导弹武器戒备率评估系统设计与实现

摘 要:戒备率是导弹武器系统一项重要的战术技术指标,分析评估导弹武器系统的戒备率,可以为导弹武器系统的研制和作战使用提供重要决策依据。为了快速准确地得到导弹武器系统的戒备率,基于C#.NET开发了导弹武器戒备率评估系统,利用安全性和效率较高的数据库技术完成评估信息的管理。系统采用人工神经网络的评估方法,利用混合编程技术完成导弹武器戒备率的评估。该系统可以实现对导弹武器系统戒备率的快速评估,并可以定量分析不同因素对戒备率的影响,对戒备率评估技术的研究具有重要的现实意义。

关键词:戒备率评估;数据库技术;人工神经网络;混合编程

中图分类号:TP311文献标识码:B

文章编号:1004-373X(2010)04-141-04

Design and Implementation of Readiness Rate Evaluation System for Missile Weapon System

LU He,WANG Hongli,YIN Dejin

(The Second Artillery Engineering College,Xi′an,710025,China)

Abstract:The readiness rate is an important index to tactics and technology of missile weapon system,evaluation and analysis can provide an important decision-making criterion to research and operation of missile weapon system.To get the readiness rate quickly and accurately,the readiness rate evaluation system for missile weapon system is developed based on C#.NET,database technique which has high security and efficiency is used to manage the information that is needed in evaluation,evaluation method of artificial neural network is used in this system,the technology of combination programming is used to do the evaluation of readiness rate.This system realizes the rapid evaluation of readiness rate of missile weapon system and it can also analye the effect of different factor on readiness rate quantitatively,it has important practical significance to the study of evaluation technology of readiness rate.

Keywords:evaluation of readiness rate;database;artificial neural network;combination programming

0 引 言

导弹武器系统的戒备率指处于戒备状态下导弹数与该导弹总数的比值[1]。通过分析评估导弹武器系统的戒备率,能够完整地掌握武器系统戒备作战的能力,从而为导弹武器系统的研制和作战使用提供重要决策和依据。

导弹武器系统作为一个复杂系统,其戒备率受到可靠性、维修性、保障性、战场环境、人为因素、生存能力等因素的综合影响,所以导弹武器系统戒备率的评估难度大,时间长。现代战争的各种因素的变化很快,如何快速准确地得到导弹武器系统的戒备率,为导弹武器系统的作战使用提供决策依据,是戒备率评估发展研究的方向。在此,利用发展成熟的数据库技术,结合人工神经网络的评估方法,开发出了导弹武器戒备率评估系统,降低了评估的难度,缩短了评估的时间,能够根据战场形势的变化快速准确地完成戒备率的评估,对戒备率评估技术的研究有十分重要的现实意义。

1 系统的总体设计

1.1 任务需求

根据影响导弹武器系统戒备率各项要素的物理特性以及它们之间的关系,以作战想定、任务剖面和评估条件为基础,快速准确地得到导弹武器系统技术阵地、待机阵地、发射阵地、导弹和导弹武器系统的戒备率评估值;进行导弹武器系统全寿命周期内不同任务剖面下的戒备率评估;通过数据库实现数据的规范化管理,方便地进行信息查询。

1.2 系统结构

导弹武器戒备率评估系统的设计目的是完成导弹武器系统戒备率评估任务及其评估数据的管理,整个系统的框架采用模块化设计,主要分为系统管理模块、戒备率评估模块、数据库模块、接口模块、帮助模块。系统结构如图1所示。

图1 系统结构框图

1.3 系统功能

系统中五个模块的具体功能如下:

系统管理模块 完成用户登陆的身份验证。将操作人员分为管理员,评估人员,查询人员。管理员可以完成添加删除用户、设定用户权限、查询和修改导弹数据库等操作;评估人员能够查询相关型号数据库,进行戒备率的评估,将数据写入数据库;查询人员可以查询相关的导弹参数。

戒备率评估模块 它是系统的主要组成部分。完成评估参数的输入;对不同量纲的指标采用归一化的方法将其标准化,将评估参数处理为神经网络的训练样本;调节神经网络的参数使之达到评估目标;对评估结果进行分析、存贮、打印等。

数据库管理模块 主要完成数据的管理。“导弹武器资料”用于管理所要评估导弹系统的各项指标数据,允许管理员用户建立新的导弹型号数据库;“评估结果”用于管理评估结果,可以将本次的评估数据写入导弹武器资料库作为训练样本,并可以记录达到评估目标所采用的神经网络参数,作为以后评估的参考。

