基于海洋环境影响因素的舰载武器作战效能模型研究
王 明
（江苏自动化研究所 连云港 222006）
摘 要 随着现代海上战争应用科学技术水平的不断提高，纳入舰载武器装备作战效能影响分析的因素也越来越多，战争的要求更加趋于精细化。依托海洋环境的海战场素以“复杂”著称，水面舰艇作为战场中的主要角色，其上各种武器、传感器都在不同程度上受到海洋环境的影响，如何能够根据海洋环境对舰载武器装备打击效能进行合理评估，为指挥人员提供正确的辅助决策信息成为了当前迫切需要解决的问题。论文结合影响舰载武器效能发挥的主要海洋环境因素，以导弹武器为例，首先对海洋环境影响因素量化分析，利用BP神经网络自适应性和学习性强的特点，通过样本数据的扩充和神经网络的学习，最终确定影响阈值，建立了一种通用的作战效能评估模型。
关键词 海洋环境；水面舰艇；武器装备；作战效能；BP神经网络
1 引言
在现代科技水平不断提高的背景下，水面舰艇装备自动化水平、科研投入越来越多，水面舰艇装备取得了蓬勃的发展。但随着科研工作者的不断深入研究和发掘，随之而来的新问题也不断涌现，其中最为突出的是武器装备和海洋环境如何紧密结合，如何在复杂多变的海洋环境下保证武器装备的应有效能，并在一定程度上对海洋环境加以利用，提升武器装备的效能。
未来海上信息化战争的胜负，将不仅仅取决于敌我双方在战场上投入兵力和装备的多少，还取决于对诸如复杂的海洋环境信息等作战信息资源的控制和使用。
2 武器装备的海洋环境影响因素
海洋环境情况十分复杂，从季节上的变化包括春夏秋冬，位置的变化包括水面、水下，各个因素都有可能对水面舰艇的武器装备产生不同程度的影响。如磁场、大气波导、电离层等对雷达探测、无线电通信影响很大，海洋的温度、盐度、密度、深度等对声纳的探测效果影响很大［1～3］。本文根据武器装备的属性并结合海洋环境因素，将影响武器装备的因素与武器装备进行了对照，如表 1［4～6］。
表1 影响武器装备的因素与武器装备对照表
3 水面舰艇海洋环境影响分析方法
海洋环境影响武器装备的效能分析研究已经得到广泛关注，文献［7］提出了海洋环境对舰载鱼雷效能的影响评估，该模型利用模糊函数识别方法构建了针对鱼雷效能的模型；文献［8］提出了海洋环境对吊放声纳作战使用影响研究，该模型依据声纳特点提供了声纳深度影响曲线；文献［9］提供了大气环境对激光制导武器的影响，文献［10］提出了大气湍流对海军光电装备性能的影响，但是该文献未建立相应的影响模型。综合分析，此前研究多集中在某个武器的影响效能分析，或者只是分析了影响，未建立具有通用性的评估模型。本文利用BP神经网络自适应性和学习性强的特点，旨在建立一个具有通用性，适应性强的影响评估模型。
由表1中影响武器装备的海洋环境因素可以看出，不同的武器装备受海洋环境的不同因素影响，且两者之间存在复杂连接关系，该关系的确定难以采用普通线性数学关系描述。神经网络作为一种以人类大脑工作方式为参考的数学模型，利用已有输入和输出样本数据，通过不断的训练和学习能够确定输入数据对输出数据的影响权值，为非线性连接关系提供了一种合理有效的方法。
为了减少神经网络计算学习复杂度，根据第4节中介绍的方法，将风速、风向、浪高、大气电场均统一到［0，10］的范围中。
著作权视域下网络游戏画面的作品定性与思辨 … ……………………………………… 郭壬癸，周 航（2．66）
图1 单隐含层的三层结构图
1）输入层即可能对输出结果有影响的数据集合。在本文的应用中，输入层为对某武器装备有代表性影响的重要参数，如文中第二节中的导航设备，可将风、浪、流、雷、雨、雾、电磁、海杂波作为输入层各个神经元的代表。
2）隐含层，BP神经网络隐含层神经元个数的确定至今尚无一个非常确定的方法，根据第二节中列出的舰载武器装备受海洋环境影响表查看，每种舰载武器装备所受的影响因素数量相对较少，最多为13种，可见神经网络学习计算量相对较小。可通过确定隐含层数量个数范围，在确定范围内进行神经网络学习，根据对不同隐含层神经元个数情况的学习结果进行比对，将最佳的隐含层个数结果取值为隐含层神经元最终个数。
