《装备体系贡献率评估方法.pdf》由会员分享，可在线阅读，更多相关《装备体系贡献率评估方法.pdf（10页珍藏版）》请在专利查询网上搜索。
1、(19)国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202310406409.2(22)申请日 2023.04.17(71)申请人 中国兵器科学研究院地址 100089 北京市海淀区车道沟10号院(72)发明人 郭志明李军陈龙高亮冯源孙勇赵丹王迪白子龙乔虎王伟林旺群(74)专利代理机构 北京睿派知识产权代理有限公司 11597专利代理师 刘锋(51)Int.Cl.G06F 30/27(2020.01)G06Q 10/0639(2023.01)G06N 3/04(2023.01)G06N 3/096(2023.01)G06F 111/08(2020.。
2、01)(54)发明名称一种装备体系贡献率评估方法(57)摘要本发明公开一种装备体系贡献率评估方法，包括：基于作战体系构建作战拓扑网络；并构建对抗拓扑网络；基于所述作战拓扑网络及对抗拓扑网络分别进行整合处理，得到第一作战整体特征数据及对抗整体特征数据；对第一作战整体特征数据及对抗整体特征数据进行预测，得到第一置信度；在作战拓扑网络中将分析装备对应节点进行去除，并基于去除后的拓扑网络进行整合处理，生成第二作战整体特征数据；对第二作战整体特征数据及对抗整体特征数据进行预测，得到第二置信度；基于第一置信度及第二置信度得到贡献率以实现装备体系贡献率全面有效评估。权利要求书2页 说明书6页 附图1页CN 。
3、116151128 A2023.05.23CN 116151128 A1.一种装备体系贡献率评估方法，其特征在于，包括：步骤S110，基于作战体系构建作战拓扑网络，并基于所述作战拓扑网络进行整合处理，得到第一作战整体特征数据；步骤S120，基于对抗体系构建对抗拓扑网络，并基于所述对抗拓扑网络进行整合处理，得到对抗整体特征数据；步骤S130，对所述第一作战整体特征数据及所述对抗整体特征数据进行预测，得到第一置信度；步骤S140，在所述作战拓扑网络中将分析装备对应节点进行去除，并对去除后的作战拓扑网络进行整合处理，生成第二作战整体特征数据；步骤S150，对所述第二作战整体特征数据及所述对抗整体特征。
4、数据进行预测，得到第二置信度；步骤S160，基于所述第一置信度及所述第二置信度得到贡献率以实现装备体系贡献率评估。2.根据权利要求1所述的装备体系贡献率评估方法，其特征在于，所述作战体系包括不同的任务类型，每个所述任务类型均划分为不同的子任务类型，其中所述子任务采用不同的装备，每个装备均具有对应的装备性能数据。3.根据权利要求2所述的装备体系贡献率评估方法，其特征在于，作战拓扑网络包括装备对应的节点，其中所述节点的特征数据包括所述装备性能数据，其中所述节点的标签包括任务类型及子任务类型，其中所述任务类型构成所述作战拓扑网络的层级。4.根据权利要求3所述的装备体系贡献率评估方法，其特征在于，针对。
5、所述作战拓扑网络、所述对抗拓扑网络及去除后的拓扑网络的整合处理包括同类整合、聚类整合及拼接处理，其中所述同类整合包括对同一子任务类型中的装备性能数据进行平均化处理，所述聚类整合包括对同一层级下的平均化处理结果进行乘积处理，所述拼接处理包括将乘积处理结果与下一层级中的装备性能数据进行拼接处理，重复同类整合、聚类整合及拼接处理，直到遍历所有层级，生成整体特征数据。5.根据权利要求1所述的装备体系贡献率评估方法，其特征在于，步骤S130包括，通过深度学习网络模型对所述第一作战整体特征数据及所述对抗整体特征数据进行预测，得到第一置信度，其中所述深度学习网络模型采用全连接神经网络。6.根据权利要求5所述。
