趙曉曉 肖玉杰 馬吟龍 徐蕾 郭慧鑫

1.北方自動控制技術(shù)研究所山西太原030006

作戰(zhàn)任務(wù)規(guī)劃的結(jié)果直接影響到作戰(zhàn)進(jìn)程[1?2],并且現(xiàn)階段的作戰(zhàn)任務(wù)規(guī)劃技術(shù)水平有限、任務(wù)規(guī)劃結(jié)果的可信度不高.因此,分析作戰(zhàn)任務(wù)規(guī)劃的合理性至關(guān)重要.基于作戰(zhàn)任務(wù)規(guī)劃合理性分析需求,針對實(shí)時變化的戰(zhàn)場態(tài)勢,通過分析戰(zhàn)場態(tài)勢和作戰(zhàn)任務(wù)規(guī)劃的構(gòu)成要素,抽取影響任務(wù)規(guī)劃合理性的決策因素,建立作戰(zhàn)任務(wù)規(guī)劃合理性分析的指標(biāo)體系.由于戰(zhàn)場態(tài)勢與作戰(zhàn)任務(wù)規(guī)劃的數(shù)據(jù)形式多樣、隨機(jī)性大、非線性、高維度等特點(diǎn),采用傳統(tǒng)的評估分析方法已經(jīng)無法滿足需求,因此,將人工智能應(yīng)用到作戰(zhàn)任務(wù)規(guī)劃的合理性分析中,是解決上述問題的有效途徑.

作戰(zhàn)任務(wù)規(guī)劃結(jié)果合理性的影響因素眾多,并且這些因素與合理性分析結(jié)果之間存在復(fù)雜的非線性關(guān)系.而傳統(tǒng)的評估方法,如層次分析法、TOPSIS法、Delphi 法,只能解決線性評估問題,不能解決這一類非線性評估問題[3].深度學(xué)習(xí)是一種多層神經(jīng)網(wǎng)絡(luò),能夠逼近任意非線性函數(shù),并被廣泛用于解決復(fù)雜的非線性問題[4].因此,本文引入深度學(xué)習(xí),然后基于深度學(xué)習(xí),建立任務(wù)規(guī)劃合理性分析模型對任務(wù)規(guī)劃結(jié)果的合理性進(jìn)行評估.

1 作戰(zhàn)任務(wù)規(guī)劃合理性分析指標(biāo)體系構(gòu)建

基于任務(wù)規(guī)劃的規(guī)劃要素以及規(guī)劃流程,確定了任務(wù)規(guī)劃合理性分析的判別要素,擬通過兵力選擇、彈藥匹配、目標(biāo)選擇、瞄準(zhǔn)點(diǎn)選擇、時效性、空間資源分配等方面進(jìn)行任務(wù)規(guī)劃合理性分析.

1) 兵力選擇.兵力選擇是作戰(zhàn)任務(wù)規(guī)劃依據(jù)作戰(zhàn)任務(wù)和敵方目標(biāo),為了達(dá)到我方作戰(zhàn)目的而選擇的我方參戰(zhàn)兵力的類型和數(shù)量.兵力選擇與作戰(zhàn)樣式、戰(zhàn)法相協(xié)調(diào),將不同性質(zhì)、功能的兵種以及作戰(zhàn)武器平臺合理區(qū)分,合理優(yōu)化配置單位、人員、裝備,合理利用火力打擊力量,形成作戰(zhàn)編組,既有通用性,又發(fā)揮兵種長處和針對性,最大限度地利用非對稱作戰(zhàn),以最大程度發(fā)揮作戰(zhàn)效能[5].在作戰(zhàn)任務(wù)規(guī)劃中,要結(jié)合我軍特色戰(zhàn)法、根據(jù)作戰(zhàn)目的、樣式、規(guī)模以及所處作戰(zhàn)環(huán)境,通過分析兵力編組、兵力配置以及作戰(zhàn)效果,進(jìn)而分析得到兵力選擇的合理性.

