一種空襲重點目標選擇的方法＊

楊大偉 楊士鋒 于 飛

（海軍航空工程學院 煙臺 264001）

1 引言

隨著科技進步和軍事裝備的更新，空襲作戰的理論也在不斷發展進步，高技術條件下空襲一方將采用精確制導和遠程突擊方式實現對多個目標的同時攻擊。敵對空襲重點目標的判斷上會不斷呈現新特點，采用新理論。為了提高防空作戰的效能，從空襲的角度，分析影響空襲目標選擇的多種因素的特點及影響重點保衛目標選擇的各指標的不確定性，選用模糊神經網絡建立模型，對空襲重點目標進行判斷，以期對我防空作戰的重點保衛目標的確定提供一定的參考。

2 空襲重點目標的分類

空襲重點目標是指空防對抗中具有重要地位及作用，即較大作戰價值的地面目標。例如：國家政治經濟中心、重要交通樞紐、通信樞紐、作戰指揮中心及兵力集結地等。根據目標不同的邏輯屬性，本文主要對影響空襲目標選擇的各種指標進行綜合，確定出目標的重要程度。按等級由高到低依次為A類→B類→C類→D類。A類目標為重要空襲目標；B類目標為較重要空襲目標；C類目標為一般空襲目標；D類目標為不重要空襲目標。

3 主要影響因素分析

依據對空襲理論的研究，為使空襲重點目標的選擇具有科學性和靈活性，經分析得出著重選取衡量被空襲目標優先順序的四個主要指標有：戰爭階段、目標地位、目標易損特性和目標損毀影響力。

3.1 戰爭階段

根據美軍空襲作戰理論和其在最近幾次局部戰爭中的空襲實踐看，為了達成空襲目的，在空襲過程的不同時期，空襲的重點也不一樣，因為目標價值是隨著戰爭的發展而不斷變化的。一般可以概略的分為前期、中前期、中后期、后期四個主要階段。也可以按照空中作戰樣式來劃分，即制空作戰、戰略空襲、空中遮斷、近距離空中支援。

3.2 目標地位

目標地位是指目標在戰爭中的地位及所起的作用，即是否對戰爭具有直接支援作用，是否具有戰爭潛力等。如戰場內的交通系統（機場、鐵路、公路等）、通信系統等目標對戰場具有直接支援作用，因此，這類目標將成為空襲的重點目標。目標地位從以下幾個因素衡量：目標的威脅程度，目標對防空方作戰行動的影響，目標的戰爭潛力，目標毀壞后對民心和士氣的影響。

3.3 目標易損特性

目標易損特性是指目標在受到攻擊時是否容易損壞的一種特性。目標的易損特性主要與目標的形狀、堅固程度、空襲兵器的作戰能力以及攻擊強度等因素有關。從目標的易損特性看，點狀目標比面狀目標更容易被摧毀；沒有堅固工事依托的目標比有堅固工事依托的目標更脆弱；同樣的重點目標，攻擊強度不一樣，其生存下來的可能性也不同。在相同空襲兵器的打擊下，易損特性高的目標其相對價值就高，顯然需要重點保衛。

3.4 目標損毀影響力

目標損毀影響力是指目標被摧毀后的受損程度是否大、次生災害是否嚴重以及是否易于修復。從空襲目標選擇的一般原則看，必然選擇對軍事斗爭產生重大影響，尤其是具有“牽一發而動全身”的目標進行重點打擊。如機場、水電設施、化工企業等，這些目標均具有受損影響面大、空襲次生災害嚴重、輻射面廣等特點，很有可能成為空襲的重點目標。

4 模糊神經網絡建模

4.1 模糊神經網絡理論

模糊神經網絡（Fuzzy Neural Network，簡稱FNN）就是將模糊邏輯系統同神經網絡有機結合起來，匯集了神經網絡與模糊理論的優點，整個系統具有較強的學習能力和表達能力。圖1為模糊神經網絡的一般組織形式［1］。

圖1 模糊神經網絡的邏輯結構

模糊神經網絡通常可以分為前向型模糊神經網絡和反饋型模糊神經網絡兩大類。本文模型選取的是前向型神經網絡。前向型模糊神經網絡是一類可以實現模糊影射關系的模糊神經網絡。一般來說，一個前向型模糊神經網絡可由五層組成，分別為輸入層、模糊化層、模糊推理層（模糊關系映射網層）、去模糊化層和輸出層。圖2為含有兩個輸入層節點、一個輸出節點的一個基本前向模糊神經網絡的結構［2］。

