神经系统论文：经神网络系统的射击损伤模具评定范文

作者：吴正龙赵忠实单位：陆军军官学院兵器工程系

暴露有生力量毁伤效果仿真计算

1单个暴露有生力量毁伤效果计算

本文所指暴露有生力量指无特殊防护的人员，即暴露步兵。给定单发炸点对目标的偏差量(x，y，z)，其中x为距离偏差量，z为方向偏差量，y为炸高，单位均为m．由于对暴露有生力量一般采用着发射击，故y为0．可按以下步骤求出毁伤单个暴露有生力量的概率:

1)求出炸目距离，炸目线与弹轴方向线之间的夹角;

2)求出飞向目标的破片的静态散飞角和动态散飞角，并求出破片综合初速;

3)求落达于目标平均有效破片数;

4)求单发炸点毁伤目标的条件概率G1．当有多发炸点时，必须逐一计算每发炸点毁伤效果。如具体射击中获得N发炸点时，可假定各发炮弹毁伤目标相互独立，也即假定不存在“损伤积累”(实际中如损伤积累作用较小，可认为满足此假定)，则当发射N发炮弹时，对于炸点相对目标坐标

2集群暴露有生力量毁伤效果计算

2.1集群目标划分模型

地面炮兵对不能观察的集群目标射击，往往不知道单个目标的总数，亦不知道目标确切位置，但亦无明显理由认为目标符合某种特定位置分布，因此可以假定单个目标在目标地段内紧密排列。对于暴露有生力量，如给出毁伤幅员SM，此时目标依据其毁伤幅员在地段内紧密排列，如图1所示，其中Lf为目标地段幅员正面的1/2，Ld为目标地段幅员纵深的1/2;lz和lx分别是毁伤幅员正面和纵深的1/2．如没有给出毁伤幅员，则认为目标依据指定区域大小紧密排列。

2.2确定单个目标的受弹面积

行着发射击时，卧姿步兵的平均受弹面积为0.15～0.27m2，立姿步兵的平均受弹面积为0.61～0.87m2．受弹面积对毁伤效果影响很大，差别难以忽略。因此，对于给定毁伤幅员的暴露有生力量，应当合理确定其受弹面积。实际上，根据目标的坐标毁伤律，可以求出其毁伤幅员，其求法是把目标附面分成许多小面积，求出炸点位于各小面积中心时的毁伤目标概率，乘以这个小面积并求其总和，即为毁伤幅员面积。因此，如果给出了目标的毁伤幅员，可以反求出目标的受弹面积。如用152mm榴弹炮对集结步兵射击。已知落角θc=22°，落速vc=297m/s．着发射击。给定目标毁伤幅员情况下求步兵的受弹面积。表1给出不同毁伤幅员步兵对应的受弹面积。

2.3统计实验法求毁伤比数学期望

由1.1节的分析，可计算出毁伤各单个目标的概率。设毁伤第i个单个目标的概率为Gi，则毁伤比数学期望采用统计实验法求毁伤效果。用服从实际射击误差表征的正态随机量(X，Z)的N个抽样值，模拟N发炮弹的炸点坐标，进而由(1)式和(2)式求出该次模拟的毁伤比，记为M1．重复实验N0次，得到结果M1，M2，…，MN0，则由(3)式和(4)式求得毁伤效果的估值及其方差作为毁伤效果近似值以及近似值的精度表征:运用上述方法，对以下情况在10个随机时间计算，每次重复计算10000次，取平均值得到毁伤效果并与现行计算集群目标射击效率的主要方法，即数值积分法、均匀分布法和综合误差法，进行了对比，对比结果如表2所示。情况:152mm榴弹炮营对集结步兵射击。营有3个连，每连6门炮。用射向间隔50m距离差50m行适宽射向三距离射击。已知营距离诸元误差60m，营方向诸元误差20m，连距离诸元误差14m，连方向诸元误差7m，炮距离诸元误差20m，炮方向诸元误差12m，距离散布误差20m，方向散布误差4m．目标毁伤幅员正面24m，纵深13m．目标地段幅员为Ld=200m，Lf=300m，且1)人为设定目标地段内的单独目标为3行4列，呈均匀分布;2)假定目标按毁伤幅员均匀分布，发射弹数108发，求毁伤比数学期望。

