電子信息裝備維修保障能力的BP神經網絡評估

摘 "要： 對電子信息裝備維修保障能力進行客觀、準確的評估是加強裝備維修保障系統建設，提高保障能力的重要依據。創新地將BP神經網絡應用到裝備維修保障領域，首先建立了電子信息裝備維修保障能力評估指標體系，確定了關鍵要素指標，然后詳細設計了電子信息裝備維修保障能力評估的BP神經網絡模型，并對評估模型的算法流程和數據處理等內容進行研究。通過Matlab仿真軟件對結果進行了計算分析表明，BP神經網絡具有很強的解決非線性問題的能力，同時消除了因專家差異給評價結果帶來的不確定性，適用于電子信息裝備維修保障能力評估。

關鍵詞： BP神經網絡; 電子信息裝備; 維修保障能力; 評估

中圖分類號： TN911?34 " " " " " " " " " 文獻標識碼： A " " " " " " " " " " " " " "文章編號： 1004?373X（2015）02?0011?04

Evaluation based on BP neural network for electronic information equipment maintenance support capability

ZHONG Jing?li， ZHANG Hui， MA Zhen

（PLA Academy of National Defense Information， Wuhan 430010， China）

Abstract： Objective and accurate evaluation of electronic information equipment maintenance support capability is the important basis of strengthening the construction of equipment maintenance support system and improving the ability of support. The BP neural network is creatively applied to the field of equipment maintenance support. An evaluation index system of electronic information equipment maintenance support capability is established. The indexes of key factors are determined. A BP neural network model for assessment of the electronic information equipment maintenance support capability is designed. The algorithm flow and data processing of evaluation model are studied. The result is calculated and analyzed with simulation software Matlab. It proves that the BP neural network has a strong ability to solve the problem of complex nonlinearity relation. The method can eliminate the uncertainty of the evaluation results due to the individual difference of experts， and is suitable for analysis and evaluation of the ability of electronic information equipment maintenance support.

Keywords： BP neural network; electronic information equipment; maintenance support capability; evaluation

電子信息裝備維修保障能力就是其運用各類保障資源保證完成電子信息裝備維修任務的能力，是確保電子信息裝備保持、恢復或改善到規定技術狀態的本領[1]。由于電子信息裝備生產和維修保障費用較高，因此對各種維修保障資源進行合理的配置，并對其進行不斷地修改和完善，能夠有效促進維修保障能力的提高。由于電子信息裝備維修保障能力與影響參數之間存在非線性關系，因此可采用BP神經網絡進行電子信息裝備維修保障能力評估。

運用BP神經網絡模型進行電子信息裝備維修保障能力評估時，把對維修保障能力影響較大的參數指標作為神經網絡的輸入，維修保障能力作為神經網絡的輸出，并用大量樣本按照某種學習規則對神經網絡進行訓練，通過動態的自適應調整，訓練好的網絡具有確定的權值和閥值，其能有效地描述電子信息裝備維修保障能力和特征參數之間的非線性關系。神經網絡訓練完畢，便可作為一種有效的工具，來評估電子信息裝備的維修保障能力

1 "構建電子信息裝備維修保障能力指標體系

在暫不考慮管理因素的情況下，影響電子信息裝備維修保障能力的資源要素有很多。通常運用主成分逐步回歸法[1]來選擇影響電子信息裝備維修保障能力的主要參數，主要歸納為保障人力資源、保障備件資源、保障設備資源和保障技術資料4個方面，同時4個一級指標下面包含15個二級指標，如圖1所示。以15個二級指標參數作為神經網絡的輸入，電子信息裝備維修保障能力作為網絡輸出。

lt;E：＼王芳＼現代電子技術201502＼Image＼11t1.tifgt;

圖1 電子信息裝備維修保障能力指標體系

2 "構建電子信息裝備維修保障能力神經網絡評

估模型

2.1 "網絡結構設計

典型的BP神經網絡主要由三層網絡構成：輸入層、隱含層和輸出層[2]，其結構如圖2所示。采用三層BP神經網絡模型來評估電子信息裝備維修保障能力，以所選取的主要特征參數Xi作為網絡的輸入，以電子信息裝備維修保障能力T作為目標輸出，Wij和Wn為所確定的權值。

lt;E：＼王芳＼現代電子技術201502＼Image＼11t2.tifgt;

圖2 BP神經網絡結構圖

選用電子信息裝備維修保障能力指標體系的15個二級資源指標作為神經網絡的輸入層信息，則輸入單元數為15。電子信息裝備的維修保障能力作為輸出層，則輸出接點數為1。實踐證明，隱含層的神經元個數直接影響網絡的非線性預測能力[1]，由經驗公式[β=n+m+α]（β為隱含層節點數，n為輸入層節點數，m為輸出層節點數，α為1～10的常數）確定隱含節點數為6。電子信息裝備維修保障能力評估的BP神經網絡模型如圖3所示。

lt;E：＼王芳＼現代電子技術201502＼Image＼11t3.tifgt;