3）输出层，即各种海洋环境影响因素同时作用时，对舰载武器装备的工作积极和负面影响程度，简单的划分如表2。
设BP网络经度ε=0.01，考虑输入层神经元个数仅为4各，隐含层神经元个数范围为m∈[2，3]，输出层神经元个数为n=1。
表2 输出层对应表
4 评估模型建立
评估模型建立过程流程图如图2。
2000年，法国国营铁路公司(SNCF)采用CFRP研制出双层TGV型车体(见图2)，其相对铝合金车体减重约25%，并且通过线路运行验证了CFRP 在强度、冲击、防火、降噪、隔热等性能方面的优点和工业可行性。
图2 评估模型建立过程流程图
1）样本采集及其量化；
量化方法：
（1）航道工程。本工程采用单向航道，航道规模按80000DWT散货船乘潮进出港设计。设计航道宽度为166m，边坡1：8，底宽为262m。航道设计底高程为-17.5m。见方案图1。
设x为某一输入层元素的具体值，xmin为该输入层元素的最小值，xmax为该输入层元素的最大值，将x取之范围统一到以［0，10］的中 y值的方法是
2）初始化BP网络最大训练次数max，精度ε＞0、隐含层与输出层的神经元个数n；
当隐含层个数为3时，如图4所示，输入层与隐含层连接权重为ω11=0.2，ω12=0.2，ω13=0.2，ω21=0.125，ω22=0.125，ω23=0.125，ω31=0.15，ω32=0.15，ω33=0.15，ω41=0.025，ω42=0.025，ω43=0.025。
4）用样本数据对BP网络进行训练：求出各样本在各层神经元上的输出，并计算各层之间的反向传播误差以及该BP网络的性能误差e［10］；
8）确定当前各个海洋环境影响因素权值，保存BP网络参数。
各层的误差计算公示为
其中
，
分别代表第p个样本的隐含层和输出层误差，
代表期望值。
5）若e≤ε，即模型训练精度达到要求，则转至步骤8；
6）修正各层之间的连接权值；
7）如果训练次数k小于最大训练次数max，则转4），否则转至8）；
其中
、yk分别表示隐含层和输出层的输出。n1代表隐含层神经元个数，n代表输入层神经元个数，
代表阈值。
5 仿真分析
以导弹武器装备影响权值分析为例，结合第二章中分析导弹受海洋环境中哪些因素的影响，确定权值过程如下。
1）样本采集及其量化
风对导弹发射和飞行的影响可以分为风速和风向。风速可以直接作为影响因素输入神经元，根据一般情况，风速的阈值范围为［0，40m/s］。风向的分析可以量化为风向与导弹飞行方向之间的夹角，范围为［0，180°］。海浪可以直接用浪高来度量，通常，浪高的上限为15m，故取值范围为［0，15m］。地面或云中大气电场可以用电场强度来度量，通常晴天时地面大气电场约0.1kV/m～0.3kV/m，恶劣天气条件下地面大气电场约为2kV/m～10kV/m；一般自然发生的云地闪，电场强度达1000kV/m，云内闪电场强度达3000kV/m。故可以将云内闪的电场强度作为上限，如表3。
5）若e≤ε，即模型训练精度达到要求，则转至8）。
BP神经网络通常是指基于误差逆传播算法训练的多层前馈神经网络。BP神经网络拓扑结构包括输入层、隐层和输出层，文中采用的BP网络为具有单隐含层的三层结构［11～14］，如图1。
表3 阈值范围
取一组样本如表4所示。
2）初始化BP网络精度ε＞0、隐含层神经元个数为m，输出层的神经元个数n。
（1）切片占用大量磁盘空间。应用中发现，按照Google影像分割标准，云南省输电线路机巡数据的精度可达22级，每增加一级，切片磁盘占用大约提高四倍，若第0层切片占用磁盘大小，实际计算发现，全云南省为m0，则全部切片占用磁盘约切片大约需要数10T。
乡镇发展模式是建立和优化可持续粮食供求系统和应对粮食危机的核心问题。随着逆城市化的发展，这些区域关系的变革和结合将开辟城乡区域结构发展的新路径——向有弹性的农业粮食供求系统过渡的新区域结构。
表4 输入输出样本
3）创建BP网络，如下图，初始化输入层与隐含层连接权重ω、隐藏层与输出层连接权重υ。