从对比可以看出，与数值积分法、均匀分布法和综合误差法等现行计算集群目标射击效率的主要方法相比，仿真计算结果的准确性有保证，且和精度最好的数值积分法颇为接近。因此，当给定一组炸点后，能够计算出可靠的对应毁伤效果。但已经指出，炮兵准确获取每发炸点精确坐标几乎不可能，因此，按上述方法直接计算毁伤效果难以实现。下面提出基于ANFIS的毁伤效果预测模型，从仿真计算得到的数据中，合理确定易于观察、测量的因素作为毁伤因素，再采用基于Takagi-Sugeno(T-S)模型的自适应模糊神经网络从数据中学习出以模糊规则系统表示的毁伤因素与毁伤效果之间的映射关系，进而应用该模糊规则系统对射击毁伤效果进行预测。

基于ANFIS的毁伤效果预测模型

1确定毁伤因素

考虑到炮兵当前侦察射击效果的手段和习惯，确定毁伤因素集为:1)弹群中心距目标地段中心的距离偏差X(单位m);2)弹群中心距目标地段中心的方向偏差Z(单位m);3)弹群覆盖程度，有射弹落达区域面积与目标地段面积比值C;4)火力密度，发射弹数与目标地段面积比值D(单位发/hm2)．以上毁伤因素可认为彼此相互独立。将毁伤效果记为R．一般而言，R受单个毁伤因素的影响关系较为明显，在其余因素不变的情况下，R和X、Z约为负相关，和C、D约为正相关，因此，可以认为毁伤因素与毁伤效果之间存在某种映射关系，但从仿真计算中可以看出，坐标毁伤律计算复杂，难以用统一的数学表达式予以描述，因此，以上4个毁伤因素与毁伤效果之间的映射关系也不能用统一的数学模型来表示。

2模型结构

该预测模型为基于T-S模型的模糊神经网络，如图2所示，共分5层。1)输入变量层。每个节点直接与输入向量连接。系统有4个输入变量，分别对应4个毁伤因素，因此输入向量为［xzcd］T，x，z，c，d分别为4个毁伤因素的论域实测值。2)输入隶属函数层。每个节点代表一个模糊语言变量，其作用是计算各输入分量属于各模糊语言变量的隶属度。各模糊语言变量的隶属度函数可以为任何类型，本文取高斯型函数。3)推理规则层。每个节点代表一条模糊规则，其作用是匹配模糊规则的前件。4)输出隶属函数层。每个节点表示一个隶属函数，每个输出隶属函数是一个零阶或一阶Sugeno线性函数。计算每条规则的输出。设第i条推理规则Ri形式如(5)式所示:式中:if部分为模糊规则前件;Xi、Zi、Ci、Di分别为4个毁伤因素的第i个模糊语言变量;then部分为后件;pi0～pi4为真值系数，也即输出是输入变量的线性组合，但不同规则，系数值不同。5)输出变量层，输出变量，起到解模糊的作用，选用加权平均法。输出变量只有1个，即毁伤效果r．

3基于减法聚类的初始系统生成

减法聚类可自动生成一个具有最少的规则数目的初始T-S型模糊推理系统。对于多维空间的N个数据点(X1，X2，…，Xn)，假定数据点已经归一化到一个超立方体空间中。定义数据点Xi处的密度值函数为式中γa是一正数，为聚类中心有效领域半径，半径以外的数据点对该点的密度影响甚微。取最大密度值点Xk作为第一个聚类中心，Pk为其密度值，则可重新计算每个数据点新的密度值7)式中γb亦为一正数，定义了一个密度值显著减小的邻域半径。显然靠近Xk的数据点的密度值显著减小，因此不太可能被选为下一个聚类中心，从而避免了出现距离较近的聚类中心。通常取γb＞γa且γb=ηγa，η的经验值为1.25≤η≤1.5．从而可选择下一个聚类中心。重复上述步骤直至按照一定的准则不再能找出新的聚类中心为止。聚类完成后，所有聚类中心建立了一个初始一阶T-S模型。一个聚类中心相当于一条规则。因为输入输出向量的模糊语言值个数和规则数都已经确定，现要学习的参数主要是(5)式中系数和各隶属函数(高斯函数)的中心值和宽度。为提高学习的速度和效率，这些参数采用由梯度下降算法和最小二乘算法所组成的混合学习算法进行优化。

