網絡化信息系統的仿真回放與評估決策研究

摘 要： 在信息主導的新型軍事環境下，網絡化信息系統引起了人們的普遍關注，而基于高層體系結構（HLA）仿真構建的網絡化信息仿真系統成為了研究網絡化信息系統的重要媒介。提出了面向事件的仿真回放方法，有效改善了回放效率和數據冗雜度；還提出了基于敏感度分析的效能評估可信度驗證方法，構建了面向系統效能的數據倉庫模型，優化了系統指標體系結構等信息。為網絡化信息系統等軍事對象的仿真回放和評估決策提供了新的思路和方法，具有良好的擴展性。

關鍵詞： 網絡化信息系統； HLA； 仿真回放； 效能評估； 敏感度分析； 數據倉庫

中圖分類號： TN911?34； TM417 文獻標識碼： A 文章編號： 1004?373X（2016）17?0067?05

0 引 言

隨著計算機信息技術的廣泛應用，作戰仿真由于其自身的優勢在軍事系統應用中體現出了無可取代的作用。在研究新的戰爭理論、進行軍事人員演習、研制新型武器裝備等各個方面，作戰仿真都發揮了許多關鍵性的作用，成為各國專家研究的焦點。

本文主要以基于HLA的網絡化信息仿真系統為基礎，研究了仿真系統的仿真回放和評估決策問題。前者主要為了解決仿真系統運行后數據冗雜且利用率低的問題，從而提高仿真系統的回放效率；后者是為了在網絡化信息系統原有效能評估方案的基礎上，結合回放技術和數據挖掘，對效能評估及原仿真系統進行決策優化。仿真回放研究主要采用數據立方體等技術整合高維原始數據，進行離群點檢驗并使用神經網絡算法匹配關鍵數據信息，利用[N]元并行數據采集卡實現回放數據的存儲，完善仿真回放策略，最終實現網絡化信息系統的仿真事件回放。而針對原仿真系統的效能評估和決策優化，主要側重于通過數據層面對效能評估的指標體系結構進行優化，針對系統進行敏感度分析，構建面向系統效能的數據倉庫，針對指標體系及權重等做出相應改進。

1 網絡化信息系統的仿真事件回放設計

1.1 總體方案設計

網絡化信息系統的的仿真回放是不斷完善和改進的過程，并且可以將數據多次重復利用，仿真事件回放的整體操作流程如圖1所示。

實現流程如下：

（1） 連接數據庫，設計數據采集方案，數據采集方法的設計關系到仿真數據的效率，為仿真回放和效能評估做好基礎。

（2） 依照實際系統仿真運行數據構建“[N]元并行數據采集模式”：XML模式和數據庫模式，具體形式的選擇依照系統運行情況和仿真數據量決定。對于采集來的數據進行數據預處理，主要是對數據進行清理和整合，利用馬哈拉諾比斯距離進行多維離群點檢測，將離群點剔除。為進一步分析數據，構建系統的三維立方體模型結構。

（3） 利用BP神經網絡模型匹配關鍵事件數據并進行分類，獲取系統的輸入和輸出樣本值，確定關鍵事件名稱和數量，設計BP神經網絡結構進行網絡訓練和計算，如果計算結果不合要求則重新進行設計，直到符合誤差要求。根據之前的數據匹配結果確定事件的回放方案，按照回放方案進行回放操作演示。

1.2 仿真數據預處理

在網絡化信息仿真系統的數據預處理中，主要包括數據清理和數據集成兩部分。數據清理操作主要是通過填寫缺失的值，識別、刪除離群點，進而實現數據光滑去噪，解決了數據冗雜和不一致問題。對于仿真系統的回放而言，離群點的檢測尤為重要。使用馬哈拉諾比斯距離檢測多元離群點。對一個多元數據集，設[δ]為均值向量，對于數據集中的對象[δ，]從[δ]到[δ]的馬哈拉諾比斯（Mahalanobis）距離為：

[Mdis（δ，δ）=（δ-δ）TS-1（δ-δ）] （1）

式中：[S]是協方差矩陣；[Mdis（δ，δ）]是一元變量，于是可以對其進行Grubb檢驗，可令[θ=Mdis（δ，δ） 。]即對于數據集中的每個對象[θ，]定義z分數（z?score）為：

