基于改进GA-BP神经网络的目标毁伤效果评估

针对事后的目标毁伤效果评估时效性一般、主观性较强的问题,提出了一种基于改进GA-BP神经网络的毁伤评估方法.该方法以飞机系统为例,分析了系统目标特性后,按照目标系统层、功能毁伤层、物理毁伤层的结构顺序,构建目标毁伤树并划分毁伤等级;引入遗传算法,对其选择算子、交叉和变异概率加以改进,以获取BP神经网络最优权重值,增强了遗传算法种群的多样性和泛化能力,使网络模型的精确性得以提升;通过算例分析验证了模型的可信性和有效性,对目标毁伤效果评估的人工智能化,特别在新概念武器作战运用中,具有一定的启发和借鉴意义.     

ANFIS网络在舰船维修费用预测中的应用

利用自适应模糊推理系统(ANFIS)的模糊推理能力和学习功能相结合的优点,运用于舰船维修费用预测中.分析了影响维修费用的因素,采用变量投影重要性分析方法(VIP)对影响因素进行评估和筛选,使用ANFIS网络建立模型.通过实际算例进行分析,用历史数据训练ANFIS网络,预测舰船维修费用,在数据样本量小的情况下,较一般神经网络精度有明显提高.     

神经网络和DEA方法的炮兵火力毁伤先验评估模型

提出运用BP神经网络理论和数据包络分析(DEA)方法,对炮兵火力毁伤先验评估问题进行研究。利用以往经验数据建立样本集,通过BP神经网络预测模型,对待评估的炮兵火力毁伤计划进行分析,预测其毁伤效益,再建立带有偏好锥结构的DEA评估模型,分析火力计划的可行性和合理性;最后以某部17组炮兵火力毁伤数据进行实例分析。结果表明,该模型能给出科学、明确、可靠的先验评估结果。     

基于ANFIS的制导炸弹智能控制系统

针对目前制导炸弹命中精度低的问题,首次提出一种基于自适应神经模糊推理系统(ANFIS)的制导炸弹智能控制系统.该系统不基于数学模型,用独特的空间分层方法建立若干模糊推理系统,依靠专家经验来获取控制信息.规则库是通过分析训练数据,用Levenberg-Marquardt优化方法改进的BP神经网络对训练数据自学习而建立的.通过计算机仿真,该智能控制系统具有精度高、泛化功能强且调整灵活等优点.可以预见,这种智能控制系统在军事上有很好的应用前景.     

单装战损评估仿真系统的设计与实现

首先介绍了系统模型的建立;接着阐述了系统功能、结构以及各子系统的设计与实现;继而介绍了系统实现所用到的关键技术和方法;最后利用该系统,进行了某杀爆战斗部对卡车毁伤的仿真试验,得出了汽车部件毁伤分布及毁伤等级等结果。仿真结果表明,该仿真结果与试验数据基本吻合。该系统可以为维修保障及器材供应计划的制定提供参考依据。     

基于仿真弹群的目标毁伤预测模型

针对炮兵对集群有生力量目标射击,提出一种基于仿真弹群的毁伤评估模型.首先仿真得到严格符合射击误差表征的弹群,然后应用坐标毁伤律计算毁伤概率.合理确定描述弹群的毁伤因素之后,采用自适应模糊神经网络系统(ANFIS)从仿真数据中得出毁伤因素与毁伤效果之间的映射关系,进而对毁伤效果进行评估.实验结果表明,该模型精度高,泛化能力好,具有很强实用性,有效解决了根据炸点信息进行毁伤评估的难题.     

基于ANFIS的空袭目标攻击意图量化方法

为准确评估空袭目标的威胁程度和提高指挥员的防空决策水平,采用自适应神经模糊推理系统(ANFIS)对空袭目标的攻击意图量化分析。该方法将模糊推理和人工神经网络有机地结合起来,充分利用专家知识,综合集成了航向角攻击意图系数和高度攻击意图系数。仿真结果表明,建立的攻击意图量化系统反映了影响因素和攻击意图的映射规律,方法合理有效,能够为防空作战提供决策支持。     

BP神经网络的弹道导弹态势等级模型

针对弹道导弹的目标特性和作战特点,对主要态势指标进行了提取,构建了基于BP神经网络的态势等级模型,并按照区间对预警等级进行划分。为提高模型的准确性和适应性,通过样本数据对BP网络进行了训练,并进行了仿真得到了态势等级。仿真结果表明:利用BP神经网络对态势等级进行研究是可行的。     

基于神经网络的目标预测跟踪

针对高炮火控系统的现状,在阐述神经网络模型预测控制理论的基础上,将神经网络模型预测控制器应用于火控系统的目标跟踪中,同时利用Matlab对其进行了实验仿真,并将仿真结果与传统控制器和模糊控制器仿真结果相比照进行了分析,验证了该控制器可以较好地提高火控系统目标跟踪的速度和精度,从而使系统具有良好的鲁棒性和自适应性.     

