基于RBF神经网络的防空导弹武器系统作战效能评估

doi:10.16182/j.issn1004731x.joss.23-1571

摘要/Abstract

摘要：

针对防空导弹武器系统作战效能指标维度高、复杂性强以及评估方法主观等问题，提出基于RBF神经网络的作战效能评估方法。通过分析OODA环作战理论，构建了防空导弹武器系统作战效能指标体系。通过MATLAB实现RBF神经网络模型仿真，并应用BP、PCA-BP、Elman神经网络等多种方法进行对比仿真验证。仿真结果表明：RBF神经网络模型预测评估结果与真实值更为接近，充分证明了该模型在防空导弹武器系统作战效能评估中的有效性，为指挥员作战决策提供有力支持。

关键词: RBF神经网络, 防空导弹武器系统, 效能评估, 作战仿真, OODA环

Abstract:

A combat effectiveness evaluation method based on RBF neural network is proposed to address the problems of high dimensionality, high complexity, and subjective evaluation methods in current air defense missile weapon systems. A combat effectiveness index system for air defense missile weapon systems has been constructed by analyzing the OODA environmental combat theory. The RBF neural network model simulation is implemented using MATLAB, and several methods such as BP, PCA-BP, and Elman neural network are compared and verified through simulation. The simulation results show that the predicted evaluation results of the RBF neural network model are closer to the actual values, fully proving the effectiveness of the model in evaluating the combat effectiveness of air defense missile weapon systems and providing strong support to commanders in making operational decisions.

Key words: RBF neural network, air defense missile weapon system, efficiency evaluation, combat simulation, OODA ring

中图分类号:

TP391

张鹏,冯柯,宫建成等 . 基于RBF神经网络的防空导弹武器系统作战效能评估[J]. 系统仿真学报, 2025, 37(2): 529-540.

Zhang Peng,Feng Ke,Gong Jiancheng,et al . Combat Effectiveness Evaluation of Air Defense Missile Weapon System Based on RBF Neural Network[J]. Journal of System Simulation, 2025, 37(2): 529-540.

图/表 14

图1

图2

图3

表1

防空导弹武器系统部分性能参数

性能指标	序号
性能指标	4	51	126	220	239	400	467	593
雷达发现概率	0.978	0.539	0.213	0.271	0.406	0.779	0.373	0.516
雷达识别概率	0.730	0.881	0.831	0.779	0.795	0.661	0.791	0.709
雷达制导概率	0.910	0.872	0.911	0.782	0.839	0.986	0.808	0.900
最大探测距离	0.985	0.741	0.808	0.936	0.841	0.920	0.736	0.783
地形遮蔽	0.481	0.663	0.473	0.078	0.527	0.744	0.321	0.661
信道容量	0.930	0.616	0.897	0.602	0.850	0.965	1.241	0.967
信息处理延时	0.646	1.146	0.721	0.935	0.945	0.968	0.982	0.827
战场态势评估能力	0.995	0.833	0.809	0.944	0.969	0.983	0.807	0.881
辅助决策能力	0.847	0.829	0.708	0.884	0.656	0.862	0.151	0.377
决策响应时间	1.118	0.692	1.047	0.880	0.459	1.214	0.630	1.071
武器反应时间	0.500	0.856	0.656	0.693	0.952	0.711	0.603	0.083
高界高度	0.990	0.255	0.421	0.898	0.906	0.659	0.203	1.177
近界高度	0.400	0.425	0.253	0.211	1.285	0.173	0.343	0.511
远界斜距	0.991	0.158	0.855	0.550	0.684	0.203	0.427	1.344
近界斜距	1.667	0.725	0.141	1.590	0.551	1.168	0.368	0.499
最大高低角	0.667	0.756	1.101	0.811	0.578	0.697	0.707	1.026
最大航路角	0.584	0.855	0.763	0.640	1.014	0.538	0.779	0.700
目标容量	0.162	0.409	0.254	0.503	0.899	0.961	0.587	0.023
发射装置数量	0.500	0.484	0.523	0.590	0.165	0.523	0.429	0.414
导弹联装数	0.800	0.617	0.409	0.501	0.141	0.866	0.888	0.616
单目标射弹数	0.750	0.537	0.515	0.377	0.700	0.616	0.610	0.463
导弹装填时间	0.830	0.755	0.759	0.471	0.698	0.677	0.685	0.834
单发命中率	0.976	0.589	0.973	0.941	0.984	0.867	0.979	0.895
抗干扰能力	0.738	0.910	0.917	0.803	0.876	0.945	0.807	1.006
可用过载	0.700	0.510	0.573	1.062	0.592	0.898	0.889	0.872
发动机工作时间	0.994	0.918	0.953	1.048	0.881	0.884	0.727	0.928
最大速度	0.990	0.442	0.404	0.600	1.097	0.465	0.271	0.270
反侦察能力	0.896	0.885	1.048	1.032	0.841	0.972	0.888	0.969
抗毁能力	0.990	0.621	0.718	0.779	0.838	0.764	1.278	1.024
展开时间	0.794	0.791	1.046	0.826	0.954	0.965	0.790	0.950
撤收时间	0.750	0.705	0.806	0.855	0.821	0.794	0.886	0.843
最大行军速度	0.550	0.482	0.471	0.506	0.558	0.608	0.606	0.550
最大行军里程	0.750	0.898	0.772	0.727	0.624	0.776	0.734	0.666
平均故障间隔时间	0.986	0.654	0.557	0.785	0.710	0.407	0.859	0.474
平均修复时间	0.282	0.348	0.291	0.405	0.986	0.132	0.158	0.557
目标种类	0.800	0.759	0.662	0.703	0.672	0.833	0.769	0.502
目标机动过载	0.650	0.649	0.824	0.533	0.823	0.727	0.926	0.598
目标雷达截面	0.780	0.930	1.083	0.787	0.737	0.797	0.796	1.150
目标最大速度	0.750	0.746	0.859	0.755	0.951	1.140	1.051	0.869
期望值	0.780	1.198	0.796	1.048	0.801	0.986	0.905	0.639

