基于BP神經網絡的高寒山地彈藥消耗需求分析

齊浩淳，黃大鵬，魏久南,陳志剛

(1.中國人民解放軍68129部隊，蘭州　730060; 2.中國人民解放軍軍械工程學院，石家莊　050003)

?

基于BP神經網絡的高寒山地彈藥消耗需求分析

齊浩淳1，黃大鵬2，魏久南1,陳志剛1

(1.中國人民解放軍68129部隊，蘭州730060; 2.中國人民解放軍軍械工程學院，石家莊050003)

摘要：采用BP神經網絡方法，建立了高寒山地彈藥消耗量預測模型，對模型的預測流程和步驟進行了描述；結合高寒山地實際，對高寒山地彈藥供應保障的消耗量需求進行分析。預測結果表明，所建立的彈藥供應保障消耗量需求模型能夠很好地預測高寒山地作戰中的彈藥消耗量。

關鍵詞：高寒山地；彈藥消耗量；BP神經網絡

本文引用格式：齊浩淳，黃大鵬，魏久南，等.基于BP神經網絡的高寒山地彈藥消耗需求分析研究[J].兵器裝備工程學報，2016(6):97-101.

Citationformat:QIHao-chun,HUANGDa-peng,WEIJiu-nan,etal.DemandAnalysesofAmmunitionConsumptioninColdMountainAreasBasedonBPNeuralNetwork[J].JournalofOrdnanceEquipmentEngineering,2016(6):97-101.

隨著信息化技術在現代國防建設以及局部戰爭中的廣泛應用，作戰方式越來越趨多元化，同時作戰過程中彈藥的消耗量也隨之倍增。對于高寒山地的彈藥供應保障來說，歸納、分析影響彈藥消耗需求的諸類因素,如彈藥性能、種類、數量、彈藥供應保障對象等，并根據高寒山地實際作戰條件和作戰任務，精確獲得彈藥供應保障的相關數據，通過合理的數據處理方法，建立最優化的高寒山地彈藥消耗模型是實現彈藥供應保障需求的核心。

目前，國內外對彈藥消耗量需求分析的研究主要集中于保障需求分析模型的建立與優化。常用到的彈藥供應保障需求分析方法和模型有Monto-Carlo方法、神經網絡模型以及支持向量機方法等。2005年，William等在其報告中對美國戰時彈藥需求數量的預測能力進行了分析與說明[1]。同期，在《美國海軍陸戰隊地面彈藥需求研究》報告中，相關學者對美國海軍陸戰隊的彈藥需求及相關策略進行了深入討論[2]。2009年12月，美軍發布了陸軍條例AR5-13，對陸軍彈藥總需求過程與優化系統進行了詳細規定[3]。Kamath和Aronis則采用Bayesian方法對其在實際應用中的需求進行預測[4-5]。文獻[6]根據彈藥供應保障任務，利用層次分析法(AHP)對彈藥存儲需求量進行了研究。俞杰等建立了彈藥供應保障系統動力學模型，從總體上對戰時雙方兵力因素、武器因素以及各個作戰階段彈藥消耗的規律作了有益的探索，總結得出了戰時彈藥消耗的本質規律[7]。另外，BP神經網絡在單目標彈藥需求量以及基于歷史數據對彈藥消耗量預測方面也得到了廣泛的應用[8-10]。

本研究在相關研究的基礎上，結合高寒山地實際，采用BP神經網絡方法，對高寒山地彈藥供應保障的消耗量需求進行分析。

1　BP神經網絡原理

1986年由Rumelhart和McCelland等首次提出誤差反向傳播(errorbackpropagation，BP)神經網絡模型[11]。該模型針對用戶需求，通過選取合理的數據樣本進行訓練，并利用訓練好的模型實現對未知結果數據的預測。

1.1BP神經網絡的基本結構

BP神經網絡由輸入層、中間層(隱含層)和輸出層構成，屬于多層前饋網絡[12]。通常，3層BP神經網絡即可很好地實現對非線性映射的逼近。圖1為3層BP神經網絡的結構示意圖[11]。

圖1　BP神經網絡3層結構

1.2BP神經網絡的訓練過程

正向傳播和反向傳播構成了BP神經網絡的訓練過程。在正向傳播過程中，信號進入輸入層并經過中間層對其進行處理，最后在輸出層輸出訓練結果并對訓練的輸出值進行比較得到信號誤差；在反向傳播過程中，信號誤差則由輸出層向輸入層傳播。通常可以調整各層連接權值和神經元閾值來減小信號誤差。對上述過程進行反復迭代，當網絡的輸出誤差小于設定誤差或者迭代次數達到設定的學習次數時，該訓練過程結束，即可得到理想的連接權值和神經元閾值。

