董彦磊，汪春霆，周　萌

(中国电子科技集团公司第五十四研究所，河北 石家庄 050081)



AHP-BP卫星通信网评估算法应用研究

董彦磊，汪春霆，周萌

(中国电子科技集团公司第五十四研究所，河北 石家庄 050081)

随着卫星通信的应用领域越来越广泛，合理地评估一个卫星通信网的运行效能具有重大的现实意义。提出AHP-BP卫星通信网评估算法应用，利用AHP算法对BP算法中数据样本进行标记，形成数据样本集，实现对卫星通信网的运行状态初始快速评估。在后期评估过程中利用实际运行数据结合专家经验构建真实样本数据集，基于真实数据样本集重新训练BP算法模型，能够逐渐修正评估结果。仿真结果表明，AHP-BP评估算法适用于卫星通信网效能评估，并能够提高评估结果的准确性和客观性。

卫星通信网；运行评估；AHP算法；BP算法；样本数据集

0　引言

随着卫星通信的应用领域越来越广泛，卫星通信网的规模不断扩大，设备数量和系统复杂度不断提高，科学合理地评估一个卫星通信网的运行效能具有重大的现实意义[1]。如何使评估算法在卫星通信网效能评估中做到科学、客观、可操作性强是目前卫星通信网评估研究的重点和难点[2]。

当前应用较多的评估算法有数据包络法、加权平均法[3]、层次分析法(AHP)[4]和神经网络(BP)算法[5]等。数据包络法多用于评估目标间的选择比较，对目标样本的数量要求极高，并且无法对单个评估目标进行分析，评估只能得到相对有效和相对无效的结果，无法进行改进分析，实用性较差；加权平均法和AHP算法主要通过人为确定指标权重来进行评估，确定权重过程中会加入专家的主观因素，对评估结果的科学性和客观性有一定的影响；BP算法通过自主学习的方式，自动调整指标的权值，从而可以科学、客观地评估卫星通信网的运行状态，大大降低仅凭专家主观经验确定评估结果的弊端[6]。但是BP算法的建模需要大量的专家标记的样本数据，在卫星通信系统使用初期，没有足够的人力、物力和时间去构建数量庞大的样本集，从而影响卫星通信网评估的及时性和准确性[7]。

针对以上算法在卫星通信网评估实际应用中的弊端，本文提出AHP-BP卫星通信网评估算法应用，利用AHP算法对BP算法中大量初始训练数据进行标记，快速形成数据样本集，及时对卫星通信网的运行状态进行评估[8]。同时，在后期评估过程中利用网系运行数据构建真实样本数据集，基于真实数据集重新训练BP算法模型，提高评估结果的准确性和客观性。

1　AHP-BP评估算法应用流程

AHP-BP评估算法应用流程的主要思想是利用AHP算法对BP算法的初始样本数据进行评估，得到每条样本数据的评估结果作为专家的标记值，利用BP算法对初始样本数据进行训练生成BP算法模型，利用BP算法模型对卫星通信网系进行运行效能评估。基于以上思想，提出AHP-BP卫星通信网评估算法应用，具体流程如下：

① 针对不同的卫星通信网系特点，确定相应评估指标体系。指标体系为3层体系，第1层为方案层，第2层为指标属性层，第3层为可操作的运行指标层，指标体系的建立过程就是将评估目标分解为各个小的评估元素，然后将评估元素按不同属性分组。一个评估元素对下层元素起支配作用，同时受到上层元素的支配，形成从上至下的支配型层次结构。

② 利用AHP算法对初始样本数据进行专家标记，形成BP算法所需的数据样本集。AHP专家标记就是对每条初始样本数据进行评估，评估结果作为专家标记值。

③ 初始化BP算法模型的学习速率、目标误差限制值、学习时间、次数上限、输入层节点和隐含层节点参数，输入带专家标记值的样本数据集进行训练。以样本数据集训练结果误差不超过误差限制值的原则，训练生成一个包含输入层、隐含层节点的权值和阙值满足要求的BP算法模型[9]。

④ 获取评估时间内的卫星通信网系运行数据并进行归一化处理，完成后将运行数据输入第3步训练生成的BP算法模型中，通过BP算法模型对运行数据进行模拟专家行为的评价，最终得出卫星通信网在评估时间内的综合评估值。