当隐藏层个数为2时，如图3所示，输入层与隐含层连接权重为ω11=0.2，ω12=0.2，ω21=0.125，ω22=0.125，ω31=0.15，ω32=0.15，ω41=0.025，ω42=0.025。
隐含层与输出层连接权重为υ1=0.5，υ2=0.5。
图3 2个隐含层神经元神经网络图
3）创建BP网络，如下图，初始化输入层与隐含层连接权重ω、隐藏层与输出层连接权重υ；
图4 3个隐含层神经元神经网络图
隐含层与输出层连接权重为υ1=0.33，υ2=0.33；υ3=0.33。
4）用样本数据对BP网络进行训练：求出各样本在隐含层和输出层上的输出，并计算各层之间的反向传播误差以及该BP网络的性能误差e。
第三，建立有关于国有企业财务风险的内部预警预控制度，对此，可以使用财务信息系统，加强对成本费用、债务风险和投资模块进行控制。
目前，国内外学者对多能互补综合能源系统已做了一定研究，但研究多关注在宏观层面，如前期能源系统规划、投资运营模式等。针对多能互补综合能源系统建立了四维能量管理空间模型，进而实现综合能源系统实时调度，解决各级系统之间的协调控制和能量优化问题。
6）修正各层之间的连接权值。
7）如果训练次数k小于最大训练次数max，则转至4），否则转至8）。
8）确定当前各个海洋环境影响因素权值，保存BP网络参数。
周一刚一上班，我便接到客户李先生的电话：“你们的硒鼓太贵了，不划算，买几次你们的硒鼓，我又可以重新买台激光打印机了，请问，你们公司是否可以考虑采取优惠或让利政策？”
其中2）中关于隐含层神经元个数给出了2和3两个数值，通过网络的不断学习，当隐含层数量为2时，无需多次修正各层之间的连接权值，即可将误差保持在误差范围以内，f本文选用隐含层数量为2的模型。利用Matlab仿真计算后，得出的各个权值分别为连接权重为 ω11=0.18，ω12=0.16，ω21=0.10，ω22=0.14，ω31=0.11，ω32=0.19，ω41=0.02，ω42=0.03。
Our DNG metamaterial unit cell structures has proof to be unique， and has a good characteristics of negative refractive index to improve gain and radiation， at specific range of frequencies.
“形美”指译诗诗行整齐,或长短不齐如原诗(即建筑美)。顾版译文为现代诗体，和原文在长短句上很相似，句式较为整齐，但没有押韵，不及原文的形美效果，从全诗的宏观结构而言，翻译虽然不能达到与原诗绝对对等，但是译者却最大限度地平衡了诗歌的整体美。关版译文为格律体，句式工整，字数统一，结构平行，但对仗不如古诗体工整。译文三是散文体，诗句长短不齐，自行加入的标点、词语较多，读起来没有朗朗上口的诗歌之感，韵律不强，且形美方面也不及原诗。
通过利用BP神经网络自学习特点，结合导弹武器装备受影响分析，利用第四节提出的评估模型，获取了BP神经网络中各层级节点的影响权重，从而成功建立了影响导弹武器使用的评估模型，为海洋环境对导弹武器发射效果的影响提供了一种通用量化模型，该模型可为指挥员提供实时海洋环境影响结果，辅助指挥员进行打击决策。
6 结语
本文提出了一种海洋环境因素对水面舰艇武器装备使用影响权值的确定方法。该方法利用样本数据不断扩充和神经网络不断再学习两种途径，逐渐修正各个海洋环境因素对导弹武器装备的影响权重，确定权值。本方法提出为水面舰艇各武器装备综合利用海洋环境信息建立相应辅助决策模型提供了初步思路。
“海绵城市”运用于城市道路建设是可行的、经济的，可以为实现城镇化和环境资源协调发展提供有力保证。建设具有自然积存、渗透、净化功能的海绵城市是社会生态文明建设的重要组成部分，也是我国城市建设的发展方向。
参考文献
［1］苏长云.美国海军作战控制系统发展方向［J］.情报指挥控制系统与仿真技术，2001（7）：1-6.