[z=θ-θs] （2）

式中：[θ]是輸入數據的均值；[s]是標準差；對象[θ]是離群點，如果：

[z≥N-1nt2α（2N），N-2N-2+t2α（2N），N-2] （3）

式中：[t2α（2N），N-2]是顯著[α（2N）]下的t?分布的值；N是數據集中的對象數。

因此，可以按照如下方法對多元離群點檢測任務進行變換：

（1） 計算多元數據集的均值變量；

（2） 對于每個對象[δ，]計算從[δ]到[δ]的馬哈拉諾比斯距離Mdis[（δ-δ）]；

（3） 在變換后的一元數據集[Mdis（δ-δ）δ∈D]中檢測離群點；

（4） 如果Mdis[（δ-δ）]被確定為離群點，則[δ]也被視為離群點。

對原始數據進行清洗，可初步剔除不合規范的一維或N維數據。以某次仿真實驗結果數據為例，使用馬哈拉諾比斯距離檢測534個多元數據點，經Grubb檢驗，可以得到共有6個數據點處于[z]值之外，即超過了馬哈拉諾比斯距離，被認定為離群點，時間值分別為92.6，99.8，122.4，129.4，144.0，192.6的數據點，經與實際數據相比較，時間值為92.6，99.8，129.4，144.0的數據點確定為離群點，另外，時間值為127.8，192.2的數據點為數據異常點但未檢驗出。從數據采集模式中剔除以上離群點。

與數據清理的清洗工作不同，數據集成主要是為了合并來自多個數據源存儲的數據。數據集成有助于減少結果數據集的冗余和不一致，完成數據值沖突的檢測和處理，提高其后挖掘過程的準確性和速度，為多次仿真數據的分析做好基礎。針對網絡化信息仿真系統，數據集成的重點工作是數據立方體的構建。

1.3 基于BP神經網絡的數據匹配算法設計

首先需要獲取網絡的輸入和目標樣本。本次算法設計考慮兩個目標的情況，對網絡化信息仿真系統進行多次運行，獲得了多組狀態樣本數據。接下來，確定具體的神經網絡結構。根據Kolmogorov定理，采用[K×（2K+1）×M]的三層BP神經網絡結構，其中，[K]表示輸入特征向量的分量數即維數；[M]表示輸出狀態類別總數。首先確定輸入層[K，]隨之可以確定中間層[（2K+1）。]輸入層[K]根據輸入變量的個數確定，由網絡化信息仿真系統的實際情況可知，輸入變量為[UT]（仿真時間以s為單位），[UK]（對象編號，0表示目的地，1表示第一個目標，2表示第二個目標），[UX]（對象的[X]方向位置坐標值），[UY]（對象的[Y]方向位置坐標值），[UZ]（對象的[Z]方向位置坐標值）。結合實際回放要求，針對原采集模式進行適當擴展，加入自定義事件屬性及0?1規則，使用[UD]代表目標的被探測情況，0代表目標未被發現，1代表目標被發現；使用[UE]代表該對象損壞情況，0代表該對象未受損壞，1代表該對象完全損毀，0～1之間的小數代表著不同的毀壞程度。經上述設計之后，輸入層K的值為7，中間層2K+1的值為15。即該BP網絡結構輸入層有7個神經元，中間層有15個神經元。

然后，確定關鍵事件個數和名稱并確定輸出層[M。]在網絡化信息仿真系統中，事件主要包括三類：目標被發現、目標被攔截、目標到達目的地，具體事件個數與目標個數相關。例如有[N]個目標，則分別與[2N+1]種狀態相關聯，這[2N+1]種狀態也是仿真回放時對應的關鍵事件，即：目標1被發現、目標2被發現、…、目標[N]被發現、目標1被攔截、目標2被攔截、…、目標[N]被攔截、目標到達目的地，分別對應類別1，2，…，[2N+1。]在此次仿真中以兩個目標為例，關鍵事件個數為5個，分別是：[Y1]（目標1被發現），[Y2]（目標2被發現），[Y3]（目標1被攔截），[Y4]（目標2被攔截），[Y5]（目標到達目的地）。考慮到在實際的仿真系統運行過程中，有很多時刻對象屬性發生的變化并不與上述事件相關聯，故“N元并行數據采集模式”經BP神經網絡匹配的分類有6種，可以采用（0，1）編碼形式表示，用（0，0，0）表示類別0（無直接相關數據，也可表示為[Y0]）、用（0，0，1）表示類別1（目標1被發現）、（0，1，0）表示類別2（目標2被發現）、（1，0，0）表示類別3（目標1被攔截）、（1，1，0）表示類別4（目標2被攔截）、（1，1，1）表示類別5（目標到達目的地），故輸出層[M]的值為6，整個BP網絡層次結構為7×15×6，如圖2所示。

