朱连军 陆培森

（陆军装甲兵学院演训中心，北京 100072）

装备保障能力评估是掌握装备保障现状的重要手段，通过及时准确的评估，可以检查出制约装备保障能力提高的关键节点，有针对性进行调整，促进装备保障能力提升。本文构建了一般部队装备保障评估指标体系，建立基于BP 神经网络的装备保障能力评估模型，使用常规方法对装备保障能力进行评估，为BP 神经网络模型提供训练样本集，反复训练出可用于评估装备保障能力的网络模型，并用测试样本进行验证[1]。

一、基于BP 神经网络的装备保障能力评估方法

本文基于BP 神经网络的装备保障能力评估算法总体思路可分为模型构建、样本选取和训练、神经网络测试三个步骤[2]，其具体方法如图1所示。

二、装备保障能力评估指标体系

以一般部队装备保障为例，按照涵盖性、独立性、实用性、系统性、柔性的指标体系设计原则[3]，对其装备系统进行分析理解，可将装备保障能力因素分为保障指挥能力、技术侦察能力、抢救抢修能力、器材供应能力、弹药供应能力5 类一级指标，并分解得到18 个二级指标，如图2 所示。

三、BP 神经网络模型构建

BP 神经网络的学习过程由正向传播与反射传播组成，正向传播时，信息从输入层经过隐含层层层传播处理后传向输出层，如果在输出层与期望值有较大误差，则将误差信息反向一层层传播回，返回过程中，逐一修改各层神经元连接的权值。通过正向和反向不断迭代调整权值，使误差信号达到允许的范围，训练出精度合格的神经网络模型。

本文构建三层BP 神经网络模型对部队装备保障能力进行评估。

（一）输入层

按照评估指标体系最低层的18 个二级指标,对应设置18 个神经网络输入层节点。输入向量取值区间为[0,1]。

表1 部队装备保障能力评估样本值汇总表

装备保障指挥能力主要包括态势掌握能力 1X、预测判断能力 2X、筹划决策能力3X、组织协调能力 4X。

技术侦察能力主要包括信息获取能力 5X、装备定位搜索能力 6X、战损评估能力X7、保障需求测算能力X8。

抢救抢修能力主要包括展开能力X9、撤收能力、抢救能力、抢修能力。

（二）隐含层

隐含层节点数选取要在能反映输入、输出关系的基础上，使节点数尽可能少。根据经验公式m=（m为隐含层节点数，n为输入节点数，a为1-10 之间调节常数）。经测算，隐含节点数定为7 个。

（三）输出层

输出得出装备保障能力的综合评估值，输出层节点数定为1，取值区间为[0,1]。

（四）转移函数

本BP 神经网络模型的输入与输出之间转移函数选取Matlab 中BP 神经网络工具箱自带的Levenberg-Marquardt 算法。

四、样本训练及测试

BP 神经网络模型选用的样本数据可以分为两类，一类为训练样本集，一类为测试样本集。样本数据来源于专家通过常用评估方法所得数据。

（一）装备保障能力评估常用方法

装备保障能力评估常用的方法中，评估结果的准确性很大程度上依赖于科学合理地确定指标权重。根据指标权重确定的来源不同，可分为主观赋权法、客观赋权法和组合赋权法[5]。

1.主观赋权法

主观赋权法是由专家或评估人员给出偏好信息的方法，如层次分析法、专家调查法、环比系数法等。其优点是可根据专家根据自身知识经验，合理确定各指标权重排序，有效确定各指标重要程度顺序。缺点是评估结果受专家主观随意性影响较大。

2.客观赋权法

客观赋权法是基于指标矩阵信息的方法，根据指标之间的联系程度以及各指标所提供的信息量、对其他指标影响程度等来确定指标权重，如离差最大化法、信息熵法、独立性权重的相关矩阵判别法。其优点是不增加决策者负担，有较强的数学理论依据，便于计算机处理。缺点是没有考虑决策者主观意向，确定的权重与主观愿望或实际情况不一致。

3.组合赋权法

组合赋权法是将主观赋权法与客观赋权法相结合的方法，兼顾评估专家对指标的偏好，又尽量减少赋权的主观随意性。设指标评价规范化处理后为。设采取p种主观赋权法和q种客观赋权法集成后的指标权重为 w=(w1,w2,w3,… ,wm)T，则各种方案的综合评价值为，i∈N。

（二）BP 神经网络样本选取和训练

BP 神经网络模型在初始化权值和阈值后，利用样本集进行反复训练，并与专家利用常规方法所得的期望值相比较，根据误差调整网络模型参数，训练BP 神经网络模型训练到达满意的精度，以模拟评估专家的经验、知识、判断等。

（三）BP 神经网络测试

利用测试样本集对已训练好的BP 神经网络模型进行测试，得出测试结果，进行误差分析，判断BP 神经网络训练的精度。

五、实例分析及验证

本文应用MATLAB 软件中的神经网络工具箱来实现装备保障能力评估模型的构建分析与模拟仿真。

本文的样本数据来源于装备保障领域专家运用常规评估方法所得数据，首先确定X1至的权重系数，然后对20 个评估对象的18 个二级指标数据进行归一化处理[6]，最后采取加权求和得到综合评估值，其中1-15样本用来训练BP 神经网络模型，16-20 样本用来测试该BP 神经网络模型的精度。

在MATLAB 中建立BP 神经网络模型，设置训练次数为3000，学习速率为0.01，训练目标最小误差为0.000001。将以上样本数据在模型中反复训练，得到训练较成熟的BP 神经网络模型，经过第16-20 测试样本进行模型测试，得到网络评估值，如图3 所示。通过测试，可看出训练出的BP神经网络预测值能够基本反映评估期望值大小，但仍存在一定误差，算法需进一步优化改进。

将BP 神经网络评估值与测试样本值进行对比分析，如表2 所示。由表2 可看出，网络评估值与均方根误差为0.039，基本满足精度误差要求，构建的BP 神经网络具备一定模式识别能力，因此基于BP 神经网络的装备保障能力评估模型可行。

表2 网络评估值与测试值比较

六、结论

本文构建了基于BP 神经网络的装备保障能力评估模型，并对其进行了实例分析验证，结论如下:基于BP 神经网络的装备保障评估模型可以较好地模拟专家进行定量评估；与常规方法相比，BP 神经网络算法可由计算机程序模拟计算，减少了人力计算的工作量，且避免了常规算法中易出现的主观失误；BP 神经网络算法可有效利用历史评估样本进行训练。但BP 神经网络构建评估模型也存在缺点，在网络的训练中需要大量的训练样本，且相较常规算法而言，存在一定误差，仍需进一步改进提升。