李辰 李建勛

摘 要：不同于基于經(jīng)驗(yàn)公式、孤立靜態(tài)的裝備效能評(píng)估方法，體系化作戰(zhàn)效能評(píng)估可以從體系化作戰(zhàn)任務(wù)解析與智能評(píng)估方法兩個(gè)方面分別研究。 本文引入標(biāo)準(zhǔn)化的體系作戰(zhàn)建模框架和卷積神經(jīng)網(wǎng)絡(luò)逐步解構(gòu)體系化作戰(zhàn)活動(dòng)，進(jìn)而提出了一套完整的體系化作戰(zhàn)效能評(píng)估方法，包含作戰(zhàn)任務(wù)策劃、任務(wù)建模解析、構(gòu)建評(píng)估指標(biāo)體系、指標(biāo)融合降維、效能等級(jí)評(píng)定等五個(gè)步驟，按照作戰(zhàn)目標(biāo)實(shí)現(xiàn)程度對(duì)復(fù)雜多樣的體系化作戰(zhàn)任務(wù)實(shí)施效能評(píng)估。

關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò);體系化作戰(zhàn);效能評(píng)估; 裝備效能; 戰(zhàn)場(chǎng)數(shù)據(jù); 人工智能

中圖分類號(hào)：?? TJ760; TP183? 文獻(xiàn)標(biāo)識(shí)碼：?? A? 文章編號(hào)：1673-5048（2022）01-0067-07[SQ0]

0 引? 言

進(jìn)入21世紀(jì)，伊拉克戰(zhàn)爭(zhēng)、俄格戰(zhàn)爭(zhēng)、納卡戰(zhàn)爭(zhēng)等一系列局部沖突清晰地表明，現(xiàn)代戰(zhàn)爭(zhēng)已進(jìn)入體系化作戰(zhàn)模式，是一個(gè)作戰(zhàn)體系與另一個(gè)體系之間的競(jìng)爭(zhēng)。 體系化作戰(zhàn)的內(nèi)核，是發(fā)揮信息技術(shù)優(yōu)勢(shì)，運(yùn)用系統(tǒng)工程方法，將產(chǎn)生戰(zhàn)斗力的各獨(dú)立武器裝備整合成一個(gè)周密協(xié)作的作戰(zhàn)體系，依靠體系內(nèi)部各單元之間緊密配合、取長(zhǎng)補(bǔ)短，使整個(gè)體系面對(duì)外部挑戰(zhàn)時(shí)具備動(dòng)態(tài)綜合抗衡力[1]。

過(guò)去的效能評(píng)估方法，大多是根據(jù)理想環(huán)境下的經(jīng)驗(yàn)公式，采集特定指標(biāo)數(shù)據(jù)繼而運(yùn)算得出，側(cè)重于驗(yàn)證裝備靜態(tài)性能是否達(dá)到設(shè)計(jì)標(biāo)準(zhǔn)。 這種效能評(píng)估思路越來(lái)越難以適應(yīng)復(fù)雜多樣的體系化作戰(zhàn)實(shí)際，亟需一種以作戰(zhàn)需求為導(dǎo)向、以實(shí)戰(zhàn)數(shù)據(jù)為支撐、客觀構(gòu)建評(píng)估指標(biāo)體系、智能實(shí)時(shí)評(píng)判任務(wù)完成情況的體系化作戰(zhàn)效能評(píng)估方法。 姜進(jìn)晶等[2]分析了無(wú)人機(jī)協(xié)同火箭炮的典型作戰(zhàn)流程，使用Delphi法對(duì)體系效能進(jìn)行了評(píng)估。 田云飛等[3]從作用域角度描述了網(wǎng)絡(luò)化反潛體系效能，并給出了相應(yīng)評(píng)估模型。 藺美青[4]基于反導(dǎo)預(yù)警體系作戰(zhàn)過(guò)程，給出了可實(shí)時(shí)動(dòng)態(tài)評(píng)估的指標(biāo)體系和解算方法。 汪浩[5]根據(jù)艦艇協(xié)同防空反導(dǎo)體系作戰(zhàn)流程，提出了基于OODA的綜合評(píng)估模型。 這些方法將效能評(píng)估與體系作戰(zhàn)思維進(jìn)行了聯(lián)系，但關(guān)注重點(diǎn)仍只注重單一裝備發(fā)揮的效能，沒(méi)有從任務(wù)完成情況角度去評(píng)估整個(gè)體系的作戰(zhàn)效能。

本文在深入分析軍事效能評(píng)估理論和人工智能技術(shù)的基礎(chǔ)上，將體系化作戰(zhàn)效能評(píng)估分為體系化作戰(zhàn)任務(wù)解析與智能評(píng)估兩個(gè)部分，通過(guò)效能評(píng)估指標(biāo)體系將兩部分組合在一起，構(gòu)成了一套圍繞戰(zhàn)役目標(biāo)、依托裝備數(shù)據(jù)、利用神經(jīng)網(wǎng)絡(luò)構(gòu)建評(píng)估指標(biāo)體系并實(shí)施效能等級(jí)評(píng)定的完整評(píng)估流程，如圖1所示。