［2］高尚，娄寿春.武器系统效能评定方法综述［J］.系统工程理论与实践，1998，18（7）：109-114.
［3］于海泳，倪小清，杨鹏，等.海洋水文气象对驱护舰兵力作战效能影响研究［J］.舰船电子工程，2014，34（10）：114-118.
［4］徐瑞恩.武器装备效能模型和方法概论［J］.装备指挥技术学院学报，2002，13（1）：1-4.
［5］张振涛.海洋环境下武器装备作战效能评估与系统实现［D］.南京：东南大学，2015.
［6］方书甲.海洋环境要素纳入战场辅助决策的技术探讨［J］.舰船科学技术，2008，30（3）：22-25.
［7］徐勇，邹振华.海洋环境对舰载鱼雷效能的影响评估［J］.舰船电子工程，2009，29（7）：177-184.
［8］匡贡献，谢志敏.海洋环境对吊放声纳作战使用影响研究［J］.海军航空工程学院学报，2010，25（1）：24-27.
［9］韩小冬，高太长，刘西川，等.大气环境对激光制导武器的影响［J］.气象水文海洋仪器，2009（2）：26-30.
［10］陈栋，朱文越，黄印博，等.海洋大气湍流对海军光电装备性能的影响［J］.红外与激光工程，2010，39（2）：206-212.
［11］黄丽.BP神经网络算法改进及应用研究［D］.重庆：重庆师范大学，2008.
［12］Burke H B，Rosen D B，Goodman P H.Comparing artificial neural networks to other statistical methods for medical outcome prediction［C］//IEEE International Conference on Neural Networks. Orlando American：［s.n.］，1994：2213-2216.
［13］崔鹏飞，严洪森，范金松.海洋环境下武器装备作战效能自学习评估模型［J］.计算机技术与发展，2013，23（2）：32-36.
［14］卞凤兰，黄晓明，刘睿.城市化进程中公路网用地的BP神经网络预测模型［J］.东南大学学报（自然科学版），2010，40（5）：1073-1076.
Research on Operational Effectiveness Model of Naval Ships'Weapon Based on Marine Environmental Impact Factors
WANG Ming
（Jiangsu Automation Research Institute，Lianyungang 222006）
Abstract With the increasing use of science and technology in modern sea battle，more and more information is required to be considered in the usage of the weaponry，including the main environment of the sea battle：marine environment. Surface naval ships are one of the most important sea battle troops. The weapons and sensors of the surface warships are subject to different degrees of impact by marine environment. This paper proposes a method to determine the weights of effect of the weaponry by the marine environment factors，it is an urgent problem that how to evaluate combat effectiveness of the weapons on the ship to provide the correct decision for the commanders. Firstly the marine environment factors are quantitative analyzed，by the strong features of the BP neural networks's adaptability and learning，by constantly expanding the sample data and learning of the neural networks，the impact of weight is ultimately determined，a general model of operational effectiveness is built. The proposed method provides preliminary ideas for the future establishment of an auxiliary integrated surface warships' combat applications based on the marine environment.
Key Words marine environment，surface warships，weaponry，operational effectiveness，BP neural network
中图分类号 E925
DOI： 10.3969/j.issn.1672-9730.2019.07.037
收稿日期： 2019年1月5日，
修回日期： 2019年2月16日
作者简介： 王明，女，工程师，研究方向：指挥控制系统。
Class Number E925