吴彩华 花良发 马建朝 焦晓丽

（空军预警学院黄陂士官学校 武汉 430345）

基于BP神经网络的雷达情报组网系统战场抢修排序研究∗

吴彩华 花良发 马建朝 焦晓丽

（空军预警学院黄陂士官学校 武汉 430345）

确定雷达情报组网系统战场抢修任务的顺序是进行战场抢修的前提。针对现有方法缺乏自学习能力，难以反映历史维修规律及评价结果随意性较大的问题，提出采用BP神经网络方法，构建雷达情报组网系统战场抢修排序模型。结合雷达情报组网系统装备特点及保障分队特点，提出战场抢修排序决策指标体系。并以某自动化站维修数据为例，给出了建模的具体实现过程。并通过实验验证了该模型的有效性。

雷达情报组网系统；BP神经网络；战场抢修

1 引言

雷达情报组网系统是情报保障网的分系统，担负着大区域内诸军兵种联合作战防空情报保障任务的重要使命。雷达情报组网系统作战环境恶劣，装备分布区域广阔，是敌方重点打击的目标，在作战中装备战损概率非常大，一旦发生战斗损伤，必须确保在最短的时间内恢复作战能力。而装备战场抢修，正是在战争中保持装备持续作战能力最直接，最有效，最经济的手段，是战斗力的“倍增器”。

确定雷达情报组网系统战场抢修任务的先后顺序是进行战场抢修的前提，合理的抢修顺序可以缩短系统的抢修等待时间，提高重要装备完好率，延长系统的参战时间，更大限度地发挥系统的作战效能。同时还可以提高抢修资源的利用率，发挥抢修人员的抢修效能。最初，确定装备战场抢修任务的先后都是抢修指挥员凭借准则和经验进行决策，这需要花费一定的时间和综合各种信息进行判断，且不够精确。为了解决这个问题，战损装备抢修决策顺序模型研究出现。所采用的方法主要包括AHP 类方法［1～4］，贝叶斯网络［5～6］方法，熵权法［7］，TOPSIS决策评估算法［8～9］等等。这些方法在实际的运用中，由于决策者的主观不确定性及认识的模糊性等因素的影响，且缺乏自学习能力，导致评价结果随意性较大。雷达情报组网系统战场抢修排序基于历史维修数据，战场环境，抢修分队情况等多个不确定因素影响，这些方法很难反映出历史维修规律。而BP神经网络具有记忆性，它可以通过大量历史数据的学习，记住历史维修规律，再结合当前的维修数据及抢修分队情况，达到较好的评估效果。因此，本文结合雷达情报组网系统装备特点，及保障分队的情况，在获得大量维修数据的基础上构建了雷达情报组网系统战场抢修排序决策指标体系，提出了基于BP神经网络的雷达情报组网系统战场抢修排序模型，并通过对比实验验证了该模型的有效性。

2 雷达情报组网系统战场抢修排序决策指标体系

通过对装备战时抢修过程分析得出，装备抢修任务优先度决策排序受到抢修对象自身的情况及抢修分队条件的影响。构建的雷达情报组网系统战时抢修决策指标体系如图1所示。各指标定义如下。

图1 雷达情报组网系统战场抢修排序决策指标体系

1）抢修对象重要性

雷达情报组网系统是情报保障网的分系统，担负着大区域内诸军兵种联合作战防空情报保障任务的重要使命，是空军指挥信息系统不可或缺的重要组成部分。很显然，受损装备在雷达情报组网系统中发挥的作用越大，重要性越强，在满足抢修条件下，越应该优先维修。雷达情报组网系统按体系结构划分，可以分为雷达站系统、雷达旅系统和组网中心系统三级。针对每级分系统，根据设备重要性程度，又划分为2个等级。因此在本文中，将抢修对象的重要性划分为｛极端重要，非常重要，重要，比较重要，一般，可忽略｝6个等级，赋值为｛10，9，7，6，4，2｝。