1 體系化作戰(zhàn)效能評(píng)估的組成

現(xiàn)代戰(zhàn)爭(zhēng)中裝備效能的定義為，在特定戰(zhàn)場(chǎng)條件下裝備能夠?qū)崿F(xiàn)預(yù)期目標(biāo)效果的程度[6]。 根據(jù)這一定義，可以將體系化作戰(zhàn)任務(wù)效能定位為作戰(zhàn)體系對(duì)任務(wù)目標(biāo)的實(shí)現(xiàn)程度，等同于作戰(zhàn)體系在該任務(wù)場(chǎng)景下的綜合戰(zhàn)力，進(jìn)而明確了體系化作戰(zhàn)效能評(píng)估過(guò)程，即由體系中各作戰(zhàn)單元性能指標(biāo)出發(fā)，尋求性能數(shù)據(jù)與最終任務(wù)結(jié)果間的映射關(guān)系。 本文采用軍事領(lǐng)域標(biāo)準(zhǔn)化的體系化任務(wù)解析模型和基于卷積神經(jīng)網(wǎng)絡(luò)的智能評(píng)估方法，提出了一套連續(xù)完整的體系化作戰(zhàn)效能評(píng)估方法，包括作戰(zhàn)任務(wù)策劃、任務(wù)建模解析、構(gòu)建評(píng)估指標(biāo)體系、指標(biāo)融合降維、效能等級(jí)評(píng)定等五個(gè)步驟，如圖2所示。

其中，作戰(zhàn)任務(wù)策劃是評(píng)估的前提輸入，任務(wù)建模解析即基于“美國(guó)國(guó)防部體系架構(gòu)框架（DoDAF）”的解析過(guò)程，構(gòu)建評(píng)估指標(biāo)體系、指標(biāo)融合降維、效能等級(jí)評(píng)定，則構(gòu)成了基于卷積神經(jīng)網(wǎng)絡(luò)的智能評(píng)估方法。

1.1 作戰(zhàn)任務(wù)策劃

體系化作戰(zhàn)的戰(zhàn)場(chǎng)態(tài)勢(shì)瞬息萬(wàn)變、部隊(duì)組合靈活多樣，不同的作戰(zhàn)任務(wù)對(duì)應(yīng)不同的效能評(píng)估指標(biāo)和結(jié)論。 美軍是最早開(kāi)始體系化作戰(zhàn)探索的軍事力量，其普遍做法是尋求從任務(wù)需求出發(fā)、以實(shí)戰(zhàn)可見(jiàn)結(jié)果為準(zhǔn)、無(wú)縫嵌入聯(lián)合作戰(zhàn)的動(dòng)態(tài)測(cè)評(píng)方法[7]。 可見(jiàn)，由軍事參謀部門根據(jù)具體戰(zhàn)役目標(biāo)和參戰(zhàn)單位制定的作戰(zhàn)任務(wù)策劃，既是體系化作戰(zhàn)的命令輸入，也是效能評(píng)估任務(wù)的溯及源頭，是進(jìn)一步挖掘評(píng)估方向和指標(biāo)的基礎(chǔ)。

1.2 任務(wù)建模解析

根據(jù)既定的作戰(zhàn)任務(wù)策劃，合理推導(dǎo)出與作戰(zhàn)效能相關(guān)的指標(biāo)，是任務(wù)建模解析的主要內(nèi)容。 2004年，美軍在C4ISR系統(tǒng)基礎(chǔ)上發(fā)布了新一代體系化建設(shè)標(biāo)準(zhǔn)“美國(guó)國(guó)防部體系架構(gòu)框架（DoDAF）”，共包含8類視圖52項(xiàng)模型，是指導(dǎo)美國(guó)國(guó)防各領(lǐng)域開(kāi)展體系化建設(shè)的綱領(lǐng)性規(guī)范[8]，具體內(nèi)容如圖3所示。

DoDAF覆蓋了美國(guó)國(guó)防各領(lǐng)域的建設(shè)需求，在任務(wù)解析領(lǐng)域，利用DoDAF中作戰(zhàn)視圖（OV）可以將作戰(zhàn)任務(wù)策劃推導(dǎo)至體系化各裝備分系統(tǒng)的能力需求，這一過(guò)程稱為任務(wù)架構(gòu)建模[9]，如圖4所示。

之后，利用DoDAF中系統(tǒng)視圖（SV），將任務(wù)架構(gòu)建模得到的各裝備能力需求，進(jìn)一步轉(zhuǎn)化為裝備相應(yīng)的功能描述。 該過(guò)程稱為功能架構(gòu)建模，如圖5所示。 通過(guò)DoDAF任務(wù)架構(gòu)建模和功能架構(gòu)建模，可以將定性化的作戰(zhàn)任務(wù)策劃逐步解析為體系內(nèi)各裝備的功能

