数字化装甲兵指挥人才培养质量评估模型

刘忠民 叶佩军 戴迪 王飞跃

人才作为新型作战力量战斗力基本要素,直接影响战斗力水平.军队院校教育作为培养人才的主渠道,是军队建设发展的基石.确定人才培养方案,教学教育大纲,军队学科建设,打造师资队伍,构建教学训练保障体系,应以人才培养需求为牵引.如何构建更加科学的军队院校教育人才培养体系,已经成为现实而紧迫的重大研究课题.

随着陆军数字化装甲兵部队建设的加速推进,数字化装甲兵指挥人才的客观需求与数字化作战指挥人才紧缺之间的矛盾,已经成为制约数字化部队战斗力生成的重要因素.当前数字化指挥人才描述不清楚,需求不明确,人才培养还存在着课程体系不完善、教学条件不成熟、培训模式不清晰等问题.如何针对数字化装甲兵指挥人才核心能力需求,深化院校培养数字化装甲兵指挥人才问题研究,成为亟待解决的重大问题.诸多专家学者对此展开深入研究.丁志宏对陆军数字化部队的教育训练展开探讨,就加快我军数字化部队人才培养步伐提出自己的建议[1].胡中豫等提出高素质人才培养是数字化部队建设的关键问题,强调突出培养人才素质的综合性、基础性和创造性,构建课程体系,更新教学内容,提高人才培养质量和效益[2].王家生等着重探讨了按照“专业组合、内容融合、资源整合、统分结合”思路,构建基于体系保障能力的专业化人才培训体系,培养信息化复合型装备保障人才[3].王西欣指出,数字化部队建设应把提高官兵素质特别是信息化素质摆到突出位置,全面提高官兵的思想政治素质、科学文化素质、军事专业素质和身体心理索质,促进人与武器装备、人与信息系统有机结合,为加速推进数字化部队建设提供人才和智力支撑[4].在外军数字化部队建设方面,沈寿林等指出,外军注重顶层设计和整体筹划,以信息理论为指导,专门成立领导机制,制定发展规划,通过多手段试验验证,从试点建设抓起,以模块化改制为重心,全面推进数字化部队建设[5].

然而,现有研究成果大多是从某一角度出发,对我军数字化部队指挥人才培养的能力素质需求、培训体制机制、培训体系、培训方法手段、培训条件建设等方面内容进行研究探索,所提出的对策建议往往受制于当前工作的局限,指导性、操作性和针对性还不强.在理论方面,研究还不够深入具体,对研究涉及到的问题还处于现象描述层面,缺乏严密的理论论证.为解决上述问题,本文结合数字化装甲兵指挥人才核心能力需求,以数字化装甲兵建设理论和人才培养新理论为重要抓手,通过分析数字化装甲兵指挥人才需求,运用平行系统理论和方法,进行数字化装甲兵指挥人才平行培养的描述,采用BP 神经网络进行预测,构建人才培养质量评估模型,实现人才培养体系要素与人才培养质量之间的定量计算,帮助优化数字化装甲兵指挥人才培养资源配置.

1 研究基础

1.1 平行系统理论

平行系统理论与方法最早由王飞跃研究员正式提出.平行系统是指由一个自然现实系统和一个或多个对应的虚拟人工系统所组成的共同系统,是在复杂程度增加的情况下,对系统进行分析、管理和控制的一种可行方式[6].平行系统主要针对社会网络、信息资源和物理空间深度融合的信息物理社会系统(Cyber-Physical-Social Systems,CPSS),包含物理系统数据、虚拟的人工系统数据、泛在社会大数据等.构建人工系统,通过虚拟和实际系统的平行交互、动态运行,实现计算、物理和社会的时空一致性表述,成为解决不确定性CPSS 问题的有效途径.通过实际系统与人工系统之间的虚实互动、协同互校,实时调整人工系统和实际系统的管控方式,实现从知识表示、决策推理到场景自适应优化的闭环反馈,进而完成对实际系统的实验评估和优化管控.另一方面,实际系统中多源泛在感知数据可以实时导入人工系统,完成人工系统中各种模型参数的在线标定,从而使得后续的实验评估与优化管控以新的现实为基础,更为合理可靠.平行系统通过实际系统与人工系统的虚实互动、交互反馈,形成自适应优化控制,是一个以引导型的模型控制和优化系统.