圖2 模糊神經網絡結構模型

4.2 重點空襲目標選擇模型建立

依照以上分析和前向型模糊神經網絡結構，建立重點空襲目標優選模型［3］，其結構見圖3。該模型共有五層，wij為第四層到第五層的連接權值，最后根據輸出值就可得出目標的類別［4］。

1）第一層

第一層為輸入層，該模型的輸入指標為

X＝｛戰爭階段，目標地位，目標易損特性，目標損毀影響力｝，每個輸入代表一種指標，相應的向量為x＝（x1，x2，x3，x4）T，xi代表優選重點保衛目標的第i個指標。

圖3 重點保衛目標模糊神經網絡模型

2）第二層

第二層每個節點代表各輸入分量相應評價集的隸屬度，戰爭階段的評價集為

C1＝｛前期，中前期，中后期，后期｝；

目標地位的評價集為

C2＝｛重要，較重要，一般，差｝；

目標易損特性的評價集為

C3＝｛容易，較容易，一般，不容易｝；

目標損毀影響力的評價集為

C4＝｛大，較大，一般，小｝。

各隸屬度的向量為μi（xi）＝（μi1，μi2，μi3，μi4）T，其中μik∈［0，1］，i＝1，…，4，k＝1，…，4，該層節點數N2＝16。

在本層中，請多位專家根據對某實際戰例的分析研究，使用尺度評分法（即讓專家只關注自己印象的位置，而不是強行尋找一個精確的數字，有利于減輕專家負擔和打分誤差）按照各因素對應的評價集，將自己的“心理量尺”投影在評價集的相應屬性值上，最后綜合所有專家意見得到隸屬度。假設請十位專家對某空襲戰例進行評價，以戰爭階段評價集為例，其中三名專家認為該次戰例屬于前期，五名認為屬于中前期，兩名認為屬于中后期，那么戰爭階段評價集的隸屬度向量為μ1（x）＝（0.3，0.5，0.2，0）T。

3）第三層

該層用于將各評價模糊信息進行融合處理，即將各評價集進行關聯。其每個節點代表一條模糊規則，該層節點數N3＝44。每條規則的使用度為

其中，λi，i＝1，2，3，4為各評價集之間的權重，可以根據具體模型比較各因素評價集之間的重要關系，確定其權重值λi。本文中認為在空襲重點目標選擇中，戰爭階段、目標地位、目標易損特性和目標損毀影響力四個影響因素同等重要，即λ1＝λ2＝λ3＝λ4＝1。

該層的目的是為了使專家的評估與實際期望輸出更好地融合，更好地模擬空襲重點選擇理論，減小因專家評估造成的主觀因素影響，將第二層中評價集隸屬度向量進行細化分析。

4）第四層

該層為去模糊化層，并且為了使第五層便于判斷輸出在0與1之間，進行歸一化計算，即

其中N4＝N3。

5）第五層

該層是模糊神經網絡的輸出層，其輸出為目標類型

其節點數N5＝4，相應的輸出向量為

其中，yi≤1，取yi最大者為目標類型值，得出目標類型。

4.3 重點空襲目標模型算法

本文建立的模糊神經網絡模型是一個多層前饋網絡，所以，可仿照BP網絡用誤差反傳方法學習［5］。各輸入分量相應的隸屬度可以認為是已知的，則需要學習的參數就是最后一層的連接權值wij。該學習過程采用反向學習過程，即誤差反傳修正權值過程，使用梯度法對連接權值進行修正。