需求，結(jié)合實(shí)際裝備就可以推導(dǎo)出與任務(wù)目標(biāo)相關(guān)的初始效能評(píng)估指標(biāo)。

1.3 構(gòu)建評(píng)估指標(biāo)體系

體系化作戰(zhàn)效能反映的是作戰(zhàn)目標(biāo)完成情況。 按照任務(wù)完成度、自身傷亡率等現(xiàn)實(shí)結(jié)果，可將效能劃分為杰出、良好、合格、失敗等不同等級(jí)，據(jù)此，效能評(píng)估就轉(zhuǎn)化成一個(gè)評(píng)定效能等級(jí)的過(guò)程。 人工智能領(lǐng)域模式識(shí)別的概念，就是通過(guò)識(shí)別一個(gè)事物的若干特征來(lái)正確判斷其所屬類別。 因此，體系化作戰(zhàn)效能評(píng)估可以等同于模式識(shí)別問(wèn)題來(lái)處理。

近年來(lái)，隨著神經(jīng)網(wǎng)絡(luò)在模式識(shí)別問(wèn)題中的發(fā)展應(yīng)用，深度神經(jīng)網(wǎng)絡(luò)（DNN）逐漸被引入效能評(píng)估領(lǐng)域。 原智杰等[10]使用神經(jīng)網(wǎng)絡(luò)對(duì)導(dǎo)彈氣動(dòng)參數(shù)開(kāi)展了預(yù)測(cè)研究。 劉國(guó)強(qiáng)等[11]構(gòu)建三層基本網(wǎng)絡(luò)判定效能等級(jí)。 陳俠等[12]改進(jìn)了初始值和結(jié)構(gòu)來(lái)求取全局最優(yōu)。 周興旺等[13]結(jié)合神經(jīng)網(wǎng)絡(luò)重構(gòu)了初始指標(biāo)。 張樂(lè)等[14]使用自編碼器壓縮原始指標(biāo)。 卷積神經(jīng)網(wǎng)絡(luò)（CNN）改進(jìn)了DNN存在的參數(shù)爆炸和過(guò)擬合問(wèn)題，并且從效能評(píng)估角度來(lái)看，CNN中卷積核提取數(shù)據(jù)特征的過(guò)程，與傳統(tǒng)效能評(píng)估方法中專家挑選指標(biāo)的環(huán)節(jié)較為相似。 專家挑選指標(biāo)是基于個(gè)人認(rèn)知經(jīng)驗(yàn)或既定公式，從初始指標(biāo)中挑選出與效能結(jié)果有關(guān)的指標(biāo);卷積核提取特征是基于數(shù)據(jù)分布規(guī)律，提取出最有利于結(jié)果分類的數(shù)據(jù)特征加以放大。 因此，本文利用CNN模型，從裝備數(shù)據(jù)出發(fā)構(gòu)建效能評(píng)估指標(biāo)體系。 CNN結(jié)構(gòu)如圖6所示[15]。

模型分為兩個(gè)部分：上半部分負(fù)責(zé)特征提取，是由多分支的一維卷積神經(jīng)網(wǎng)絡(luò)（1D-CNN）并列組成，從多種卷積視角下提取原始指標(biāo)數(shù)據(jù)特征[16]，相當(dāng)于不同專家從不同視角獨(dú)立開(kāi)展指標(biāo)選擇;下半部分負(fù)責(zé)指標(biāo)構(gòu)建，通過(guò)將多個(gè)1D-CNN提取的特征進(jìn)行拼接[17]，進(jìn)而形成效能評(píng)估指標(biāo)體系空間，相當(dāng)于整合不同專家挑選的指標(biāo)體系。

在使用基于DoDAF的解析方法捕獲裝備功能需求，繼而結(jié)合裝備制造水平獲得初始效能評(píng)估指標(biāo)后，通過(guò)大量的實(shí)戰(zhàn)演習(xí)或仿真環(huán)境演練，就可以獲取這些初始指標(biāo)的運(yùn)行數(shù)據(jù)。 之后，再由評(píng)估人員根據(jù)戰(zhàn)役目標(biāo)完成情況，直觀地賦予每次作戰(zhàn)活動(dòng)以相應(yīng)的效能等級(jí)，即可獲得CNN構(gòu)建評(píng)估指標(biāo)體系所需的全部數(shù)據(jù)樣本。

1.4 指標(biāo)融合降維

在構(gòu)建效能評(píng)估指標(biāo)體系環(huán)節(jié)， CNN采用了多種視角的卷積核來(lái)提取特征，獲得的指標(biāo)體系往往存在維度較高的問(wèn)題，不利于后續(xù)效能等級(jí)評(píng)定時(shí)神經(jīng)網(wǎng)絡(luò)的快速訓(xùn)練和評(píng)判。 為進(jìn)一步約簡(jiǎn)評(píng)估指標(biāo)，采用CNN的另一種變形 ——“孿生神經(jīng)網(wǎng)絡(luò)（SNN）”，對(duì)CNN提取的指標(biāo)體系進(jìn)行融合降維。 SNN結(jié)構(gòu)如圖7所示。

