基于Elman神经网络的作战效能预测模型研究

系统仿真学报 ›› 2015, Vol. 27 ›› Issue (1): 43-49.

• 建模与仿真理论及方法 • 上一篇下一篇

基于Elman神经网络的作战效能预测模型研究

李小喜¹, 陈浩光², 李大喜³, 陈疆萍⁴

1.装备学院研究生管理大队,北京 101416;
2.装备学院装备采办系,北京 101416;
3.空军工程大学防空反导学院,西安 710038;
4.中国人民解放军93942部队,咸阳 712000

收稿日期:2013-12-20 修回日期:2014-03-23 发布日期:2020-09-02
作者简介:李小喜(1983-),男,甘肃平凉,博士生, 研究方向为武器装备发展论证与卫星体系优化;陈浩光 (1967-),男,江西瑞金,教授,研究方向为武器装备发展论证与效能评估;李大喜(1983-),男,甘肃平凉,博士生,研究方向为武器装备发展论证与体系规划。

Study on Combat Effectiveness Prediction Model Using Elman Feedback Network

Li Xiaoxi¹, Chen Haoguang², Li Daxi³, Chen Jiangping⁴

1. Department of Graduate Management, Equipment Academy, Beijing 101416, China;
2. Department of Equipment Acquisition, Equipment Academy, Beijing 101416, China;
3. Air and Missile Defense Institute, Air Force Engineering University, Xi’an 710038, China;
4. Unit 93942 of PLA, Xianyang 712000, China

Received:2013-12-20 Revised:2014-03-23 Published:2020-09-02

摘要/Abstract

摘要： 针对军事系统作战效能预测问题,采用基于支持向量回归的指标权重挖掘方法,通过比较偏导确定影响作战效能的关键因素,将优化后的效能指标和效能值分别作为模型的输入和输出,建立基于Elman神经网络的效能预测模型。并将其应用于C⁴ISR系统的动态作战效能预测分析中。结果表明,该方法能够减少不确定因素的影响,在一定程度上降低了预测模型的复杂度,为科学预测军事系统作战效能提供了有效的技术支撑。

关键词: 作战效能, Elman神经网络, 支持向量机, 效能预测模型

Abstract: To deal with combat effectiveness prediction of the military system, a SVR-based crucial evaluation indexes mining method was carefully investigated. The key indexes in the effectiveness evaluation were found by comparing partial derivatives. The model of efficiency prediction based on Elman neural networks, which used effective optimized indexs and values as input and output, was exerted to combat effectiveness prediction of C⁴ISR. The results show that the method can reduce the complexity of prediction model, and avoid uncertain factors existing in system, which provide effective technical support for the combat effectiveness prediction scientifically.

Key words: combat effectiveness, Elman neural networks, SVM, effectiveness prediction model

中图分类号:

TP391.9

李小喜, 陈浩光, 李大喜, 陈疆萍. 基于Elman神经网络的作战效能预测模型研究[J]. 系统仿真学报, 2015, 27(1): 43-49.

Li Xiaoxi, Chen Haoguang, Li Daxi, Chen Jiangping. Study on Combat Effectiveness Prediction Model Using Elman Feedback Network[J]. Journal of System Simulation, 2015, 27(1): 43-49.

