劉新海 馬彥恒 侯建強

摘要：針對裝備認(rèn)知測試性智能決策問題，提出基于云和頻繁項集的認(rèn)知測試性診斷方案權(quán)衡優(yōu)化方法。研究裝備認(rèn)知測試性中信息流在定性域和定量域的描述和轉(zhuǎn)換方法，給出基于數(shù)據(jù)概要的中心云產(chǎn)生方法，實現(xiàn)事務(wù)數(shù)據(jù)清洗與篩選；研究基于頻繁項集和新增項集的數(shù)據(jù)挖掘方法，提出基于2一范數(shù)及協(xié)方差的數(shù)據(jù)相關(guān)性分析方法，實現(xiàn)基于云和頻繁項集的認(rèn)知測試性診斷方案權(quán)衡優(yōu)化的數(shù)據(jù)挖掘過程：得到基于存儲層一云層一應(yīng)用層一決策層的認(rèn)知測試性仿真診斷與權(quán)衡優(yōu)化模型，并對該模型進(jìn)行補充說明。該方案可為裝備認(rèn)知測試性診斷方案權(quán)衡優(yōu)化的智能化發(fā)展奠定基礎(chǔ)。

關(guān)鍵詞：認(rèn)知測試性；云；頻繁項集；數(shù)據(jù)挖掘；診斷方案

0引言

由于現(xiàn)代戰(zhàn)爭多維度、一體化、快節(jié)奏、即時精確打擊的特點以及無人化作戰(zhàn)的發(fā)展趨勢，對作戰(zhàn)裝備的故障診斷與維修要求已從注重隔離故障、降低裝備全壽命周期費用，轉(zhuǎn)變?yōu)閺娬{(diào)基于狀態(tài)的預(yù)測性視情維修，滿足裝備的任務(wù)可靠性需求。

裝備認(rèn)知測試性的發(fā)展?jié)M足了這一要求。在裝備測試性設(shè)計階段，它不但要求裝備能夠提供裝備自身狀態(tài)、歷史信息、環(huán)境信息以及后方支援系統(tǒng)等信息，還要能綜合作戰(zhàn)使用要求、測試性要求、可靠性要求、維修性要求、保障要素等相關(guān)因素，對裝備的狀態(tài)、故障發(fā)展趨勢進(jìn)行估計和判斷，并結(jié)合任務(wù)可靠性的需求，做出維修決策。

但是，裝備認(rèn)知測試性的發(fā)展尚不完善，仍處于起步階段。其中，診斷方案綜合權(quán)衡優(yōu)化是根據(jù)裝備其履歷信息、認(rèn)知測試性的指標(biāo)體系和特征量信息、裝備保障信息以及任務(wù)環(huán)境信息等多元數(shù)據(jù)，分析裝備及作戰(zhàn)體系的當(dāng)前狀態(tài)，對裝備的測試性、維修性、保障性及任務(wù)可靠性進(jìn)行預(yù)測，并給出任務(wù)決策方案的過程。本文針對認(rèn)知測試性的發(fā)展，結(jié)合云計算理論和頻繁項集數(shù)據(jù)挖掘技術(shù)，研究裝備認(rèn)知測試性發(fā)展中診斷方案的綜合權(quán)衡優(yōu)化問題。

1云計算理論和頻繁項集數(shù)據(jù)挖掘

裝備認(rèn)知測試性診斷方案權(quán)衡優(yōu)化，包含大量的數(shù)據(jù)分析過程。這些數(shù)據(jù)不僅包含裝備本身的測試性數(shù)據(jù)，還包括裝備級聯(lián)、作戰(zhàn)體系、作戰(zhàn)環(huán)境、歷史信息、同型裝備信息、相關(guān)裝備信息、裝備保障信息、維修履歷信息、保障資源調(diào)度信息以及歷史決策信息等多方面，決策所需處理的信息巨大，具有大量化、多樣化和個性強等典型的大數(shù)據(jù)特點。因此，可以采用大數(shù)據(jù)思維，利用大數(shù)據(jù)技術(shù)，有效地開發(fā)這些數(shù)據(jù)，從而實現(xiàn)對診斷方案的綜合權(quán)衡和優(yōu)化。

利用大數(shù)據(jù)分析的方法可以實現(xiàn)裝備認(rèn)知測試性中信息流的大數(shù)據(jù)特征融合、機器學(xué)習(xí)、數(shù)據(jù)降維和數(shù)據(jù)流挖掘等過程。其中基于云模型的大數(shù)據(jù)相關(guān)方法，能夠?qū)崿F(xiàn)認(rèn)知測試性信息流中定量數(shù)據(jù)和定性概念之間的轉(zhuǎn)換，便于診斷方案的定量化分析。