实现该模型主要采用人工智能与数据挖掘技术,在平行系统中,人工系统是软件定义的系统,将实际系统中的各要素建模为智能体,并基于实际系统的数据利用知识发现和知识工程获得智能体的属性和规则;接着,基于一定的目标生成大量的人工场景,运行产生大量数据,再利用机器学习、数据挖掘等方法进行分析、预测、评估,获得针对特定目标、特定场景的最优控制方案;最后,通过平行执行循环、在线地引导实际系统逼近人工系统.其基本思想是构建与实际系统相对应的虚拟系统,将复杂系统问题的求解空间从物理空间扩展为信息物理空间,再引入社会信号扩展为社会信息物理空间,从而得到其优化可行解.系统复杂性科学的一个基本假设,是在资源相对有限的前提下,系统不可知、不可假设.这可进一步概括为不确定性、多样性和复杂性,简称UDC(Uncertainty,Diversity,Complexity,UDC)问题[7].

处理UDC 问题的有效方法之一是基于ACP 的平行系统方法.其基本思想是拓展求解空间,在新的虚拟空间中寻求系统解.ACP 方法即人工系统、计算实验、平行执行.引入人工系统、计算实验和平行执行的目的,就是要跨越由于人和社会因素的复杂性所产生的建模鸿沟,导致系统从牛顿的“大数据、小定律”之特性转向默顿的“小数据、大定律”之特性[8].基于ACP 的平行系统的基本框架主要思想是:首先构造与实际系统等价的人工系统,在人工系统上利用计算实验对系统行为进行分析和评估,通过二者虚实互动的协同互校,研究对各自未来状况的借鉴和预估,相应调节各自的管理与控制方式[9].人工系统可以理解为传统的数学或解析建模的扩展,可用数学模型或仿真工具构建;计算实验由数据驱动,融合知识自动化、机器学习等方法,是仿真模拟的升华;而平行执行就是自适应控制的进一步推进升华,在虚实平行系统中构成大闭环反馈机制[10].基于平行理论和ACP 方法,邢阳等介绍了平行坦克系统的理论基础和其数字四胞胎结构,指出了平行坦克系统中的多项关键技术,同时还给出了平行坦克平台的系统构成和未来战争应用[11].

1.2 神经网络

人工神经网络简称为神经网络,是一种由输入层、隐含层和输出层构成的算法模型[12-14].通过足够的样本训练这个神经网络,通过动态的自适应调整,训练出最符合真实情况要求的模型.一旦神经网络训练完毕,便可成为一种有效的工具,来帮助实现人才培养资源的优化配置[15].

人工神经网络中的每个神经元模型包含一个传递函数或者激活函数,通常称为非线性函数,例如logistics 函数:

其中,x是神经元经过所有突触输入的加权和减去偏置的局部诱导域,y是通过激活函数得到的神经元的输出.

网络包含一层或多层隐藏神经元节点,它们不是神经网络输入层和输出层,这些隐藏层的神经元逐层地通过输入数据提取数据中的多种有用特征.网络中的突触(连接权值)决定了神经网络的高度连接性,网络的改变通过突触连接数量的改变以及突触权值的改变.

定义网络各层的输入为input,输出为out,则神经网络主要通过三层来计算.第一层为输入层,该层节点直接与输入量相连,并将其直接传递到下一层.第二层为隐含层,在每一个节点计算相应输入对激励函数的激励值.第三层为输出层,主要实现非线性运算,确定神经网络的输出.

神经网络模型应用于人才培养质量指标预测,其主要思想就是利用神经网络算法从海量历史数据中找出所隐含的信息,即数据所具有的趋势性与规律性,并依据这些规律进行评估,从而可作为指挥与控制中的辅助决策工具,实现该部分功能,对于快速决策具有重要意义.人才培养体系一般是非线性系统,神经网络通过层层神经迭代,通过激活函数可有效实现非线性的解决方案.权重和阈值赋初值.5)输入学习样本特征值矩阵和学习样本的综合评估评判值,构成期望输出向量,作为神经网络训练参照.6)计算隐含层、输出层各神经单元的实际输出值.7)通过学习样本误差函数,计算整个神经网络对于所有学习样本的平均误差.8)通过反向传播调整各神经元权重和阈值.9)给定精度,迭代N次,训练网络模型,得到输出结果结束训练.10)对于训练好的BP 神经网络模型,用测试样本进行验证,若测试正确率达到精度要求,则该模型可用于评估人才培养质量.11)不断迭代训练样本,直至算法终止.

2 基于BP 神经网络的数字化装甲兵指挥人才培养质量评价模型

数字化装甲兵指挥人才培养体系是在平行教育理论指导下,解决两类问题,包括以培养要素体系为条件、人才质量评价指标为目标时的人才质量影响分析,以人才质量评价指标为条件、培养要素体系为目标时的培养要素优化分析.本文通过BP 神经网络预测人才培养质量指标值,从而对人才培养质量进行评估,这与平行教育理论一脉相承.

