基于BP神经网络的军事通信网络效能评估方法研究

武　超，郭晓雷

(中国电子科学研究院，北京　100041)



工程与应用

基于BP神经网络的军事通信网络效能评估方法研究

武超，郭晓雷

(中国电子科学研究院，北京100041)

摘要：为解决复杂应用条件下军事通信网络效能评估问题，提出一种基于BP神经网络的智能评估方法。在建立层次化评估指标体系的基础上，利用神经网络模型来描述指标值与总体效能之间的映射关系，并根据专家经验提取样本对神经网络进行训练，从而实现军用通信网络效能的智能评估计算。仿真试验表明，该方法评估精度较高，使用简单，能够满足各种军事应用条件下的通信网络效能评估要求。

关键词：通信网络；效能评估；BP神经网络中图分类号：TP391

文献标识码：A

文章编号：1673-5692(2016)03-300-05

0引言

军事通信网络是各类军事信息系统的基础和支撑，其主要执行军事信息传输任务，军事通信网络的效能是指在作战环境中，通信网络完成规定通信任务从而达到一定战术要求的程度。目前通常采用的效能评估方法包括层次分析法、ADC方法、试验统计法、指数法和SVM(支持向量机)方法等[1-3]。文献[4]采用系统科学中常用的层次分析法对战术通信网络效能进行层次化分析,并从可用性、可信性与固有能力三个方面提出了战术通信网络效能层析结构模型,验证了层次分析法在战术通信网络效能评估领域的科学性。文献[5]提出了一种结合熵权法和ADC方法的改进方法，该方法克服了ADC方法在求解能力向量C时缺少规范的指标体系的缺点；文献[6]引入一种区间数比较方法对通信网络进行效能评估,该方法可提高信息融入度；文献[7]采用灰色关联分析法对通信网络进行基于满意度的效能分析；文献[8]采用模糊综合评估的方法对通信网络进行评估，该方法能将半定性、半定量的问题转化为定量的问题进行分析。

由于军事通信网络是一个庞大复杂的系统，战术技术指标复杂多样，而且指标存在相关性、矛盾性和模糊性，对其进行定量或定性的分析都比较困难，因此使用传统的效能评估方法已很难对现有军事通信网络的效能做出科学准确的评估，而解决这个问题比较好的办法是将智能化方法引入到军事通信网络的效能评估中，这种方法的实质是通过融合专家的评估经验并通过不断的学习，最终保证评估结果的客观准确。因此，本文提出了一种基于BP神经网络的军事通信网络效能评估方法(BP-based Network Efficiency Evaluation Algorithm , BPNEEA)，该方法在构建通信网络效能评估指标体系的基础上，利用BP神经网络模型来表示各指标值与总体效能之间的映射关系，解决了简单线性法对效能、能力和指标各层间的关系描述过于简单的问题，最终计算得出相对准确的军事通信网络整体效能评估结果。

1BP神经网络

BP神经网络(Back propagation Neural Network，简称BP网络)也称误差反向传播神经网络，它是由非线性变换单元组成的前馈型网络[9]。BP神经网络采用多层结构，一般由输入层、包含一层或多层的隐含层和输出层组成，各层间实现全连接。其中隐含层虽然和外界不连接，但是它们的状态影响着输入输出之间的关系。也就是说，改变隐含层的权系数可以改变整个多层神经网络的性能。图1表示了具有一个隐含层的三层BP神经网络。

图1　BP神经网络结构

图1中所示的网络有n个输入，m个输出，网络结构中单元的激活函数均为S型函数：

式中：u为该单元的纯输入，它等于输入到该单元信号的加权和。网络中第j个隐含层神经元的输出hj和第k个输出层神经元的输出yk分别为：

式中nl为隐含层的神经元个数。

BP神经网络的训练算法(BP算法)是一类有导算法，其基本思想是：给网络赋予初始权值和闭值，前向计算网络的输出，根据实际输出与期望输出之间的误差，反向修改网络的权值和阈值，如此反复进行训练使误差达到最小。

