基于BP神經網絡的后勤機動裝備檢驗驗收質量評估

王悅明達，魏大帥，張大鵬

（1.陸軍軍事交通學院 學員旅，天津 300161；2.陸軍軍事交通學院 軍用車輛系，天津 300161）

1 引言

隨著科技在軍事領域的廣泛應用，現代戰爭的作戰形式發生了巨大改變，軍事保障任務對后勤機動裝備的質量要求也越來越高。后勤機動裝備作為后勤保障的基礎平臺和移動載體，具有良好的機動性能和保障能力，其質量的好壞直接影響到部隊的作戰和訓練任務。檢驗驗收作為裝備生產過程和使用過程的“橋梁”，對裝備的質量具有重要影響。因此，對后勤機動裝備檢驗驗收質量進行控制和評估具有重大現實意義。

2 檢驗驗收質量評估指標體系的建立

通過調研后勤機動裝備的檢驗驗收流程、咨詢物資采購部門的工作范疇、分析影響裝備檢驗驗收質量的因素可知，后勤機動裝備檢驗驗收質量主要涵蓋以下三個方面：裝備驗收可測指標、裝備檢驗過程指標、裝備定型采信指標。

通過查閱相關的國家軍用標準、裝備研制任務書、裝備定型試驗大綱等資料可知，后勤機動裝備的驗收可測指標主要包括作業能力、通過性、制動性、物理性能、人機工程性；裝備檢驗過程指標主要包括產品質量狀況、過程管理水平；裝備定型采信指標主要包括環境適應性、安全防護性、可靠性、維修性、保障性。

通過參考《后勤裝備檢驗驗收細則》、《后勤裝備研制實用手冊》、后勤機動裝備定型試驗大綱以及相關的國家軍用標準等材料，可根據選定的二級指標篩選三級指標，最終確立了后勤機動裝備檢驗驗收質量評估指標體系，如圖1所示。

圖1 后勤機動裝備檢驗驗收質量評估指標體系

3 BP神經網絡方法概述

后勤機動裝備檢驗驗收質量評估指標體系是一個比較復雜的系統，其涵蓋的指標數量較多，指標的權重不易確定；各項指標的性質也不盡相同，有的屬于定量指標，有的屬于定性指標，指標的量綱也有所不同，本文決定采用BP神經網絡算法對后勤機動裝備檢驗驗收質量進行評估。神經網絡是一種由大量人工神經元連接而成的數據處理模型，它根據輸入信號的變化來調節自身的結構，通過樣本訓練來調節神經元之間的網絡權值，對輸入的數據構建模型，最終得到合適的輸出值。BP神經網絡是眾多神經網絡中的一種（下文提到的神經網絡專指BP神經網絡），通常除了輸入層和輸出層以外，還有若干個隱含層。一個包含兩個隱含層的BP神經網絡結構如圖2所示。

圖2 BP神經網絡結構圖

神經元節點和權值是BP神經網絡最重要的兩個概念。神經元節點是構成神經網絡的基本單元，神經元節點對應為有向圖中的節點，權值反映節點間相互關聯的程度。BP神經網絡的強大之處在于其連接權值是可調整的，當權值調整為適當值時，就能得到滿意的輸出結果。

3.1 BP神經網絡的特點

BP神經網絡的一般特點可以歸納如下：

（1）BP神經網絡具有良好的自適應性。神經網絡通過訓練樣本，能夠自動調整網絡權值，以適應外界環境的變化，從而對特定的輸入產生特定的輸出。

（2）BP神經網絡具有多層結構。多層的網絡連接能夠從輸入信號中挖掘更多的信息，使輸出值更加精確。

（3）BP神經網絡采用誤差反向傳遞算法進行樣本訓練。數據在網絡中由輸入層向后逐層傳播，在進行樣本訓練時，則沿著誤差減少的方向，由輸出層向前調節網絡的權值和閾值。隨著訓練的持續進行，最終的誤差將越來越小。