將3層BP神經網絡的輸入層、中間層和輸出層神經元個數分別設定為n、m、q。設定輸入層神經元的輸入為xi(i=1,2,…,n)，中間層神經元的輸出為zj(j=1,2,…,m)，輸出層神經元的輸出為yk(k=1,2,…,q)，期望輸出為tk(k=1,2,…,q)，輸入層至中間層連接權為wij(i=1,2,…,n; j=1,2,…,m)，中間層至輸出層連接權為vjk(j=1,2,…,m; k=1,2,…,q)。

BP神經網絡的訓練過程為：

步驟1：給定各個連接權值以任意小值；

步驟2：確定輸入網絡的學習樣本；

步驟3：分別得出中間層神經元輸出zj和輸出層神經元輸出yk為：

(1)

式中 f 為傳輸函數。

步驟4：分別得出輸出層神經元誤差δk和中間層神經元誤差dj：

(2)

步驟5：對輸出層和中間層的連接權進行調整：

(3)

步驟6：依次對其他學習樣本，重復步驟3至步驟5，直到樣本訓練結束對其誤差和進行判斷，若滿足精度要求或達到模型的最大訓練次數，則訓練結束；否則，繼續對其進行修正。

1.3BP神經網絡模型結構的確定

對于模型結構，為了提高網絡的訓練速度，模型選取只有一個隱含層的3層BP神經網絡預測模型。輸入、輸出變量具體對應相應的輸入、輸出層神經元，因此對于具體的對象，可以設定相應的輸入層神經元、輸出層神經元個數。對于隱含層神經元個數的確定，得到：

(4)

式中：q為隱含層神經元的個數；n為輸入層神經元的個數；m為輸出層神經元的個數；a為常數，且1

此外，對于BP神經網絡模型的各層激活函數，通常設置隱含層的神經元激活函數為tansig函數，輸出層的神經元激活函數為線性函數。

2　彈藥消耗預測模型

2.1彈藥消耗量數據的預處理

通過相關單位及文獻，獲取某型號彈藥近幾年的消耗量數據，將其視為單一時間序列，分別記作x1,x2,…,xn，需要預測的下一年彈藥消耗量記為Ttest。對Ttest利用BP模型進行預測前，需要對彈藥消耗量數據進行預處理，作為BP神經網絡的訓練過程和測試過程所用數據。分別將訓練過程的輸入數據、輸出數據和測試過程的輸入數據記作Ptrain，Ttrain，Ptest。將xk,xk+1,…,xk+s共計s+1個歷史數據作為Ptrain中的第k個輸入樣本pk=[xk,xk+1,…,xk+s]，xk+s+1作為第k個輸出樣本tk=xk+s+1。因此，第一個輸入樣本為p1=[x1,x2,…,xs+1]，第一個輸出樣本為t1=xs+2；第二個輸入樣本為p2=[x2,x3,…,xs+2]，第二個輸出樣本為t2=xs+3，依次得到n-s-2個輸入樣本組成輸入矩陣Ptrain=[p1，p2，…，pn-s-2]，與之相對應的n-s-2個輸出樣本組成輸出矩陣Ttrain=[t1，t2，…，tn-s-2]。模型預測時，利用最近s+1年的彈藥消耗量構造測試過程輸入樣本，表示為Ptest=[xn-s-1,xn-s,…,xn]。

2.2彈藥消耗預測模型的訓練與測試

對高寒山地的彈藥消耗預測模型進行訓練前，對獲取的彈藥消耗量數據進行數據預處理，從而得到BP神經網絡訓練過程的輸入數據以及輸出數據。利用BP神經網絡對彈藥消耗預測模型進行訓練前，需要對神經網絡的結構和訓練參數進行設定。依次通過求取隱含層、輸出層各神經元輸出，求取期望值跟實際輸出的誤差，判斷是否滿足要求。同時，計算隱含層單元誤差，求取誤差梯度，調整權值等步驟訓練BP神經網絡模型；當期望值跟模型實際輸出的誤差達到設定值時，BP神經網絡停止訓練，繼而得到訓練好的彈藥消耗預測模型。

通過利用Matlab軟件，設定神經網絡的最大學習迭代次數、訓練速率和訓練目標誤差等參數，建立BP神經網絡。

對高寒山地的彈藥消耗量進行預測時，首先獲取最近s+1年的彈藥消耗量，并將其作為彈藥消耗預測模型的測試數據。將處理好的數據輸入到訓練好的模型中，最終得到彈藥消耗量的預測數據，實現對未來年份的彈藥消耗量的預測。