2BPNEEA方法

2.1构建评估指标体系

根据军事通信网络的功能与结构组成，采用层次分析法建立评估指标体系，该体系分为三个层次：效能层、能力层和指标层。按照自底向上、分层集成的原则，从最底层的量化指标开始，通过计算模型逐层向上集成，最终得到新型信息网络的总体能力。本文建立的军事通信网络效能评估指标体系如图2所示。

图2　军事通信网络效能评估指标体系

根据军事通信网络效能评估指标体系，建立层次化评估指标集合V，其中，效能层只有军事通信网络总体效能E一个指标，E的数值表示军事通信网络的总体效能；能力层将系统的总体效能划分为3个不相关联的能力Ai(i=1,2,3)，且E可由Ai计算得出，即E=fE(A1,A2,A3)，式中fE为Ai到E的映射函数；指标层将能力层的各种能力与指标集合中相应的指标对应起来，且任意能力Ai都可由一个或多个指标计算得出，即Ai=fi(vi,1,vi,2,…,vi,j)，式中vi,j(i=1,2,3)(j=1,2,…,Ni)为影响能力Ai的性能指标，Ni为与能力Ai相关的性能指标个数，fi为vi,j到Ai的映射函数。

在效能评估之前，需将将指标集合V中的所有定性或定量指标进行归一量化，即选取V中的任意指标vk(k=1,2,…,K)，如果vk是定量指标，需判断指标vk与其相应能力Ai的变化关系

(1)如果随着vk的增大，Ai也随之增大，则vk归一化后的数值

(2)如果随着vk的增大，Ai保持不变或随之减小，则

2.2基于BP神经网络的评估模型

采用基于BP神经网络方法对军事通信网络效能进行智能评估，其评估模型如图3所示。

图3　基于BP神经网络的评估模型

根据专家经验，提取NNi训练所需的样本。然后，设定各个神经网络的训练精度和最大迭代次数，采用BP算法对各个神经网络进行训练；通过大量训练之后，NNi可以近似表示能力Ai与其相应指标vi,j间的映射函数Ai=fi(vi,1,vi,2,…,vi,Ni)。

建立军事通信网络总体效能E和能力Ai间映射关系的BP神经网络模型NNe， NNe也包含输入层、输出层和一个隐含层，其中输入层神经元的数目Ie=3，每个神经元的输入分别为Ai，输出层的神经元数目Oe=1， 其输出为总体效能E，隐含层包含的神经元数目为He， He≥M。然后，根据专家经验提取样本对神经网络模型NNe进行训练，训练好的NNe可以近似表示军事通信网络总体效能E与所有能力Ai间的映射函数E=fE(A1,A2,A3)。

利用训练好的神经网络模型，计算军事通信网络的总体效能，提取军通信网络各项性能指标值vi,j，将vi,j输入到相应的神经网络NNi中，计算得出各类能力Ai的数值。将Ai输入到神经网络NNe中，计算得出军事通信网络的总体效能E。

2.3样本获取及训练

BP神经网络在使用前需要进行训练，本方法由多位专家同时提供训练样本，构成一个完整的训练样本集。训练样本生成过程如图4所示。

图4　训练样本生成过程

由图4可见，各位专家首先进行讨论，基本确定训练样本生成的原则，然后由每位专家提供一个训练样本集，最后汇总各专家的训练样本，形成一个完整的训练样本集，其中每个样本记作

在网络训练学习阶段，初始化网络的权值参数，然后将选择的样本数据输入到网络中进行训练，直至达到目标要求或是训练完所有样本。

3仿真分析

仿真试验中建模使用的训练数据由多位专家根据实际网络人工标注形成，该数据集共包含2000个样本，每个样本都有19个实测网络指标，其中通信能力8个指标，容灾能力4个指标，保障能力7个指标。训练数据的组织方式采用通用格式。

仿真试验利用MATLAB工具对SVM(epsilon-svr)算法、SVM(nu-svr)算法[11-13]以及BP神经网络算法进行离线拟合测试，SVM(epsilon-svr)算法的拟合曲线如图5所示，SVM(nu-svr)算法的拟合曲线如图6所示，BP神经网络的拟合曲线如图7所示。

