分析可以量化为风向与导弹飞行方向之间的夹角，范围为［0，180°］。海浪可以直接用浪高来度量，通常，浪高的上限为15m，故取值范围为［0，15m］。地面或云中大气电场可以用电场强度来度量，通常晴天时地面大气电场约0.1kV/m～0.3kV/m，恶劣天气条件下地面大气电场约为2kV/m～10kV/m；一般自然发生的云地闪，电场强度达1000kV/m，云内闪电场强度达3000kV/m。故可以将云内闪的电场强度作为上限，如表3。

为了减少神经网络计算学习复杂度，根据第4节中介绍的方法，将风速、风向、浪高、大气电场均统一到［0，10］的范围中。

表3 阈值范围

取一组样本如表4所示。

2）初始化BP网络精度ε＞0、隐含层神经元个数为m，输出层的神经元个数n。

设BP网络经度ε=0.01，考虑输入层神经元个数仅为4各，隐含层神经元个数范围为m∈[2，3]，输出层神经元个数为n=1。

表4 输入输出样本

3）创建BP网络，如下图，初始化输入层与隐含层连接权重ω、隐藏层与输出层连接权重υ。

当隐藏层个数为2时，如图3所示，输入层与隐含层连接权重为ω11=0.2，ω12=0.2，ω21=0.125，ω22=0.125，ω31=0.15，ω32=0.15，ω41=0.025，ω42=0.025。

隐含层与输出层连接权重为υ1=0.5，υ2=0.5。

图3 2个隐含层神经元神经网络图

当隐含层个数为3时，如图4所示，输入层与隐含层连接权重为ω11=0.2，ω12=0.2，ω13=0.2，ω21=0.125，ω22=0.125，ω23=0.125，ω31=0.15，ω32=0.15，ω33=0.15，ω41=0.025，ω42=0.025，ω43=0.025。

图4 3个隐含层神经元神经网络图

隐含层与输出层连接权重为υ1=0.33，υ2=0.33；υ3=0.33。

4）用样本数据对BP网络进行训练：求出各样本在隐含层和输出层上的输出，并计算各层之间的反向传播误差以及该BP网络的性能误差e。

5）若e≤ε，即模型训练精度达到要求，则转至8）。

6）修正各层之间的连接权值。

7）如果训练次数k小于最大训练次数max，则转至4），否则转至8）。

8）确定当前各个海洋环境影响因素权值，保存BP网络参数。

其中2）中关于隐含层神经元个数给出了2和3两个数值，通过网络的不断学习，当隐含层数量为2时，无需多次修正各层之间的连接权值，即可将误差保持在误差范围以内，f本文选用隐含层数量为2的模型。利用Matlab仿真计算后，得出的各个权值分别为连接权重为 ω11=0.18，ω12=0.16，ω21=0.10，ω22=0.14，ω31=0.11，ω32=0.19，ω41=0.02，ω42=0.03。

通过利用BP神经网络自学习特点，结合导弹武器装备受影响分析，利用第四节提出的评估模型，获取了BP神经网络中各层级节点的影响权重，从而成功建立了影响导弹武器使用的评估模型，为海洋环境对导弹武器发射效果的影响提供了一种通用量化模型，该模型可为指挥员提供实时海洋环境影响结果，辅助指挥员进行打击决策。

6 结语

本文提出了一种海洋环境因素对水面舰艇武器装备使用影响权值的确定方法。该方法利用样本数据不断扩充和神经网络不断再学习两种途径，逐渐修正各个海洋环境因素对导弹武器装备的影响权重，确定权值。本方法提出为水面舰艇各武器装备综合利用海洋环境信息建立相应辅助决策模型提供了初步思路。