2)彈藥匹配.為了高效地完成作戰(zhàn)任務(wù),亟需可靠的彈藥保障.而彈藥保障的前提是合理的彈藥匹配.準(zhǔn)備合理地預(yù)計彈藥需求量,是戰(zhàn)爭制勝的關(guān)鍵.通過分析作戰(zhàn)目的、武器彈藥、毀傷要求等方面,進(jìn)而分析彈藥匹配的合理性.

3) 目標(biāo)選擇.目標(biāo)選擇主導(dǎo)著信息化戰(zhàn)爭的決策、行動籌劃和實(shí)施,在作戰(zhàn)指揮活動中占據(jù)越來越突出的地位[6].根據(jù)作戰(zhàn)任務(wù)要求和所受敵威脅情況,通過分析目標(biāo)的價值以及敵目標(biāo)的威脅程度,進(jìn)而對作戰(zhàn)目標(biāo)進(jìn)行選擇.通過分析作戰(zhàn)任務(wù)、目標(biāo)價值以及威脅度,可以分析得到目標(biāo)選擇的合理性.

4) 瞄準(zhǔn)點(diǎn)選擇.導(dǎo)彈等武器的射擊效果與所選取的瞄準(zhǔn)點(diǎn)息息相關(guān).對于單發(fā)或多發(fā)射擊打擊單個目標(biāo)時,目標(biāo)的中心即為最佳瞄準(zhǔn)點(diǎn): 對于打擊面目標(biāo)或體目標(biāo)而言,瞄準(zhǔn)點(diǎn)的選擇更加復(fù)雜.該瞄準(zhǔn)點(diǎn)的選擇過程是多變量多峰值的最優(yōu)化問題.需要通過分析打擊概率和毀傷效果對瞄準(zhǔn)點(diǎn)選擇的合理性進(jìn)行分析[7].

5)時效性.作戰(zhàn)任務(wù)規(guī)劃貫穿于整個作戰(zhàn)過程,戰(zhàn)前輔助指揮員科學(xué)、快速地提出作戰(zhàn)構(gòu)想、定下作戰(zhàn)決心、擬制作戰(zhàn)計劃.戰(zhàn)中對任務(wù)進(jìn)行監(jiān)控并進(jìn)行臨機(jī)調(diào)整,戰(zhàn)后基于作戰(zhàn)全過程積累的數(shù)據(jù),分析評估作戰(zhàn)方案計劃,總結(jié)敵方作戰(zhàn)特點(diǎn)、戰(zhàn)術(shù)戰(zhàn)法.戰(zhàn)場環(huán)境瞬息萬變,因而對作戰(zhàn)任務(wù)規(guī)劃的時效性提出了更高的要求.通過分析任務(wù)規(guī)劃的規(guī)劃時間以及規(guī)劃效果,對作戰(zhàn)任務(wù)規(guī)劃結(jié)果的時效性進(jìn)行分析.

6)空間資源分配.空間資源作為核心的戰(zhàn)略資源,其分配結(jié)果直接影響到戰(zhàn)場態(tài)勢的轉(zhuǎn)變,例如對作戰(zhàn)飛機(jī)、無人機(jī)等飛行器的航跡規(guī)劃以及對各類導(dǎo)彈的彈道解算,均屬于空間資源分配范疇.通過分析空間資源的分配是否存在沖突以及空間資源的利用效率,進(jìn)而對空間資源的分配進(jìn)行合理性分析.

基于作戰(zhàn)任務(wù)規(guī)劃結(jié)果的重要組成部分,分析各個因素的決策要素,得到任務(wù)規(guī)劃合理性分析的指標(biāo)體系.作戰(zhàn)任務(wù)規(guī)劃合理性分析指標(biāo)體系如圖1所示.