本模型算法的具體流程按照如下步驟［6～7］：

μp為四個影響因素的隸屬度向量（即模型第二層的數值），為期望的輸出值，p＝1，2，…，P；

2）利用式（1）對第二層隸屬度向量進行計算求解，得到第三層輸出：

3）對第三層輸出，使用式（2）進行歸一化處理，計算求得

5）根據式（3）可以得到輸出向量yi，使用誤差函數［8］

得到輸出向量與期望輸出值差的平方和的均值E；

6）如果誤差E＜ε，網絡訓練完成，進入下一步驟；否則，使用梯度法對權系數wij進行修正，修正完成后轉向步驟5）；

7）對訓練好的模型輸入典型樣本檢驗模型的可靠性；

8）請專家針對本次戰斗情況，對我欲保衛的目標的四個影響因素進行打分，將打分結果代入模型，評估是否重點空襲目標［9］。

5 應用實例

設敵方可能對我需保衛的三個目標實施空襲，我防空兵為了對目標進行重點防御，預測敵是否對該三個目標進行重點空襲，請專家選擇了八個樣本目標根據該敵近次空襲中的實際情況，對八個目標的各因素隸屬度和目標類型進行了評估，如表1所示。并針對本次戰斗實際情況對需保衛的三目標的各因素隸屬度進行評估（見表2）。

表1 專家對樣本目標評估結果

表2 專家對我保衛目標的評估

對該實例使用模糊神經網絡進行建模，以專家對八個目標的評定結果作為樣本（μ8，＾y8），設定誤差容許限ε＝0.0001，使用Matlab軟件按照上一節的算法流程，對模型進行編程求解［12］。經過求解計算，圖4中的曲線顯示了求解過程中誤差E的逐步迭代減小過程，總共修正權值161次，經訓練后誤差E＝9.84736×10－5＜ε。

圖4 模型誤差訓練迭代過程圖

使用樣本中μ8作為輸入值檢驗模型的可靠性，求得實際輸出y8，并與樣本輸出＾y8進行比較（表3）。比較結果為該訓練好的模型可靠性較高。

將我保衛目標的各因素隸屬度代入已訓練好的模型中進行求解，可以得到表4所示的輸出結果，根據其輸出結果的最大值可以預測該目標是否是敵在該階段空襲的重要目標。

表4 對我保衛目標的預測結果

6 結語

為了更充分發揮專家的經驗和智慧，同時又避免專家判斷的主觀性和隨意性，本文選取了模糊神經網絡模型對空襲重點目標進行了分析。通過比較，該模型將專家打分和實際戰場敵空襲重點目標選擇相結合，而不再是僅僅依靠專家的主觀判斷，集專家智慧和實際選擇于一體，使分析結果更加具有客觀性；利用模糊神經網絡識別、學習、自適應及模糊信息處理的優點，抓住人類思維中的模糊性特點，再根據其實際選擇結果，逼近理論中的思考過程，有效地模擬了空襲重點選擇理論。因此，對預測結果具有較高的可靠性。

［1］田景文，高美娟.人工神經網絡算法研究及應用［M］.北京：理工大學出版社，2006，12（2）：158－162.

［2］劉云輝，李鐘慎.改進型模糊神經網絡模型的構造［J］.華僑大學學報（自然科學版），2010，31（3）：256－259.

［3］王潔，婁壽春等.基于模糊神經網絡防空重點保衛目標的選擇［J］.系統仿真學報，2006，16（1）：158－161.

［4］常勇，姜長生，陳志偉.基于模糊神經網絡的多機多目標空戰決策［J］.電光與控制，2011，18（4）：17－21.

［5］肖魏娜，張為群，王玲玲.一種基于BP神經網絡的軟件需求分析風險評估模型的研究［J］.計算機科學，2011，38（4）：199－202.

［6］李秀珍，孔紀名，李朝鳳.基于Matlab的BP神經網絡在泥石流危險性評價中的應用［J］.工程勘察，2010（1）：47－50.

［7］楊京曉，謝海洋.模糊神經網絡在公路工程造價估算中的應用［J］.中外公路，2007，27（5）：16－19.

［8］楊賓斌，唐露新.模糊神經網絡的應用研究［J］.機床與液壓，2009，27（5）：132－135.

［9］陳立新.防空導彈網絡化體系效能評估［M］.北京：國防工業出版社，2007：140－157.

［10］黃晶晶，熊才權.粗糙集－神經網絡在作戰效能評估中的應用［J］.計算機與數字工程，2011，39（5）.

［11］陳伯芳，尹平林，馬龍.基于模糊神經網絡的溫度控制系統研究［J］.計算機與數字工程，2010，38（7）.

［12］葛哲學，孫志強.神經網絡理論與MATLAB R2007實現［M］.北京：電子工業出版社，2007：313－324.