6、的装备体系贡献率评估方法，其特征在于，通过所述深度学习网络模型进行预测之前还包括：通过仿真训练样本及实测训练样本对所述深度学习网络模型进行特征迁移训练。7.根据权利要求1所述的装备体系贡献率评估方法，其特征在于，步骤S160，基于所述第一置信度及所述第二置信度得到贡献率包括：当第一置信度及第二置信度的对应预测结果为成功时，对所述第一置信度及第二置信度进行差值计算，将所述差值计算结果与第一置信度的比值作为装备对于作战体系的贡献率；当第一置信度及第二置信度的对应预测结果为失败时，对所述第二置信度及第一置信度进行差值计算，将所述差值计算结果与第一置信度的比值作为装备对于作战体系的贡献率；权利要求书1。
7、/2 页2CN 116151128 A2当第一置信度对应的预测结果为成功，第二置信度的对应预测结果为失败时，对所述第二置信度及第一置信度进行求和计算，将所述求和计算结果与第一置信度加1结果的比值作为装备对于作战体系的贡献率；当第一置信度对应的预测结果为失败，第二置信度的对应预测结果为成功时，装备对于作战体系的贡献率为0。权利要求书2/2 页3CN 116151128 A3一种装备体系贡献率评估方法技术领域0001本发明涉及装备评估技术领域，特别涉及一种装备体系贡献率评估方法。背景技术0002随着信息技术的发展和装备复杂程度的提高，现代战争呈现出明显的体系对抗特点，进行装备体系研究对军事理论的创。
8、新和部队战斗力推动与提高有着相关作用。装备体系贡献率是在特定任务场景下，某类或某型装备对整个装备体系能力和作战效能提升所贡献程度的度量，其评估能够反应装备对于整体体系的能力效能提升度。但是现有技术中缺乏添加对抗体系的装备体系贡献度的评估，同时相关技术对于作战体系整体的反映能力不强，进而无法对装备体系贡献度进行有效评估。发明内容0003为解决上述现有技术中所存在的问题，本发明提供一种装备体系贡献率评估方法，通过添加对抗体系，并对对抗体系及作战体系对应拓扑网络节点分别进行整合，提升体系的反映能力，通过整合后的整体特征数据进行分析，保证装备体系贡献率的有效评估。0004为了实现上述技术目的，本发明提。
9、供了如下技术方案：一种装备体系贡献率评估方法，包括：步骤S110，基于作战体系构建作战拓扑网络，并基于所述作战拓扑网络进行整合处理，得到第一作战整体特征数据；步骤S120，基于对抗体系构建对抗拓扑网络，并基于所述对抗拓扑网络进行整合处理，得到对抗整体特征数据；步骤S130，对所述第一作战整体特征数据及所述对抗整体特征数据进行预测，得到第一置信度；步骤S140，在所述作战拓扑网络中将分析装备对应节点进行去除，并对去除后的作战拓扑网络进行整合处理，生成第二作战整体特征数据；步骤S150，对所述第二作战整体特征数据及所述对抗整体特征数据进行预测，得到第二置信度；步骤S160，基于所述第一置信度及所述。
10、第二置信度得到贡献率以实现装备体系贡献率评估。0005可选的，所述作战体系包括不同的任务类型，每个所述任务类型均划分为不同的子任务类型，其中所述子任务采用不同的装备，每个装备均具有对应的装备性能数据。0006可选的，作战拓扑网络包括装备对应的节点，其中所述节点的特征数据包括所述装备性能数据，其中所述节点的标签包括任务类型及子任务类型，其中所述任务类型构成所述作战拓扑网络的层级。可选的，针对所述作战拓扑网络、所述对抗拓扑网络及去除后的拓扑网络的整合处理包括同类整合、聚类整合及拼接处理，其中所述同类整合包括对同一子任务类型中的装备性能数据进行平均化处理，所述聚类整合包括对同一层级下的平均化说明书1。
