声明：本文为《现代防御技术》杂志社供《中国军工网》独家稿件。未经许可，请勿转载。

作者简介：曹强（1981-），男，江苏扬州人，硕士生，主要从事水面舰艇作战指挥系统与指挥自动化技术研究。
曹强，胡锦春
（1.海军大连舰艇学院 研究生2队，辽宁 大连116018）

摘要：为解决传统舰载C4I威胁判断模型的不足，寻求适应信息化作战要求的舰载C4I威胁判断模型，将神经网络引入舰载C4I系统，提出了基于BP神经网络的威胁判断模型，并对BP算法进行了改进；通过Matlab仿真计算，结果表明该方法计算速度快、精度高。
关键词：神经网络；BP算法；威胁判断
中图分类号：TP183；E844文献标识码：A文章编号：1009086X（2006）01005303

Warship C4I threat evaluation model based on improved BP algorithm
CAO Qiang， HU Jinchun
（1.Postgraduate Team 2 of Dalian Navy Academy，Liaoning Dalian 116018，China）

Abstract:In order to solve the shortage of traditional warship C4I threat evaluation model and seek a new warship C4I threat evaluation model to meet the requirements of information war, neural network was applied in warship C4I. A threat evaluation model based on BP neural networks was put forward. The BP algorithm was also improved. The result of Matlab simulation demonstrated that the improved BP neural network was a high speed and high accuracy warship C4I threat evaluation model.
Key words:Neural net; BP algorithm; Threat evaluation