2 任務(wù)規(guī)劃合理性分析方法

2.1 基于深度學(xué)習(xí)的作戰(zhàn)任務(wù)規(guī)劃合理性分析流程

傳統(tǒng)的合理性分析過程主要包含兩個方面: 建立一套作戰(zhàn)任務(wù)規(guī)劃合理性分析指標(biāo)體系: 確定各指標(biāo)的權(quán)重、并使用一定的評估計算方法來分析和計算每個指標(biāo)的數(shù)值.通常情況下,采用主觀權(quán)重設(shè)置方法確定指標(biāo)權(quán)重,底層指標(biāo)的評估數(shù)值計算強(qiáng)烈依賴于數(shù)學(xué)模型.由于模型與實(shí)際作戰(zhàn)情況差距較大,因此,傳統(tǒng)的分析方法效果不太理想.

深度學(xué)習(xí)的提出可為研究作戰(zhàn)任務(wù)規(guī)劃合理性分析問題提供寶貴的契機(jī).作戰(zhàn)任務(wù)規(guī)劃的合理性分析實(shí)質(zhì)是一類回歸問題,并且是高維度、高度非線性問題,因此,將深度學(xué)習(xí)算法用于解決該問題.基于深度學(xué)習(xí)的作戰(zhàn)任務(wù)合理性分析的基本結(jié)構(gòu)如圖2所示.

首先,利用專家打分、仿真數(shù)據(jù)等歷史合理性分析數(shù)據(jù)得到樣本數(shù)據(jù),樣本數(shù)據(jù)中包含分析指標(biāo)數(shù)據(jù)以及對應(yīng)的分析結(jié)果數(shù)據(jù);其次,將樣本數(shù)據(jù)中的合理性分析的評估指標(biāo)作為輸入變量,并將分析結(jié)果作為輸出變量.利用深度學(xué)習(xí)算法對訓(xùn)練樣本進(jìn)行學(xué)習(xí),建立從分析指標(biāo)到分析結(jié)果的非線性映射,完成基于深度學(xué)習(xí)的作戰(zhàn)任務(wù)規(guī)劃合理性分析模型的構(gòu)建; 最后,輸入一組新的分析指標(biāo)數(shù)據(jù),利用經(jīng)過訓(xùn)練的深度學(xué)習(xí)模型給出相應(yīng)的合理性分析結(jié)果的預(yù)測輸出,得到作戰(zhàn)任務(wù)規(guī)劃合理性分析結(jié)果.通過對作戰(zhàn)任務(wù)規(guī)劃合理性分析數(shù)據(jù)進(jìn)行不斷學(xué)習(xí),形成智能分析能力,實(shí)現(xiàn)實(shí)時、在線對作戰(zhàn)任務(wù)規(guī)劃合理性進(jìn)行分析,輔助指揮員及時、快速掌握任務(wù)規(guī)劃結(jié)果的合理性.

圖1 作戰(zhàn)任務(wù)規(guī)劃合理性分析指標(biāo)體系

圖2 基于深度學(xué)習(xí)的作戰(zhàn)任務(wù)合理性分析的基本結(jié)構(gòu)

2.2 基于深度學(xué)習(xí)的作戰(zhàn)任務(wù)規(guī)劃合理性智能分析模型

由于深度學(xué)習(xí)是通過多個隱藏層的逐層非線性變換,最終得以逼近復(fù)雜函數(shù),因此,其表達(dá)能力更強(qiáng).基于深度學(xué)習(xí)的作戰(zhàn)任務(wù)規(guī)劃合理性分析過程中,通過大量樣本的學(xué)習(xí),形成對作戰(zhàn)任務(wù)規(guī)劃合理性分析的特征提取和分類,當(dāng)樣本訓(xùn)練完成后,該深度學(xué)習(xí)網(wǎng)絡(luò)能夠有效模擬指揮員思維模式,具有合理性分析的能力,最終能夠?qū)崿F(xiàn)對作戰(zhàn)任務(wù)規(guī)劃合理性分析.