1.1云和云模型

云是對定性域?qū)崿F(xiàn)定量描述的一種方法，云模型是云的一種具體實現(xiàn)。設(shè)U為定量域集合，C為其相應(yīng)的定性域集合，如果Vx∈U都是對C的隨機實現(xiàn)，且x對C的確定度μ（x）∈[0，1]是有穩(wěn)定傾向的隨機數(shù)。

則x在U的分布稱為云，x稱為云滴。云理論通常用期望、熵和超熵3個特征量進(jìn)行定量特征分析舊。在云計算中，通常有存儲層、端點云、中心層和應(yīng)用層4部分結(jié)構(gòu)。其中，存儲層采用分布式存儲的方式，是大數(shù)據(jù)存儲的理想模型：端點云則是對原始數(shù)據(jù)定量描述，產(chǎn)生端點云圖；中心層則是對端點云進(jìn)行合并運算，用于產(chǎn)生、存儲中心云滴；應(yīng)用層則主要實現(xiàn)對大數(shù)據(jù)的挖掘分析。

本文主要利用云計算中的分布式存儲和定量化描述過程，實現(xiàn)裝備認(rèn)知測試性中對信息流的定量描述和分布式存儲。然后，結(jié)合數(shù)據(jù)挖掘方法對存儲數(shù)據(jù)進(jìn)行中心云分層，實現(xiàn)對數(shù)據(jù)的挖掘分析，最終形成診斷方案。

1.2頻繁項集數(shù)據(jù)挖掘

頻繁項集挖掘是實現(xiàn)數(shù)據(jù)挖掘的有效方法之一。首先收集并清洗原始數(shù)據(jù)集（事務(wù)數(shù)據(jù)）；然后統(tǒng)計各項集之間出現(xiàn)的次數(shù)，一般可取出現(xiàn)頻率靠前的項集作為頻繁項集。為提高頻繁項集的求解效率，常采用Apriori算法進(jìn)行優(yōu)化。結(jié)合Apriori的頻繁項集挖掘算法包括事務(wù)數(shù)據(jù)清洗、1項集求解、k項集迭代求解的過程。

事務(wù)數(shù)據(jù)清洗是根據(jù)任務(wù)條件和實際環(huán)境，過濾不需要或者不符合要求的原始數(shù)據(jù)。

1項集求解是掃描每條事務(wù)數(shù)據(jù)記錄，分解出每一項，并計數(shù)1，最后統(tǒng)計每一項出現(xiàn)的總次數(shù)，取靠前的項集作為頻繁1項集。

k項集的求解中，k項集的生成依賴于k-1項集。若k-1項集完全自連接，則生成的候選k項集組合龐大，且容易生成部分無效k項集，降低算法效率，常采用Apriori算法對候選k項集生成過程進(jìn)行優(yōu)化。Apriori算法優(yōu)化的基本原理如下：

1）頻繁項集的任何非空子集都是頻繁的。

2）非頻繁項集的任何超集都是非頻繁的。

生成k項集階段，包括了連接和剪枝過程，其中兩個k-1項集進(jìn)行連接的條件是：它們至少有k-2項相同。

本文通過頻繁項集篩選實現(xiàn)診斷方案的測試性、可靠性和維修保障方案與歷史決策之間的學(xué)習(xí)分析過程。

2診斷方案權(quán)衡優(yōu)化方法

基于大數(shù)據(jù)的診斷方案權(quán)衡優(yōu)化技術(shù)在功能層面主要包括4個方面：供裝備作戰(zhàn)使用頂層要求的決策層分析、供本級狀態(tài)監(jiān)測使用的測試層分析、滿足裝備順利完成任務(wù)的可靠性分析、維修保障方案的方案分析。

在診斷方案權(quán)衡優(yōu)化中，云計算和云模型是將影響決策方案的所有定性量用定量域描述，定量域元素就組成了用于診斷方案權(quán)衡優(yōu)化的云滴。當(dāng)前的任務(wù)需求可以產(chǎn)生數(shù)據(jù)概要，用于清洗云數(shù)據(jù)池，以便產(chǎn)生包含有效數(shù)據(jù)的中心云數(shù)據(jù)。通過頻繁項集和新增項集實現(xiàn)信息流數(shù)據(jù)的相關(guān)性分析，并給出合并分析相關(guān)方案。通過歷史決策方案及評價指標(biāo)，構(gòu)造代價函數(shù)對合并分析結(jié)果進(jìn)行修正，然后給出決策分析的測試性分析結(jié)果、任務(wù)可靠性分析結(jié)果和裝備維修保障方案。最后，結(jié)合決策方案評價體系對決策方案進(jìn)行優(yōu)化和評價。