接口模块 完成不同模块之间的数据交换。“数据库接口”完成对数据库的操作;“Matlab接口”完成对Matlab引擎的调用。

帮助模块 为用户提供系统帮助及使用说明。

2 关键技术

导弹武器戒备率评估系统涉及多种型号的导弹武器系统评估,在准确性、安全性、快速性、可操作性上有较高的要求。因此在开发的过程中涉及的关键技术主要有:人工神经网络评估方法、数据库技术、混合编程技术。

2.1 人工神经网络评估方法

导弹武器的戒备率评估涉及到大量不确定的因素,为了进行评估,从系统分析着手,采用层次分析法分析了影响导弹武器系统进入戒备状态的主要因素,并广泛征求专家意见,得到戒备率评估的指标体系,即戒备率的评估模型。

评估的模型与方法之间呈现相互支持、相互依赖的关系[2]。一方面,评估中得到的数据要由评估模型来处理;另一方面,评估模型的评估方法在运用中得到体现。常用的评估方法主要有[3]:层次分析法(AHP)、模糊综合评判法、ADC法、SEA 法、指数法、人工神经网络评估法等。

依据导弹武器系统的复杂性,要求评估方法必须具备强大的处理非线性运算的能力;指标体系中某些参数获取的困难性,要求评估方法能够并行地处理模糊数据和精确数据;执行任务的条件具有多变性,要求评估方法有自适应性。由于戒备率评估的如上特点,系统选用了人工神经网络的评估方法。因为人工神经网络是一个非线性自适应系统,从理论上讲,能够以任意精度逼近任意复杂的非线性函数[4],自身具有一定的“学习”和“进化”能力,可以克服系统环境和各项指标的不断变化,使戒备率评估的知识库不断的完备更新,获得最佳的评估效果。

人工神经网络评估的原理如下:首先将评估的指标进行归一化处理,将其处理成可供神经网络训练的输入样本,在部队进行战备等级转换时得到相应条件下导弹武器系统实际戒备率作为神经网络的输出,用足够多的样本训练网络,使网络获取各项指标对戒备率的影响程度以及专家的知识经验。训练好的神经网络可以根据评估对象的各项指标属性值,再现出专家的知识经验及不同指标对戒备率的影响程度,实现定性与定量的有效结合。

训练样本的获取是人工神经网络评估方法实现的关键,在戒备率的底层评价指标中,有的可以用确定的表达式描述(如可靠性),通过数值计算得到精确的数值结果;而有些指标只能通过定性的评估(如人员反应能力),这些数据采用德尔菲法获得。对于定量指标,其性质和量纲也不相同,可以将定量指标分为三种类型[5],即越大越好型、越小越好型和具有最佳值型。由于各种指标的量纲和性质不同,造成各指标的不可共度性,指标需进行合理的归一化处理,首先必须建立诸因素与戒备率的隶属函数,以不同因素的隶属作为神经网络的输入值,将各输入单元归一化到(0,1)的区间内[6] 。

2.2 数据库技术

导弹武器系统是一个复杂系统,对其进行戒备率评估所需要的训练样本数据以及在评估过程中产生的中间数据量较大,并且要求数据处理的安全性很高。为了提高数据处理的效率,保证数据的安全,选用了数据库技术。数据库技术是针对数据组织和管理的技术,数据库方式数据处理的整体化、信息化、隐藏化、安全化等特点使数据的分析和评估简单易行。

应用程序对数据库的访问采用ADO.NET接口。ADO.NET可以有效地从数据库的操作中将数据的访问分解为多个单独使用或串联使用的连续组件[7],通过ADO.NET可以方便地完成对数据库的复杂操作。

由于部队实际条件的限制,系统可能无法远程访问数据库,所以在数据库的访问上采用两种方案。

第一种方案是客户端可以远程访问服务器,其连接字符串为:

"Provider=SQLOLEDB;Persist Security Info=True;Data Source=SQLName;Initial Catalog=DbaseName;User Id=ID;Password =PWD;"

第二种方案是客户端不能远程访问服务器,其连接字符串为:

"Data Source=.\\SQLName;AttachDbFilename =|DataDirectory|\\DbaseName.mdf;Integrated Security=True;User Instance=True"

其中:Data Source为SQL服务器名称;Initial Catalog为数据库名称;AttachDbFilename为数据库的相对路径。当客户端不能远程访问服务器时,需要在安装文件中添加数据库。