2.2.1 多層神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)設(shè)計

本文采用多層神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu),分為3 部分,分別為輸入層、隱藏層和輸出層.輸入層主要由輸入神經(jīng)元組成: 隱藏層由單層或多層神經(jīng)元組成;輸出層由輸出神經(jīng)元組成.

作戰(zhàn)任務(wù)規(guī)劃合理性分析中,亟需解決的關(guān)鍵問題是選擇最優(yōu)的神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)以確保網(wǎng)絡(luò)的泛化能力.網(wǎng)絡(luò)的泛化能力是指訓(xùn)練后的網(wǎng)絡(luò)對新的樣本數(shù)據(jù)作出正確反應(yīng)的能力,是神經(jīng)網(wǎng)絡(luò)的重要性能指標(biāo).樣本數(shù)據(jù)的質(zhì)量和數(shù)量、模型的結(jié)構(gòu)等因素,均會影響神經(jīng)網(wǎng)絡(luò)的泛化能力.通常情況下,訓(xùn)練樣本數(shù)據(jù)相對固定,因此,網(wǎng)絡(luò)模型的結(jié)構(gòu)成為影響神經(jīng)網(wǎng)絡(luò)泛化能力的主要因素[8].

隨著深度學(xué)習(xí)層數(shù)增多,層間的連接權(quán)值也越多,進(jìn)行模型訓(xùn)練的難度以及需要的數(shù)據(jù)量也就相應(yīng)增加.對于圖像、語音等非結(jié)構(gòu)化的數(shù)據(jù),其特征不明顯,直接使用原始數(shù)據(jù)很難進(jìn)行分類,因此,這類問題需要進(jìn)行特征變換以及特征提取也就更加復(fù)雜,隱藏層的層數(shù)相對較多[9].相比于圖像、語音等數(shù)據(jù),結(jié)構(gòu)化數(shù)據(jù)的回歸預(yù)測問題,其特征與預(yù)測因子相關(guān)性較強(qiáng),因此,其隱藏層的層數(shù)一般不是特別多,通常采用2 ～3 個隱藏層的模型結(jié)構(gòu).通過分析,本文中多層神經(jīng)網(wǎng)絡(luò)的輸入層包含15 個神經(jīng)元,輸出層包含1 個神經(jīng)元,共有3 個隱藏層.基于多層神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu),構(gòu)建了基于多層神經(jīng)網(wǎng)絡(luò)的作戰(zhàn)任務(wù)規(guī)劃合理性分析模型,如圖3所示.

2.2.2 多層神經(jīng)網(wǎng)絡(luò)的神經(jīng)元節(jié)點(diǎn)數(shù)據(jù)傳輸計算

多層神經(jīng)網(wǎng)絡(luò)中的每個神經(jīng)元模型包含輸入、輸出與計算功能.典型的神經(jīng)元模型如圖4所示.

其中,X1～Xn是神經(jīng)元的輸入信號:θ 表示一個閾值,或稱為偏置,偏置的設(shè)置是為了正確分類樣本,是模型中一個重要參數(shù);∑表示各輸入信號X與權(quán)重相乘后的累加和,是一個線性變換;F(·)稱為激活函數(shù)或激勵函數(shù),激活函數(shù)的主要作用是完成數(shù)據(jù)的非線性變換,解決線性模型的表達(dá)、分類能力不足的問題[10].

神經(jīng)網(wǎng)絡(luò)的一層或多層隱藏神經(jīng)元,通過逐層提取數(shù)據(jù)中的多種有用特征,不斷逼近復(fù)雜的函數(shù),使神經(jīng)網(wǎng)絡(luò)可以學(xué)習(xí)復(fù)雜的合理性分析過程[11].