2　利用AHP算法标记数据样本集

AHP算法是把复杂的问题分解为多个递阶层次，每个层次有多个组成元素，通过元素两两比较的方式确定同一层次中诸元素相对重要性即为单排序权重。按照从高到低的层次顺序依次综合各层元素相对重要性即为总排序权重[10]。

利用AHP算法进行初始数据样本集标记就是根据指标体系不同层次的权重和指标数据归一化处理值进行计算，得到指标体系中每层指标的评估结果，具体过程如下：

① 构造判断矩阵B。确定每一层评估指标元素的相对权重。判断矩阵表示每个元素与相关元素间的相对重要性。假定元素Bi与元素Bj有联系，则构造的判断矩阵如表1所示。

表1　判断矩阵表

表1中，bij表示元素Bi对元素Bj的相对重要性，bij取值范围如表2所示。

表2　判断矩阵的比例标度

判断矩阵需要满足以下公式。

bii=1，

(1)

(2)

② 判断矩阵一致性检验。根据判断矩阵计算对于上层某元素而言，本层与之有联系的元素重要性次序权值。判断矩阵一致性检验可以归结为计算判断矩阵的特征根和特征向量问题，即对判断矩阵B，计算满足式(3)的特征根与特征向量，式中γmax为B的最大特征根，W为对应于γmax的正规化特征向量。

B*W=γmax*W。

(3)

利用和积法求解判断矩阵的特征根和特征向量后，需要对矩阵一致性进行检验，一致性指标定义为：

(4)

为了检验判断矩阵是否具有满意的一致性，需要将CI与平均随机一致性指标RI进行比较。对于1～10阶矩阵，RI值如表3所示。

表3　1～10阶矩阵的平均随机一致性指标

将判断矩阵的随机一致性比率CR定义为：

(5)

则判断矩阵的一致性规则为：

(6)

即当CR<0.10时，判断矩阵有可接受的不一致性；否则，就认为初步建立的判断矩阵是不能令人满意的，需要重新赋值，仔细修正，直至一致性检验通过为止。

③ 单层次指标权重确定。判断矩阵构建完成后，通过计算最大特征根和特征向量获取各层各评估元素的排序值即权重，判断矩阵最大特征值γmax对应的特征向量就为某指标下各个子指标B1,B2,…,Bn,相对于它的权重,

W=(ω1,ω2…,ωm)T。

(7)

④ 计算评估对象的评估值。以3层指标体系结构为例，第1层指标元素A1,A2,…,Am的单层次权重为a1,a2,…,am，与Ai对应的第2层指标元素B1,B2,…,Bn,的单层次权重为ωi1,ωi2,…,ωin，对应的指标归一化值为xi1，xi2，…,xin，第0层评估目标的归一化值grade为：

(8)

AHP层次分析法经过以上4个步骤完成对归一化预处理后的卫星通信网运行数据的专家标记过程[11]。

3　构建BP算法模型

BP算法的建模过程如下：

① 设计BP算法模型层次结构。BP算法模型为3层结构，包含输入层、隐含层和输出层[12]。输入层节点个数为评估指标的个数，输出层节点个数为1，隐含层节点个数为输入层节点个数的1.5～2倍。BP算法模型层次结构如图1所示。

② 初始化BP算法模型学习速率、目标误差限制值、学习时间和次数上限，并随机初始化BP算法模型的权值和阙值。

③ 输入归一化后的训练样本集至训练模型中，假设输入层由n个节点组成，隐含层由p个节点组成，输出层由q个节点组成。相邻两层节点通过连接权全部联系，而同层节点之间不联系。输入层和隐含层之间权重为ωij(i=1…n;j=1…p)，隐含层和输出层之间权重为ωjk(j=1…p;k=1…q)；隐含层各神经元的阈值为θj，输出层的阈值为θk，则隐含层神经元的输出为：

(9)

输出层神经元的输出为：

(10)

图1　BP算法模型层次结构

④ 前向传播过程：对给定的输入训练模式，计算BP神经网络的输出模式，并与期望模式比较，若有误差，则执行步骤⑤；否则，转入步骤⑥.