11、/6 页4CN 116151128 A4处理结果进行乘积处理，所述拼接处理包括将乘积处理结果与下一层级中的装备性能数据进行拼接处理，重复同类整合、聚类整合及拼接处理，直到遍历所有层级，生成整体特征数据。0007可选的，步骤S130包括，通过深度学习网络模型对所述第一作战整体特征数据及所述对抗整体特征数据进行预测，得到第一置信度，其中所述深度学习网络模型采用全连接神经网络。可选的，通过所述深度学习网络模型进行预测之前还包括：通过仿真训练样本及实测训练样本对深度学习网络模型进行特征迁移训练。0008可选的，步骤S160，基于所述第一置信度及所述第二置信度得到贡献率包括：当第一置信度及第二置信度的对。
12、应预测结果为成功时，对所述第一置信度及第二置信度进行差值计算，将所述差值计算结果与第一置信度的比值作为装备对于作战体系的贡献率；当第一置信度及第二置信度的对应预测结果为失败时，对所述第二置信度及第一置信度进行差值计算，将所述差值计算结果与第一置信度的比值作为装备对于作战体系的贡献率；当第一置信度对应的预测结果为成功，第二置信度的对应预测结果为失败时，对所述第二置信度及第一置信度进行求和计算，将所述求和计算结果与第一置信度加1结果的比值作为装备对于作战体系的贡献率；当第一置信度对应的预测结果为失败，第二置信度的对应预测结果为成功时，装备对于作战体系的贡献率为0。0009本发明具有如下技术效果：通。
13、过上述技术方案，添加对抗拓扑体系即对抗网络，并通过借此与需要分析的作战体系进行结合分析，从体系与体系对抗间提取其成功率即置信度，能够全面分析装备体系贡献率，同时对对抗拓扑网络及作战对抗网络进行相关的整合处理，通过相关整合处理生成拓扑网络对应的整体特征数据，能够全面反映该体系及作战体系中所有装备节点的一定能力，同时使用深度学习网络模型生成成功率及置信度，并通过对置信度进行判断，生成装备体系贡献率，能够对装备体系贡献率进行全面有效的评估。附图说明0010为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实。
14、施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。0011图1为本发明实施例提供的方法流程示意图。具体实施方式0012下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。说明书2/6 页5CN 116151128 A50013如图1所述，本发明提供了一种装备体系贡献率评估方法，包括如下步骤：步骤S110，基于作战体系构建作战拓扑网络，并基于所。
15、述作战拓扑网络进行整合处理，得到第一作战整体特征数据：针对作战体系构建作战拓扑网络，根据作战体系中不同装备的性能数据对作战拓扑网络中节点赋予特征数据，并在赋予数据之后，根据作战拓扑网络结构和每个节点赋予的数据进行合并计算，合并为拓扑网络的第一作战整体特征数据；步骤S120，基于对抗体系构建对抗拓扑网络，并基于所述对抗拓扑网络进行整合处理，得到对抗整体特征数据：确定需要对抗的作战体系即对抗体系，针对对抗体系构建对抗拓扑网络，对对抗拓扑网络同样进行数据赋予及整体特征的计算即根据对抗体系中不同装备的性能数据对对抗拓扑网络中节点赋予特征数据，并在赋予数据之后，根据对抗拓扑网络结构和每个节点赋予的数据进。
16、行合并计算，合并为对抗拓扑网络的整体特征数据；步骤S130，对所述第一作战整体特征数据及所述对抗整体特征数据进行预测，得到第一置信度：将作战拓扑网络计算所获取的第一作战整体特征数据及对抗拓扑网络计算所获得的对抗整体特征数据整体作为深度学习网络模型的输入，通过深度学习网络模型对作战体系的成功率即第一置信度进行计算；步骤S140，在所述作战拓扑网络中将分析装备对应节点进行去除，并对去除后的作战拓扑网络进行整合处理，生成第二作战整体特征数据：将步骤S110中针对作战体系构建的作战拓扑网络中需要分析的装备节点进行去除，去除需要分析的装备节点时，将装备节点及对应的性能数据从作战拓扑网络中进行剔除，不参与。
