电子信息装备维修保障能力的BP神经网络评估

钟京立，张 辉，马 侦

（国防信息学院，湖北 武汉 430010）

电子信息装备维修保障能力就是其运用各类保障资源保证完成电子信息装备维修任务的能力，是确保电子信息装备保持、恢复或改善到规定技术状态的本领[1]。由于电子信息装备生产和维修保障费用较高，因此对各种维修保障资源进行合理的配置，并对其进行不断地修改和完善，能够有效促进维修保障能力的提高。由于电子信息装备维修保障能力与影响参数之间存在非线性关系，因此可采用BP神经网络进行电子信息装备维修保障能力评估。

运用BP神经网络模型进行电子信息装备维修保障能力评估时，把对维修保障能力影响较大的参数指标作为神经网络的输入，维修保障能力作为神经网络的输出，并用大量样本按照某种学习规则对神经网络进行训练，通过动态的自适应调整，训练好的网络具有确定的权值和阀值，其能有效地描述电子信息装备维修保障能力和特征参数之间的非线性关系。神经网络训练完毕，便可作为一种有效的工具，来评估电子信息装备的维修保障能力

1 构建电子信息装备维修保障能力指标体系

在暂不考虑管理因素的情况下，影响电子信息装备维修保障能力的资源要素有很多。通常运用主成分逐步回归法[1]来选择影响电子信息装备维修保障能力的主要参数，主要归纳为保障人力资源、保障备件资源、保障设备资源和保障技术资料4个方面，同时4个一级指标下面包含15个二级指标，如图1所示。以15个二级指标参数作为神经网络的输入，电子信息装备维修保障能力作为网络输出。

图1 电子信息装备维修保障能力指标体系

2 构建电子信息装备维修保障能力神经网络评估模型

2.1 网络结构设计

典型的BP神经网络主要由三层网络构成：输入层、隐含层和输出层[2]，其结构如图2所示。采用三层BP神经网络模型来评估电子信息装备维修保障能力，以所选取的主要特征参数Xi作为网络的输入，以电子信息装备维修保障能力T作为目标输出，Wij和Wn为所确定的权值。

图2 BP神经网络结构图

选用电子信息装备维修保障能力指标体系的15个二级资源指标作为神经网络的输入层信息，则输入单元数为15。电子信息装备的维修保障能力作为输出层，则输出接点数为1。实践证明，隐含层的神经元个数直接影响网络的非线性预测能力[1]，由经验公式+α（β为隐含层节点数，n为输入层节点数，m为输出层节点数，α为1～10的常数）确定隐含节点数为6。电子信息装备维修保障能力评估的BP神经网络模型如图3所示。

图3 电子信息装备维修保障能力评估BP神经网络型

2.2 BP神经网络算法流程

BP神经网络学习过程由正向传播和反向传播组成[3]。本文选取非线性可微非递减S型函数 f(x)=1(1+e-x)为传递函数，采取BP算法，通过网络的实际输出与目标值之间的误差来训练其权值，使实际的输出尽可能地接近期望值。其BP算法流程图如4所示。

图4 BP网络算法流程图

2.3 BP神经网络学习参数选取

由于系统的非线性，初始值选取对于输出结果是否接近实际和训练时间的长短有很大关系，一般希望初始加权后的每个神经元的输出值都接近于零，因此初始权值选取在（-1，1）之间的随机数。学习速率一般倾向于选取较小的学习速率以保证系统的稳定性，尽管学习速率较小会导致学习时间较长。一般的取值范围是0.01～0.07，本文选取0.03。

3 仿真设计

3.1 选取样本数据并进行处理

从某电子信息装备维修单位历次的维修保障能力考评成绩中随机选取10组样本数据进行分析。

由于量纲不同，因此将所有数据进行归一化处理以便于比较分析，同时有利于提高神经网络的训练速度。

计算方法是：

式中：X是收集的一组数据；max X和min X是这组数据的最大值和最小值；Xn是归一化的数据，Xn∈[-1，1]。归一化处理后的电子信息装备维修保障能力评估样本数据见表1。

表1 电子信息装备维修保障能力评估样本数据

3.2 学习样本矩阵、目标输出矩阵、待评估矩阵输入

根据样本数据确定样本输入举证，用P表示：

目标输出矩阵为电子信息装备维修保障能力值，用T表示：

3.3 Matlab程序代码设计

net=newff（minmax（P），[6，1]，{′tansig′，′purelin′}，′traingd′）；

%创建神经网络net.trainparam.show=50；

%每仿真50次显示训练状态

net.trainparam.lr=0.03； %设定网络学习速率为0.03

net.trainparam.epochs=500； %设定仿真次数为500

net.trainparam.goal=1e-2；%设定目标精度，即均方差误差为10-2

[net，tr]=train（net，P，T）； %进行网络训练

A=sim（net，P） %对网络进行仿真

E=T-A

MSE=mse（E） %计算仿真误差

Y=sim（net，Q） %用待评估矩阵Q进行仿真计算

X=1：1：15

plot（X，A，X，T）%预测输出矩阵和目标输出矩阵分布

legend（′A′，′T′）

3.4 结果输出

网络初始化后，经过246次训练仿真达到设定的目标精度后才停止训练。预测输出矩阵和目标输出矩阵的误差对比如图5所示，具有较高精度。在训练过程中，误差平方和的变化曲线，即电子信息装备维修保障能力评估BP神经网络训练图，如图6所示。

图5 预测输出矩阵和目标输出矩阵对比图

对应待评估矩阵Q的仿真结果值为Y=0.784 1。它表示在15个二级评估指标能力值分别为待评估矩阵所给定值时，则该电子信息装备维修保障系统的能力值是0.784 1。

4 结 语

针对电子信息装备维修保障能力评估构建的BP神经网络模型具有较高的精度，通过对样本的训练和检验，证实用BP神经网络评估电子信息装备维修保障能力是有效的。在评估过程中降低了人为因素影响，保证了评估的客观性和科学性。然而评估模型也存在不完善的地方，比如评估指标不精细、样本量较小等，同时BP神经网络还存在有收敛速度慢，有局部极小值的缺陷等问题[3]，这些将在下一步的装备工作中继续深入研究。

图6 电子信息装备维修保障能力评估BP神经网络训练图

[1]张柳，于永利.装备维修保障系统建模理论与方法[M].北京：国防工业出版社，2012.

[2]周林，王君.军事装备管理预测与决策[M].北京：国防工业出版社，2007.

[3]焦李成.神经网络计算[M].西安：西安电子科技大学出版社，1993.

[4]同济大学数学系.工程数学线性代数[M].北京：高等教育出版社，2013.

[5]史峰，王小川.Matlab神经网络30个案例分析[M].北京：航空航天大学出版社，2010.

[6]魏江涛，陈方涛，姜美雷.BP神经网络在设备故障诊断方面的应用[J].现代电子技术，2012，35（19）：131-134.