数值仿真结果

1射击条件约定

为使问题稍加简化又不失一般性，对射击条件做以下约定。考虑炮兵连对集群有生力量射击。根据炮兵射击学相关知识，炮兵连对正面不大于50m的目标射击时，采用集火射向，否则用适宽射向;当目标纵深不大于200m时，用一距离射击，否则行三距离射击。此外，炮兵连精密法决定诸元直接效力射，距离诸元误差一般为射击距离的0.8%～1.2%，方向诸元误差3～4mil．具体射击条件约定如下:1)152mm炮兵连，6门制，对暴露有生力量射击，使用杀伤爆破榴弹，瞬发引信，爆炸后1g以上破片总数为2100个，破片速度为1070m/s;2号装药，射击距离分别为8、10、12km，距离诸元误差取1%，方向诸元误差取4mil．散布误差由射表查得。2)目标为卧姿步兵，受弹面积一律取0.2m2，分别取目标幅员正面(2Lf)为40、60m，纵深(2Ld)为120、160、200m构成不同目标。俱使用集火射向一距离对上述目标射击。3)分别取发射弹数为12、24、36、48、60、72发。

2训练样本与测试样本

采用仿真计算方法，在每种射距离、目标幅员、发射弹数的组合条件下，仿真出100次炸点情况并计算出毁伤效果，共得到10800组数据作为训练样本，如表3所示。

取射距离为9km，地段幅员正面为60m，纵深为200m，发射弹数为42发，仿真计算出500组数据，作为测试数据1，如表4所示;再取射距离为9km，地段幅员正面为40m，纵深为180m，发射弹数为54发，仿真计算出500组数据，作为测试数据2，如表5所示。

3ANFIS网络训练与分析

除上文中已明确的参数外，减法聚类中设定γa=0.2，η=1.25，算法中的认可比率取0.15，拒绝比率取0.15．认可比率决定了一个数据能否成为新的聚类中心，拒绝比率则决定了一个数据是否被排除在聚类中心之外。首先将数据经过归一化处理，再经过减法聚类得到初始ANFIS网络，共有20条规则。采用混合方法，使用表3的10800组数据，在MATLAB7.1中对其进行训练。图3给出了训练过程，训练很快收敛，最终误差为0.029553．该网络可以在实际毁伤评估应用前离线训练得到，因此对训练时间不做要求。用训练好的ANFIS对表4和表5进行测试。图4和图5分别为对表4及表5数据测试结果。

表4和表5的平均测试误差分别为0.020725和0.030439．可以看出，对大部分数据点，ANFIS的计算结果都很接近于期望值。这表明ANFIS具有较好泛化能力，运用训练后ANFIS对毁伤效果进行预测，预测值和实际值之差约在3%左右，完全可以接受。

图6(a)～图6(c)分别为ANFIS得出的弹群覆盖程度与毁伤效果、火力密度与毁伤效果以及二者共同与毁伤效果的映射图。可以看出，ANFIS能较好逼近毁伤因素与毁伤效果的映射关系。从图6(c)中还可看出，与火力密度相比，弹群覆盖程度在更大程度上决定了毁伤效果的大小，这与实际情况也是吻合的。

结论

1)针对炮兵连对集群暴露有生力量(卧姿步兵)射击的毁伤预测问题，首先通过仿真计算得到样本数据，从与现行计算方法相比中可知仿真计算结果的准确性有保证，然后建立基于ANFIS的毁伤评估模型，合理确定毁伤因素，采用减法聚类方法和混合学习算法训练ANFIS模型的参数。实验证明，该模型精度较高，泛化能力较强，而且模型的4个输入运用炮兵目前观察/量测手段全部可以轻易得到。

2)如何根据观察到的炸点(弹群)信息进行可靠的毁伤评估，是炮兵作战、训练中的难点问题。本文对此进行了尝试，提出的模型具有较强借鉴和指导意义。但值得指出的是，论文的实验结果是建立在3.1节中约定射击条件之下的，实际上，炮兵对集群目标射击的毁伤效果，与射击单位和火力分配也有一定关系。此外，本文仅讨论了对卧姿步兵的毁伤评估，如何根据炸点(弹群)信息预测其他性质目标的毁伤效果，是下一步工作方向。