17、后续的网络的整合及拼接处理，对抗拓扑网络不做任何的调整，对抗拓扑网络对应的对抗整体特征数据同样不做任何调整，通过对去除需要分析装备节点的作战拓扑网络进行合并计算，生成第二作战整体特征数据；步骤S150，对所述第二作战整体特征数据及所述对抗整体特征数据进行预测，得到第二置信度：将去除需要分析装备节点的拓扑网络合并计算后的第二作战整体特征数据与对抗拓扑网络对应的对抗整体特征数据一起输入到深度学习网络模型进行计算，从而生成去除需要分析装备的作战网络的成功率即第二置信度；步骤S160，基于所述第一置信度及所述第二置信度得到贡献率以实现装备体系贡献率评估：根据第二置信度与先前的成功率即第一置信度结合运算。
18、生成体系贡献率。0014在步骤S110中，基于作战体系构建作战拓扑网络，并基于所述作战拓扑网络进行整合处理，得到第一作战整体特征数据中，所述作战体系包括不同的任务类型，每个任务具有对应的装备以及装备的性能数据。例如，所述任务包括侦察、指挥决策、火力等任务，侦察任务的装备及其性能数据包括侦察范围、识别时间、信息时延、发现率、识别精度及定位精度。指挥决策任务的装备及其性能数据包括决策数量、决策精度满足率、同时控制精度、指令成功率及控制范围。火力任务的装备及其性能数据包括火力打击范围、命中精度、毁伤率。补给运输任务的装备及其性能数据包括作战半径、补给精度及巡航速度。0015同时根据实际的作战体系，不。
19、同的任务能够划分为多个子任务，每个子任务采用一种装备或多种装备进行执行，如针对侦察任务划分提供空中侦察子任务及水下侦察子任务，对于空中侦察子任务或水下侦察子任务采用一种装备或多种装备联合进行，其任务类型、子任务类型及具体装备可根据需求进行调整。说明书3/6 页6CN 116151128 A60016在步骤S110中，所述根据作战体系中不同装备的性能数据对作战拓扑网络中节点赋予特征数据，并在赋予数据之后，根据作战拓扑网络结构和每个节点赋予的数据进行合并计算，合并为拓扑网络的整体特征具体为：根据上述的作战体系构建作战拓扑网络，将作战体系中的不同的装备设置为作战拓扑网络中的不同的节点，并根据其对应的。
20、任务类型、子任务类型及装备性能数据对该节点进行特征数据赋予，赋予过程中，赋予的数据为性能数据集合作为节点特征数据，并标注其任务类型及子任务类型，对于拓扑网络进行数据赋予后，对该网络中的节点根据任务类型进行层级分配，层级分配完成后，将同一子任务类型的节点进行同类整合，并将同一任务类型下的子任务类型进行聚类整合，整合后拼接下一层级的节点特征数据，使用整合后的节点特征数据更新该节点的原本节点特征数据，并将更新好的节点特征数据依次进行同类整合及聚类整合及更新，直到完成该拓扑网络上的所有层级，最终生成拓扑网络整体特征数据。0017针对同类整合、聚类整合及拼接处理，将同一子任务类别下的所有装备节点对应的装。
21、备性能数据，根据不同性能数据类别分别进行最大值、最小值或平均化计算，将上述计算结果作为子任务类别下的同类整合处理结果，处理完成后，在同一任务下的不同子任务即同一层级下，对不同子任务类别对应的同类整合处理结果按照不同性能数据类型分别进行乘积运算，将乘积运算结果作为任务类型的聚类整合结果，并将其拼接于下一个任务即下一层级的节点特征数据，将拼接后的节点特征数据作为下一层级的节点特征数据，更新下一层级的节点特征数据。0018针对上述实施例所提出的作战体系，构建作战拓扑网络，将不同的装备设置为拓扑网络的节点，对节点数据赋予，赋予完成后，通过同类整合、聚类整合及拼接处理对作战拓扑网络的整体特征数据进行求取。
