指揮信息系統效能指標體系的構建和約簡*

戴利軍 楊露菁

(海軍工程大學電子工程學院 武漢 430033)

?

指揮信息系統效能指標體系的構建和約簡*

戴利軍 楊露菁

(海軍工程大學電子工程學院 武漢 430033)

建立適當的作戰效能評估指標體系對于評估指揮信息系統的效能非常關鍵,然而,影響指揮信息系統效能的指標繁多,指標間存在冗余和相關性,直接采用這些指標會增加后續效能評估的時空復雜度。在創建作戰效能評估指標體系基礎上,采用改進的LLE方法實現評估指標集合的約簡化,將復雜的指標體系非線性映射到低維的指標數據中,算法有效地降低了近鄰點個數對算法的影響,并很好地學習了高維數據的流形結構。實驗結果表明方法有效可行。

C4ISR; 效能評估; 指標體系; 局部線性嵌入

Class Number TP18

1 引言

指揮信息系統是指綜合運用以計算機為核心的信息技術,以保障各級指揮機構對所屬部隊及武器平臺實施科學、高效的指揮控制為目的,實現作戰信息從獲取、傳輸、處理到利用的自動化,具有指揮、控制、通信、信息處理、情報、偵察和監視功能的軍事信息系統[1]。指揮信息系統在現代的信息化戰爭中的作用和地位非常重要,被稱作是信息化戰中兵力“倍增器”和作戰指揮的“中樞神經”。指揮信息系統的評估工作是系統研究的根本點,對系統的建設工作具有指導性的意義。因此,準確地科學地評估指揮信息系統效能具有非常重要的意義。但是,指揮信息系統是一個龐大而復雜的系統,它具有多種功能,系統的組成結構非常復雜,這也就使得其效能指標非常復雜,指標之間還存在相關性和冗余。這樣的情況下,直接使用這些指標進行評估就會使得后續工作的時空復雜度增加許多,評估的效率也會降低。因此,對指揮信息系統復雜的評估指標體系進行約簡是指揮信息系統效能評估工作中的關鍵一步。

流形學習的本質是當采樣數據所在的空間為一個低維光滑流形時,要從采樣數據學習出低維流形的內在幾何結構和規律。所以流形學習比傳統的數據降維方法更能體現事物的本質。近年已經提出了多種應用較為廣泛的流形學習方法[2～5],比如Isomap、局部線性嵌入(LLE)、拉普拉斯特征映射(Laplacian Eigenmaps)、局部切空間排列(LTSA)以及Discriminative Locality Alignment[6](DLA)等。其中LLE方法的原理是保留數據點的局部性質,利用局部的線性來逼近全局的非線性性,通過重合的部分鄰域來獲得全局結構的信息,從而保持整體的幾何性質。但LLE方法的不足之處在于其默認樣本在高維空間內是均勻分布的,而實際上流形上每個樣本點的近鄰點只是近似地分布在流形的一個局部線性區域內,選取不同的近鄰點個數就會造成不同的重構誤差,降維的效果也會不同,所以很有必要構造一個近似重構系數來約束重構誤差,從而減少近鄰點個數的選取對降維效果的影響。所以,采用了一種改進的LLE算法。通過構造樣本點重構誤差的近似重構系數,改進算法可以有效地降低近鄰點選取對算法的影響,并很好地學習高維數據的流形結構,實現指揮信息系統效能評估指標體系的約簡,通過非線性映射將復雜的指標體系映射到低維的指標數據中,從而明顯減少了數據的維數,保留了重要的指標,去除了冗余的指標。

2 指揮信息系統效能指標體系的建立

由于指揮信息系統的各分系統的復雜性及功能的多樣性,要建立一個可以使得效能評估過程有效有序的效能指標體系就變得非常復雜。根據指揮信息系統的工作流程,其系統組成以及效能評估的目的,可以采用層次分析(AHP)法來確定指揮信息系統的效能指標體系。AHP法可以將復雜體系分解為層次結構明顯的有序結構[7],在本文中,將指揮信息系統的指標體系粗略地分解為四層,即系統能力、一級子能力、二級子能力以及具體性能指標。一級子能力主要包括信息獲取能力、信息傳輸能力、信息處理能力、輔助決策能力和指揮控制能力。采用層次分析(AHP)法對指揮信息系統進行分解可得到一個包含33個指標的指標體系。如表1所示。

3 系統效能指標體系約簡模型

3.1 效能指標數據及處理方法

由于指揮信息系統是一個很復雜的系統,所以其評估指標也較復雜。其中指標可分為定性指標和定量指標,定量指標又可分為效益型指標、成本型指標、固定型指標和區間型指標等不同的形式。在對數據樣本進行分類處理之后,數據的格式依然是不統一的,不能支持機器計算。如定量指標具有不同的量綱,而定性指標具有不一樣的描述方式。所以要對定性指標進行科學的量化,對不同量綱的指標進行無量綱的標準化處理。

表1 C4ISR的每個樣本指標及指標類型

1) 效益型

(1)

2) 成本型

(2)

3.2 改進的LLE方法

在指揮信息系統效能的評估過程中,從眾多指標中選出合理的、科學的指標體系,以減少由過多指標引起的不確定性是非常關鍵的一個步驟。根據指揮信息系統的指標特征,本文采用改進的LLE方法進行屬性約簡,去除對評估過程影響較小的指標,降低評估過程所建模型的時空復雜度,從而提高系統效能評估的效率。

3.2.1 理論分析

對LLE的實施步驟進行分析可以得出,不同近鄰點個數的選取會使降維的結果有很大的不同。為了讓近鄰點個數的選取對實驗結果的影響減少,構造近似重構系數對重構誤差進行約束就是一個可行的方法。