2）抢修对象受损程度

根据指挥自动化装备损伤部位，受损设备的数量及其重要程度、系统功能损伤的情况，实施抢修所需要的资源，实施抢修所需要的时间等因素［10］，指挥自动化装备战损等级划分为为4级，分别为｛轻度损伤，中等损伤，严重损伤，报废｝，赋值为｛9，7，5，2｝。

表1 自动化装备损伤程度判定标准

3）预计修复时间

指的是受损装备从开始进行战场抢修到抢修结束所需要的时间。预计修复时间越短，越应该优先进行战场抢修。若预计修复时间大于允许修复时间，则失去了战场抢修的意义。对于轻度损伤来说，允许修复时间0.5～2小时；中等损伤允许修复时间在2～6小时；严重损伤一般允许修复时间在6～12小时。

4）战场环境

指对行动地域的地形、气候、道路状况、战场的态势、以及抢修对象与抢修分队距离的综合描述，分为｛极差、差、较差、一般｝4个等级，赋值为｛9，7，5，2｝。

5）技术资料完整性

雷达情报组网系统属于高科技装备，技术密集型高。抢修时对于技术资料的依赖性强。抢修时需要的技术资料种类包括［9］：操作使用手册、技术维护手册、指挥自动化设备布局图及连接图、指挥自动化系统信息流程图、连接外部通信配线资料、系统设备配电线资料、指挥自动化装备抢修手册、指挥自动化系统、设备应急抢修预案、系统软件、应用软件程序盘等等。分为｛完整，一般，不全｝3个等级，赋值为｛9，5，3｝。

6）抢修工具及器材数量满足率

指的是抢修分队提供的抢修工具和器材的数量能否满足装备抢修需要。分成｛满足，不满足｝2个等级，赋值为｛9，3｝。

7）抢修工具及器材品种满足率

指的是抢修分队提供的抢修工具和器材的品种能否满足装备抢修所需。分成｛满足，不满足｝2个等级，赋值为｛9，3｝。

8）抢修人员专业水平

指的是抢修人员能否根据经验快速准确判断故障部位，并进行故障维修。分成｛高，比较高，一般｝3个等级，赋值为｛9，7，5｝。可以根据他的年龄、专业特长、职称、从业时间等方面进行判定。

9）保障资源调度能力

实施战场抢修过程中，保障资源不满足需要时，向上级维修部门请领，调度运输保障资源到抢修地点的能力。很显然，所需时间越短，保障资源调度能力越强。分成｛好，比较好，一般，差｝4个等级。赋值为｛9，7，5，2｝。

10）组织实施能力

雷达情报组网系统战场抢修的组织实施可以划分为三个阶段，即准备阶段，组织实施阶段，总结评估阶段。准备阶段可以从抢修预案的可行性，与友邻部队、战技部门、器材供应部门、后勤运输部门，地方修理单位之间的协同情况，以及对装备、器材、设备、资料、备件，工具的检查情况进行评定。实施阶段可以从损伤评估的方法，损伤修复的方法、执行原则、损伤检验的方法、抢修记录、抢修报告、保障人员安排、保障资源安排、时间等方面进行评定。总结评估阶段可以从对保障人员及装备物资消耗的统计情况，损伤数据的整理情况，抢修技术资料库的更新情况，完成抢修任务的总结报告等方面进行评定。一般分成｛好，比较好，一般，差｝4个等级。赋值为｛9，7，5，2｝。

11）自我防卫能力

雷达情报组网系统战场抢修分队的自我防卫能力［11］可以从隐蔽性、对敌主动干扰能力、主动防护能力、机动性、分散配置性等方面进行评定。一般分成｛好，比较好，一般，差｝4个等级。赋值为｛9，7，5，2｝。

3 基于BP神经网络的战场抢修排序决策模型

战场抢修排序决策问题可以归结为多元非线性回归问题。针对非线性回归问题，可以采用的方法有遗传算法、人工神经网络、模糊理论、粗集理论、贝叶斯网络及支持向量机等。本文选用了目前最常用的BP 神经网络［12］。