22、，例如，针对侦察任务，对侦察任务下的空中侦察任务对应的装备进行同类聚合，将空中侦察任务的装备节点特征数据按照性能数据类型分别进行平均值计算，计算完成后，生成空中侦察同类特征，并对水下侦察的装备进行同类聚合，生成水下侦察同类特征，对空中侦察同类特征与水下侦察同类特征进行聚类整合，聚类整合采用乘积运算，聚类整合完成后，生成侦察聚类特征。需要说明的是，若侦察任务还包括其他子任务，同样进行同类聚合，并与上述空中及水下侦察特征进行聚类整合生成侦察聚类特征，侦察聚类特征与指挥决策装备节点特征数据进行拼接，使用拼接后的特征更新特征数据。本实施例设置一个指挥决策节点，则其同类整合及聚类整合处理后的结构与指挥决。
23、策节点更新后的特征数据相同，则将该更新后的特征数据分别拼接火力任务中空中打击和水下打击的装备节点特征数据，拼接后更新空中及水下打击下的装备特征节点，分别对空中及水下打击的装备特征节点进行同类整合，同类整合采用平均值计算，同类整合后进行聚类整合，聚类整合后对空中及水下打击进行聚类整合，整合后对补给任务中的装备进行同类整合及聚类整合，若补给任务后无下一层级，则将补给任务的聚类整合特征数据作为最终的第一整体特征数据。0019通过同类整合、聚类整合及拼接处理将该网络中全部的特征数据整合到同一特征中，该数据能够体现上述作战体系的一定能力，但是该能力无法从上述内容中直接体现，需要设置一定的对抗体系，从对抗。
24、成功率的角度去解析贡献度，在步骤S120中对抗拓扑网络采用与在步骤S110针对作战拓扑网络相同的同类整合、聚类整合及拼接处理方法，生成其说明书4/6 页7CN 116151128 A7对应的对抗整体特征数据，通过对抗生成成功率数据，从特定对抗体系中分析其贡献度。0020步骤S130，对所述第一作战整体特征数据及所述对抗整体特征数据进行预测，得到第一置信度具体为：首先构建深度学习网络模型。在生成作战整体特征数据及对抗整体特征数据后，构建深度学习网络模型来预测上述作战整体数据及对抗特征整体数据是否成功及对应的置信度，以神经网络的非线性拟合能力为基础分析预测作战拓扑网络及对抗拓扑网络对应的贡献度。0。
25、021其中深度学习网络模型采用全连接神经网络，全连接神经网络中的相邻层的各个隐藏节点均存在一定的连接关系，选择全连接神经网络能够更好的拟合不同参数之间的非线性相关性联系，借此希望通过全连接结构的深度学习网络去预测不同参数间的非线性关系进而预测不同作战体系间的成功率。0022本实施例中全连接神经网络的结构例如为隐藏层数为7，每个隐藏层内的隐藏节点为600。设置完成后，设置仿真试验来获取一定的历史参考参数，其中，仿真实验设置的过程中，其仿真试验主要针对的是作战拓扑网络及对抗拓扑网络结构中的层级即任务及层级下的子任务类别，其任务及子任务类型与上面描述的内容相同。在上述层级及子任务结构确定后，选择不同。
26、的装备节点及不同的性能数据，通过对不同的性能数据节点进行调整或重新选取，通过相关的作战仿真模拟软件对上述内容进行仿真模拟，记录其不同作战及对抗体系下的装备仿真数据及对应的是否成功结果，并对装备仿真数据根据子任务及任务类型进行同类整合及聚类整合，生成仿真训练样本，仿真训练样本生成后，通过任务及子任务类别搜索相关的历史作战数据，历史作战数据中作战体系符合上述任务及子任务类别，同时记录其上述性能数据即可，装备的类别及性能数据可以与本发明所构建的装备体系中具体的数值不同，并对作战结果进行分析，分析是否成功，并对历史作战数据根据任务及子任务进行同类整合及聚类整合，整合完成后，将是否成功及历史作战整合结果。