2.3 混合编程技术

系统的用户界面是采用.NET平台下C#开发的,.NET平台是微软公司推出的一种面向网络,支持各种终端的开发环境平台。利用该平台开发的系统具有界面友好,执行速度快,易于维护等特点,可以生成可执行文件,保护算法和数据,具有较好的安全性。但是它对数学计算的支持不够,文中所采用的人工神经网络的算法用其实现较为复杂,而Matlab是一套高性能的数值计算和可视化软件,具有专门的神经网络工具箱,内含大量可以设计神经网络模型[8],通过C#.NET设计用户界面,Matlab实现后台算法,提高了编程的效率。C#.NET与Matlab的接口主要有以下几种[9],即利用Matlab自身的编译器Matlab Complier,利用COM或NET技术,利用C-MEX、利用Mideva的平台、利用Matlab的引擎技术。其中,只有Matlab引擎技术支持调用神经网络工具箱,所谓Matlab引擎技术指Matlab提供的接口函数。通过这些接口函数,C#.NET可以完成对Matlab通过引擎方式的调用。戒备率评估系统会打开一个新的Matlab进程,可以控制它调用神经网络工具箱,完成戒备率的评估。C#.NET调用Matlab引擎技术实现神经网络的过程如图2所示[10]。

在C#.NET编程环境中,使用Matlab引擎,首先需要安装Matlab软件;然后添加COM,引用“Matlab Application Type Library”;之后就可以实例化引擎对象。因为.NET语言与Matlab语言的数据类型不同,为了完成两种数据的自动交换,还需要添加对MWArray类库的引用。数据的交换主要采用Matlab引擎提供的三个接口:Execute,PutFullMatrix,GetFullMatrix;分别实现运行脚本,向Matlab Server中添加矩阵,从Matlab Server中读取矩阵的功能,通过上述三个接口函数就可以完成.NET对Matlab引擎的调用。

图2 C#.NET调用Matlab引擎技术实现神经网络

由于神经网络的初始参数是由经验推断的,很难满足精度的要求,需要根据训练的效果进一步调整。为了能够辅助评估人员快速找到最佳参数,系统采用如下的解决方案:在诸多参数调解中,隐层神经元个数和学习步长这两个参数对评估的效果影响最大,首先由评估人员根据经验给定两个参数的区间,以及迭代的步长,由系统逐次迭代选择相对最优值,而后在其附近减小迭代的步长,进行进一步优化,如果误差较大,调整参数直至达到评估要求。

2.4 系统实现

为了实现这些功能,系统编程语言选用C#.NET,数据库采用Microsoft SQL Sever 2005,利用ADO.NET对数据库进行访问,通过Matlab引擎技术完成对神经网络工具箱的调用,程序流程如图3所示。

图3 程序流程图

达到神经网络的评估目标后,将网络结构参数保存到数据库,得到不同时间节点戒备率的评估值。为了更直观地显示戒备率的变化情况,系统采用图形设备接口(GDI+)绘制出戒备率的实时变化图,系统运行效果如图4所示。

图4 运行效果图

3 结 语

戒备率评估系统的开发主要考虑几个方面的问题,易用性、快速性与准确性。该系统采用C#.NET开发的用户交互界面,界面友好,操作简单方便;采用数据库技术保证了数据管理的效率和安全性;利用人工神经网络的评估方法,可以最大程度地适应评估环境的变化,得到准确的评估值;调用Matlab神经网络工具箱,提高了编程的效率,简化了评估的程序,缩短了评估的时间。该系统不仅可以为指挥员的作战决策,导弹的作战使用提供参考依据,还可以作为新型导弹研制的辅助工具。

参考文献

[1]朱坤岭,汪维勋.导弹百科辞典[M].北京:宇航出版社,2001.

[2]李志猛.基于SEA的效能评价方法研究[D].长沙:国防科学技术大学,2003.

[3]牛作成,吴德伟,雷磊.军事装备的评估方法探究[J].电光与控制,2006,13(5):98-101.

[4]朱大奇,史慧.人工神经网络原理及应用[M].北京:科学出版社,2006.

[5]高彬,郭庆丰.BP神经网络在电子战效能评估中的应用[J].电光与控制,2007,14(1):69-71.

[6]王杰贵,崔宗国.雷达干扰决策的模糊综合评估[J].电子对抗,1997(1):22-28.

[7]缪勇,李新峰,付志涛.Visual C#学习笔记[M].北京:电子工业出版社,2008.

[8]董长虹.Matlab神经网络工具箱与应用[M].北京:国防工业出版社,2005.

[9]王素立,高洁,孙德新.Matlab混合编程与工程应用[M].北京:清华大学出版社,2008.

[10]黄一丹,严洪森,冯丽娟,等.基于C#.NET与Matlab接口和BP神经网络的汽车产量预测[J].计算机技术与发展,2008,18(11):36-39.