圖3 電子信息裝備維修保障能力評估BP神經網絡型

2.2 "BP神經網絡算法流程

BP神經網絡學習過程由正向傳播和反向傳播組成[3]。本文選取非線性可微非遞減S型函數[f（x）=1（1+e-x）]為傳遞函數，采取BP算法，通過網絡的實際輸出與目標值之間的誤差來訓練其權值，使實際的輸出盡可能地接近期望值。其BP算法流程圖如4所示。

lt;E：＼王芳＼現代電子技術201502＼Image＼11t4.tifgt;

圖4 BP網絡算法流程圖

2.3 "BP神經網絡學習參數選取

由于系統的非線性，初始值選取對于輸出結果是否接近實際和訓練時間的長短有很大關系，一般希望初始加權后的每個神經元的輸出值都接近于零，因此初始權值選取在（-1，1）之間的隨機數。學習速率一般傾向于選取較小的學習速率以保證系統的穩定性，盡管學習速率較小會導致學習時間較長。一般的取值范圍是0.01～0.07，本文選取0.03。

3 "仿真設計

3.1 "選取樣本數據并進行處理

從某電子信息裝備維修單位歷次的維修保障能力考評成績中隨機選取10組樣本數據進行分析。

由于量綱不同，因此將所有數據進行歸一化處理以便于比較分析，同時有利于提高神經網絡的訓練速度。

計算方法是：

[Xn=2X-min "Xmax "X-min "X-1]

式中：X是收集的一組數據;max X和min X是這組數據的最大值和最小值;Xn是歸一化的數據，Xn∈[-1，1]。歸一化處理后的電子信息裝備維修保障能力評估樣本數據見表1。

3.3 "Matlab程序代碼設計

net=newff（minmax（P），[6，1]，{′tansig′，′purelin′}，′traingd′）;

%創建神經網絡net.trainparam.show=50;

%每仿真50次顯示訓練狀態

net.trainparam.lr=0.03; " " " " " " %設定網絡學習速率為0.03

net.trainparam.epochs=500; " " " " " " "%設定仿真次數為500

net.trainparam.goal=1e?2; %設定目標精度，即均方差誤差為10-2

[net，tr]=train（net，P，T）; " " " " " " " " " " " " %進行網絡訓練

A=sim（net，P） " " " " " " " " " " " "%對網絡進行仿真

E=T?A

MSE=mse（E） " " " " " " " " " " " " " " " " " " " %計算仿真誤差

Y=sim（net，Q） " " " " " " " " %用待評估矩陣Q進行仿真計算

X=1：1：15

plot（X，A，X，T） " " " " %預測輸出矩陣和目標輸出矩陣分布

legend（′A′，′T′）

3.4 "結果輸出

網絡初始化后，經過246次訓練仿真達到設定的目標精度后才停止訓練。預測輸出矩陣和目標輸出矩陣的誤差對比如圖5所示，具有較高精度。在訓練過程中，誤差平方和的變化曲線，即電子信息裝備維修保障能力評估BP神經網絡訓練圖，如圖6所示。lt;E：＼王芳＼現代電子技術201502＼Image＼11t5.tifgt;

圖5 預測輸出矩陣和目標輸出矩陣對比圖

對應待評估矩陣Q的仿真結果值為Y=0.784 1。它表示在15個二級評估指標能力值分別為待評估矩陣所給定值時，則該電子信息裝備維修保障系統的能力值是0.784 1。

4 "結 "語

針對電子信息裝備維修保障能力評估構建的BP神經網絡模型具有較高的精度，通過對樣本的訓練和檢驗，證實用BP 神經網絡評估電子信息裝備維修保障能力是有效的。在評估過程中降低了人為因素影響，保證了評估的客觀性和科學性。然而評估模型也存在不完善的地方，比如評估指標不精細、樣本量較小等，同時BP神經網絡還存在有收斂速度慢，有局部極小值的缺陷等問題[3]，這些將在下一步的裝備工作中繼續深入研究。

lt;E：＼王芳＼現代電子技術201502＼Image＼11t6.tifgt;

圖6 電子信息裝備維修保障能力評估BP神經網絡訓練圖

參考文獻

[1] 張柳，于永利.裝備維修保障系統建模理論與方法[M].北京：國防工業出版社，2012.

[2] 周林，王君.軍事裝備管理預測與決策[M].北京：國防工業出版社，2007.

[3] 焦李成.神經網絡計算[M].西安：西安電子科技大學出版社，1993.

[4] 同濟大學數學系.工程數學線性代數[M].北京：高等教育出版社，2013.

[5] 史峰，王小川.Matlab神經網絡30個案例分析[M].北京：航空航天大學出版社，2010.

[6] 魏江濤，陳方濤，姜美雷.BP神經網絡在設備故障診斷方面的應用[J].現代電子技術，2012，35（19）：131?134.