表1

图4

图5

图6

图7

图8

图9

图10

图11

图12

图13

参考文献 20

1	乔蓉, 周峰. 基于PCA-BP神经网络地空导弹武器系统作战效能评估[J]. 军事运筹与系统工程, 2020, 34(4): 38-43, 67.
	Qiao Rong, Zhou Feng. Evaluation of Operational Efficiency for Ground-to-air Missile Weapon System Based on PCA-BP Neural Network[J]. Military Operations Research and Systems Engineering, 2020, 34(4): 38-43, 67.
2	麻晓伟, 张琳. 基于AE-BP神经网络的地空导弹武器系统作战效能评估[J]. 空天预警研究学报, 2022, 36(6): 425-429.
	Ma Xiaowei, Zhang Lin. AE-BP Neural Network-based Operational Effectiveness Assessment of Surface-to-air Missile Weapon System[J]. Journal of Air & Space Early Warning Research, 2022, 36(6): 425-429.
3	唐家明. DEM几何精度脱密模型与算法研究[D]. 南京: 南京师范大学, 2018.
	Tang Jiaming. Research on Decipherment Model and Algorithm of Geometric Accuracy for DEM[D]. Nanjing: Nanjing Normal University, 2018.
4	姬正一, 陈阳, 沈培志, 等. 决策树集成方法在反舰导弹效能评估中的应用[J]. 现代防御技术, 2021, 49(4): 15-23, 34.
	Ji Zhengyi, Chen Yang, Shen Peizhi, et al. Decision Tree Integration Method Application in Effectiveness Evaluation of Anti-ship Missile Weapon System[J]. Modern Defence Technology, 2021, 49(4): 15-23, 34.
5	卢美鸿, 刘国海, 王富良, 等. 基于PLC的两电机同步系统的神经网络逆控制[J]. 电气传动, 2007, 37(11): 50-54.
	Lu Meihong, Liu Guohai, Wang Fuliang, et al. Neural Network Inverse Control in PLC of Two-motor Synchronous System[J]. Electric Drive, 2007, 37(11): 50-54.
6	雷梓烽. 基于OODA环的作战体系对抗博弈建模研究[D]. 武汉: 华中科技大学, 2020.
	Lei Zifeng. Research on Operation System-of-systems Combat Game Model Based on OODA Loop[D]. Wuhan: Huazhong University of Science and Technology, 2020.
7	赵丹玲, 谭跃进, 李际超, 等. 基于作战环的武器装备体系贡献度评估[J]. 系统工程与电子技术, 2017, 39(10): 2239-2247.
	Zhao Danling, Tan Yuejin, Li Jichao, et al. Armament System of Systems Contribution Evaluation Based on Operation Loop[J]. Systems Engineering and Electronics, 2017, 39(10): 2239-2247.
8	梁家林, 熊伟. 基于作战环的武器装备体系能力评估方法[J]. 系统工程与电子技术, 2019, 41(8): 1810-1819.
	Liang Jialin, Xiong Wei. Capabilities Assessment of the Weaponry System Based on Combat Ring[J]. Systems Engineering and Electronics, 2019, 41(8): 1810-1819.
9	王君, 赵杰, 邵雷, 等. 基于ADC方法的地空导弹系统效能评估模型[J]. 现代防御技术, 2015, 43(6): 13-20.
	Wang Jun, Zhao Jie, Shao Lei, et al. System Effectiveness Evaluation Model of Ground to Air Missile Based on ADC Method[J]. Modern Defence Technology, 2015, 43(6): 13-20.
10	燕永敦, 杨华东. 指数法在舰空导弹武器作战能力评估中的应用[J]. 弹箭与制导学报, 2007, 27(2): 389-391.
	Yan Yongdun, Yang Huadong. Application of Index Method in the Estimate of Shipborne Antiaircraft Missile's Combat Capability[J]. Journal of Projectiles, Rockets, Missiles and Guidance, 2007, 27(2): 389-391.