研究表明，在SNN優(yōu)化后的指標(biāo)空間中，同類樣本得以融合拉近，不同類樣本進(jìn)一步疏遠(yuǎn)隔離[18]，從而使不同等級(jí)的效能數(shù)據(jù)分布更趨鮮明。

1.5 效能等級(jí)評(píng)定

效能等級(jí)評(píng)定環(huán)節(jié)，主要工作是根據(jù)CNN構(gòu)建的評(píng)估指標(biāo)體系下的數(shù)據(jù)樣本，智能評(píng)判其反映出的作戰(zhàn)體系效能等級(jí)。

通過(guò)指標(biāo)融合降維環(huán)節(jié)，獲得了優(yōu)化后的評(píng)估指標(biāo)體系下各等級(jí)效能數(shù)據(jù)。 根據(jù)神經(jīng)網(wǎng)絡(luò)原理可知，通過(guò)CNN和SNN兩種模型從初始指標(biāo)中提取出的優(yōu)化評(píng)估指標(biāo)體系，是完全基于效能數(shù)據(jù)分布規(guī)律挖掘而來(lái)的，避免了傳統(tǒng)評(píng)估方法中主觀因素和經(jīng)驗(yàn)公式的束縛，適用于復(fù)雜體系化作戰(zhàn)環(huán)境下產(chǎn)生的高緯度、大容量的數(shù)據(jù)處理工作。 而效能等級(jí)評(píng)定環(huán)節(jié)，目前已有很多成熟的研究應(yīng)用，一般采用支持向量機(jī)（SVM）或深度神經(jīng)網(wǎng)絡(luò)（DNN）擬合效能數(shù)據(jù)與效能等級(jí)間的聯(lián)系[19-20]。

2 體系化作戰(zhàn)效能評(píng)估的仿真驗(yàn)證

從原始的作戰(zhàn)任務(wù)策劃出發(fā)，使用DoDAF合理地解析出與效能相關(guān)的初始效能指標(biāo);然后，將初始效能數(shù)據(jù)輸入以CNN為基礎(chǔ)的模型自適應(yīng)提取特征，進(jìn)而構(gòu)建出簡(jiǎn)約高效的效能評(píng)估指標(biāo)體系;最后，依據(jù)這一評(píng)估體系完成體系化作戰(zhàn)效能等級(jí)評(píng)定。

為了驗(yàn)證該方法的有效性，以一段有人/無(wú)人機(jī)協(xié)同巡邏任務(wù)為例，說(shuō)明評(píng)估過(guò)程。

2.1 任務(wù)策劃基本情況

任務(wù)內(nèi)容：敵方出動(dòng)一艘偵察船靠近我方領(lǐng)海范圍，對(duì)水文環(huán)境等信息實(shí)施窺探;我方派遣有人/無(wú)人機(jī)編隊(duì)前往[21]，對(duì)目標(biāo)船只進(jìn)行跟蹤，對(duì)越界行為予以警告驅(qū)離。

行動(dòng)方案：（1）地面準(zhǔn)備;（2）編隊(duì)起飛;（3）前出搜索;（4）跟蹤驅(qū)離;（5）返航著陸。

任務(wù)目標(biāo)：敵方船只被持續(xù)跟蹤、鎖定警告，直至離開(kāi)我方領(lǐng)海范圍。

2.2 使用DoDAF建模解析

依照?qǐng)D4所示流程，利用OV-1等5個(gè)作戰(zhàn)視圖開(kāi)展任務(wù)架構(gòu)建模，將任務(wù)策劃分解為各裝備能力需求。 例如，作戰(zhàn)節(jié)點(diǎn)連接視圖（OV-2）展示了2架有人機(jī)（Leader）、2架無(wú)人機(jī)（UAV）、預(yù)警系統(tǒng)（EW）、地面站（GCC、UVAG）等作戰(zhàn)單元間的信息交聯(lián)關(guān)系以及各自承擔(dān)的事件活動(dòng)列表，如圖8所示。

以有人/無(wú)人機(jī)協(xié)同偵察任務(wù)中的無(wú)人機(jī)為例，通過(guò)任務(wù)架構(gòu)建模，可以捕獲體系化作戰(zhàn)中裝備所需能力清單。 重點(diǎn)分析無(wú)人機(jī)前出探測(cè)活動(dòng)，依次分析節(jié)點(diǎn)連接、信息交互、事件及狀態(tài)跟蹤等OV視圖，推導(dǎo)出無(wú)人機(jī)探測(cè)時(shí)的基本功能及其映射的作戰(zhàn)活動(dòng)，如表1所示。

之后，依照?qǐng)D5所示流程，使用SV-4等系統(tǒng)視圖開(kāi)展功能架構(gòu)建模，將裝備整體功能需求細(xì)化為其內(nèi)部各模塊的對(duì)應(yīng)性能指標(biāo)。 這些性能指標(biāo)即為效能評(píng)估所需的初始評(píng)估指標(biāo)。

