一种基于堆栈自编码的预警探测系统效能评估方法技术方案

本发明专利技术涉及一种基于堆栈自编码的预警探测系统效能评估方法，包括步骤：评估用指标项目确定、指标项目归一化、系统效能评估维度确定、系统效能综合评价及归一化、系统效能评估深度神经网络构建、基于堆栈自编码的隐层训练、评估参数更新改进，最终生成系统效能评估深度神经网络，实现对预警探测系统的人工智能化效能评估。本发明专利技术使用多隐层神经网络，提出采用堆栈自编码解决多隐层神经网络训练时的梯度弥散问题，保证训练结果可控，提升收敛效率，能够更深层地挖掘与表征出指标项目与系统综合效能的关联关系。综合效能的关联关系。综合效能的关联关系。

【技术实现步骤摘要】
一种基于堆栈自编码的预警探测系统效能评估方法


[0001]本专利技术涉及预警探测领域，尤其涉及一种基于堆栈自编码的预警探测系统效能评估方法。

技术介绍

[0002]开展对军事信息系统的效能评估能够有效认清系统在作战中的地位和发挥的作用。通过效能评估能够准确识别系统的薄弱环节、找出制约要素，从而能为系统升级优化、装备建设规划、一体化网信建设等工作的开展提供重要的量化指标依据。
[0003]具体到预警探测系统，相关的效能评估技术在探索中不断完善。早在20世纪80年代，MIT
‑
LIDS(美国麻省理工学院信息与决策系统实验室)提出了SEA(System Effectiveness Analysis)方法用于C3I系统(指挥自动化技术系统)的效能评估，之后基于多属性决策思路，陆续诞生了加权法、层次分析法、模糊逻辑法、证据推理法等。
[0004]随着军事科技快速发展，现代战场中面临的新质威胁层出不穷，预警探测系统的使命任务和作战域越来越全面，需要满足的作战指标的项目、类目、层目越来越丰富，指标与探测能力之间的关联耦合度越来越复杂。传统的效能评估方法难以适配当前对预警探测系统的评估需求，因此催生出基于机器学习思路的人工智能化效能评估方法，例如贝叶斯网络、神经网络、支持向量机等，其特点在于能够基于已有探测数据和专家评估结果，通过迭代训练逐渐优化评估模型的参数，从而实现后续的探测效能的自动计算。人工智能化效能评估方法有效解决了评估框架适应性弱、指标关联关系交叠、模型寻优代价高等问题，是目前预警探测系统效能评估技术的重要发展方向。
[0005]王国栋等人提出一种分布式预警探测体系效能评估方法，其核心模式仍属于多属性决策。胡雪蕊等采用基于数据挖掘的天基信息网络效能评估系统及方法，采用神经网络模型建立了系统参数和系统综合效能之间的智能化评估网络模型，但是没有阐述对各层节点的训练方法。神经网络的框架构建技术较为成熟，但针对预警探测体系效能评估领域，神经网络训练方案尚处于研究探索阶段。国内外专利中，没有相关专利针对预警探测系统采用神经网络方法并设计出模型训练方案进行效能评估。