3.1 模型建立步骤

雷达情报组网系统战场抢修排序应综合考虑受损装备情况以及抢修分队的实际情况，其中，受损装备情况应主要考虑：抢修对象重要性（I1）、抢修对象受损程度（I2）、预计修复时间（I3）、战场环境（I4），抢修对象技术资料完整性（I5）。抢修分队情况应主要考虑：抢修工具及器材数量储备（I6）、抢修工具及器材品种储备（I7），抢修人员专业水平（I8）、抢修分队保障资源调度能力（I9）、组织实施能力（I10）和自我防卫能力（I11）。通过建立BP神经网络模型，进行雷达情报组网系统战场抢修决策值的估计。具体步骤如下：

1）确定BP神经网络的输入。根据雷达情报组网系统各分系统及其设备特点，结合抢修分队的实际情况，确定输入参数为：I1，I2，I3，I4，I5，I6，I7，I8，I9，I10，I11。

2）数据收集。数据收集工作是非常重要的，直接关系到模型评估结果的准确性。通常来自雷达情报组网系统历史维修数据，及对雷达情报组网系统受损设备和抢修分队的评估数据。

3）将采集到的数据划分为训练样本和测试样本，并根据模型需要对数据进行预处理。对数据进行预处理包括：数据标准化、剔除特异样本点、归一化处理等等。此外还要进行预测误差指标函数的选取。通常选取均方误差MSE作为预测误差指标函数。

4）神经网络模型结构的确定；包括输入层和隐层神经元的个数、传递函数的确定、权值、阈值的确定等等。

5）应用Matlab神经网络工具箱，设置网络参数，训练数据。

6）选用测试样本进行测试，如果可以满足预测精度要求，则结束训练，否则转向5），重新进行网络参数的设置。直到满足预测精度为止。

7）将待预测的雷达情报组网系统战场抢修的数据输入训练好的BP神经网络，得到战场抢修决策值的预测结果。很显然，战场抢修决策值分数越高，排序越靠前，越应该优先进行维修。

3.2 BP神经网络结构

本文中，以某自动化站3个雷达旅配发的雷达情报组网系统进行抢修而收集的20个维修数据为例，建立适合于雷达情报组网系统战场抢修决策的BP神经网络模型。收集的数据集见表2所示。（此表中的数据都是由维修专家根据雷达情报组网系统受损情况以及抢修分队情况给出的。）该数据集共包含20组数据，每组数据包含11个输入，1个输出。在作为BP神经网络的输入之前，应进行标准化处理，将各组输入的数据取值限制在［0，1］范围内。

本文使用Matlab神经网络工具箱实现（MatlabR 7.1 Neutral Network toolbox），选用均方误差MSE作为预测误差指标函数。建立的神经网络结构如图2所示。

1）本文采用3层神经网络，第一层包含4个神经元，第二层包含3个神经元，第三层包含1个神经元。其中第一层和第二层选用双曲正切sigmoid型函数（tansig（））作为传递函数，第三层选用纯线性函数（purelin（））作为传递函数。

2）选用Levenberg-Marquardt BP函数（trainlm（））作为训练函数。设定学习步长为0.05，训练次数为2000次，训练目标误差为10-7。应用前17组数据训练网络，应用后3组数据测试网络，最终训练出的网络的权值如下所示。

表2 基于BP神经网络的雷达情报组网系统战场抢修决策预计数据

图2 本文构建BP神经网络结构

net.LW{3,2}=[0.7868 -0.0368 -0.7601]

其中，第一个矩阵为训练出的网络的输入权值，第二个、第三个矩阵为训练出的网络的各层的权值。训练出的BP神经网络的仿真结果如图3所示。

从图3可以看出，应用BP神经网络预计出的战场抢修决策值与实际的战场抢修决策值非常接近。这说明训练出的BP神经网络的仿真效果非常好。在不具备维修数据集的情况下，可以利用本文训练好的网络进行雷达情报组网系统装备战场抢修决策值预计以确定战场抢修顺序。需说明的是，上述训练好的网络是根据原北空所辖的3个雷达旅的维修数据进行训练的，不同的雷达旅，不同的雷达站，不同的抢修分队，应用上述模型进行战场抢修预计时有可能会出现评估不准确的问题。因此，本文建议首先根据收集的雷达情报组网系统维修数据训练网络，然后再预计战场抢修决策值，以使得预计效果达到最佳。