2.3彈藥消耗預測流程

從上述步驟可以得出彈藥消耗量預測模型的具體流程，如圖2。

模型訓練過程的步驟為：

步驟1：獲得彈藥消耗量數據，并且對數據預處理獲得模型的訓練過程輸入數據和輸出數據；

步驟2：確定BP神經網絡的結構和訓練參數；

步驟3：依次通過求取隱含層、輸出層各神經元輸出，求取期望值跟實際輸出，求取兩者誤差值，判斷是否滿足要求、計算隱含層單元誤差，求取誤差梯度，調整權值等步驟對BP神經網絡進行訓練；

步驟4：當期望值跟模型實際輸出的誤差達到設定值時，模型停止訓練，獲得訓練好的彈藥消耗量預測模型。

模型測試過程步驟為：

步驟1：獲得彈藥消耗量數據，對數據進行預處理，獲得模型的測試過程輸入數據；

步驟2：將測試過程輸入數據輸入到建立的彈藥消耗量預測模型中進行測試；

步驟3：得出未來年份的彈藥預測結果。

通過利用建立好的模型進行測試，可以獲得下一年的彈藥消耗量。與現有彈藥儲存情況進行比較，可以有效地分析出該類彈藥的需求情況。通過上述方法，可以對彈藥供應保障的消耗量需求進行有效預測，為彈藥供應保障的統籌規劃和合理安排提供參考。

3　彈藥消耗量需求分析的應用

通過前述內容的描述與分析可知，BP神經網絡方法可以較好地對彈藥的消耗量進行預測，并能間接反映出高寒山地的彈藥供應保障情況。這里，以某高寒山地的某種彈藥消耗量的數據為例(此數據為模擬數據，在實際數據的基礎上有改動)，通過建立BP神經網絡預測模型對該地區彈藥供應保障需求進行分析。

3.1模型數據的獲取與預處理

以該高寒山地1996—2013年的彈藥消耗量為例，表1和圖3顯示了該地區每年的彈藥消耗量情況。

圖2　彈藥消耗量預測模型流程

時間/年199619971998199920002001200220032004彈藥消耗量/t408502573702786994129114081590時間/年200520062007200820092010201120122013彈藥消耗量/t180619972062205221112169225023592714

從圖3中可以看出，該高寒山地每年彈藥的消耗量成逐年遞增的趨勢。為了進一步探究該高寒山地2014年彈藥的消耗量，利用BP神經網絡對其建立預測模型。

圖3　某高寒山地的彈藥消耗量

本文中，設置s=3，則第一個輸入樣本為p1=[408,502,573]T，第一個輸出樣本為 t1=702；第二個輸入樣本為p2=[502,573,702]T，第二個輸出樣本為 t2=786，依次得到15組輸入樣本和輸出樣本數據。將這些一一對應的輸入、輸出數據作為BP神經網絡模型的訓練數據。模型預測時，利用最近3年的彈藥消耗量構造輸入樣本，表示為ptest=[2250,2359,2714]T，將其作為測試數據進行模型預測。

3.2模型結構的確定

為了提高網絡的訓練速度，選取只有一個隱含層的3層BP神經網絡預測模型并對其進行訓練。輸入、輸出變量具體對應相應的輸入、輸出層神經元，因此將輸入層神經元個數設定為3，輸出層神經元個數設定為1，并利用式(4)對隱含層神經元的個數進行確定，這里，設定隱含層神經元個數為10。此時BP神經網絡的結構為3-10-1,即輸入層、隱含層和輸出層的神經元個數分別為3、10、l。此外，設置隱含層的神經元和輸出層的神經元激活函數分別為tansig函數和線性函數。

對于模型訓練參數，設定網絡最大學習迭代次數為1 000，訓練速率為0.05，訓練目標誤差為0.0015。

3.3模型訓練與測試

以該高寒山地某種彈藥消耗量為例，利用Matlab工具對BP神經網絡模型進行訓練與測試。圖4和圖5給出了BP神經網絡模型訓練過程和訓練后的結果。從其中可以看出，當BP網絡迭代到640次時，訓練誤差達到了設定值，此時模型停止訓練。測試時，將測試數據 ptest=[2 250, 2 359, 2 714]T輸入到訓練好的模型中，即可預測得出2014年該高寒山地的彈藥消耗量。利用2014年的彈藥預測消耗量構造新的測試數據，將其作為模型輸入進行測試，即可得出2015年該高寒山地的彈藥消耗量，依次類推。