如圖1所示，為認(rèn)知測試性診斷方案權(quán)衡優(yōu)化圖。其云架構(gòu)從功能上分為4層：頂層為數(shù)據(jù)存儲層：第2層為中心云發(fā)生層，其核心任務(wù)在于由原始數(shù)據(jù)產(chǎn)生各云端的云，即端點云；第3層為應(yīng)用層，基于中心云滴和頻繁項集進(jìn)行大數(shù)據(jù)分析和挖掘任務(wù)；第4層為決策層，用于產(chǎn)生診斷方案，并根據(jù)決策評價對決策進(jìn)行優(yōu)化校正。

診斷方案權(quán)衡優(yōu)化具體過程為：首先根據(jù)當(dāng)前任務(wù)需求生成數(shù)據(jù)概要，實現(xiàn)數(shù)據(jù)分類，用于決定數(shù)據(jù)池的容量：其次將數(shù)據(jù)概要發(fā)送至中心云端和數(shù)據(jù)池，利用云運算匹配操作產(chǎn)生中心云數(shù)字特征，用于最優(yōu)決策特征要求：然后根據(jù)中心云數(shù)字特征，利用頻繁項集和新增項集方法，調(diào)取認(rèn)知測試性大數(shù)據(jù)信息，并施加數(shù)據(jù)相關(guān)性分析操作，用于數(shù)據(jù)挖掘?qū)崿F(xiàn)決策權(quán)衡優(yōu)化。

3信息流和數(shù)據(jù)概要的定量化描述

3.1信息流的量化描述

在認(rèn)知測試性中，裝備及其履歷信息流主要包括裝備的類型、生產(chǎn)廠家、批次、使用年限、壽命、維修履歷（故障率及故障分布）等內(nèi)容。認(rèn)知測試性信息流主要包括裝備本級的測試性指標(biāo)信息。裝備保障信息流主要包括維修保障力量的部署、保障代價、保障資源、保障技術(shù)要求等內(nèi)容。任務(wù)及環(huán)境信息流主要包括裝備需要進(jìn)行的任務(wù)（教學(xué)、演習(xí)、作戰(zhàn)等）、試用環(huán)境（溫度、海拔、濕度、氣壓、風(fēng)速、云雨等）。這些信息流都會對裝備的測試性、可靠性和維修保障方案產(chǎn)生影響，也是云平臺存儲的主要數(shù)據(jù)。在裝備認(rèn)知測試性的診斷方案綜合權(quán)衡優(yōu)化中都需要進(jìn)行定量化描述。

本文在進(jìn)行信息流定量化描述的過程中，將信息流類型分為裝備本級信息流量化和裝備支援信息流量化兩類。其中，裝備支援信息流量化主要包含裝備及其履歷信息流的量化、裝備保障信息流的量化和任務(wù)及環(huán)境信息流的量化。裝備本級信息流的量化主要是認(rèn)知測試性信息流的量化。兩者的差異主要在于信息流中特征量的分布不同。

在裝備支援信息流量化中，以裝備及其履歷信息流中的裝備類型為例分析。根據(jù)作戰(zhàn)體系的裝備類型差異，對裝備進(jìn)行類型編號，本文編號時，根據(jù)裝備統(tǒng)計由簡到繁，由裝備對作戰(zhàn)體系功能性影響較小到功能性影響較大的原則。記云存儲平臺共統(tǒng)計了Ⅳ種裝備類型，在分布式存儲時，裝備及其履歷信息流中裝備類型則按照（1，2，…n…N）進(jìn)行量化描述。為了統(tǒng)一化描述，將裝備類型信息定量描述進(jìn)行歸一化，則記為

對裝備本級信息流的量化，以電子裝備認(rèn)知測試性信息流中電壓值的分析為例。根據(jù)歷史統(tǒng)計信息，確定裝備正常工作時電壓值的變化范圍，并以正常狀態(tài)下測量值的期望和方差為準(zhǔn)構(gòu)建正態(tài)分布函數(shù)。記測量值為X（x₁，x₂，…x₁），期望值為E_x，標(biāo)準(zhǔn)差為u，那么，電壓值的量化可以記為

根據(jù)第2節(jié)對云計算的分析，為更好地表示信息流的量化情況，需要對上述正態(tài)分布標(biāo)準(zhǔn)化，使得電壓值的量化分布服從標(biāo)準(zhǔn)正態(tài)分布，即：