在任務(wù)架構(gòu)建模階段，已知無(wú)人機(jī)探測(cè)時(shí)在數(shù)據(jù)獲取領(lǐng)域延伸出光電探測(cè)、雷達(dá)探測(cè)、導(dǎo)航、編隊(duì)探測(cè)、通信等5項(xiàng)具體功能需求。 在此基礎(chǔ)上，系統(tǒng)接口視圖（SV-1）根據(jù)任務(wù)事件細(xì)化出有人/無(wú)人機(jī)內(nèi)部各模塊功能，以及模塊間的作用聯(lián)系，如圖9所示。

考慮OODA2.0強(qiáng)調(diào)了現(xiàn)代戰(zhàn)機(jī)“信息為王”的設(shè)計(jì)思想，選擇數(shù)據(jù)獲取方面的功能進(jìn)行典型分析。 根據(jù)無(wú)人機(jī)數(shù)據(jù)交互、事件及狀態(tài)跟蹤等SV視圖，捕獲模塊級(jí)功能及其對(duì)應(yīng)的常用指標(biāo)參數(shù)，包括探測(cè)范圍、精度等，如表2所示。 “指標(biāo)參數(shù)”欄羅列的指標(biāo)，即為無(wú)人機(jī)探測(cè)時(shí)數(shù)據(jù)獲取方面的初始效能指標(biāo)。

2.3 基于卷積神經(jīng)網(wǎng)絡(luò)的智能評(píng)估方法

通過(guò)DoDAF建模解析，梳理出有人/無(wú)人機(jī)協(xié)同巡邏場(chǎng)景中初始效能指標(biāo)20余項(xiàng)。 在設(shè)定場(chǎng)景下實(shí)施多輪實(shí)戰(zhàn)或計(jì)算機(jī)仿真，捕獲每次作戰(zhàn)中相應(yīng)指標(biāo)的數(shù)值，按照每次作戰(zhàn)任務(wù)達(dá)成“捕獲到目標(biāo)且無(wú)自損、捕獲目標(biāo)但有自損、未捕獲目標(biāo)但無(wú)自損、未捕獲目標(biāo)且有自損”等不同結(jié)果，將多輪作戰(zhàn)數(shù)據(jù)集分為“優(yōu)秀、良好、一般、不及格”四種效能等級(jí)，則初始效能指標(biāo)在四種等級(jí)下的數(shù)據(jù)均值如圖10所示。 表2 數(shù)據(jù)獲取領(lǐng)域的功能與指標(biāo)轉(zhuǎn)換

由圖10可知，四種效能等級(jí)下的部分初始指標(biāo)數(shù)據(jù)比較接近，不適合作為區(qū)分效能等級(jí)的明顯特征。 如何從初始指標(biāo)中篩選適當(dāng)特征，構(gòu)建新的評(píng)估指標(biāo)體系，以便于快速智能地判別效能等級(jí)，就是基于卷積神經(jīng)網(wǎng)絡(luò)的智能評(píng)估方法所要解決的問(wèn)題。

基于卷積神經(jīng)網(wǎng)絡(luò)的智能評(píng)估方法分為三步：

第一步，使用CNN開(kāi)展指標(biāo)選擇，構(gòu)建新的效能評(píng)估指標(biāo)體系。 CNN結(jié)構(gòu)如圖6所示，包含三條1D-CNN支路，每條1D-CNN均由輸入層、卷積層、池化層、壓平層及全連接層組成，其中三條支路的卷積層分別選擇了1×3一維卷積、1×5一維卷積、1×3空洞卷積等卷積核，從不同視角下盡可能搜尋對(duì)于劃分效能等級(jí)具有關(guān)鍵作用的特征; 池化層采用最大池化;全連接層采用交叉熵?fù)p失函數(shù)。 由三種卷積核提取的特征，在各自支路中經(jīng)全連接層訓(xùn)練后，再?gòu)膲浩綄又休敵觯谔卣髌唇訉咏M合在一起，初步構(gòu)成效能評(píng)估指標(biāo)體系[15]。

第二步，采用SNN進(jìn)一步約簡(jiǎn)指標(biāo)。 由CNN構(gòu)建的指標(biāo)體系參數(shù)較多，且使用高維數(shù)據(jù)可視化算法t-SNE可知[22]，四種效能等級(jí)下的數(shù)據(jù)分布界限仍存在一定程度交錯(cuò)，不利于后續(xù)DNN開(kāi)展效能等級(jí)分類。 因此，有必要使用SNN將CNN提取的指標(biāo)參數(shù)進(jìn)一步簡(jiǎn)化為只含2項(xiàng)元素的指標(biāo)體系。 SNN的結(jié)構(gòu)如圖7所示，包含兩個(gè)輸入層、一個(gè)共享權(quán)重的卷積層、一個(gè)特征空間層以及一個(gè)使用對(duì)比損失函數(shù)的全連接層。 通過(guò)將相同效能等級(jí)的數(shù)據(jù)兩兩配對(duì)成同類數(shù)據(jù)組，將不同效能等級(jí)的數(shù)據(jù)兩兩配對(duì)成異類數(shù)據(jù)組，然后逐對(duì)送入SNN的兩個(gè)輸入端，利用共享權(quán)重的卷積核進(jìn)行自適應(yīng)學(xué)習(xí)，實(shí)現(xiàn)在特征空間層簡(jiǎn)化指標(biāo)數(shù)量的同時(shí)，進(jìn)一步聚攏同類數(shù)據(jù)、分離異類數(shù)據(jù) [18]。 經(jīng)轉(zhuǎn)換后的四種效能等級(jí)數(shù)據(jù)均值如圖11所示。