基于多传感器特征融合的TBM拦截效果评估

基于多传感器特征级融合研究了TBM拦截效果评估的问题。首先分析并选取了拦截效果特征信息,构建了基于模糊神经网络的拦截效果融合评估模型;之后从模糊化、模糊推理、反模糊3个方面论述了评估模型的实施过程,进行模糊推理时采用一种改进的BP算法完成了推理规则的实现。最后通过实例仿真验证了改进BP算法的有效性,并验证了评估模型的可靠性及良好的融合性能。     

装备群战斗损伤模拟方法研究

分析了影响装备战斗损伤的主要因素,讨论了量化这些因素的方法。在对该问题进行分析后,指出模拟模型是解决装备群战损分析的比较好的方法,并给出了该模型的基本结构。结合战损分析的特点与当前国内外神经网络的研究成果,作者认为BP(Back Propagation)神经网络是实现这一模型的有力工具,并给出了BP网络工作的过程。     

一种快速评定通信设备战损等级的方法

为解决通信设备战损等级评定中存在的问题,快速且准确地做出评定,提出了利用BP神经网络进行战损等级评定.在总结战损等级影响因素的基础上,建立了通信设备战损等级评定神经网络模型.经检验,该模型用于战时通信设备战损等级评定准确度高,具有很强的军事意义.     

基于BP神经化贝叶斯网络的空袭目标毁伤效果评估

针对空袭目标毁伤因素的复杂多样性,以及贝叶斯网络在评估时对先验知识获取和对网络节点限制方面存在的不足,提出一种BP神经化贝叶斯网络的评估方法,解决空袭目标的毁伤问题。分析了空袭目标毁伤的影响因素,并进行了知识表示;分析了贝叶斯网络结构处理多个父节点问题时存在的几个缺陷,建立了空袭目标毁伤评估的BP神经化网络结构,给出了"BP神经化模块"的决策方法。通过实例分析,结合Netica仿真,验证了该评估方法的准确性,操作简单、有效性好。     

Knowledge-oriented modeling for influencing factors of battle damage in military industrial logistics: An integrated method

Modeling influencing factors of battle damage is one of essential works in implementing military industrial logistics simulation to explore battle damage laws knowledge. However, one of key challenges in designing the simulation system could be how to reasonably determine simulation model input and build a bridge to link battle damage model and battle damage laws knowledge. In this paper, we propose a novel knowledge-oriented modeling method for influencing factors of battle damage in military industrial logistics, integrating conceptual analysis, conceptual modeling, quantitative modeling and simulation implementation. We conceptualize influencing factors of battle damage by using the principle of hierarchical decomposition, thus classifying the related battle damage knowledge logically. Then, we construct the conceptual model of influencing factors of battle damage by using Entity-Relationship approach, thus describing their interactions reasonably. Subsequently, we extract the important influencing factors by using social network analysis, thus evaluating their importance quantitatively and further clarifying the elements of simulation. Finally, we develop an agent-based military industry logistics simulation system by taking the modeling results on influencing factors of battle damage as simulation model input, and obtain simulation model output, i.e., new battle damage laws knowledge, thus verifying feasibility and effectiveness of the proposed method. The results show that this method can be used to support human decision-making and action.     

基于CAS/Agent的装甲装备战损模型仿真

针对传统战损模型研究方法存在的不足,提出用人工神经网络的学习能力模拟Agent的适应性。借鉴CAS(Complex Adaptive System)理论的建模思想,引入ERA(Environment-Rules-Agents)方案建立战损模型。在外部干预Agent作用下,运用BP算法并结合CT(Cross Target)算法对红蓝双方对抗战斗进行仿真,模拟动态战场环境下装备损伤的演化过程。该模型可更好地理解装备损伤的动力学特性。     

人工神经网络在管理信息系统中的应用

在传统管理信息系统的基础上,增加专家系统模块,即基于人工神经网络技术的预测分析模块,完成复杂的非线性预测以提高MIS智能化、自动化水平。该模块选用反向传输(BP:BackPropagation)神经网络模型来实现,通过网络的自适应学习和训练,找出输入和输出之间的内在联系,从而求得问题的解答。利用该专家系统对出版社图书市场销量进行预测。结果表明:该方法性能好,可作为预测图书售量的一种有效手段。     

基于贝叶斯网络的船舶动力装置战场损伤分析

针对船舶动力装置战场损伤特点,对其损伤分析进行了研究,提出了基于贝叶斯网络的动力装置战场损伤模型.以主机振动为例,分析了模型的建立、更新和完善等.分析结果表明,该模型和方法提高了船舶动力装置的战场损伤分析的速度和准确性.     

BP神经网络在效能评估中的样本训练

根据WSEIAC模型建立了地面防空导弹武器系统效能评估的指标体系,并依此模型建立与之对应的三层BP神经网络.简要分析了BP算法的实现过程,利用专家打分法和模糊层次法相结合的方式取得该神经网络应用于地面防空导弹武器系统效能评估时的训练样本,并对此神经网络进行学习训练,直至达到精度要求.经验证,该网络在评价地面防空导弹武器系统效能时减少了评估中的人因影响,使评估结果更为科学.