3.2 BP神經網絡的權值訓練方法

BP神經網絡通常采用梯度下降法進行權值的訓練。梯度下降法的基本原理為：如果函數F(x)在點x0處可微，則函數在該點沿著梯度的反方向-?F(x0)下降速度最快。因此，使用梯度下降法時，要計算出誤差對權值的梯度，再沿著梯度反方向進行調整權值。

假設x1=x0-η?F(x0)，當步長η足夠小時，必有F(x1)＜F(x0)成立。根據xn+1=xn-η?F(xn)，只需給定一個初始值x0和步長η，就可以得到一個自變量x的序列，并滿足F(xn+1)＜F(xn)＜...＜F(x1)＜F(x0)，經過反復迭代，就可以得到最優權值。

但梯度下降法也存在明顯的缺陷，主要表現為：

（1）如果權值比較接近，算法會在最優權值附近停留很久，收斂速度很慢。

（2）誤差函數可能包含若干個極值點，算法可能陷入權值的局部極小值點，而沒有得出最優權值。

3.3 BP神經網絡的權值訓練過程

BP神經網絡的權值訓練過程主要包括信息的正向傳播和誤差的反向傳播。對于三層的BP神經網絡，設輸入層神經元個數為M，隱含層神經元個數為I，輸出層神經元個數為J。輸入層第m個神經元記為xm，隱含層第i個神經元記為ki，輸出層第j個神經元記為yj。從xm到ki的連接權值為wmi，從ki到yj的連接權值為wij。η為初始學習率。隱含層傳遞函數f(x)和輸出層傳遞函數g(x)分別為S型函數和線性函數。用u和v分別表示每一層的輸入與輸出，則網絡的實際輸出為：，網絡的期望輸出為：d(n)=[d1,d2,...,dn]，n為迭代次數，則第n次迭代的誤差信號定義為：

將誤差能量定義為：

（1）輸入信號正向傳播

輸入層的輸出等于整個網絡的輸入信號：隱含層第i個神經元的輸入等于的加權和：

隱含層第i個神經元的輸出等于：

輸出層第j個神經元的輸入等于的加權和：

輸出層第j個神經元的輸出等于：

輸出層第j個神經元的誤差：

網絡的總誤差：

（2）誤差信號反向傳播

①調整隱含層與輸出層之間的權值wij。根據梯度下降法，首先計算誤差對的wij梯度，再按以下公式沿著反方向進行調整：

根據微分的鏈式規則可得：

由于e(n)是ej(n)的二次函數，其微分為一次函數：，輸出層傳遞函數的導數為：，則可得梯度值為：

可得權值修正量為：

②調整輸入層與隱含層之間的權值wmi。與權值wij的調整方法類似，有：

權值調整的規則可總結為：

上述激活函數f(x)為Sigmoid函數，即S型函數。S型函數曲線光滑，比線性函數精確性更強，容錯性更好。S型函數的一般表達式如下：

3.4 動量因子法訓練網絡權值

為了在權值訓練時能夠加快收斂速度，避免權值陷入局部最小值，本文引入動量因子α(0＜α＜1)對梯度下降法進行修正。權值更新方式如下：

與傳統的梯度下降法相比，引入動量因子后使得權值的更新具有一定的慣性，模型的抗震蕩能力和收斂能力得以加強。具體原理如下：

（1）權值訓練過程中所得的梯度方向相同時，則按照傳統的最速下降法，兩次權值的更新方向相同。在上述公式中，本次梯度反方向的項與上一次的權值更新相加，能夠提高算法的收斂能力，不至于在單一位置停留時間過長。

（2）若權值訓練過程中所得的梯度方向相反，此時應減小權值修正量，防止產生振蕩，引入動量因子α后，本次梯度反方向的項與上次權值更新方向相反，其振幅會被減小，得到一個較小步長，避免產生過度振蕩。在實際的案例分析中，α一般取0.1～0.9。