技术实现思路

[0006]为解决现有的技术问题，本专利技术提供了一种基于堆栈自编码的预警探测系统效能评估方法。
[0007]本专利技术的具体内容如下：一种基于堆栈自编码的预警探测系统效能评估方法，包含系统效能评估体系建立和基于堆栈自编码的效能评估神经网络训练两个模块，其中：
[0008]系统效能评估体系建立模块包括：评估用指标项目确定、指标项目归一化、系统效能评估维度确定、系统效能综合评价及归一化；
[0009]基于堆栈自编码的效能评估神经网络训练模块包括：系统效能评估深度神经网络构建、基于堆栈自编码的隐层训练、评估参数更新改进。
[0010]进一步的，评估用指标项目确定包括：收集预警探测系统的各类探测数据、状态数据、以及运行数据后，确定评估指标项目和量化计算方法。
[0011]进一步的，指标项目归一化包括：对评估指标项目量化值进行归一化处理，根据指标项目数值特点，划分为趋大型、趋小型、区间型、判定型方式进行归一化转换，
[0012]趋大型转换公式如下：
[0013][0014]其中e为指标项目原值，T
max
为完全满意的e的取值，T
min
为完全不可接受的e的下限值，T
min
＜T
max
，E(e)为归一化后的e的评估值；
[0015]趋小型转换公式如下：
[0016][0017]其中e为指标项目原值，T
min
为完全满意的e的取值，T
max
为完全不可接受的e的上限值，T
min
＜T
max
，E(e)为归一化后的e的评估值；
[0018]区间型转换公式如下：
[0019][0020]其中和为完全满意的e的取值区间，T
min
为完全不可接受的e的下限值，T
max
为完全不可接受的e的上限值，E(e)为归一化后的e的评估值；
[0021]判定型根据领域知识综合判别确定。
[0022]进一步的，系统效能评估维度确定包括：针对预警探测系统，设置探测能力、体系支援能力、综合保障能力、生存能力四个维度来评估预警探测系统效能。
[0023]进一步的，系统效能综合评价及归一化包括：采用领域专家知识，基于采集的系统数据进行归一化综合评价。
[0024]进一步的，系统效能评估深度神经网络构建包括：建立一个四层神经网络NN0，以所有的评估指标项目的归一化值作为神经网络输入层L
I
，以四个维度的系统效能量化评估结果作为神经网络的输出层L
O
，两个隐层分别为H1和H2。
[0025]进一步的，基于堆栈自编码的隐层训练包括：建立一个三层神经网络NN1作为一个堆栈自编码器训练H1激活参数，其中所有的评估指标项目的归一化值同时作为NN1的输入和输出层，隐层规模与H1一致，采用随机梯度下降法训练NN0的H1层激活参数；
[0026]建立一个三层神经网络NN2作为一个堆栈自编码器训练H2激活参数，其中H1同时作为输入层和输出层，隐层规模与H2一致，采用随机梯度下降法训练NN0的H2层激活参数；
[0027]将H1和H2的激活参数代入NN0并固定，采用反向传播算法训练输出层激活参数，完成NN0的训练。
[0028]进一步的，评估参数更新改进包括：在积累更多系统探测数据、状态数据、以及运行数据以及对应的权威专家按四个维度评估的预警探测系统效能后，直接使用随机梯度下降法直接对整个NN0进行激活值更新。
[0029]本专利技术使用多隐层神经网络，提出采用堆栈自编码解决多隐层神经网络训练时的梯度弥散问题，保证训练结果可控，提升收敛效率，能够更深层地挖掘与表征出指标项目与系统综合效能的关联关系。
附图说明
[0030]下面结合附图对本专利技术的具体实施方式做进一步阐明。
[0031]图1为本专利技术基于堆栈自编码的预警探测系统效能评估方法的流程框图；
[0032]图2为系统效能评估四层神经网络的结构图；
[0033]图3为基于堆栈自编码的训练系统效能评估四层神经网络第一隐层的结构图；
[0034]图4为基于堆栈自编码的训练系统效能评估四层神经网络第二隐层的结构图。
具体实施方式
[0035]下面结合附图和实例对本专利技术提供的一种基于堆栈自编码的预警探测系统效能评估方法进行介绍。
[0036]如图1所示，本专利技术的一种基于堆栈自编码的预警探测系统效能评估方法，始于系统探测数据、状态数据、运行数据采集，终于系统效能评估深度神经网络生成，包含系统效能评估体系建立和基于堆栈自编码的效能评估神经网络训练两个模块；其中，系统效能评估体系建立模块包括：(1)评估用指标项目确定、(2)指标项本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于堆栈自编码的预警探测系统效能评估方法，其特征在于：包含系统效能评估体系建立和基于堆栈自编码的效能评估神经网络训练两个模块，其中：系统效能评估体系建立模块包括：评估用指标项目确定、指标项目归一化、系统效能评估维度确定、系统效能综合评价及归一化；基于堆栈自编码的效能评估神经网络训练模块包括：系统效能评估深度神经网络构建、基于堆栈自编码的隐层训练、评估参数更新改进。2.如权利要求1所述的基于堆栈自编码的预警探测系统效能评估方法，其特征在于：评估用指标项目确定包括：收集预警探测系统的各类探测数据、状态数据、以及运行数据后，确定评估指标项目和量化计算方法。3.如权利要求1所述的基于堆栈自编码的预警探测系统效能评估方法，其特征在于：指标项目归一化包括：对评估指标项目量化值进行归一化处理，根据指标项目数值特点，划分为趋大型、趋小型、区间型、判定型方式进行归一化转换，趋大型转换公式如下：其中e为指标项目原值，T
max
为完全满意的e的取值，T
min
为完全不可接受的e的下限值，T
min
＜T
max
，E(e)为归一化后的e的评估值；趋小型转换公式如下：其中e为指标项目原值，T
min
为完全满意的e的取值，T
max
为完全不可接受的e的上限值，T
min
＜T
max
，E(e)为归一化后的e的评估值；区间型转换公式如下：其中和为完全满意的e的取值区间，T
min
为完全不可接受的e的下限值，T
max
为完全不可接受的e的上限值，E(e)为归一化后的e的评估值；判定型根据领域知...

【专利技术属性】
技术研发人员：朱特浩，滕明，
申请(专利权)人：中国电子科技集团公司第十四研究所，
类型：发明
国别省市：