顯然，神經(jīng)網(wǎng)絡(luò)構(gòu)建的評(píng)估指標(biāo)體系顯著降低了指標(biāo)維度。 對(duì)比圖10中初始指標(biāo)參數(shù)，可以發(fā)現(xiàn)圖11中四種效能等級(jí)的劃分更為清晰，有利于后續(xù)效能等級(jí)評(píng)定。

第三步，使用三層全連接神經(jīng)網(wǎng)絡(luò)（DNN）[11]，分別對(duì)初始指標(biāo)和神經(jīng)網(wǎng)絡(luò)構(gòu)建指標(biāo)下的四種效能數(shù)據(jù)開(kāi)展等級(jí)分類，借此檢驗(yàn)智能評(píng)估方法的準(zhǔn)確率。 DNN輸入層神經(jīng)元的數(shù)量與指標(biāo)體系的參數(shù)數(shù)量保持一致;輸出層神經(jīng)元數(shù)量統(tǒng)一為四個(gè)，即與效能等級(jí)的數(shù)量保持一致;隱藏層神經(jīng)元數(shù)量一般設(shè)定在輸入層與輸出層神經(jīng)元數(shù)量之間，可以獲得更好的訓(xùn)練效果。 經(jīng)過(guò)一定批數(shù)的訓(xùn)練后，當(dāng)兩個(gè)DNN的誤差損失函數(shù)均不再明顯下降，即可獲得兩種指標(biāo)體系下的效能等級(jí)分類準(zhǔn)確率。 兩種指標(biāo)體系的基本數(shù)據(jù)如表3所示。

由表3可知，神經(jīng)網(wǎng)絡(luò)構(gòu)建的指標(biāo)體系，相較于初始指標(biāo)體系，分類準(zhǔn)確率明顯提升，說(shuō)明其更有利于效能等級(jí)評(píng)定。

以上演示過(guò)程也證明本文提出的體系化效能評(píng)估方法，能夠規(guī)范地解析體系化作戰(zhàn)任務(wù)，合理構(gòu)建簡(jiǎn)潔高效的評(píng)估指標(biāo)體系，實(shí)現(xiàn)基于戰(zhàn)場(chǎng)數(shù)據(jù)的效能等級(jí)智能評(píng)估。

3 結(jié)? 論

本文針對(duì)復(fù)雜多樣的體系化作戰(zhàn)評(píng)估要求，從體系化任務(wù)解析與智能評(píng)估方法兩個(gè)方面分別提出了解決方案，整合了基于DoDAF的建模解析方法和基于卷積神經(jīng)網(wǎng)絡(luò)的評(píng)估方法，進(jìn)而提出了一套連續(xù)完整的體系化作戰(zhàn)效能評(píng)估流程。

圍繞具體的作戰(zhàn)仿真實(shí)驗(yàn)證明，本文方法能夠?yàn)轶w系化作戰(zhàn)任務(wù)開(kāi)展完整有效的解析與評(píng)估，為深入分析體系化作戰(zhàn)規(guī)律、持續(xù)提升裝備實(shí)戰(zhàn)水平提供方法支撐，在發(fā)展體系化作戰(zhàn)效能評(píng)估方法領(lǐng)域進(jìn)行有益探索。

參考文獻(xiàn)：

[1] 佟京昊. 未來(lái)集群智能戰(zhàn)爭(zhēng)對(duì)我國(guó)武器裝備體系建設(shè)的要求和挑戰(zhàn)[J]. 國(guó)防科技工業(yè)， 2019（6）： 34-38.

Tong Jinghao. Requirements and Challenges of Future Cluster Intelligent War on China’s Weapon Equipment System Construction [J]. Defence Science & Technology Industry， 2019（6）： 34-38.（in Chinese）

[2] 姜進(jìn)晶， 汪民樂(lè)， 楊同金. 無(wú)人機(jī)協(xié)同下遠(yuǎn)程火箭炮作戰(zhàn)效能評(píng)估指標(biāo)體系構(gòu)建[J]. 艦船電子工程， 2020， 40（7）： 144-150.