4 基于BP神經網絡算法的評估模型構建

4.1 神經網絡輸入層、輸出層與隱含層的設計

（1）輸入層的設計。根據上文建立的后勤機動裝備檢驗驗收質量評估指標體系，確定神經網絡的輸入節點。將單位時間作業量等34個三級指標作為神經網絡的輸入節點。

（2）輸出層的設計。設置1個輸出節點，取值區間為[0,1]。不同的取值范圍表示不同的質量等級。輸出值在區間[0.9,1]時表示裝備質量為等級Ⅰ；輸出值在區間[0.8,0.9]時表示裝備質量為等級Ⅱ；輸出值在區間[0.7,0.8]時表示裝備質量為等級Ⅲ；輸出值在區間[0.6,0.7]時表示裝備質量為等級Ⅳ；輸出值在區間[0,0.6]時表示裝備質量為等級V。

（3）隱含層的設計。隱含層的節點數對神經網絡的訓練效果影響較大。隱含層節點數越多，輸出的結果通常越精確，但是往往導致訓練時間過長。目前并沒有一個通用的方法來確定隱含層的節點數，通常利用經驗公式給出隱含層節點數的參考值。設M為隱含層節點數，n為輸入層的節點數，m為輸出層的節點數，則有：

其中α為[0,10]之間的常數。

本文中的輸入節點數為34，輸出節點數為1，則隱含層的節點數在[6,15]之間。

4.2 基于BP神經網絡的評估模型

根據神經網絡的工作特點可知，后勤機動裝備檢驗驗收的質量評估結果即為神經網絡的輸出值。結合神經網絡權值的訓練方法和訓練過程，可以建立基于BP神經網絡的后勤機動裝備檢驗驗收質量的評估模型。模型如下：

其中，O為評估結果；XT為輸入值矩陣，即輸入的指標值組成的矩陣；VT為隱含層到輸出層之間的權值矩陣；WT為輸入層到隱含層之間的權值矩陣；AT為隱含層節點的閾值矩陣；BT為輸出層節點的閾值矩陣；均為Sigmoid函數。

建立評估模型之后，需要利用帶有動量因子的梯度下降法對樣本進行訓練并輸出評估結果。輸出的評估結果在不同的區間范圍內代表不同等級的裝備質量，五個質量等級所能反映的裝備質量狀況以及針對不同質量狀況所采取的處理方式見表1。

表1 裝備質量等級分類及處理方式

BP神經網絡評估模型的具體實現步驟如下：

（1）把將要輸入的樣本數據進行標準化。

（2）輸入標準化后的樣本數據，計算實際輸出與期望輸出之間的誤差。

（3）判斷誤差是否滿足輸出要求，若滿足條件要求，直接進行步驟（5）；否則執行步驟（4）。

（4）若輸出誤差不滿足預設條件，根據式（10）-（19），利用動量因子法對網絡權值進行調整。

（5）輸出誤差滿足預設條件時，保存權值。

（6）將用來評估預測的樣本輸入模型。

（7）輸出評估結果。

（8）判斷輸出結果是否滿足接收裝備的條件，若滿足條件，接收裝備；若裝備質量處于等級Ⅳ，退驗裝備，改進后再進行判定；若裝備質量處于等級V，直接拒收裝備。

后勤機動裝備檢驗驗收質量評估的邏輯框圖如圖3所示。

圖3 后勤機動裝備檢驗驗收質量評估邏輯框圖

5 實例分析

某單位要對兩臺XX型后勤裝備通用維修車檢驗驗收質量進行評估，兩臺裝備各項指標的統計數據見表2。

5.1 訓練樣本選取

明確各項評估指標的值域是選取訓練樣本的前提。依據“后勤裝備檢驗驗收質量研究”課題、SPC理論、《測量系統分析手冊》、裝備制造與驗收技術條件以及裝備定型試驗大綱等材料，可統計得出XX型后勤裝備通用維修車各項指標的值域，具體見表3。