聚類的中心包含著大量的信息,所以聚類分類能夠盡可能多地保留樣本點的原有信息,因此使用聚類分析的方法改進LLE是可行的。文獻[9]提出了基于聚類的LLE方法,該文采用K均值聚類算法,以聚類的中心點代表每一類,減少了樣本點的個數從而降低了計算量。所以可以利用總體樣本的中心以及聚類分類后各類的中心來構造樣本的近似重構系數并約束重構誤差,減少近鄰點個數的選取對LLE算法的影響,從而對原LLE進行改進。

模糊C均值聚類方法(FCM)[10]采用的模糊聚類分析并不像傳統的聚類分析一樣嚴格地劃分每個待識別的對象,而是運用對象對類的隸屬度,對對象進行模糊的劃分,而且FCM算法是基于目標函數的模糊聚類算法理論中最完善、應用最為廣泛的一種算法,因此本文采用FCM算法。

3.2.2 改進的LLE算法

給定的高維觀測數據集為X={x1,x2,…,xN},xi∈RD,采樣自d維流形[11],求低維坐標Y={y1,y2,…,yN}。設將樣本點聚類分成C個類,第j類樣本的中心為mj,第j類樣本的個數為n(j)。

那么第j類樣本與總體樣本中心的距離為

(3)

第j類樣本點的類內平均距離為

(4)

m為總體樣本的中心。根據式(3)和式(4),定義樣本點重構誤差的近似重構系數為

(5)

J為樣本點i所屬的類,(j=1,2,…,C)。

步驟2 求出樣本點的局部重建權值,使得重建誤差最小,計算局部重建權矩陣{wij}。結合限制條件,即求:

(6)

=2Ziwi+λ×1Ziwi

通常采取簡單的求解方法,令Ziwi=1,來求得wi。

(7)

(8)

4 實驗

由STAGE(Scenario Toolkit And Generation Environment)仿真系統多次運行獲得145組45維的實驗樣本,作為指標體系約簡的數據樣本。為了形象地表明降維后的結果,分別選取輸出維數d為3和2,將降維結果直觀地顯示在三維空間和二維平面上,近鄰點個數K=9。

采用改進的LLE方法,將145組維度為45的樣本數據映射到三維空間和二位平面,結果如圖1(a)和圖1(b)所示,從圖1(a)和圖1(b)的對比中可以看出,改進的LLE方法在降維過程中能夠很好地保持原有高維數據在空間內的鄰接關系,所以改進的LLE方法能夠有效地對此類數據進行降維。

圖1 降維效果圖

5 結語

1) 對指揮信息系統系統效能指標體系進行屬性約簡,能夠為后續的效能評估降低空間和時間的復雜度,提高評估的效率。

2) 新提出的改進的LLE算法,可以明顯減少近鄰點的選取對降維結果的影響,而且還能較好的保留原始數據的幾何結構,降維實驗也證明了該方法的可行。

[1] 曹雷,鮑廣宇,陳國友,等.指揮信息系統[M].北京:國防工業出版社,2012:15-18.

[2] Roweis S T, Saul L K. Nonlinear dimensionality reduction by locally linear embedding[J]. Science,2000,290(5500):2323-2326.

[3] Tenenbaum J B, de Silva V, Langford J C. A global geometric framework for nonlinear dimensionality reduction[J]. Science,2000,290(5500):2319-2323.

[4] Belkin M, Niyogi P. Laplacian eigenmaps and spectral techniques for embedding and clustering[C]//Advances in Neural Information Processing Systems 14. Vancouver: MIT Press,2001:585-591.

[5] Zhang Zhenyue, Zha Hongyuan. Principal manifolds and nonlinear dimensionality reduction via local tangent space alignment[J]. SIAM Journal of Scientific Computing,2004,26(1):313-338.

[6] Zhang Tianhao, Tao Dacheng, Zhao Deli, et al. Patch alignment for dimensionality reduction[J]. IEEE Transactions on Knowledge and Data Engineering,2009,21(9):1299-1313.

[7] 吳小勇.反潛體系的搜索能力優化方案[D].長沙:國防科技大學,2012:42-47.

[8] 鄭玉軍,張金林,李躍華.基于GA-BP神經網絡的某型裝備作戰效能評估方法[J].空軍雷達學院學報,2012,26(5):346-348.

[9] 王和勇,鄭杰,姚正安,等.基于聚類和改進距離的LLE方法在數據降維中的應用[J].計算機研究與發展,2006,43(8):1485-1490.

[10] Theodoridis S, Koutroumbas K.模式識別[M].李晶皎,王愛俠,張廣淵,譯.3版.北京:電子工業出版社,2006:75-77.

[11] 焦李成,公茂果,王爽,等.自然計算、機器學習與圖像理解前沿[M].西安:西安電子科技大學出版社,2008:166-171.

Establishment and Reduction of Effectiveness Index System for C4ISR

DAI Lijun YANG Lujing

(College of Electronic, Naval University of Engineering, Wuhan 430033)

Constructing appropriate evaluation index for C4ISR is critical to evaluate its effectiveness, affecting the operational effectiveness of a range of indexes, indexes redundant and direct use of these indexes will increase the time-space complexity of effectiveness assessment, multiple and multi-scale indexes for the system were establish-ed. In order to reduce the complexity of index, improved LLE is taken to project these data into low dimensional data nonlinearly. The proposed algorithm can reduce the influence of the number of neighbors efficiently and the probability of the database is retained. This is confirmed by experiments.

C4ISR, effectiveness evaluation, index system, LLE

2014年11月8日,

2014年12月27日

戴利軍,男,碩士研究生,研究方向:作戰輔助決策技術。楊露菁,女,教授,博士生導師,研究方向:指揮信息系統建模與分析。

TP18

10.3969/j.issn1672-9730.2015.05.006