李 元 谢小秋 谢永亮

（安徽省蚌埠市燕山路1454号五系 蚌埠 233012）

1 引言

近年来，我国海上安全形势错综复杂，特别是台湾问题具有高度的不确定性，使得海上战役行动的发起具有很强的突然性和不可预见性，提高应急任务保障能力越来越迫切。应急任务一旦发生，就需要保证在第一时间将最需要的军械物资送达现场。在应急任务情况下，需要结合任务区域的军械物资存量情况，对军械物资需求进行分级。应急军械物资需求分级的科学性直接决定着后续任务的组织实施和效果，在资源有限的情况下，这种分级的管理思想和方式极为重要。在对应急军械物资进行合理分级后，就可以按照军械物资的重要性（优先级）采用不同的采购和库存策略，将应急军械物资及时运送到任务地点，使得整个应急任务能够有条不紊、有重点的实施。

由于应急任务具有非例行性，一次应急事件中军械物资的级别很难再应用于另一次应急事件的处理，而且评估指标上的数据也很难采集到。值得注意的是，目前还没有一种综合的评判指标或评价模型能解决应急军械物资需求分级问题。从目前分级研究的现状来看，通常是依靠决策人员直觉和经验来确定军械物资的级别，具有较强的主观性和随意性，不能全面、客观地反映所需军械物资的级别特征。因此，迫切需要根据应急军械物资需求的特点，建立适用于应急军械物资的分级模型，辅助决策人员对应急军械物资进行科学分级。

基于统计学习理论发展起来的支持向量机是处理分级问题的有效方法，它克服了传统机器学习的弊端，通过对学习机器复杂性的约束来控制其推广能力，从而表现出了极高的泛化能力。具有后验概率输出的分类器在实际应用时是非常重要的，它有利于分级过程后续的处理。本文首次尝试利用后验概率支持向量机（PPSVM）建立应急军械物资分级模型，通过实验说明了模型的可信性和科学性，为在智能决策系统中实现对应急军械物资需求智能分级提供了有效方法以及模型依据。

2 支持向量机分类器的概率输出模型

Platt提出的可输出后验概率的支持向量机在实际应用中取得了很好的效果，但此方法只能处理二类分类问题，不能直接应用于多分类问题。在Platt的二类别支持向量机概率输出模型的基础上，结合Hastie和Tibshirani提出的逐对耦合（Pairwise Coupling）思想解决多类别支持向量机的后验概率输出问题，提出一种基于具有后验概率的支持向量机多类别分类方法，在此基础上将PPSVM用于对应急军械物资需求分级决策中，建立PPSVM应急军械物资分级模型［1］。

首先利用一对一方法对支持向量机进行训练，假定对于每一个两类问题i≠j训练样本数目为nij。各个两类支持向量机训练完毕后，由Platt提出的方法可得到每一个两类问题的概率输出模型rij＝p（i｜i or j）。

2）重复如下过程（i＝1，2，…，K，1…）直至收敛；

3 基于PPSVM的应急军械物资分级方法

在应急管理过程中，由于对应急事件应对的方式不同，以及应急事件性质的变化，应急军械物资的级别也在发生着变化。本文把军械物资的重要性、时效性和缺口程度三个因素作为军械物资需求分级的评价标准，输入采用自然语言描述应急军械物资的重要性、时效性和缺口程度，然后将这些输入指标模糊化，将所对应的评价值作为PPSVM的输入，通过学习和训练，得到PPSVM的军械物资分级模型，最后得到对应的分级结果。

在对军械物资需求级别的评价集中，采用与模糊输入相同的方法使用模糊集来定义输出集合。特别指出的是，目前对应急军械物资需求的级别并没有一个权威、法定的分级标准。本文把军械物资需求分为三级，级别从高到低依次为特急需求（Ⅰ）、紧急需求（Ⅱ）、较急需求（Ⅲ）。

从上面对影响应急军械物资级别关键因素的分析和人们对该类问题的描述可以看出，这三个指标都具有一定的模糊性，是一类典型的模糊语言。因此，需要借助于模糊数学的相关方法，对这三个指标进行模糊化［4］。

结合该领域专家的经验，可分别建立隶属度函数，横坐标的数值范围从0～10，对应某一输入的评价值，可以通过对应的隶属度函数图，获得相应评价值的隶属度。军械物资的缺口度，可以通过军械物资的需要量与存量进行定量比较计算出来，然后把它们换算到0～10区间上，军械物资的时效性和军械物资的重要程度可以根据管理人员的经验和判断定性估计出来。

表1 部分样本数据

4 实验结果与分析

影响应急军械物资分级的因素有三个：军械物资重要性，军械物资的时效性，军械物资的缺口度，因而PPSVM的输入层有三个节点，分别对应这三个特征参数。选取32组样本数据，其中17（15）组样本数据用来训练PPS－VM，余下的样本数据用来测试PPSVM。PPSVM的输出为分级模式数，这里的分级模式为三种，分别是特急需求（Ⅰ）、紧急需求（Ⅱ）、较急需求（Ⅲ）。

表2 样本分级测试结果Ⅰ

表3 样本分级测试结果Ⅱ

把两次训练测试的结果综合起来，通过计算得到分级总精度为95.86%，这说明基于PPSVM的网络仿真输出效果好，具有精确的分级识别能力。

5 结语

本文提出一种基于后验概率支持向量机的应急军械物资分级方法，建立多分类支持向量机的概率输出模型，然后通过选择后验概率最大的类别号作为测试样本的类别输出来完成整个分级过程，由三个分级影响指标作为输入向量，直接输出划分的级别。实验结果表明：将后验概率引入到标准支持向量机，会扩大支持向量机的应用范围；将PPSVM引入到应急军械物资分级建模中是可行而且有效的，能够很好地解决应急军械物资的分级问题。

［1］郭瑞鹏.应急物资动员决策的方法与模型研究［D］.北京：北京理工大学，2006：187－189

［2］Wu T F，Lin C J，Weng R C.Probability estimates for multi—class classification by pairwise coupling［J］.Journal of Machine Learning Research，2004，5：975－1005.

［3］李建民，张拔，林福宗.支持向量机的训练算法［J］.清华大学学报（自然科学版），2003：43－44.

［4］沈沛龙.上市公司财务风险分析与信用评级［J］.中国流通经济，2006（12）：57－60.

［5］潘峰，程浩忠.基于RBF核函数的SVM方法在短期电力负荷预测中的应用［J］.供用电，2006（1）：16－18.