戰(zhàn)希臣 劉 超

（海軍航空大學航空基礎學院 煙臺 264001）

1 引言

航空裝備管理工作質(zhì)量是航空兵部隊戰(zhàn)斗力的基礎。航空裝備管理工作檢查［1］，是實現(xiàn)航空裝備管理工作質(zhì)量在航空裝備使用管理階段過程控制的關鍵，能夠及時發(fā)現(xiàn)航空裝備管理工作中存在的問題，從而促進航空裝備管理工作建設［2］，提高航空裝備管理工作質(zhì)量?？茖W合理的航空裝備管理工作狀況評估是航空裝備管理工作檢查的重要內(nèi)涵，也是當前航空裝備管理工作的難點［3］。因此，優(yōu)化航空裝備管理工作狀況評估對提高航空裝備管理工作質(zhì)量具有重要意義，開展航空裝備管理工作狀況評估優(yōu)化研究十分必要。

2 航空裝備管理工作檢查信息融合分析

為更好地提高航空裝備管理工作質(zhì)量，應從優(yōu)化航空裝備管理工作狀況評估入手，主要做好以下兩點。

2.1 注重全面系統(tǒng)

航空裝備管理工作是面向工作過程的一項全面性工作［4］，具有很強的系統(tǒng)性，且航空裝備管理工作質(zhì)量的影響因素復雜多樣。

因此，航空裝備管理工作狀況評估應從系統(tǒng)的整體性出發(fā)［5］，充分考慮航空裝備管理工作質(zhì)量的各個影響因素，跟蹤監(jiān)管對航空裝備管理工作質(zhì)量起重要影響作用的航空裝備管理主要工作方面的進展情況，從而在工作過程中盡早發(fā)現(xiàn)解決問題［6］，減少不良影響。

2.2 優(yōu)化評估模型

航空裝備管理工作狀況評估的映射特征具有明顯多維非線性，可以采用人工神經(jīng)網(wǎng)絡算法對其映射關系進行分析擬合。

通過信息融合模型，針對航空裝備管理主要工作方面的數(shù)據(jù)信息進行分析處理，科學合理地評估航空裝備管理工作狀況，從而有針對性地對航空裝備管理工作進行分析研究，提出改進航空裝備管理工作的意見建議，提高航空裝備管理工作質(zhì)量。

3 航空裝備管理工作檢查信息融合模型原理

“智能來源于單一的算法”得到越來越多的證據(jù)證明，例如人類大腦發(fā)育初期，每一部分的職責分工是不確定的，即人腦中負責處理聲音的部分其實也可以處理視覺影像。那么利用單一的算法處理世界上千變?nèi)f化的問題就成為可能，我們不必對萬事萬物進行編程，只需采用以不變應萬變的策略即可。人工神經(jīng)網(wǎng)絡（ANN）就是一種模仿動物神經(jīng)網(wǎng)絡行為特征，進行分布式并行信息處理，解決分類、預測、識別等問題的數(shù)學模型。

增強網(wǎng)絡的分類、預測、識別能力本質(zhì)是解決多維函數(shù)非線性映射問題，其唯一途徑是采用多層前饋網(wǎng)絡，即在輸入層和輸出層之間加上隱含層，構(gòu)成多層前饋感知器網(wǎng)絡。這種網(wǎng)絡依靠系統(tǒng)的復雜程度，通過調(diào)整內(nèi)部大量節(jié)點之間相互連接的關系，從而達到信息處理的目的。

多層人工神經(jīng)網(wǎng)絡適合分析擬合航空裝備管理工作狀況評估這種模糊、非線性和模式特征不明確的映射關系問題。

3.1 BP神經(jīng)網(wǎng)絡引理

BP（Error Back Propagation Training）神經(jīng)網(wǎng)絡，由Rumelhart 等于1986 年提出，系統(tǒng)解決了多層神經(jīng)網(wǎng)絡隱含層連接權(quán)學習問題，并在數(shù)學上給出了完整推導［7］。

是一種按照逆向傳播算法進行誤差校正訓練的多層前饋神經(jīng)網(wǎng)絡，具有良好的逼近多維函數(shù)非線性映射能力的學習算法，是應用最廣泛的神經(jīng)網(wǎng)絡模型之一，適用于復雜的分類、預測、識別等數(shù)據(jù)處理場景。采用BP神經(jīng)網(wǎng)絡可以實現(xiàn)航空裝備管理工作檢查信息分析處理。