11	王君, 周林, 雷虎民, 等. 中远程地空导弹系统效能评估模型[J]. 系统仿真学报, 2010, 22(7): 1761-1768, 1772.
	Wang Jun, Zhou Lin, Lei Humin, et al. Medium and Far Range Ground-to-air Missile System Effectiveness Evaluation Model[J]. Journal of System Simulation, 2010, 22(7): 1761-1768, 1772.
12	王斌, 王基策, 尚颖, 等. 防空反导体系网络攻击效能评估与防御策略建议[J]. 现代防御技术, 2023, 51(3): 57-65.
	Wang Bin, Wang Jice, Shang Ying, et al. Effectiveness Evaluation and Defense Strategies for Network Attacks of Air and Missile Defense System[J]. Modern Defence Technology, 2023, 51(3): 57-65.
13	季银银, 刘婷婷, 沈建洲, 等. 基于神经网络模型的高铁轮对故障诊断和预测方法的研究[J]. 机电工程技术, 2020, 49(5): 14-17.
	Ji Yinyin, Liu Tingting, Shen Jianzhou, et al. Research on Fault Diagnosis and Fault Prediction Method of High-speed Railway Wheelset Based on Neural Network[J]. Mechanical & Electrical Engineering Technology, 2020, 49(5): 14-17.
14	龚亮, 王庆权, 罗红吉. 防空导弹武器系统作战效能评估实战化改进模型[J]. 现代防御技术, 2021, 49(6): 9-15.
	Gong Liang, Wang Qingquan, Luo Hongji. Real Combat-like Improved Model of Operational Effectiveness Evaluation of Air Defense Missile Weapon System[J]. Modern Defence Technology, 2021, 49(6): 9-15.
15	李钢, 吕国芳. 基于正则化RBF神经网络的混凝土强度预测[J]. 电子设计工程, 2014, 22(13): 52-54, 57.
	Li Gang, Guofang Lü. Prediction of Concrete Strength Based on Regular RBF Neural Network[J]. Electronic Design Engineering, 2014, 22(13): 52-54, 57.
16	郭日辉. 基于人工神经网络的上证指数风险预警研究[D]. 北京: 中国政法大学, 2020.
	Guo Rihui. Research on Risk Warning of Shanghai Stock Index Based on Artificial Neural Network[D]. Beijing: China University of Political Science and Law, 2020.
17	张琪琪. 基于神经网络的目标判别与作战效能评估研究[D]. 哈尔滨: 哈尔滨工程大学, 2020.
	Zhang Qiqi. Research on Target Identification and Operational Effectiveness Evaluation Based on Neural Networks[D]. Harbin: Harbin Engineering University, 2020.
18	施宏达, 李秀飞, 张立中. 虚拟现实灵巧手姿态力度控制算法与仿真[J]. 长春理工大学学报(自然科学版), 2016, 39(5): 70-75, 84.
	Shi Hongda, Li Xiufei, Zhang Lizhong. Control Algorithm of Posture and Force Simulation for Dexterous Hand in Virtual Reality[J]. Journal of Changchun University of Science and Technology(Natural Science Edition), 2016, 39(5): 70-75, 84.
19	邢英梅, 王竹君, 袁萌萌, 等. RBF神经网络在估算男西服用料长度中的应用[J]. 武汉纺织大学学报, 2016, 29(3): 43-47.
	Xing Yingmei, Wang Zhujun, Yuan Mengmeng, et al. Application of RBF Artificial Neural Networks in Estimating Spreading Length of Man Suit[J]. Journal of Wuhan Textile University, 2016, 29(3): 43-47.
20	陈世隐, 郭佳杰, 黄国钦. 基于径向基神经网络对磨削功率预测的研究[J]. 超硬材料工程, 2016, 28(4): 33-36.
	Chen Shiyin, Guo Jiajie, Huang Guoqin. Research on Prediction of Grinding Power Based on RBF Neural Network[J]. Superhard Material Engineering, 2016, 28(4): 33-36.