27、作为实测训练样本。0023对深度学习网络进行训练，并使用训练好的深度学习网络对作战拓扑网络计算所获取的第一作战特征特征数据及对抗拓扑网络计算所获得的对抗整体特征数据整体进行预测，生成第一置信度。仿真训练样本及实测训练样本生成后，通过仿真训练样本对上述深度学习模型进行训练，训练过程中采用交叉熵损失函数，仿真训练样本训练后，通过实测训练样本对上述深度学习模型进行训练，以此达到从仿真阶段向实测阶段的特征迁移，以有限即实测数据较少的情况下，模型的有效训练。训练完成后，通过训练好的深度学习模型对本实施例中需要分析的作战体系进行是否成功的判断，将作战体系对应的整体特征数据即第一作战整体特征数据及对抗体系对。
28、应的整体特征数据输入深度学习网络模型，输出是否成功及对应的第一置信度，将第一置信度作为原作战体系与对抗体系对抗的成功率数据，记录该阶段下作战体系的成功率。0024步骤S140，在所述作战拓扑网络中将分析装备对应节点进行去除，并对去除后的作战拓扑网络进行整合处理，生成第二作战整体特征数据具体为：将需要分析的装备从上述作战拓扑网络中进行去除，将去除后的作战拓扑网络进行与步骤S110中相同的同类整合、聚类整合及拼接处理，生成去除后的作战拓扑网络的整体特征数据即第二作战整体特征数据。说明书5/6 页8CN 116151128 A80025步骤S150，对所述第二作战整体特征数据及所述对抗整体特征数据进。
29、行预测，得到第二置信度具体为：将去除所分析装备的第二作战整体特征数据与对抗整体特征数据输入到训练好的深度学习网络模型进行成功率的预测，采用与步骤S130生成第一置信度同样的方式来生成第二置信度。具体过程不再赘述。0026步骤S160，基于所述第一置信度及所述第二置信度得到贡献率以实现装备体系贡献率评估，具体为：若预测结果全部为成功，则将上述需要分析装备去除前的成功率即第一置信度及去除后的成功率即第二置信度进行差值计算，将差值计算结果与去除前的成功率的数据即第一置信度的比值作为装备对于该体系的贡献度。0027若深度学习网络模型的预测结果全部为失败，（结果为失败时，也会产生失败对应的概率，若同样都。
30、是失败，但去除需要分析的装备之前相较于去除装备之后的失败概率减少，则第二置信度与第一置信度之间的差值认定为贡献度），将去除后网络对抗的第二置信度与去除前的第一置信度进行差值计算，计算完成后同样以差值计算结果与去除前的第一置信度的比值作为装备对于该体系的贡献度。0028若去除前深度学习网络模型的预测结果为成功，去除后深度学习网络模型的预测结果为失败，则将去除前的第一置信度与去除后的第二置信度进行求和，并将求和结果与去除前成功率加1结果的比值作为装备对于该体系的贡献度。0029若去除前深度学习网络模型的预测结果为失败，去除后深度学习网络模型的预测结果为成功时，意味着该装备对于上述作战体系无促进作用。
31、或起反作用即无贡献度，贡献度为0。0030所述需要分析的装备为侦察、火力任务或补给运输任务中某一个装备，根据实际分析需求，确定需要分析的装备。0031本发明上述深度学习网络训练完成后，可使用其训练好的深度学习模型对本发明上述作战体系相似的作战体系进行评估，相似作战体系包括任务类型、子任务类型、性能数据类型相同，可按实际需求选择不同的装备。0032贡献度计算完成后，对上述数据内容进行存储，存储过程中，根据上述拓扑网络结构特征进行存储，将拓扑网络的对应的作战或是对抗类型作为最上层的元素，将对应的任务类型作为下级元素，并对任务类型根据层级关系依次排序，排序后，将任务类型作为上级元素，子任务类型作为下级元素，并对子任务类型进行随机排序，之后将子任务类型作为装备的上级元素，将装备作为新能数据的上级元素，依次进行存储，存储后将对应的贡献度填写到对应的装备标签中，保证上述数据的有序性，上述存储模式采用树形结构，方便相关人员的查看及数据分析。0033以上，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。说明书6/6 页9CN 116151128 A9图1说明书附图1/1 页10CN 116151128 A10。