1引言
威胁判断（简称威判）是实施攻击和防御的前提。在信息化海战中，根据本舰获得的目标信息，判定目标对本舰的威胁程度和威胁大小，能为其他战术应用软件和舰艇指挥员战术决策提供依据［1］。BP神经网络广泛应用于函数逼近、模式识别、分类、数据压缩［2］。威判问题实际上是一种目标的分类和识别问题，因此可以将BP网络用作指控系统的威判模块，解决现有模块某些方面的不足。
2BP网络威判模型
BP神经网络即误差后向传播的神经网络是人工神经网络中的一类非常重要、使用广泛的网络结构。它由输入层、隐层和输出层组成，典型的3层BP网络结构如图1所示［2］。其中，  x1，x2，…， xn表示输入向量， n 表示输入层神经元的个数；  y1，y 2，…， ym表示输出向量，m 表示输出层神经元的个数。
图1BP网络结构图
Fig1Sketch map of BP neural network
BP网络学习是典型的有导师学习过程。其实质是提供足够的样本，通过反复调整网络各层神经元之间的权值和阈值，对网络输入参数和输出参数之间复杂的对应关系不断进行拟合逼近。调整的原则是使网络输出值和样本输出值之间的均方根误差越来越小，当均方根误差达到要求的精度时，表明网络已训练好了。
现代防御技术·指挥控制与通信曹强，胡锦春：基于改进的BP算法的舰载C4I威胁判断模型现代防御技术2006年第34卷第1期典型的BP学习算法概括为如下步骤：
（1） 初始化网络及学习参数，如设置网络初始权矩阵、学习算子等；
（2） 提供训练模式，训练网络，直到满足学习要求；
（3） 前向传播过程：对给定的训练模式输入，计算网络的输出模式，并与目标函数比较，若误差允许，则执行(4)，否则，返回(2)；
（4） 后向传播过程：计算同一层单元的误差，修正权值和阈值，返回(2)。
将舰载传感器获取的目标特征参数作为BP网络的输入向量，将所需的威判值作为结果，就构成舰载C4I系统的威判模型。
3BP算法改进
传统的BP算法是基于梯度下降的方法，其收敛速度慢，且常受局部最小点的困扰，因此有必要对此算法进行一定的改进［3］。
3.1加快迭代收敛［4］
为加快权值的修正，在迭代公式中，增加阻尼项，即ωij（t＋1）＝ωij（t）－ηJ（t）〖〗ωij（t）＋
β［ωij（t）－ωij（t－1）］,（1）式中：ωij（t）为第t次迭代时神经元i和j之间的权值；η为学习算子；J为网络的目标函数；β为阻尼系数，或称为平滑因子，0＜β＜1 。
3.2学习算子η的自适应调整［3］
学习算子η（亦称步长）由样本平均误差D的大小来调整，计算公式为ηn＋1＝ηnDn＋1/Dn,（2）式中：η为迭代次数。当权值使D远离稳定点时，学习系数η取较大值；当接近稳定点时，η取较小值。
3.3隐层单元确定
隐层神经元个数的确定始终是BP算法的一个难点问题，目前尚无理论指导。隐层神经元的个数太少，则BP网络的认知能力(即BP网络逼近任意映射的能力)较差，影响其收敛程度和泛化能力；隐层神经元的数量太多，将会使计算量增加，影响BP网络的收敛速度，以下几个经验公式仅供参考：k＝n＋m＋α，其中，常数α∈［1，10］，（3）
k≤m（n＋3）＋1，（4）
p〖〗n＋2＜k≤p〖〗n＋1，（5）
k＝logn2，（6）式中：k为隐层的神经元数；n为输入层的神经元数；m为输出层的神经元数；p为样本总数。
在实际应用中，可采用相关分析法来判断隐层神经元是否存在冗余，同时以上几个公式应综合考虑，一般取介于几个公式求解的最大值和最小值之间值或取平均值，再通过上机反复测试，来确定隐层的最佳个数。
4仿真计算
4.1特征参数的选取
以空中目标的威胁判断为例。我们选取飞临时间、航路勾径、抗干扰能力（制导方式）（0：强，1：一般，2：弱）、高度、突防能力（0：很强，1：强，2：一般，3：弱）、目标类型（0：反舰导弹，1：反辐射导弹，2：制导炸弹，3：歼轰机、轰炸机，4：舰载直升机，5：预警、电子战飞机，6：诱饵）为判断威胁的特征参数。
4.2仿真结果
我们选取美国、中国台湾主要空中目标［5］进行分析，目标1为雄风-Ⅱ反舰导弹，目标2为雄风-Ⅰ反舰导弹，目标3为“鱼叉”反舰导弹， 目标4为“幻影”2000-5战斗机，目标5为E-2T预警机, 目标6为S-70C(M)舰载直升机，目标7为EA-6B电子战飞机，目标8为诱饵，目标9为“哈姆”反辐射导弹，目标10为F/A-18战斗机。采用Matlab语言仿真计算结果如表1所示。表1典型目标的威胁判断
Table 1Threat evaluation of typical target
目标〖〗飞临时间/s〖〗航路勾径/km〖〗抗干扰能力〖〗高度/m〖〗突防能力〖〗目标类别〖〗专家评估值〖〗BP网络评估值1〖〗5〖〗00〖〗0〖〗10〖〗0〖〗0〖〗0.90〖〗0.906 02〖〗10〖〗0.1〖〗1〖〗20〖〗1〖〗0〖〗0.85〖〗0.881 73〖〗15〖〗0.2〖〗0〖〗10〖〗0〖〗0〖〗0.95〖〗0.947 44〖〗100〖〗00〖〗2〖〗5 000〖〗1〖〗3〖〗0.70〖〗0.537 85〖〗250〖〗500〖〗0〖〗10 000〖〗2〖〗5〖〗0.20〖〗0.174 06〖〗200〖〗200〖〗2〖〗200〖〗3〖〗4〖〗0.40〖〗0.381 77〖〗150〖〗300〖〗0〖〗3  500〖〗2〖〗5〖〗0.50〖〗0.391 48〖〗300〖〗90〖〗2〖〗700〖〗3〖〗6〖〗0.10〖〗0.082 29〖〗20〖〗00〖〗0〖〗20〖〗0〖〗1〖〗—〖〗0.678 010〖〗120〖〗0.15〖〗1〖〗300〖〗1〖〗3〖〗—〖〗0.470 0
表1中目标1～目标8的数据是样本数据,输入层有6个节点,隐层有10个节点,1个输出层节点,采用Levenberg-Marquardt学习规则，经过127次迭代，网络达到设定的0.01的误差。从神经网络输出的威判值，可以看出与专家评估值很接近。用训练好的权值和阈值计算出了目标9、目标10的威胁程度值。
从仿真计算看，使用神经网络进行威胁判断很好地解决了传统威判模型的不足，其精度也符合实战需要，因此该方法可行、有效。
5结束语
采用神经网络理论，通过对知识样本的学习，获得评价专家的经验和知识，网络可再现评价专家的经验、知识和直觉思维，从而降低评价过程中的人为因素影响，保证了其客观性。本文讨论了基于神经网络的威胁判断模型，其计算速度快，判断准确可靠，能适应信息化作战需要，为研究指挥控制系统提供了一种新的思路。但本文中训练样本比较少，只有8个，如果增加训练样本，必将使网络威判的精度更高。
参考文献：
［1］刘良权. 舰载信息系统［M］.大连：海军大连舰院，2002222-223.
［2］飞思科技产品研发中心.MATLAB6.5辅助神经网络分析与设计［M］.北京：电子工业出版社，200427-30.
［3］阎平凡，张长水.人工神经网络与模拟进化计算［M］.北京：清华大学出版社，200023-26.
［4］徐丽娜. 神经网络控制［M］. 北京：电子工业出版社，200318-22.
［5］海军装备论证中心.台湾海军武器装备手册［M］.北京：解放军出版社，1999151-153.2006年2月〖〗第34卷第1期现代防御技术〖〗MODERN DEFENCE TECHNOLOGYFeb. 2006〖〗Vol.34No.1