3.1.1 BP神經(jīng)網(wǎng)絡模型的結(jié)構(gòu)

從結(jié)構(gòu)上講，BP 神經(jīng)網(wǎng)絡模型具有輸入層、隱藏層和輸出層。左邊的叫“輸入層”，中間的不管有多少層都叫“隱藏層”，右邊的叫“輸出層”。每個節(jié)點，都代表一個神經(jīng)元。理論證明，任何多層網(wǎng)絡可以用三層網(wǎng)絡近似地表示。一般憑經(jīng)驗來確定隱藏層到底應該有多少個節(jié)點，在測試的過程中也可以不斷調(diào)整節(jié)點數(shù)以取得最佳效果。如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡模型圖

3.1.2 BP神經(jīng)網(wǎng)絡計算方法

航空裝備管理工作檢查信息分析處理是把一組表示n 個工作檢查指標信息的數(shù)據(jù)作為模型的輸入，把航空裝備管理工作狀況評估數(shù)據(jù)作為模型的輸出，數(shù)據(jù)輸入模型后，經(jīng)過加權(quán)處理，從輸入層節(jié)點傳到隱藏層節(jié)點，再經(jīng)過激活函數(shù)變換后，傳出隱藏層節(jié)點并繼續(xù)往下傳，直到最終傳到輸出層輸出。

每一個箭頭指向的連線上，都要有一個權(quán)重參數(shù)。輸入層的每個節(jié)點，都要與隱藏層的每個節(jié)點做點對點計算，計算方法是加權(quán)求和后激活。通過計算得出的隱藏層上的每個節(jié)點，再與輸出層上的每個節(jié)點做點對點計算，方法相同，激活函數(shù)是Sigmoid。

3.1.3 BP算法

神經(jīng)網(wǎng)絡模型的本質(zhì)是充分擬合樣本輸入值與輸出值之間的多維非線性映射關系，也就是實現(xiàn)實際輸出值與期望輸出值的誤差最小，然后對新輸入數(shù)據(jù)進行有效處理［8］。其中誤差的計算方式是，將輸入數(shù)據(jù)經(jīng)過模型處理得到的實際輸出數(shù)據(jù)與樣本期望輸出數(shù)據(jù)相減并求平方即最小二乘法。而誤差大小又受各個權(quán)重參數(shù)影響。

網(wǎng)絡的每條連接線上都有一個權(quán)重參數(shù)，如何有效的修改這些參數(shù)，使誤差最小化，成為一個很棘手的問題。從人工神經(jīng)網(wǎng)絡誕生的20世紀60年代，人們就一直在不斷嘗試各種方法來解決這個問題。直到20 世紀80 年代，誤差反向傳播算法（BP算法）的提出，才提供了真正有效的解決方案，使神經(jīng)網(wǎng)絡的研究絕處逢生。

BP 算法是一種通過偏導數(shù)來修正權(quán)重參數(shù)，從而實現(xiàn)誤差最小化的方法，它的基本原理是將樣本中的輸入數(shù)據(jù)輸入網(wǎng)絡模型，利用前向傳播輸出層輸出的結(jié)果來計算誤差的偏導數(shù)，再用這個偏導數(shù)和前面的隱藏層進行加權(quán)求和，如此一層一層的向后傳下去，直到輸入層，最后利用每個節(jié)點求出的偏導數(shù)來更新權(quán)重。

偏導數(shù)計算方法：

輸出層→隱藏層：偏導數(shù)=-（輸出值-樣本值）*激活函數(shù)的導數(shù)

隱藏層→隱藏層：偏導數(shù)=（右層每個節(jié)點的偏導數(shù)加權(quán)求和）*激活函數(shù)的導數(shù)

權(quán)重更新方法：

輸入層：權(quán)重增加= 當前節(jié)點的Sigmoid * 右層對應節(jié)點的偏導數(shù)*學習率

隱藏層：權(quán)重增加=輸入值*右層對應節(jié)點的偏導數(shù)*學習率

偏移值的權(quán)重增加=右層對應節(jié)點的偏導數(shù)*學習率

反復進行這樣的計算，直到輸出的誤差達到一個很小的值為止。

4 航空裝備管理工作檢查信息融合模型構(gòu)建

4.1 輸入層

x1是輸入層節(jié)點，分別為航空裝備管理工作檢查指標對應的數(shù)據(jù)，設X=(x1,x2,…,xn)為一組表示n 個航空裝備管理工作檢查指標信息的數(shù)據(jù)構(gòu)成的向量。

4.2 隱藏層

yj為隱藏層節(jié)點，，λij為輸入層節(jié)點至隱藏層節(jié)點的權(quán)重參數(shù)，α(x)為隱藏層的激活函數(shù)即， 設Y=(y1,y2,…,ym)為數(shù)據(jù)處理中間值。

4.3 輸出層

是輸出數(shù)據(jù)變量，表示航空裝備管理工作狀況評估值，，γj為隱藏層節(jié)點至輸出層節(jié)點的權(quán)重參數(shù)，β(x)為輸出層的激活函數(shù)即

