一种用于作战效能评估的加权随机混合语义方法技术

本发明专利技术公开了一种用于作战效能评估的加权随机混合语义方法，包括步骤如下：评估指标体系构建与指标赋权、评估指标量化与重映射、建立加权随机混合语义模型和数据代入推断。本发明专利技术在贝叶斯网络的框架下，用一种加权随机混合语义来描述作战效能评估过程，可以混合纳入定量指标与定性指标，两者仅在随机产生语义层面存在差异，能够充分利用定性指标提供的潜在信息；同时，本发明专利技术实质上是一种贝叶斯后验推断方法，故具有贝叶斯方法容许缺失数据的优势，可量化指标在模型中体现为观测值节点，而缺失指标体现为未知参数节点，由于这些参数节点不作为模型推断的证据，故缺失指标对评估过程和评估结果均不产生影响。程和评估结果均不产生影响。

【技术实现步骤摘要】
一种用于作战效能评估的加权随机混合语义方法


[0001]本专利技术涉及作战效能评估
，尤其涉及一种用于作战效能评估的加权随机混合语义方法。

技术介绍

[0002]作战效能衡量特定作战行动或作战实体在一定的约束条件下达成预定作战目标的程度，作战效能评估就是对此抽象程度的一种定量估计过程，它通过针对性地构建评估指标体系和评估方法，可以对关键作战要素和作战流程进行量化、综合与排序。因此，作战效能评估对作战计划拟制、作战方案优选和作战体系建设等实际问题具有重大的指导意义。
[0003]当前，层次分析法和模糊综合评价法及其各类变体因科学有效和简便易行的特点，在作战效能评估领域取得了广泛应用。这类方法的核心步骤包括：1、根据评估目的建立评估指标体系；2、评估指标量化与规范化；3、采用主客观方式为评估指标赋权重；4、采用加权和或加权积等方法综合计算评估结果。评估结果能直接衡量作战效能的高低，作战人员可以依据定量的效能值定位问题、分析问题、解决问题。
[0004]然而，随着武器装备和作战样式的不断发展，作战效能评估的构设环境(如评估对象、评估准则、数据采集手段等)日趋复杂多样，这些传统方法逐渐显露出一定程度的局限。首先，无法处理定性指标。定性指标是一类取值为“好、坏”、“高、低”、“强、弱”等离散标签值的可排序但非量化的指标，而这些方法要求指标值必须为可量化的实数值，对定性指标要么忽略，要么强行赋予一个特定值，这显然都不恰当；其次，无法处理缺失指标。造成缺失指标有很多因素，如采集传感器故障、数据传输链路故障、存储介质损坏、数据质量过低等，外在表现均是出现值为“空”的指标。这些方法处理缺失指标时一般采取经验式填充策略，即填充指标的最小值、最大值或历史数据的平均值等，这显然也是不严谨的。