⑤ 后向传播过程：计算BP神经网络同一层节点单元的误差，修正BP神经网络每一层节点的权值和阈值[13]；之后转入步骤④。

⑥ 完成BP算法模型构建。

4　样本数据集修正

样本数据集的修正步骤如下:

① 采集运行数据进行归一化预处理后，组成BP神经网络模型的输入数据。

(11)

② 将归一化预处理后的数据Data输入BP算法模型中，得到输出评估值Grade，与输入数据Data关联，自动生成样本数据，Grade为专家标记值。

(12)

③ 通信专家结合真实场景，对自动生成的样本数据的专家标记Grade修正，形成更客观真实的BP样本数据。

(13)

④ 将修正后的样本数据加入到BP样本数据集中，并重复第1步到第3步，积累实际样本数据；

⑤ 修正后的样本数据足够庞大后，根据BP算法模型的构建过程，重新训练生成新的神经网络模型[14]。

5　仿真分析结果

以MF-TDMA卫星通信网为例，通过构建评估指标体系、利用AHP算法标记初始数据样本集、利用BP算法进行网系运行状态评估得到网系的初始运行评估结果。在网系正式投入运行后通过采集真实运行数据，将运行数据和修正后的评价值作为数据样本，再次训练数据样本集生成新的BP算法模型，可以进一步提高运行评估结果的准确性和客观性[15]。

5.1构建指标体系

以MF-TDMA为例，构建评估指标体系如图2所示，该指标体系为3层体系:第1层为方案层，第2层为指标属性层，第3层为指标层。

图2　MF-TDMA卫星通信网评估指标体系

MF-TDMA卫星通信网评估指标属性如表4所示。

表4　评估指标属性表

经过AHP判断矩阵确定的MF-TDMA卫星通信网评估指标权重如表5所示。

表5　评估指标权重表

5.2初始评估结果

系统投入使用初期，采集MF-TDMA卫星通信网运行数据，根据评估指标的计算方法、取值范围和作用方向等，构建归一化处理后的5 000条样本数据，利用AHP算法对每条样本数据打分，形成AHP专家标记数据样本集，BP算法对在此样本数据集的基础上进行训练生成神经网络评估算法模型。

下面对AHP算法模型、BP算法模型和业务内专家打分法的评估结果进行对比，每次选取定量的运行数据，数据预处理后，分别利用3种方法进行分析计算，评估结果对比如图3所示。

图3　初始评估结果比较

经过对比发现：

① BP评估结果和AHP评估结果相近，证明BP评估算法模型的学习参数设置合理，训练出的神经网络算法模型达到预期目标，学习参数和训练算法可用于实际的工程应用；

② BP算法评估结果与业内专家根据经验得到的评估结果有一定的差距，说明BP评估算法模型确实需要在系统实际使用过程中进行修正；

③ AHP和BP算法评估结果与业内专家依据经验得到的评估结果变化趋势相同，说明AHP对数据样本做的专家标记与实际专家经验值对网络运行状态好坏的判定一致，只是在分数取值上有所差别。

5.3指标校正后评估结果

卫星通信网正式投入使用后，采集运行数据，利用BP算法进行评估得到当前运行效能的评估值，然后通过业内专家根据实际场景对评估结果进行修正，将运行数据和修改后的评估值作为样本数据重新训练生成新的BP算法模型。

分别利用新的BP算法模型、原AHP算法模型和业内专家对原有网系进行评估，得到BP评估结果、AHP评估结果和专家评估结果，如图4所示。

图4　指标校正后评估结果比较

经过对比发现BP算法评估结果和AHP算法评估结果差距变大，与业内专家根据经验得到的评估结果几乎相同，证明根据新数据样本集训练生成的BP神经网络算法模型得到了有效的修正。因此利用专家校正后的BP算法模型能够对卫星通信网系进行客观、准确评估，从而真实反映卫星通信网的运行效能。

实际工程应用中，还可以修正AHP层次分析法判断矩阵的元素相对重要性取值，数据样本的新评估值与专家经验值进行对比，反复迭代修改，直到AHP对数据样本的评估值与专家经验值近似相同，这样AHP评估算法模型也得到了修正，可以作为后续通信网评估的经验数据。