在深度學(xué)習(xí)中,目前最流行的激活函數(shù)是ReLU函數(shù)[12]:

圖3 基于多層神經(jīng)網(wǎng)絡(luò)作戰(zhàn)任務(wù)規(guī)劃合理性分析模型

圖4 典型神經(jīng)元模型的結(jié)構(gòu)

其中,x是神經(jīng)元經(jīng)過所有突觸輸入的加權(quán)和減去偏置的局部誘導(dǎo)域,f(x) 是通過激活函數(shù)得到的神經(jīng)元的輸出.該函數(shù)在訓(xùn)練多層神經(jīng)網(wǎng)絡(luò)時,更容易收斂,并且具有更好的預(yù)測性能.

2.2.3 基于深度信念網(wǎng)絡(luò)算法的合理性分析樣本數(shù)據(jù)訓(xùn)練方法

1)獲取訓(xùn)練和測試樣本數(shù)據(jù)

獲取訓(xùn)練和測試樣本數(shù)據(jù)是運(yùn)用遺傳神經(jīng)網(wǎng)絡(luò)對合理性分析問題進(jìn)行建模與研究的前提和基礎(chǔ).而樣本數(shù)據(jù)的獲取較為困難,需要?dú)v史和經(jīng)驗(yàn)數(shù)據(jù)的積累,本文樣本數(shù)據(jù)來源主要有3 種[13]: ①專家打分;②部隊(duì)訓(xùn)練演習(xí)的實(shí)況數(shù)據(jù);③作戰(zhàn)模擬系統(tǒng)產(chǎn)生的仿真數(shù)據(jù).通過以上3 種數(shù)據(jù)來源,結(jié)合作戰(zhàn)任務(wù)規(guī)劃合理性分析指標(biāo),選取相應(yīng)的數(shù)據(jù)作為樣本數(shù)據(jù).

單個樣本空間構(gòu)建完成之后,需要由多位專家同時提供訓(xùn)練樣本,構(gòu)成一個完整的訓(xùn)練樣本集.各位專家首先進(jìn)行討論,基本確定訓(xùn)練樣本生成的原則,然后由各位專家提供一個訓(xùn)練樣本集,最后匯總各專家的訓(xùn)練樣本,形成一個完整的訓(xùn)練樣本集.

2)基于深度信念網(wǎng)絡(luò)算法的樣本數(shù)據(jù)訓(xùn)練方法

基于深度學(xué)習(xí)的作戰(zhàn)任務(wù)規(guī)劃合理性分析是通過對訓(xùn)練樣本的學(xué)習(xí),建立從分析指標(biāo)到分析結(jié)果的非線性映射,進(jìn)而輸入一組新的分析指標(biāo)變量,利用經(jīng)過訓(xùn)練的深度學(xué)習(xí)模型能夠給出相應(yīng)分析結(jié)果的預(yù)測輸出,是一類回歸預(yù)測問題.由于本文主要解決回歸預(yù)測問題,因此,擬采用深度信念網(wǎng)絡(luò)(Deep Belief Nets,DBN) 算法.深度信念網(wǎng)絡(luò)是由多個受限玻爾茲曼機(jī)(Restricted Boltzmann Machine,RBM)層和一層BP 神經(jīng)網(wǎng)絡(luò)構(gòu)成的一種深度網(wǎng)絡(luò)模型[14].訓(xùn)練單隱層神經(jīng)網(wǎng)絡(luò)時,參數(shù)是隨機(jī)初始化的,這樣很容易使網(wǎng)絡(luò)陷入局部最優(yōu),而DBN 通過逐層預(yù)訓(xùn)練對網(wǎng)絡(luò)參數(shù)的初值進(jìn)行優(yōu)化,避免了陷入局優(yōu).多層神經(jīng)網(wǎng)絡(luò)能夠?qū)斎胩卣鬟M(jìn)行多次特征變換,得到更有效的特征,但直接訓(xùn)練多層神經(jīng)網(wǎng)絡(luò)時,面臨模型復(fù)雜度高、收斂困難等問題,而DBN 通過逐層預(yù)訓(xùn)練避免了直接訓(xùn)練所帶來的問題[15].基于DBN的作戰(zhàn)任務(wù)規(guī)劃合理性分析樣本數(shù)據(jù)訓(xùn)練方法如圖5所示.

