基于BP神经网络的某反装甲武器系统打击效果预测

发布时间：2021-12-09 07:34

　　针对实装试验难以实现某型反装甲武器系统全样本条件下的打击效果预测,提出一种基于梯度搜索技术的改进BP神经网络的反装甲武器系统打击效果模型,建立影响预测结果的影响因子量化值和目标靶车打击效果的量化值之间的对应关系,利用作战试验历史数据作为样本训练模型,最后以某次真实试验结果检验模型。结果表明,打击效果预测值与真实值吻合较好,BP神经网络可实现对该武器系统对靶车打击效果进行有效预测,可为火力打击方案制订、作战试验方案评估、训练效果评估等提供决策依据。 

【文章来源】：兵器装备工程学报. 2020,41(08)北大核心

【文章页数】：6 页

【部分图文】：

打击效果随射程变化曲线

步骤1:收集样本，设计网络结构。收集和处理试验样本案例，将影响因子量化值作为神经网络预测模型的输入向量X=(X1,X2,X3，…，X1);将打击效果预测量值作为神经网络的输出O，将样本打击效果的实际值作为期望Y^。确定BP神经网络的基本结构，包括隐含层的层数和神经元的个数，选取训练函数和激励函数。步骤2:设置神经元间连接权系数和神经元阈值初始值。对神经元间连接权系数和神经元阈值进行初始化，随机取[-1,1]之间的值(其中权重极值1表示正相关，-1表示负相关)，所有节点参数的变化量和学习率变化量初始化为0，设置初始学习率初始值和误差容许值Rallow。

假设相邻两层节点之间一一连接，同层节点之间无连接。其中，n表示节点j的输入节点数，xi是第i个输入节点的输出值，神经网络中输入层的输入到输出一般不做运算所以xi等于Xi,wji是输入层第i个节点到下一层第j个节点的连接权系数值，θj表示阈值。神经元节点连接关系如图3所示。步骤4:计算下一次迭代的连接权值修正量。在每次迭代运算中，神经网络将已知输出(即目标打击效果的真实结果Oj)与计算输出进行比对，计算输出误差:

【参考文献】：
期刊论文
[1]营配调末端融合的供电综合风险预警模型[J]. 樊磊,周永超,贺蓉,郭成涛,赵轶.  电网与清洁能源. 2019(09)
[2]基于改进ACO-BP算法的弹药贮存可靠性评估[J]. 刘芳,王宏伟,宫华,许可.  兵器装备工程学报. 2019(04)
[3]一种改进的军事训练效果定性评估指标量化方法[J]. 王睿,姜宁.  指挥控制与仿真. 2018(04)
[4]基于BN-and-BP神经网络融合的陆空联合作战效能评估[J]. 周兴旺,从福仲,庞世春.  火力与指挥控制. 2018(04)
[5]基于数据融合的某型装备品质状态评估[J]. 安进,徐廷学,李志强,朱桂芳.  兵器装备工程学报. 2017(06)
[6]基于动态BP神经网络的恶意代码同源性分析[J]. 葛雨玮,康绯,彭小详.  小型微型计算机系统. 2016(11)
[7]基于BP神经网络的水电工程定额编制模型研究[J]. 郭琦,何湘君.  人民长江. 2016(05)
[8]复合故障诊断技术综述[J]. 张可,周东华,柴毅.  控制理论与应用. 2015(09)
[9]三层模型的BP网络在GNSS高程拟合中的应用研究[J]. 谭立萍,马颖异,陈永生,马洪滨.  测绘通报. 2015(08)
[10]基于神经网络的长杆弹侵彻能力预测模型[J]. 王海宽,李文生,熊飞.  计算机仿真. 2015(02)

博士论文
[1]基于神经网络的不平衡数据分类方法研究[D]. 杨泽平.华东理工大学 2015

硕士论文
[1]水上交通气象灾害风险评估模型的研究[D]. 李玲.湖南师范大学 2019
[2]基于BP神经网络的车载设备故障诊断与预测研究[D]. 吴渊.北京交通大学 2016



本文编号：3530214