6　结束语

文章针对卫星通信网评估指标对综合评估结果非线性影响的特点，分析了传统评估方法在实际应用中的不足，提出了AHP-BP卫星通信网评估算法应用，将具有自主学习和自动调整指标权值等特点的BP神经网络算法应用于卫星通信网运行效能评估，并针对BP算法在建模初期需要大量专家标记样本数据的弊端，提出前期使用AHP算法对样本数据进行专家标记从而快速、准确构建BP算法模型，后期利用BP算法自主学习和自动调整指标权值的特点，提取网系实际运行数据修正BP算法模型的应用[16]。

通过仿真实验对比发现AHP-BP算法实际应用中简单易用能够对卫星通信网系运行状态进行客观、准确评估，具有推广使用价值。

[1]袁伟伟,端义锋.卫星通信网评估本体[J].计算机应用研究,2013,30(2):577-580.

[2]陈佳昀,武斌.AHP和BP神经网络在通信效能评估中的应用[J].现代电子技术,2009(7):65-67.

[3]余增范,胡炳轻.一种简单可行的通信系统效能评估方法[J].无线电通信技术,2009,35(3):11-13.

[4]卢紫毅,范建华.基于层次分析法的战术通信网络效能评估[J].现代电子技术,2011,34(1):57-60.

[5]王晓敏,刘希玉.BP神经网络预测算法的改进及应用[J].计算机技术与发展 2009,19(11):64-67.

[6]廖建国,张弛.一种BP神经网络算法的改进模型[J].火力与指挥控制,2009,34(11):57-60.

[7]攸立准,马飞.利用改进的BP算法实现神经网络辨识仿真[J].无线电工程,2009,39(11):52-54.

[8]李景田,霍永华.特殊通信网网络管理系统效能评估[J].无线电通信技术,2011,37(1):1-3.

[9]高雪鹏,丛爽.BP网络改进算法的性能对比研究[J].控制与决策,2001,30(2):98-103.

[10]李晓峰.基于AHP的人工神经网络模型的建立[J].四川大学学报(工程科学版),2003,35(1):101-103.

[11]张舒，史秀志，古德生，等.基于ISM和AHP以及模糊评判的矿山安全管理能力分析与评价[J].中南大学学报(自然科学版),2011,42(8):2 407-2 416.

[12]朱大奇,史慧.人工神经网络原理及应用[M].北京:科学出版社,2006.

[13]史彦斌,高运泉.BP神经网络在效能评估中的样本训练[J].火力与指挥控制,2007,32(4):121-122.

[14]曹珊,贺正洪.基于神经网络专家系统的研究和应用[J].战术导弹技术,2006(4):41-42.

[15]彭永行.管理决策分析[M].北京:科学出版社,2000：164-169.

[16]周开利,康耀红.神经网络模型及其MATLAB仿真程序设计[M].北京:清华大学出版社,2005.

董彦磊男，(1984—)，工程师。主要研究方向：卫星移动通信系统。

汪春霆男，(1965—)，研究员。主要研究方向：卫星通信系统。

Research on Application of AHP-BP Evaluation Algorithm for Satellite Communication Network

DONG Yan-lei，WANG Chun-ting，ZHOUMeng

(The54thResearchInstituteofCETC，ShijiazhuangHebei050081，China)

As satellite communication is widelyused in more and more fields，making a reasonable evaluation of the operation efficiency of satellite communication network has great realistic significance.This paper proposes an AHP-BP algorithm for evaluation of satellite communication network.The AHP algorithm isused to label the data sample of BP algorithm to form a data sample set.This idea enables initial rapid evaluation of satellite communication network.In the later evaluation process，real running data are combined with expert experience to build sample data set and reproducing BP algorithm model based on real sample data set can improve evaluation results.As the simulation shows，AHP-BP algorithm is suitable for evaluation of satellite communication network，and can improve the accuracy and objectivity of evaluation results.

satellite communication network；operation evaluation；AHP algorithm；BP algorithm；sample data set

10.3969/j.issn.1003-3106.2016.08.03

2016-04-26

国家高技术研究发展计划(“863”计划)基金资助项目(2015AA015701)。

TN391

A

1003-3106(2016)08-0009-05

引用格式：董彦磊，汪春霆，周萌.AHP-BP卫星通信网评估算法应用研究[J].无线电工程,2016,46(8):9-13.