圖4　BP神經網絡訓練

圖5　BP神經網絡的誤差迭代

3.4彈藥消耗需求的預測結果

將訓練數據中的輸入量代入訓練好的BP神經網絡模型中，即可得出1996—2013年的彈藥預測消耗量。圖6給出了相應的預測結果：圓圈代表彈藥真實消耗量，*號代表彈藥預測消耗量。可以看出兩條曲線基本重合，說明BP神經網絡模型預測值與真實值之間的誤差非常小，其建立的模型具有較高的精度。利用訓練好的模型預測得到2014—2015年的彈藥消耗量分別為2 663t和3 179t。以下給出了彈藥消耗量預測模型的BP神經網絡核心程序。

圖6　BP神經網絡測試結果

可以看出，利用BP神經網絡得到的彈藥預測消耗量曲線與彈藥真實消耗量曲線比較接近，表明了所建立的彈藥供應保障消耗量需求模型能夠很好地預測彈藥消耗量。

4　結論

結合戰場的實際作戰環境以及各兵種的投入情況，科學合理地對彈藥消耗量的需求進行分析和評估，尤其是高寒山地條件下彈藥消耗量的準確預計是目前我軍在裝備供應保障過程中亟需解決的問題。本文在相關研究的基礎上，以某高寒山地的某種彈藥消耗量的實際情況為例，通過建立BP神經網絡預測模型對該地區彈藥供應保障需求進行了分析。結果表明，利用BP神經網絡得到的彈藥預測消耗量曲線與彈藥真實消耗量曲線比較接近，所建立的彈藥供應保障消耗量需求模型能夠很好地預測彈藥消耗量。

參考文獻：

[1]WILLIAMF.StudyofAmmunitionconsumption(AD-A451782)[R].Washington，D.C.，2005.

[2]AKST，GEORGE.MarineCorpsReserveMunitionsRequirement(WRMR)ModelVersion2.3，Accreditation[R].[S.l.]:[s.n.],2007.

[3]DIAZA.HeuristicsGlobalCombatLogisticsForceOperationalPlanning[D].USA:NavalPostgraduateSchool，2010.

[4]RAJASHEREKF，PAKKALATPM.ABayesianapproachtoadynamicinventorymethodunderanunknowndemanddistribution[J].ComputerandOperationsResearch，2002(29):403-422.

[5]KOSTAS-PLATONARONIS，LOULIAMAGOU，ROMMERTDEKKER，etal.InventorycontrolofsparepartsusingaBayesianapproach:acasestudy[J].EuropeanJournalofOperationalresearch，2004(154):730-739.

[6]榮鵬輝，陸廷金，許栩.基于AHP的彈藥存儲需求量模型優化研究[J].彈箭與制導學報，2006，26(3):12-14.

[7]俞杰，王三喜，沈壽林,等.基于SD模型的彈藥消耗規律研究[J].火力與指揮控制，2008，33(4):26-27.

[8]王三喜.聯合火力打擊彈藥需求計算動態模型研究[J].火力與指揮控制，2009，34(10):100-102，107.

[9]黃天辰.基于神經網絡的彈藥消耗預測[J].軍械工程學院學報，2004，16(2):29-41.

[10]朱培濤.彈藥消耗預測方法比較研究[J].兵工自動化，2007，26(4):L2.

[11]陳基純,王楓.房地產價格時間序列預測的BP神經網絡方法[J].統計與策略，2008(14):42-43.

[12]戴革林.基于BP算法和單目標供給的航空彈藥需求仿真[J].計算機仿真，2007，24(2):15-17.

(責任編輯唐定國)

doi:10.11809/scbgxb2016.06.023

收稿日期：2015-11-25；修回日期：2015-12-30

作者簡介：齊浩淳(1984—),男,工學博士,工程師,主要從事軍械裝備保障技術、雷達裝備、無人機、可靠性研究等研究。

中圖分類號：E932

文獻標識碼：A

文章編號：2096-2304(2016)06-0097-05

DemandAnalysesofAmmunitionConsumptioninColdMountainAreasBasedonBPNeuralNetwork

QIHao-chun1,HUANGDa-peng2,WEIJiu-nan1,CHENZhi-gang1

(1.TheNo. 68129thTroopofPLA,Lanzhou730060,China; 2.OrdnanceEngineeringCollegeofPLA,Shijiazhuang050030,China)

Abstract:Using BP neural network method, the paper established the prediction model of ammunition consumption in the cold mountain areas, and described its forecasting processes and procedures. Combined with the cold mountain areas’ realities, the paper also analyzed their consumption demands of ammunition supply support. Finally, the forecast results show that the model can well predict the ammunition consumption in the cold mountain areas.

Key words:cold mountain area; ammunition consumption; BP neural network