深度信念網(wǎng)絡(luò)的訓(xùn)練步驟主要分為預(yù)訓(xùn)練和微調(diào)兩個過程,具體過程如下[16]:

①預(yù)訓(xùn)練: 分別單獨(dú)無監(jiān)督的訓(xùn)練每一層RBM網(wǎng)絡(luò),將特征向量映射到不同特征空間,確保數(shù)據(jù)的特征信息盡可能被保留下.在這個過程中,數(shù)據(jù)輸入到輸入層,生成一個向量V,再通過權(quán)值W傳給隱藏層.具體過程分為以下3 個步驟:

a)將輸入數(shù)據(jù)賦值給輸入層,對由輸入層V0與第1 個隱藏層H0構(gòu)成的模型RBM1 進(jìn)行訓(xùn)練.訓(xùn)練完成后,RBM1 內(nèi)的參數(shù)達(dá)到最優(yōu).

b)通過訓(xùn)練好的RBM1 得到隱藏層H0的值,將H0看作輸入層信息,與第2 個隱藏層H1構(gòu)成RBM2,使用與步驟a)相同的方法進(jìn)行RBM2 的訓(xùn)練,使得RBM2 網(wǎng)絡(luò)的參數(shù)達(dá)到最優(yōu).

c) 按照步驟a) 和b),對所有的RBM 模型分別進(jìn)行訓(xùn)練.

②微調(diào):在DBN 的最后一層設(shè)置BP 網(wǎng)絡(luò),它的輸入特征向量是RBM 網(wǎng)絡(luò)的輸出特征向量.每一層RBM 網(wǎng)絡(luò)只能確保自身層內(nèi)的權(quán)值對該層特征映射達(dá)到最優(yōu),因此,網(wǎng)絡(luò)還存在一定的誤差.反向傳播算法將誤差信息自頂向下傳播至每層RBM,微調(diào)整個DBN 網(wǎng)絡(luò).

BP 網(wǎng)絡(luò)訓(xùn)練過程中往往會因?yàn)殡S機(jī)初始化權(quán)值參數(shù)而陷入局部最優(yōu),導(dǎo)致訓(xùn)練時間較長.而RBM網(wǎng)絡(luò)訓(xùn)練的過程相當(dāng)于對深層BP 網(wǎng)絡(luò)的權(quán)值參數(shù)進(jìn)行了初始化,避免了陷入局部最優(yōu)和訓(xùn)練時間長的問題.

2.2.4 作戰(zhàn)任務(wù)規(guī)劃合理性分析的網(wǎng)絡(luò)模型的評價指標(biāo)

為了檢驗(yàn)作戰(zhàn)任務(wù)規(guī)劃合理性分析的深度信念網(wǎng)絡(luò)模型的分析能力以及泛化能力,本文利用訓(xùn)練樣本對構(gòu)建完成的分析模型進(jìn)行訓(xùn)練,訓(xùn)練結(jié)束后,將測試樣本進(jìn)行回代檢驗(yàn).

使用均方根誤差(Root Mean Square Error,RMSE)和平均絕對誤差(Mean Absolute Error,MAE)兩項(xiàng)指標(biāo)進(jìn)行評價模型[17].以上兩項(xiàng)指標(biāo)的計算公式如式(2)和式(3):

其中,yi表示第i個作戰(zhàn)任務(wù)規(guī)劃合理性分析結(jié)果的實(shí)際值,yˊi表示使用基于深度學(xué)習(xí)的作戰(zhàn)任務(wù)規(guī)劃合理性分析模型之后得到的第i個樣本的預(yù)測值.