根據(jù)裝備本級信息流的量化和裝備支援信息流的量化方法，就可以得到分布式存儲量化后的數(shù)據(jù)池原始數(shù)據(jù)信息。

3.2數(shù)據(jù)概要的量化描述

結(jié)合云計算理論和頻繁項集理論，本文的數(shù)據(jù)概要是依據(jù)當(dāng)前的任務(wù)及環(huán)境信息流，產(chǎn)生用數(shù)字特征表征的數(shù)據(jù)池篩選條件，從而實現(xiàn)對事務(wù)數(shù)據(jù)的清洗，產(chǎn)生中心云。數(shù)據(jù)概要的作用是以0和1的形式，從云平臺大數(shù)據(jù)的數(shù)據(jù)池中，篩選出本次任務(wù)的關(guān)注重點和應(yīng)用場景條件，表示如下：

對信息流量化產(chǎn)生的數(shù)據(jù)矩陣U而言，Data是與U同型的矩陣，當(dāng)任務(wù)要求考慮某個信息流時，相應(yīng)位置元素為1，當(dāng)任務(wù)要求不考慮某個信息流時，該位置元素記為0。那么，利用數(shù)據(jù)概要對事務(wù)數(shù)據(jù)進(jìn)行清洗的過程，實際上可以簡化為分布式矩陣U與數(shù)據(jù)概要Data元素的點乘，那么中心云數(shù)據(jù)可記為

4診斷方案權(quán)衡優(yōu)化過程

4.1頻繁項集與新增項集的產(chǎn)生

本文頻繁項集主要是根據(jù)歷史決策、歷史診斷及其評價所輸入的數(shù)據(jù)概要產(chǎn)生。根據(jù)數(shù)據(jù)概要產(chǎn)生的過程可知，數(shù)據(jù)概要主要描述當(dāng)前的任務(wù)要求和環(huán)境因素，且數(shù)據(jù)概要為{0，1}矩陣。那么，頻繁項集的產(chǎn)生過程可描述為

為盡快實現(xiàn)方案的確定，本文認(rèn)為元素值>1的項都可以作為頻繁項集數(shù)據(jù)概要的有效值。那么，頻繁項集篩選條件可表示如下：

4.2相關(guān)性分析

在完成頻繁項集和新增項集篩選的情況下，實現(xiàn)數(shù)據(jù)的相關(guān)性分析是實現(xiàn)診斷方案確定的關(guān)鍵過程之一。本文對于頻繁項集的相關(guān)性分析，采用歷史診斷方案數(shù)據(jù)的期望值矩陣與頻繁項集的2一范數(shù)表示，表征了當(dāng)前任務(wù)頻繁項集與歷史決策的偏離度：

對于新增項集的相關(guān)性分析，采用新增項集的協(xié)方差矩陣表示，表征了新增項集對任務(wù)指標(biāo)的影響：

通過頻繁項集和新增項集分析結(jié)果的合并，可以得到診斷方案的權(quán)衡優(yōu)化結(jié)果。

4.3方案優(yōu)化補充

通過上述分析，基本上形成了診斷方案權(quán)衡優(yōu)化的過程。但還需做如下說明：

1）本文對于數(shù)據(jù)概要未描述的數(shù)字特征采用最優(yōu)方案確定，不同任務(wù)背景可視情況而定。

2）在完成了數(shù)據(jù)的相關(guān)性分析后，基本上形成了決策方案。但是還需要結(jié)合決策方案的評價標(biāo)準(zhǔn)對方案進(jìn)行優(yōu)化，其中評價標(biāo)準(zhǔn)和代價函數(shù)將在后續(xù)研究工作中完成。

3）針對信息流的量化問題，在不同的任務(wù)側(cè)重點可以采用不同的分布函數(shù)表示，相關(guān)內(nèi)容將在后續(xù)的研究工作中進(jìn)行，本文不再贅述。

5結(jié)束語

本文針對裝備認(rèn)知測試性診斷方案權(quán)衡優(yōu)化問題展開研究，給出了基于云計算的信息流定量域與定性域轉(zhuǎn)化方法，并通過數(shù)據(jù)的相關(guān)性分析方法實現(xiàn)了診斷方案權(quán)衡優(yōu)化的數(shù)據(jù)挖掘過程，形成了基于云計算和頻繁項集的診斷方案權(quán)衡優(yōu)化方法，為裝備認(rèn)知測試性診斷方案權(quán)衡優(yōu)化的智能化奠定了基礎(chǔ)。后續(xù)將針對診斷方案的評價標(biāo)準(zhǔn)和信息流量化的分布函數(shù)進(jìn)行進(jìn)一步研究。