[1]	王晓锋, 张怡, 张国秀. 面向低轨卫星互联网的效能评估技术[J]. 系统仿真学报, 2025, 37(1): 119-133.
[2]	卢元杰, 龙珊珊, 赵航, 冯国旭, 赵晓葭. 基于混合模型的异构无人机蜂群效能评估[J]. 系统仿真学报, 2024, 36(3): 700-712.
[3]	刘飞, 赖鹏, 陆营波, 汪敏, 陆志沣. 作战仿真混合实验方案设计研究[J]. 系统仿真学报, 2024, 36(3): 735-742.
[4]	胡宏宇, 郜天柱, 谷海涛. 基于MLP的海上无人跨域协同效能评估系统的设计与实现[J]. 系统仿真学报, 2024, 36(11): 2542-2551.
[5]	陈世康, 王智民, 梁标, 顾焜仁, 宋珂满, 高远. 面向体系仿真的蓝军舰艇编队防空作战指控建模方法[J]. 系统仿真学报, 2024, 36(10): 2246-2256.
[6]	赵煜, 杨蔡进, 王谭明, 徐菁, 周帅. 多铰接车辆路径跟踪控制及仿真分析[J]. 系统仿真学报, 2024, 36(10): 2300-2313.
[7]	张国辉, 高昂, 张雅楠. 基于RLoMAG+EAS的同构集群装备体系作战效能评估方法[J]. 系统仿真学报, 2024, 36(1): 160-169.
[8]	郭力强, 马亮, 张会, 杨静, 范学满, 程卓. 基于博弈对抗的鱼雷抗干扰攻击建模与优化方法研究[J]. 系统仿真学报, 2023, 35(8): 1814-1823.
[9]	石鼎, 燕雪峰, 宫丽娜, 张静宣, 关东海, 魏明强. 强化学习驱动的海战场多智能体协同作战仿真算法[J]. 系统仿真学报, 2023, 35(4): 786-796.
[10]	徐颖, 张帅, 谢智歌, 徐新海, 孙曼晖, 郭宁. 基于三维剖分的机载雷达实时探测仿真方法[J]. 系统仿真学报, 2023, 35(2): 268-276.
[11]	丁柏圆, 穆富岭, 李云鹏, 陈忠宽, 刘承禹. 面向复杂电磁环境的体系作战仿真平台设计[J]. 系统仿真学报, 2023, 35(2): 330-338.
[12]	于小岚, 熊伟, 韩驰, 吴振伟. 天基信息支援装备体系作战效能评估方法研究[J]. 系统仿真学报, 2023, 35(11): 2429-2444.
[13]	李静, 张涛涛, 金凯, 袁胜智, 查子龙. 基于时变RBF神经网络的时变非线性系统控制器设计[J]. 系统仿真学报, 2023, 35(10): 2223-2236.
[14]	王宇琨, 王泽, 董力维, 李妮. 基于分层的智能建模方法的多机空战行为建模[J]. 系统仿真学报, 2023, 35(10): 2249-2261.
[15]	杨正, 向智敏, 马世文. 一种基于可变规则的松耦合实体建模方法[J]. 系统仿真学报, 2022, 34(7): 1506-1511.