4.4 誤差函數(shù)

4.5 偏導數(shù)

輸出層偏導數(shù)：

o是樣本參考輸出數(shù)據(jù)變量，隱藏層偏導數(shù)：

4.6 權(quán)重修正

新隱藏層權(quán)重：

η(0<η<1) 是學習率，是一個預先設置好的參數(shù)，用于控制每次更新的幅度。

新輸出層權(quán)重：

不斷修正權(quán)重參數(shù)，直到E<ε，停止。

5 工作檢查信息融合實例仿真

為了檢驗信息融合模型的有效性，本文僅針對前期已建立的“航空裝備管理工作檢查指標體系”，選取一級指標“機關裝備管理工作檢查”下的二級工作檢查指標“主要工作方面”，對航空單位機關裝備管理工作狀況評估進行實例仿真［9］。通過基于ANN 的航空裝備管理工作檢查信息融合模型，統(tǒng)計處理對應的數(shù)據(jù)信息，分析評估機關裝備管理工作狀況。

5.1 工作檢查指標數(shù)據(jù)統(tǒng)計

5.1.1 工作檢查指標

航空單位機關裝備管理工作包括8 個主要工作方面［10］：機關組織領導、規(guī)章制度、機關人員素質(zhì)、日常管理、業(yè)務訓練、戰(zhàn)備管理、安全管理、經(jīng)費管理。

5.1.2 指標數(shù)據(jù)統(tǒng)計

調(diào)研多個航空單位，邀請專家針對機關裝備管理工作的8個“主要工作方面”進行專家評分，并對機關裝備管理工作整體狀況進行評估打分，得到大量關于8 個“主要工作方面”及整體狀況的相關評分數(shù)據(jù)，選取其中有代表性的30 組用來訓練信息融合模型擬合映射關系，選取10 組用來驗證信息融合模型有效性。評分采用百分制，方法對同一對象的評分去掉最大值及最小值后求平均值。為了更直觀展示航空裝備管理工作狀況評估結(jié)果，將航空裝備管理工作狀況評估按照評分劃分為4 個等級［11］，分別為優(yōu)秀（100 分～91 分）、良好（90 分～81分）、合格（80分～60分）、不合格（60分以下）。具體評分如表1所示。

表1 機關裝備管理工作檢查指標評分數(shù)據(jù)

5.2 信息融合過程

1）參數(shù)設置

打開Matlab軟件，調(diào)用BP 神經(jīng)網(wǎng)絡，設置層數(shù)為3，隱藏層節(jié)點數(shù)量為8，輸入層節(jié)點數(shù)量為8，輸出層節(jié)點數(shù)量為1，修正率η=0.1，目標誤差為0.001，最大學習次數(shù)為10000。如圖2所示。

圖2 參數(shù)設置

2）數(shù)據(jù)輸入

編寫數(shù)據(jù)輸入語句，輸入30 組訓練數(shù)據(jù)及10組驗證數(shù)據(jù)的變量值及標簽值，如圖3所示。

圖3 數(shù)據(jù)輸入

3）訓練擬合

點擊“運行”，待訓練結(jié)束查看結(jié)果是否滿足要求。如圖4所示。

圖4 訓練擬合

4）擬合對比

針對訓練數(shù)據(jù)，編寫通過擬合映射關系融合訓練數(shù)據(jù)中的工作檢查信息得出的工作狀況評分與標簽值的對比語句，如圖5 所示。直觀確認模型訓練擬合效果，如圖6所示。

圖5 對比語句

圖6 擬合對比

5）融合驗證

針對驗證數(shù)據(jù)，編寫通過擬合映射關系融合驗證數(shù)據(jù)中的工作檢查信息得出的工作狀況評分與專家評分的對比語句，如圖7 所示。確認信息融合模型評估是否準確有效，如圖8所示。

圖7 對比語句

圖8 融合對比

6）結(jié)果分析

信息融合仿真過程中，訓練擬合映射關系時，誤差趨勢表現(xiàn)為逐步向目標收斂，訓練數(shù)據(jù)中的信息通過融合與標簽值相關，驗證數(shù)據(jù)中的信息通過融合與真實值吻合。所建立的信息融合模型能夠有效針對航空裝備管理主要工作方面進行航空裝備管理工作狀況評估。

6 結(jié)語

針對航空裝備管理工作檢查中的難點工作狀況評估問題，構(gòu)建了基于ANN 的航空裝備管理工作檢查信息融合模型。通過實例仿真，驗證了信息融合模型的有效性。為航空裝備管理工作狀況評估提供了新方法，對航空裝備管理工作質(zhì)量在裝備使用管理階段實現(xiàn)過程控制具有一定實用價值［12］。