按照實際系統需求進行設計，中間層神經元的傳遞函數為[S]型正切函數，輸出神經元的傳遞函數為[S]型對數函數，之所以選擇S型對數函數，是因為該函數為0?1函數，與分類器的輸出要求相匹配。另外，[P]表示網絡的輸入樣本向量，[T]表示網絡的目標向量，可選用trainlm為網絡的訓練函數，該函數的運行速度比較快，采用了梯度下降法進行學習，并且學習速率是自適應的，適用于這樣的中型網絡。學習函數選擇learngdm，性能函數選擇mse，以滿足相應誤差要求。

2 系統效能評估優化

2.1 評估指標體系結構優化

考慮到評價指標體系結構中的信息處理效能下層指標只有信息處理能力，主觀程度偏重，且敏感度相對太高，與實際系統的情況存在偏差，故對其進行相應改進，引入可評價信息處理的輔助決策能力，信息處理能力主要面向計算機的量化指標，而輔助決策能力面向決策者的決策能力，這樣就可對系統信息處理效能進行綜合評價。改進后的信息處理效能指標體系結構如圖3所示。

結合實際系統需求，設計對應底層指標的定義和計算方式如下所示。

信息處理精度：取火控計算機對所屬的火控單元上報的目標信息經過融合處理后的精度。

[PI=13（X-Xreal）+（Y-Yreal）+（Z-Zreal）] （4）

式中：[X，Y，Z]分別代表目標經過信息融合后的三維坐標值；[Xreal，Yreal，Zreal]代表對應時刻目標的三維坐標真實值。

信息處理容量：考慮每個網絡節點在單次仿真運行可以使系統保持正常運行時的信息容量（單位GB）。

[Vs=1N（V1+V2+…+Vn）] （5）

式中：[N]代表系統單元內總的節點數量；[Vi]代表某次仿真運行的信息容量。

多傳感器信息融合速率：考慮整個火力系統和火控系統計算機在一次仿真任務中來自多傳感器的信息融合速率。

[Vt=1Ttran+Tproc] （6）

式中：[Ttran]代表多個傳感器傳輸信息到系統處理器的時間；[Tproc]代表系統處理器處理多路信息并做出一次決策的時間。

威脅評估能力：以多次來襲目標的平均威脅判斷質量并結合專家知識定量威脅評估能力，共分為9個等級，等級9代表最高威脅評估能力，等級1代表最低威脅評估能力，等級越高能力越高。

平均決策時間：考慮整個系統任務運行過程中涉及實際探測與打擊等重要決策所用的平均時間（單位s）。

[TD=1N（T1+T2+…+Tn）] （7）

式中[Ti]代表每次重要決策所耗費的時間。

2.2 指標權重優化

目標捕獲能力對應的四個底層指標，即探測覆蓋面積、最大捕獲目標距離、預警時間及平均目標發現概率，無論是針對信息獲取效能還是系統效能來說，預警時間顯然是影響最大、敏感程度最高的指標，故需要對權重值做進一步改進。結合改變后的信息處理效能指標體系及實際情況對信息處理精度、信息處理容量、多傳感器信息融合速率、威脅評估能力、平均決策時間分配合理的權重值。當底層指標值提高了10%時，再次進行系統敏感度計算和分析，實驗結果如圖4所示。

分析圖4經過系統優化后的敏感度計算結果，對系統效能值產生較大影響的幾個關鍵指標為預警時間、虛警率、毀傷目標概率、威脅評估能力、漏警率，而且它們之間的敏感度差距并不大，在信息獲取能力作為優勢性能的網絡化信息系統中，預警時間為捕獲目標能力的最直接衡量指標，漏警率和虛警率的高低直接影響系統對目標的有效識別能力，而威脅評估能力是信息融合的最終體現結果，毀傷目標概率是火力系統利用信息進行目標攔截的直接能力體現，這些因素被驗證為影響系統效能值的“瓶頸”因素，與實際情況較吻合。經過系統優化的指標體系結構和權重信息經過敏感度計算實驗以及比較分析，其效能評估的可信度得到了較好的驗證，為實際系統下一步的改進提供了有效的反饋和輔助決策支持。