图3 已训练好的神经网络的仿真结果

4 结语

确定雷达情报组网系统战场抢修任务的先后顺序是进行战场抢修的前提，合理的抢修顺序可以缩短系统的抢修等待时间，提高重要装备完好率，延长系统的参战时间，更大限度地发挥系统的作战效能。针对现有方法缺乏自学习能力，难以反映历史维修规律及评价结果随意性较大的问题，本文结合雷达情报组网系统装备特点，及保障分队的情况，在获得大量维修数据的基础上构建了雷达情报组网系统战场抢修排序决策指标体系，提出了基于BP神经网络的雷达情报组网系统战场抢修排序模型。并以某自动化站维修数据为例，给出了建模的具体实现过程。实验结果表明，该模型可以较准确地反映出战争抢修任务的顺序。

［1］闫志雄，姜光，闫鹏飞.基于改进AHP的船艇装备战损抢修排序决策方法［J］.装备学院学报，2015，26（5）：17-21.

［2］张勇军，陈立江.基于FAHP的通信装备战场抢修顺序决策模型［J］.西安通信学院学报.2010，9（4）：10-12.

［3］肖凡，王平，赵金超.基于Fuzzy-AHP装备技术保障后备人员筛选决策［J］.装备学院学报，2013，24（5）：40-43.

［4］颜炳斌，徐航，石全.基于多准则的战损装备抢修排序决策模型［J］.军械工程学院学报，2007，19（1）：1-3.

［5］刘利，王宏，石全等.基于贝叶斯网络的战场抢修顺序优化模型［J］.航天控制.2005，23（6）：72-75.

［6］刘飞，杨江平，常春贺.雷达装备战场损伤修复顺序优化研究［J］.空军雷达学院学报.2011，25（1）：9-11.

［7］周振喜，王晓薇，郭锐.基于组合赋权的导航装备战场抢修次序决策模型研究［J］.通信导航与指挥自动化.2010.1：17-27.

［8］牛天林，王洁，杜燕波等.装备战场抢修任务优先度排序决策研究［J］.火力与指挥控制.2011，36（3）：127-130.

［9］陈盖凯，李海瑞.基于应急模式的飞机维修资源优化调度方法［J］.空军预警学院学报.2016，30（1）：9-13.

［10］黄子俊，周焰，童世明等.指挥自动化装备战场抢修规程［M］.中国人民解放军空军装备部，2008.09，13-14.

［11］樊荣.野战条件下装备保障分队的自我防卫［J］.军械维修工程研究，2002（4）：28-30.

［12］陈守余，周梅春，人工神经网络模拟实现与应用［M］，武汉：中国地质大学出版社，2000：77-82.

Research on Sequencing Decision-making for Equipment Battlefield Repair of Radar Intelligence Network System Based on BP Network

WU Caihua HUA Liangfa MA Jianchao JIAO Xiaoli
（Huang Pi NCO School，Air Force Early Warning Academy，Wuhan 430345）

It is the chief task to confirm the sequencing decision-making for equipment battlefield repair of radar intelligence network system.The current methods exists the problems of lacking self-learning ability，historical maintenance rule can’t be reflected，and evaluations results are random.A new model based on BP network about sequencing decision-making for battlefield repair of radar intelligence network system is proposed.By combining with the characteristic of radar intelligence network system and unit equipment support，decision-making index system of battlefield repair is proposed.For maintenance data from automation station control system an example，the whole modeling process is given.The validity of the model is verified by contrast experiments。

radar intelligence network system，BP network，battlefield repair

TN95

10.3969∕j.issn.1672-9730.2017.10.022

Class Number TN95

2017年4月7日，

2017年5月26日

吴彩华，女，博士研究生，讲师，研究方向：软件可靠性，雷达情报组网系统。