圖5 基于DBN 的作戰(zhàn)任務(wù)規(guī)劃合理性分析樣本數(shù)據(jù)訓(xùn)練方法

RMSE 與MAE 的量綱相同,但是RMSE 先對誤差進(jìn)行平方的累加后再開方,其實(shí)質(zhì)是放大了較大誤差之間的差距,而MAE 反映的是真實(shí)誤差,因此,在衡量中RMSE 的值越小其意義越大,因?yàn)樵撝笜?biāo)的值能夠反映其最大誤差也是比較小的.利用樣本數(shù)據(jù)中的測試樣本,對作戰(zhàn)任務(wù)規(guī)劃合理性分析的網(wǎng)絡(luò)模型進(jìn)行評價,RMSE 與MAE 兩項(xiàng)指標(biāo)值越小,說明該模型的分析能力與泛化能力越好[18].

3 實(shí)例運(yùn)用

3.1 樣本數(shù)據(jù)獲取

通過研究調(diào)查、統(tǒng)計歷史數(shù)據(jù),得到15 個經(jīng)專家認(rèn)可的樣本.通過10 名任務(wù)規(guī)劃領(lǐng)域的專家運(yùn)用常規(guī)方法對15 套任務(wù)規(guī)劃方案進(jìn)行評估,得到15 個可靠的樣本數(shù)據(jù).其中,10 個樣本數(shù)據(jù)作為深度信念網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練樣本,5 個樣本數(shù)據(jù)作為測試數(shù)據(jù).經(jīng)過數(shù)據(jù)的歸一化和無量綱化處理,得到訓(xùn)練樣本和測試樣本,分布如表1和表2所示.

3.2 評估分析

本文采用Matlab 進(jìn)行仿真驗(yàn)證.建立深度信念網(wǎng)絡(luò)模型,將表1中的數(shù)據(jù)作為訓(xùn)練樣本,對深度信念網(wǎng)絡(luò)進(jìn)行訓(xùn)練.設(shè)置循環(huán)最大次數(shù)為1 000 次,學(xué)習(xí)步長為0.01,RMSE 和MAE 均為0.01.

表1 訓(xùn)練樣本數(shù)據(jù)

表2 測試樣本數(shù)據(jù)

將表2中的測試數(shù)據(jù)作為訓(xùn)練好的深度信念網(wǎng)絡(luò)模型的輸入,檢驗(yàn)?zāi)Ｐ偷姆治瞿芰σ约胺夯芰?深度信念網(wǎng)絡(luò)模型得到的數(shù)據(jù)與專家評估結(jié)果的比較如表3所示.

表3 模型評估值與測試樣本值比較

由表3可知,深度信念網(wǎng)絡(luò)模型的均方根誤差和平均絕對誤差均小于0.01,誤差在允許的范圍之內(nèi).綜上所述,該深度信念網(wǎng)絡(luò)模型的誤差滿足要求,具有較強(qiáng)的分析能力與泛化能力.因此,該模型能夠用來評估任務(wù)規(guī)劃的合理性.

4 結(jié)論

本文分析了影響任務(wù)規(guī)劃合理性的因素,建立了任務(wù)規(guī)劃合理性分析的指標(biāo)體系.利用深度學(xué)習(xí)的非線性映射能力和自學(xué)習(xí)能力,構(gòu)建了基于深度信念網(wǎng)絡(luò)的任務(wù)規(guī)劃合理性智能分析模型.實(shí)驗(yàn)結(jié)果表明,該評估模型能夠較為準(zhǔn)確地評估任務(wù)規(guī)劃結(jié)果的合理性.與傳統(tǒng)的方法相比,該模型在解決復(fù)雜的非線性評估問題中具有廣泛的運(yùn)用.但是,本文在解決評估問題中引入深度學(xué)習(xí)只是進(jìn)行了初步探討,對算法的優(yōu)化、收斂等問題還需進(jìn)一步探究.