技术实现思路

[0005]基于
技术介绍
存在的技术问题，本专利技术提出了一种用于作战效能评估的加权随机混合语义方法。
[0006]本专利技术提出的一种用于作战效能评估的加权随机混合语义方法，包括步骤如下：
[0007](1)评估指标体系构建与指标赋权；
[0008](2)评估指标量化与重映射；
[0009](3)建立加权随机混合语义模型；
[0010](4)数据代入推断。
[0011]优选的，所述的步骤(1)包括：
[0012](a)评估指标体系构建；
[0013]所述的(a)包括构建评估指标体系的树形结构，一般情况下，第一级指标(即根节点)为作战效能节点，其下设若干个反映作战效能某一特定方面的二级指标，递归地，N级指
标可依实际意义与需求再下设N+1级指标，指标级数越高，抽象程度越低，物理意义也越具体，直至达到可量化的指标节点(即叶节点)为止。
[0014](b)评估指标赋权；
[0015]所述的(b)包括为指标树中除根节点外的所有指标节点赋予权重，节点的权重衡量此节点与其父节点联系的紧密程度，方法采用专家主观赋权法，权重取值区间为(0,1)。
[0016]优选的，所述的步骤(2)包括：
[0017](a)评估指标量化；
[0018]所述的(a)包括利用实采数据解算指标树叶节点中定量指标的实数值，以及为定性指标赋予适当的离散标签。
[0019](b)评估指标重映射；
[0020]所述的(b)包括：首先，将未缺失的定性指标标签按蕴含的实际正向或负向意义重赋为“达标”或“未达标”之一；
[0021]其次，将未缺失的效益型定量指标值重映射至[0,1]区间，映射函数需针对每个指标分别定制，效益型指标是一类量化值越高，代表效能值越高的指标类型，对于任一效益型指标定制其重映射函数如下：
[0022][0023]其中，u为映射值达到1时的下界，Δu为映射值达到0时相对u向负方向的最小偏离量，且Δu＞0；
[0024]最后，将未缺失的成本型定量指标值重映射至[0,1]区间，映射函数需针对每个指标分别定制，成本型指标是一类量化值越高，代表效能值越低的指标类型，对于任一成本型指标定制其重映射函数如下：
[0025][0026]其中，u为映射值达到1时的上界，Δu为映射值达到0时相对u向正方向的最小偏离量，且Δu＞0。
[0027]优选的，所述的步骤(3)包括：(a)建立非叶节点指标产生语义；
[0028]所述的(a)包括建立作战效能节点(即根节点)的先验分布，以及各中间节点相对
其父节点的产生语义，作战效能节点先验分布为：
[0029]A～Beta(1,1)
[0030]其中，Beta(1,1)为参数均为1的贝塔分布，它等效于在[0,1]区间上的均匀分布；
[0031]四个中间节点的抽样产生语义为：
[0032][0033]其中，TNormal
[0,1]是在区间[0,1]上的截断正态分布，定义为：
[0034][0035]其中，Normal为正态分布概率密度函数。
[0036](b)建立定量指标节点产生语义；
[0037]所述的(b)包括建立定量指标节点相对其父节点的产生语义，若指标A
ij
为定量指标，父节点为A
i
，则其抽样产生语义为：
[0038][0039](c)建立定性指标节点产生语义；
[0040]所述的(c)包括建立定性指标节点相对其父节点的产生语义，若指标A
ij
为定性指标，父节点为A
i
，则其抽样产生语义为：
[0041]A
ij
～Bernoulli(φ(φ-1
(A
i
)
×
w
ij
))
[0042]其中，Bernoulli为伯努利分布，A
ij
＝1表示“达标”，A
ij
＝0表示“不达标”，函数φ-1
为函数φ的反函数，函数φ是标准正态分布的累积概率密度函数，定义为：
[0043][0044]优选的，所述的步骤(4)包括将步骤(1)赋予的指标权重和步骤(2)计算的量化指标重映射值代入步骤(3)构建的概率化预测模型中，并给出一个类似于[优、良、中、差]或[高级、中级、低级]等的评语集，启动对模型的抽样过程，利用根节点的后验分布样本得出作战效能在评语集上的概率分布。
[0045]本专利技术中，所述一种用于作战效能评估的加权随机混合语义方法，第一，本专利技术在贝叶斯网络的框架下，用一种加权随机混合语义来描述作战效能评估过程，可以混合纳入定量指标与定性指标，两者仅在随机产生语义层面存在差异，能够充分利用定性指标提供的潜在信息；第二，本专利技术实质上是一种贝叶斯后验推断方法，故具有贝叶斯方法容许缺失数据的优势，可量化指标在模型中体现为观测值节点，而缺失指标体现为未知参数节点，由于这些参数节点不作为模型推断的证据，故缺失指标对评估过程和评估结果均不产生影响。
附图说明
[0046]图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于作战效能评估的加权随机混合语义方法，其特征在于，包括步骤如下：(1)评估指标体系构建与指标赋权；(2)评估指标量化与重映射；(3)建立加权随机混合语义模型；(4)数据代入推断。2.根据权利要求1所述的一种用于作战效能评估的加权随机混合语义方法，其特征在于，所述的步骤(1)包括：(a)评估指标体系构建；所述的(a)包括构建评估指标体系的树形结构，一般情况下，第一级指标(即根节点)为作战效能节点，其下设若干个反映作战效能某一特定方面的二级指标，递归地，N级指标可依实际意义与需求再下设N+1级指标，指标级数越高，抽象程度越低，物理意义也越具体，直至达到可量化的指标节点(即叶节点)为止。(b)评估指标赋权；所述的(b)包括为指标树中除根节点外的所有指标节点赋予权重，节点的权重衡量此节点与其父节点联系的紧密程度，方法采用专家主观赋权法，权重取值区间为(0,1)。3.根据权利要求1所述的一种用于作战效能评估的加权随机混合语义方法，其特征在于，所述的步骤(2)包括：(a)评估指标量化；所述的(a)包括利用实采数据解算指标树叶节点中定量指标的实数值，以及为定性指标赋予适当的离散标签。(b)评估指标重映射；所述的(b)包括：首先，将未缺失的定性指标标签按蕴含的实际正向或负向意义重赋为“达标”或“未达标”之一；其次，将未缺失的效益型定量指标值重映射至[0,1]区间，映射函数需针对每个指标分别定制，效益型指标是一类量化值越高，代表效能值越高的指标类型，对于任一效益型指标定制其重映射函数如下：其中，u为映射值达到1时的下界，Δu为映射值达到0时相对u向负方向的最小偏离量，且Δu＞0；最后，将未缺失的成本型定量指标值重映射至[0,1]区间，映射函数需针对每个指标分别定制，成本型指标是一类量化值越高，代表效能值越低的指标类型，对于任一成本型指标定制其重映射函数如下：
其中，u为映射值达到1时的上界，Δu为映射值达到0时相对u向正方向的最小偏离量，且Δu＞0。4.根据权利要求1所述的...

【专利技术属性】
技术研发人员：易当祥，李聪，
申请(专利权)人：信云领创北京科技有限公司，
类型：发明
国别省市：