Jiang Jinjing， Wang Minle， Yang Tongjin. Construction of Operational Effectiveness Evaluation Index System of Long-Range Rocket Gun with UAV Cooperation[J]. Ship Electronic Engineering， 2020， 40（7）： 144-150.（in Chinese）

[3] 田云飛， 趙志允， 李祥珂. 網(wǎng)絡(luò)化反潛體系效能評(píng)估分析[C]∥第21屆中國(guó)系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)年會(huì)論文集， 2020： 192-195.

Tian Yunfei， Zhao Zhiyun， Li Xiangke. Effectiveness Evaluation and Analysis of Networked Anti Submarine System [C]∥Proceedings of the 21st CCSSTA， 2020： 192-195.（in Chinese）

[4] 藺美青. 面向體系作戰(zhàn)運(yùn)用的反導(dǎo)預(yù)警作戰(zhàn)效能評(píng)估框架[C]∥第21屆中國(guó)系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)年會(huì)論文集， 2020： 216-221.

Lin Meiqing. Anti Missile Early Warning Operational Effectiveness Evaluation Framework for System Operation [C]∥Proceedings of the 21st CCSSTA， 2020： 216-221.（in Chinese）

[5] 汪浩. 基于OODA的艦艇編隊(duì)防空體系作戰(zhàn)效能評(píng)估研究[J]. 現(xiàn)代防御技術(shù)， 2020， 48（6）： 19-25.

Wang Hao. Study on the Operational Effectiveness Evaluation of the Ship Formation Air Defense System Based on OODA[J]. Modern Defence Technology， 2020， 48（6）： 19-25.（in Chinese）

[6] 郭齊勝， 郅志剛， 楊瑞平， 等. 裝備效能評(píng)估概論[M]. 北京： 國(guó)防工業(yè)出版社， 2005.

Guo Qisheng， Zhi Zhigang， Yang Ruiping， et al. Introduction to Equipment Effectiveness Evaluation [M]. Beijing： National Defense Industry Press， 2005.（in Chinese）

[7] 毛翔. 美軍作戰(zhàn)評(píng)估理論與實(shí)踐[M]. 北京： 知識(shí)產(chǎn)權(quán)出版社， 2017.

Mao Xiang. Theory and Practice of US Combat Evaluation [M]. Beijing： Intellectual Property Publishing House， 2017.（in Chinese）

[8] Enos J R， Nilchiani R R. Merging DoDAF Architectures to Develop and Analyze the DoD Network of Systems[C]∥IEEE Aerospace Conference， 2018.

[9] 王靜， 徐瑞， 吳沉寒， 等. 基于DoDAF的遠(yuǎn)程目指系統(tǒng)作戰(zhàn)體系結(jié)構(gòu)[J]. 指揮控制與仿真， 2014， 36（1）： 51-55.

Wang Jing， Xu Rui， Wu Chenhan， et al. Operational Architecture of Remote Target Indicator System Based on DoDAF[J]. Command Control & Simulation， 2014， 36（1）： 51-55.（in Chinese）

[10] 原智杰， 張公平， 崔茅， 等. 基于神經(jīng)網(wǎng)絡(luò)的導(dǎo)彈氣動(dòng)參數(shù)預(yù)測(cè)[J]. 航空兵器， 2020， 27（5）： 28-32.

Yuan Zhijie， Zhang Gongping， Cui Mao， et al. Prediction of Missile’s Aerodynamic Parameters Based on Neural Network[J]. Aero Weaponry， 2020， 27（5）： 28-32.（in Chinese）

[11] 劉國(guó)強(qiáng)， 陳維義， 程晗， 等. 基于BP神經(jīng)網(wǎng)絡(luò)的炮光集成武器系統(tǒng)作戰(zhàn)效能評(píng)估與預(yù)測(cè)[J]. 海軍工程大學(xué)學(xué)報(bào)， 2019， 31（3）： 55-59.

Liu Guoqiang， Chen Weiyi， Cheng Han， et al. Evaluation and Prediction of Combat Effectiveness on Weapon System with Gun and Laser Based on BP Networks[J]. Journal of Naval University of Engineering， 2019， 31（3）： 55-59.（in Chinese）

[12] 陳俠， 胡乃寬. 基于改進(jìn)型小波神經(jīng)網(wǎng)絡(luò)的電子戰(zhàn)無(wú)人機(jī)作戰(zhàn)效能評(píng)估研究[J]. 電光與控制， 2018， 25（5）： 64-67.

Chen Xia， Hu Naikuan. Operational Effectiveness Assessment for Electronic Warfare UAVs Based on Improved WNN[J]. Electronics Optics & Control， 2018， 25（5）： 64-67.（in Chinese）

[13] 周興旺， 從福仲， 龐世春. 基于BN-and-BP神經(jīng)網(wǎng)絡(luò)融合的陸空聯(lián)合作戰(zhàn)效能評(píng)估[J]. 火力與指揮控制， 2018， 43（4）： 3-8.