2.1 样本建立

神经网络的初始阈值和权值是随机给定的,在获取数据样本时,首先构建样本输入输出及其编码方式.从问卷调查中提取的信息越多,输入信息的维度越大,表达的信息将越多,将越有利于模型准确性的提高.但输入维度太高、将会给样本集构建、网络训练,以及存储空间、处理时间等带来很多问题.因而,为了便于网络训练和保证模型的实用性,在构建样本集时,既应全面、客观地表示数据信息,又应考虑到存储空间、处理时间和易于实现等现实需求.因此,数据预处理时,应形成便于标准化的编码形式,本文采用(权值,阈值)的形式来进行编码.

2.2 基于BP 神经网络的人才培养质量评估模型

本文采用BP 神经网络模型,建立人才培养质量评估模型,算法流程如图1所示.主要求解步骤为:1)建立完善人才质量评价指标体系和人才培养要素体系.2)获取样本数据,将数据分为训练样本和测试样本.3)确定神经网络的学习率、隐含层节点数、迭代次数、误差精度等.4)神经网络初始化,为网络的

图1 基于神经网络的人才培养质量评估算法流程图Fig.1 Flow chart of the algorithm for evaluating the quality of talent training based on neural network

3 实例分析

3.1 数据采集

针对数字化指挥人才质量评价指标和人才培养要素的对应关系,通过调查问卷等形式,采集相关数据,作为实验数据集.本文将人才质量评价指标分为优秀(90 分以上)、良好(75 ～90 分)、及格(60 ～75分)、不及格(60 分以下)4 个等级.问卷调查主题对象是院校教员和部分学员,共发放问卷1 200 份,取其中1 000 份作为实验数据,构建初始数据集.同时,用最大最小值法进行归一化处理,将评价指标评分标准化到[0,1]区间.以政治素质为例(其他人才质量评价指标同理),生成标准化样本数据,如表1所示.

本文的实验环境为Windows 10 系统,Intel Core i7-9700 处理器,4 GB 内存,实验软件为Python 3.7.

表1 数据集建立(部分)Table 1 Data set establishment(partial)

3.2 模型训练与测试

将1 000 组数据中的900 组用于训练,剩余的100 组用于测试,检验模型的性能,训练该模型时,误差指标取0.5.其中,人才培养要素为神经网络的输入,人才质量评价指标为输出.例如,以政治素质评价指标为第一个输出变量,第一组输入数据为(0.92,0.86,0.95,0.89,0.90,0.88),输出为0.91,以此类推,不断进行训练,得到较合理模型后,输入后100 组数据作为测试数据,用该模型预测人才质量评价结果,达到收敛时部分测试数据的预测结果如表2所示.

预测结果的精度随迭代次数增加而变化的仿真结果如图2所示.由图2 可知,BP 神经网络在迭代次数达到10 000 次时,各项人才质量评价指标预测精度均已达到要求,例如,政治素质指标的平均预测精度达到0.992 2,均方误差为0.000 036 8;同时,在训练8 000 次时基本收敛到稳定值,验证了基于BP 神经网络的人才质量评估模型的准确性和稳定性,较好地满足评估要求,得出的评估数据更可靠.

表2 政治素质评估结果(部分)Table 2 Political quality assessment results(partial)

图2 基于BP 神经网络的教学质量评价指标预测精度Fig.2 The prediction accuracy of teaching quality evaluation index based on BP neural network

进一步可知,六项人才质量评价指标达到收敛时的平均预测精度和均方误差如表3所示.通过基于BP 神经网络的人才培养质量评估模型,有效实现了对人才培养质量的优化控制,为后期复杂大数据情况下的人才培养质量评估提供了坚实的理论基础.

表3 人才质量评价指标预测结果Table 3 Forecast results of talent quality evaluation indicators

4 结论

本文将平行系统方法和BP 神经网络引入数字化装甲兵指挥人才培养质量的评估中,一定程度上克服了装甲兵人才培养的非线性关系识别困难,具有评估准确、稳定、自适应性强等优点.以人才质量评价指标和人才培养要素为切入口,本文进一步通过院校教员和学员的实际调查数据,验证了所构建BP 模型的评估有效性.实验结果表明,本文所提模型的评价结果较为准确、稳定、可靠,为实现培养方案的快速优化提供了辅助支撑技术.

本文构建的BP 网络评价模型只是数字化部队指挥人才培养的特定环节和初步尝试.在未来的研究中,我们将进一步在虚拟空间中构建指挥人才的数字四胞胎,通过数字指挥人才和真实指挥人才的平行交互,实现对真实指挥官生理和心理状态的实时“感知认知预测”全过程,进而对其所作的决策和行为完成动态描述、预测和引导.