参考文献

[1] 唐立军, 王小艺, 王建中. 基于D-S理论的神经网络作战效能预测方法[J]. 火力指挥与控制, 2012, 35(4): 150-154.
[2] 张敏, 黎向锋, 左敦稳, 等. 基于主成分分析的BP神经网络内螺纹冷挤压成形质量预测[J]. 中国机械工程, 2012, 23(1): 51-54
[3] 李文涛, 郝艳红. 基于时间序列的联合火力战毁伤效能预测[J]. 舰船电子工程, 2011, 1(5): 64-66.
[4] 王霄航. 基于BP神经网络的液压支架控制器通信网络效能预测[J]. 煤矿机械, 2012, 33(7): 68-70.
[5] 陈龙, 张可, 罗配明. 改进的Elman神经网络在WSNs距离预测中的应用[J]. 传感器与微系统, 2013, 32(1): 149-152.
[6] 张超, 常太华, 刘欢, 等. 基于改进Elman神经网络的风速预测[J]. 华东电力, 2012, 40(8): 1412-1414.
[7] 尤马彦, 凌捷, 郝彦军. 基于Elman神经网络的网络安全态势预测方法[J]. 计算机科学, 2012, 39(6): 61-64.
[8] 唐立军. 网络中心战下指挥控制决策系统研究 [D]. 太原: 中北大学, 2008.
[9] 郭健. 基于智能算法的非线性模型研究及预测控制[D]. 武汉: 华中科技大学, 2008.
[10] Elman J L.Finding structure in time[J]. Cognitive Science (S0112-0324), 1990, 14(2): 179-211.
[11] Shifei Ding, Yanan Zhang, Jinrong Chen, Weikuan Jia.Research on using genetic algorithms to optimize Elman neural networks[J]. Neural Computing & Applications (S0941-0643), 2013, 23(2): 293-297.
[12] 鞠儒生. 基于数据耕种与数据挖掘的系统效能评估方法研究 [D]. 长沙: 国防科学技术大学研究生院, 2006.
[13] Steve R Gunn. Support Vector Machines for Classification and Regression [EB/OL]. (2011-8) [2013]. http://www.isis.ecs.soton.ac.uk/resources/svmi-nfo/
[14] P J García Nieto, E F Combarro, J J del Coz Díaz, E Montañés. A SVM-based regression model to study the air quality at local scale in Oviedo urban area (Northern Spain): A case study[J]. Applied Mathematics and Computation (S0096-3003), 2013, 219(17): 8923-8937.
[15] 王永红, 纪伟. 基于神经网络的战术C³I系统效能评估[J]. 火力与指挥控制, 2003, 28(增刊): 20-25.
[16] 杨瑞平, 郭齐胜, 赵宏绪, 等. C3I系统建模与仿真[M]. 北京: 国防工业出版社, 2006.
[17] http://www.support-vector.net/software/.html

基于Elman神经网络的作战效能预测模型研究

Study on Combat Effectiveness Prediction Model Using Elman Feedback Network

PDF (PC)

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	张子伟, 李亮, 董志明, 王艺霏, 段莉. 作战概念牵引的作战效能仿真评估指标构建方法研究[J]. 系统仿真学报, 2022, 34(3): 603-613.
[2]	张子伟, 郭齐胜, 董志明, 高昂, 王艺霏. 体系作战效能评估与优化方法综述[J]. 系统仿真学报, 2022, 34(2): 303-313.
[3]	李晖, 云昊, 岳红丽. 基于SVM逆系统的PMSM云模型整定PID控制[J]. 系统仿真学报, 2021, 33(8): 1846-1855.
[4]	位晶晶, 刘勤明, 叶春明, 李冠林. 基于GA-SVR的小样本数据缺失下的设备故障诊断[J]. 系统仿真学报, 2021, 33(6): 1342-1349.
[5]	邵诚, 孙宏远, 张林. 基于PSO-LSSVM的反舰导弹自控弹道仿真[J]. 系统仿真学报, 2021, 33(4): 918-926.
[6]	刘薛勤, 刘宁, 苏中, 王靖骁, 袁超杰. 基于足底压力感知的智能步态识别方法研究[J]. 系统仿真学报, 2021, 33(11): 2572-2578.
[7]	安玉, 焦朋朋, 白紫秀. 考虑多因素的驾驶行为安全评价与风险等级预测[J]. 系统仿真学报, 2021, 33(1): 118-126.
[8]	李妮, 李玉红, 龚光红, 黄晓冬. 基于深度学习的体系作战效能智能评估及优化[J]. 系统仿真学报, 2020, 32(8): 1425-1435.
[9]	於万里, 王艳, 纪志成. 氨糖发酵过程建模与工艺参数优化研究[J]. 系统仿真学报, 2020, 32(10): 1895-1902.
[10]	鞠儒生, 蔡子民, 杨妹, 王松. 基于主成分分析的仿真结果评估方法[J]. 系统仿真学报, 2019, 31(12): 2678-2684.
[11]	张青, 邹湘军, 林桂潮, 孙艳辉. 草莓重量和形状图像特征提取与在线分级方法[J]. 系统仿真学报, 2019, 31(1): 7-9.
[12]	陈莉, 张海侠. 基于熵权-云模型的我国绿色智慧城市评价[J]. 系统仿真学报, 2019, 31(1): 136-144.
[13]	刘芳, 路丽霞, 王洪娟, 王鑫. 基于稀疏自动编码器和支持向量机的图像分类[J]. 系统仿真学报, 2018, 30(8): 3007-3014.
[14]	徐继亚, 王艳, 严大虎, 纪志成. 融合KPCA与信息粒化的滚动轴承性能退化SVM预测[J]. 系统仿真学报, 2018, 30(6): 2345-2354.
[15]	崔桂梅, 杨海靳, 刘丕亮, 于凯. 基于最小二乘支持向量机的氧化铝浓度预测[J]. 系统仿真学报, 2018, 30(5): 1844-1849.