Zhou Xingwang， Cong Fuzhong， Pang Shichun. Effectiveness Evaluation of Air-Ground Joint Operations Based on the BN-and-BP Neural Network[J]. Fire Control & Command Control， 2018， 43（4）： 3-8.（in Chinese）

[14] 張樂(lè)， 劉忠， 張建強(qiáng)， 等. 基于自編碼神經(jīng)網(wǎng)絡(luò)的裝備體系評(píng)估指標(biāo)約簡(jiǎn)方法[J]. 中南大學(xué)學(xué)報(bào)：自然科學(xué)版， 2013， 44（10）： 4130-4137.

Zhang Le， Liu Zhong， Zhang Jianqiang， et al. Reduction Method of Weapon System-of-Systems Assessment Index System Based on Autoencoder[J]. Journal of Central South University： Science and Technology， 2013， 44（10）： 4130-4137.（in Chinese）

[15] Li C， Zhang C， Li J X. Establishment of Effectiveness Evaluation Indicator System Based on 1D-CNN[C]∥Chinese Control and Decision Conference （CCDC）， 2020.

[16] Szegedy C， Liu W， Jia Y Q， et al. Going Deeper with Convolutions[C]∥Computer Vision and Pattern Recognition （CVPR）， 2015.

[17] Kim Y. Convolutional Neural Networks for Sentence Classification[C]∥Empirical Methods in Natural Language Processing （EMNLP）， 2014.

[18] Schroff F， Kalenichenko D， Philbin J. FaceNet： A Unified Embedding for Face Recognition and Clustering[C]∥Computer Vision and Pattern Recognition （CVPR）， 2015.

[19] 李健， 劉海濱， 胡笛. 基于生成對(duì)抗網(wǎng)絡(luò)和深度神經(jīng)網(wǎng)絡(luò)的武器系統(tǒng)效能評(píng)估[J]. 計(jì)算機(jī)應(yīng)用與軟件， 2020， 37（2）： 253-258.

Li Jian， Liu Haibin， Hu Di. Weapon System Effectiveness Evalua-tion Based on Generative Adversarial Network and BP Neural Network[J]. Computer Applications and Software， 2020， 37（2）： 253-258.（in Chinese）

[20] 崔正驊， 黃健， 高明光， 等. 基于支持向量機(jī)的武裝直升機(jī)能力評(píng)估仿真[C]∥第16屆中國(guó)系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會(huì)議論文集， 2015： 294-298.

Cui Zhenghua， Huang Jian， Gao Mingguang， et al. Armed Helicopter Capability Evaluation Simulation Based on Support Vector Machine[C]∥Proceedings of the 16th System Simulation Technology & Application， 2015： 294-298. （in Chinese）

[21] 杜梓冰， 張立豐， 陳敬志， 等. 有人/無(wú)人機(jī)協(xié)同作戰(zhàn)演示驗(yàn)證試飛關(guān)鍵技術(shù)[J]. 航空兵器， 2019， 26（4）： 75-81.

Du Zibing， Zhang Lifeng， Chen Jingzhi， et al. Critical Technologies of Demonstration Flight Test of Cooperative Operation for Manned/Unmanned Aerial Vehicles[J]. Aero Weaponry， 2019， 26（4）： 75-81.（in Chinese）

[22] van der Maaten L， Hinton G. Visualizing Data Using t-SNE[J]. Journal of Machine Learning Research， 2008， 9（2605）： 2579-2605.

The? Effectiveness Evaluation Method of Systematic

Combat Based on Operational Data

Li Chen1，2， Li Jianxun1*

（1. Department of Automation， Shanghai Jiao Tong University，? Shanghai 200240，? China;

2. Military Representative Bureau of Naval Equipment Department in Shanghai，Shanghai 201206，China）

Abstract： Different from? equipment effectiveness evaluation method based on experience formula and isolated sta-tic state， the effectiveness evaluation of systematic combat can be studied from two aspects： systematic combat task analysis and intelligent evaluation method. This paper introduces the standardized? modeling framework of systematic combat and convolutional neural network to gradually deconstruct systematic combat activities， then proposes a complete set of systematic combat effectiveness evaluation method， which includes five steps： operational mission planning， mission modeling analysis， construction of evaluation index system， index fusion dimension reduction， effectiveness grade evaluation. This method can be used to evaluate the effectiveness of complex and diverse systematic combat tasks according to the degree of realization of operational? objectives.

Key words： convolution neural network; systematic combat; effectiveness evaluation; equipment effectiveness; operational data; artificial intelligence

收稿日期： 2021-08-11

基金項(xiàng)目：? 國(guó)家自然科學(xué)基金項(xiàng)目（61673265）;民機(jī)專項(xiàng)（MJ-2017-S-38）;航空科學(xué)基金項(xiàng)目（20170157001）;CEMEE重點(diǎn)實(shí)驗(yàn)室開(kāi)放課題（2019G0302）

作者簡(jiǎn)介：李辰（1990-），男，陜西漢中人，碩士，工程師。

通信作者：李建勛（1969-），男，河北蔚縣人，教授，博士生導(dǎo)師。