图5　SVM(epsilon-svr)算法拟合曲线

图6　SVM(nu-svr)算法拟合曲线

图7　BP神经网络算法拟合曲线

对采用三种不同算法的仿真数据分别计算形成三组拟合结果，对比结果具体如表1所示。

表1　训练数据拟合表

从评估结果可以看出，BP神经网络算法生成的评估模型相关系数最高，平均绝对误差和均方根误差最小，绝对误差率和均方根误差率也最小，各项拟合指标都更优于SVM(epsilon-svr)算法、SVM(nu-svr)算法评估结果。

4结语

本文提出的基于BP神经网络的军事通信网络效能评估方法，在建立层次化评估指标体系的基础上，利用多个神经网络模型来描述指标值与总体效能之间的映射关系，并根据专家经验提取样本对各个神经网络进行训练，从而实现军事通信网络效能的智能评估计算。该方法智能化程度较高，所建立的神经网络可有效提取所有专家的经验知识，因此其计算得到的结果更加符合实际。而且在新增专家知识时，只需将各个神经网络模型重新进行一次训练，无需过多复杂的操作，因此该方法具有很好的应用前景。

参考文献：

[1]程恺, 张宏军, 柳亚婷.作战效能及其评估方法研究综述.系统科学学报, 2014, 22(1):88-92.

[2]郭齐胜, 张磊. 武器装备系统效能评估方法研究综述.计算机仿真, 2013, 30(8):1-4

[3]曹星平. 支持向量机在武器系统效能评估中的应用[J]. 系统仿真学报, 2008, 20(24):6599-6602.

[4]卢紫毅, 范建华. 基于层次分析法的战术通信网络效能评估. 现代电子技术, 2011, 34(1):57-60.

[5]许鹏飞, 张伟华, 马润年. 基于熵权的改进ADC法通信基础网作战效能评估算法. 火力与指挥控制, 2013, 38(1):64-68.

[6]冉静学. 基于区间层次分析法的机动通信网管理系统效能评估. 中央民族大学学报(自然科学版), 2009, 18(4): 57-61.

[7]赵策, 戴浩, 刘千里. 基于灰色关联分析的C4ISR 通信系统效能评估. 武器装备自动化, 2007, 26(2):3-5.

[8]郝明. 基于多层次模糊综合评估的野战地域通信网作战效能评估. 武器装备自动化, 2007, 26(11):13-15.

[9]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.

[10]史睿冰, 姚兴太, 史圣兵. 基于层次分析法的通信系统效能评估. 计算机工程与设计, 2013, 34(12):4131-4136.

[11]程恺，车先明，张宏军. 基于支持向量机的部队作战效能评估[J]. 系统工程与电子技术, 2011, 33(5):1055-1058.

[12]周久海，严洪森，张振涛. 基于FSVR的海洋环境下武器效能评估[J]. 计算机技术与发展, 2012, 22(8):20-24.

[13]崔鹏飞，严洪森. 基于v-SVR的海洋环境下武器效能评估[J]. 计算机技术与发展, 2015, 25(1):24-28.

Study on the Effectiveness Evaluation Method of Military Communication Network Based on BP Neutral Network

WU Chao, GUO Xiao-lei

(China Academy of Electronics and Information Technology,Beijing 100041,China)

Abstract:In order to solve the problem of effectiveness evaluation for military communication network under complex situation, a method based on BP neutral network is proposed. This method based on the hierarchical indexes system, the mapping relationship between the index value and the overall effectiveness is described by the BP neutral network model, and these models are trained by expert experience which extracted from samples, and then the effectiveness of military communications network is calculated. Through simulation experiments, this method has been proved to be precise and simple, and it is possible to meet all requirements of effectiveness evaluation for military communication network under complex military application conditions.

Key words:Communication networ；Effectiveness evaluation；BP neutral network

doi:10.3969/j.issn.1673-5692.2016.03.015

收稿日期：2016-03-01

修订日期：2016-05-22

作者简介

武超(1984—)，男，北京人，工程师，主要研究方向为通信与信息系统；

E-mail：wuchao999@126.com

郭晓雷(1983—)，男，河北省石家庄市人，工程师，主要研究方向为通信与信息系统。