5.2 模型訓練

SPSS Modeler軟件是美國IBM公司開發的面向數據挖掘的工作平臺，該軟件可以根據數據流進行統計分析和機器學習，迅速地構建評估預測模型。本文中利用SPSS Modeler15.0軟件構建BP神經網絡模型對后勤機動裝備檢驗驗收質量進行評估預測。

表2 指標統計數據表

表3 XX型后勤裝備通用維修車質量評估指標值域

模型訓練前首先要進行參數設置。設初始學習率n為0.4；動量因子α為0.9；隱含層節點數M為10；權值訓練次數為400。

利用SPSS Modeler軟件構建神經網絡評估模型，當模型評估預測的準確度低于60%時，模型失效。模型的數據流如圖4所示。

在SPSS Modeler軟件中運行該數據流，首先通過模型訓練可以確立各層之間的權值和閾值。利用訓練結束的權值對樣本進行評估可得到樣本的預測值、實際值與預測值之間的均方誤差以及模型預測的準確度，具體見表4和圖5、圖6、圖7。

圖4 評估模型的數據流

表4 樣本輸出值比較

圖5 樣本輸出值對比圖

圖6 均方誤差和變化圖

通過觀察表4和圖5可知，模型輸出的預測值與實際評估值十分接近，誤差始終處在較小范圍內波動；通過觀察圖6可知，隨著權值的不斷訓練，樣本的均方誤差和逐漸減小，當訓練次數達到約300次時，均方誤差和取到最小值0.000 039；通過觀察圖7可知，模型預測的準確度為93.3%，遠遠高于60%，說明模型模擬效果較好。

圖7 模型預測準確度

5.3 評估結果處理

將兩臺待驗收裝備的指標值輸入到訓練好的模型中，可得裝備一的評估值為0.879，裝備二的評估值為0.873，表明兩臺裝備的質量等級均為Ⅱ級，裝備的技術性能、內外觀狀態等指標基本符合質量要求，檢驗驗收過程要求比較嚴格。綜上做出接收兩臺裝備的決定，并在接下來的檢驗驗收工作中對檢驗過程予以適當控制。

6 結語

本文在后勤機動裝備檢驗驗收質量評估指標體系的基礎上，利用BP神經網絡對后勤機動裝備檢驗驗收質量進行評估。針對BP神經網絡存在的缺陷，采用動量因子法對BP神經網絡的權值進行訓練選優，以加快網絡的收斂速度并達到全局最優，進而建立起基于BP神經網絡的后勤機動裝備檢驗驗收質量評估模型，并利用實例驗證了模型的可行性和精確性。

[1]劉士通,于戰果,鐘幼平.后勤裝備學[M].北京:軍事科學出版社,2009.

[2]徐學,張寧.軍隊衛生裝備戰術技術指標的構成要素[J].裝備標準,2003,(8):39-41．

[3]余志生.汽車理論[M].北京:機械工業出版社,2009.

[4]軍事交通運輸研究所.后勤裝備“一化五性”評測規程匯編[Z].2007.

[5]GJB 5111-2004.后勤裝備承制單位資質考核規程[S].2004．

[6]GJB 1909A-2009.裝備可靠性維修性保障性要求論證[S].2009．

[7]馬亞龍,邵秋峰.評估理論和方法及其軍事應用[M].北京:國防工業出版社,2013.

[8]陳明.MATLAB神經網絡原理與實例精解[M].北京:清華大學出版社,2014.

[9]“十一五”軍隊后勤科技裝備發展優化和定量評估報告[R].北京:總后勤部后勤科學研究所，2006．

[10]王國平,等.IBM SPSS Modeler數據與文本挖掘實戰[M].北京:清華大學出版社,2014.