3 軟件界面及運行結果

該軟件依托于HLA仿真體系結構，仿真系統的運行支撐環境為pRTI 1.3，仿真系統的開發環境為Windows XP操作系統，聯邦成員的開發工具使用Visual C++ 6.0，其兼容性較強。使用Oracle 9i作為仿真回放及系統評估的數據庫系統，引入地理信息系統（GIS）為仿真回放提供展示平臺，評估結果的圖形化顯示采用Teechart控件，整個系統具有良好的擴展性。

3.1 回放預案生成及仿真回放實現

首先進行仿真預案的選擇，通過數據庫模塊連接數據庫，選擇仿真預案1，調用仿真回放模塊中的數據預處理操作對原始數據處理，實現數據相關性匹配，建立數據與仿真事件的對應關系，構建的關鍵事件為：目標1被發現、目標2被發現、目標1被攔截、目標2被攔截、目標到達目的地。

按照之前完成的回放方案進行仿真回放，如圖5（a）所示為仿真事件回放的初始界面，五角星代表需要保護的基地，空心圓圈代表火力單元的打擊范圍，帶有標號的實線為信息融合后的目標軌跡，右邊信息欄顯示回放過程中的各類信息。回放方案中選擇不同的事件，界面運行不同的仿真事件過程，如圖5（b）所示為仿真事件的回放運行界面，表示的事件為“目標1被發現”。

3.2 數據倉庫構建及效能評估數據結構

按照仿真時間維、仿真預案維、評估方法維、評價等級等多個維度構建面向效能的數據倉庫，其模型結構如圖6所示。圖7則表示評估底層指標的數據結構，包含各維度值及屬性值等信息。

3.3 系統效能評估操作及運行結果

圖8為設計的系統效能評估主界面，界面左欄為顯示的指標體系結構，右欄為相關的效能評估操作，首先，選擇調用數據庫模塊并選擇之前的仿真預案，然后進行數據預處理，選擇權重計算參數，如圖9信息處理能力權重指標選擇界面，進行相應各子系統效能及系統效能評估，以可視化界面進行結果展示，如圖10跟蹤目標能力權重結果顯示，并導出本次的評估結果報告，包含指標體系結構、效能值、敏感度分析等多項結果信息。

4 結 論

在網絡化信息仿真系統的應用研究中，仿真回放是進行定量分析和可行性評估的重要基礎，它為事后分析仿真過程提供了強有力的支持。對于網絡化信息系統的效能評估研究不斷完善，構建合理的指標體系結構至關重要，系統評估的可行性和可信度需要進一步的驗證。本文以基于HLA的網絡化信息仿真系統作為研究背景，主要針對仿真回放和評估決策兩方面展開研究。

網絡化信息系統的體系結構、規模、關鍵技術等在不斷更新，仿真系統的回放和評估難度也在不斷加大，因此對此類研究不可避免地存在一些問題，需要更深入地研究與完善。

圖9 信息處理能力權重指標選擇界面

圖10 跟蹤目標能力權重顯示界面

參考文獻

[1] 孫家平.網絡化防空系統研究[J].現代雷達，2013，35（5）：14?17.

[2] 侯磊.網絡化防空體系作戰組織結構探析[J].科技信息，2012，25（7）：62?63.

[3] 宋輝，劉曉建，金士堯.HLA 環境下基于聚合屬性的數據采集方法[J].計算機仿真，2013，21（4）：60?62.

[4] 王赟.車載信息仿真平臺設計與系統評估決策分析[D].北京：北京理工大學，2013.

[5] 蘇續軍.基于HLA的裝備保障全要素集成模擬訓練系統設計[J].現代電子技術，2014，37（2）：60?63.

[6] PERUMALLA K， SEAL S. Reversible parallel discrete?event execution of large?scale epidemic outbreak models [C]// Proceedings of 2010 IEEE Workshop on Principles of Advanced and Distributed Simulation. Atlanta： IEEE， 2010： 80?90.

[7] USAMA M， GREGORY P S， PADHRAIC S. From data mining to knowledge discovery in databases [R]. US： American Association for Artificial Intelligence， 1996.

[8] HOME G E， MEYER T E. Data farming： discovering surprise [C]// Proceeding of 2004 Winter Simulation Conference. Washington， D. C.： IEEE， 2004： 1082?1087.