积分商城

最新搜索： GPS模块PCB tinyOS TB67S549FTG 建筑钢结构防火技术规范 GB51249-2017 不隔离的AC-DC变换电路 vixen
您现在的位置是：首页 > 技术资料 > 基于混合遗传BP 神经网络的城市系统作战能力评估
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

基于混合遗传BP 神经网络的城市系统作战能力评估

更新时间：2019-12-30 14:20:35 大小：2M 上传用户：zhiyao6查看TA发布的资源 标签：神经网络 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

针对现有城市系统作战能力评估方法较少的问题,利用反向传播(back propagation,BP)神经网络在能力评估方面所具有的自适应、自学习、强容错性和泛化映射等优势,建立了评估指标体系并给出了指标的隶属函数。通过模拟退火遗传算法(simulated annealing and genetic algorithm,SAGA)优化BP神经网络的连接权重和阀值,弱化了指标评价中的人为因素,提高了评价结果的准确性、客观性和权威性,有效解决了传统遗传算法和BP神经网络易陷入局部极小值、收敛速度慢和抗干扰能力差等问题。仿真实例验证了该方法对城市系统作战能力评估的可行性和有效性。


部分文件列表

文件名 大小
基于混合遗传BP_神经网络的城市系统作战能力评估.pdf 2M

【关注B站账户领20积分】

部分页面预览

（完整内容请下载后查看）
第
卷
第
期
系统工程与电子技术  
３９  
１
Ｖｏｌ．３９ Ｎｏ．１  
ꢀ
ꢀ
年
月
２０１７  
１
ＳｓｔｅｍｓＥｎｉｎｅｅｒｉｎ ａｎｄＥｌｅｃｔｒｏｎｉｃｓ  
ꢀ ｇ ꢀ  
ｙ ｇ  
ꢀ
Ｊａｎｕａｒ ２０１７  
ｙ
ꢀ
  
：
（ ）  
１００１５０６Ｘ２０１７０１０１０７０７  
－
：
网址  
ｗｗｗ．ｓｓｅｌｅ．ｃｏｍ  
文章编号  
－
－
ꢀ
ｙ
－
基于混合遗传  
神经网络的城市系统作战能力评估  
ＢＰ  
， ， ，  
夏 维 刘新学 范阳涛 范金龙  
ꢀ
（ ，  
火箭军工程大学初级指挥学院 陕西 西安  
）
７１００２５  
： ，  
针对现有城市系统作战能力评估方法较少的问题 利用反向传播  
（ ， ）  
神经网络在  
ｂａｃｋ ｒｏａａｔｉｏｎ ＢＰ  
ꢀｐ ｐｇ  
摘
要
ꢀ
ꢀꢀ  
、 、 ，  
能力评估方面所具有的自适应 自学习 强容错性和泛化映射等优势 建立了评估指标体系并给出了指标的隶属  
。
函数 通过模拟退火遗传算法  
（
，
）
优化  
ｓｉｍｕｌａｔｅｄａｎｎｅａｌｉｎ ａｎｄ ｅｎｅｔｉｃａｌｏｒｉｔｈｍ ＳＡＧＡ  
ꢀｇ ꢀ ｇ  
神经网络的连接权重  
ＢＰ  
ꢀ
ｇ
ꢀ
， ， 、 ，  
和阀值 弱化了指标评价中的人为因素 提高了评价结果的准确性 客观性和权威性 有效解决了传统遗传算法和  
、 。  
神经网络易陷入局部极小值 收敛速度慢和抗干扰能力差等问题 仿真实例验证了该方法对城市系统作战能  
ＢＰ  
。
力评估的可行性和有效性  
： ； ； ；  
关键词 城市系统 作战能力 反向传播神经网络 混合遗传算法  
：
：
文献标志码  
Ａ
：
／
ｊ
中图分类号  
ＴＪ７６０  
ꢀ ꢀꢀꢀꢀ  
ＤＯＩ１０．３９６９ ．ｉｓｓｎ．１００１５０６Ｘ．２０１７．０１．１６  
ꢀꢀꢀꢀ  
－
Ｃｏｍｂａｔｃａａｂｉｌｉｔ ｅｖａｌｕａｔｉｏｎｏｆｃｉｔ ｓｓｔｅｍｂａｓｅｄｏｎ  
ꢀ ꢀ ꢀ ꢀ ꢀ  
ｙ ｙ  
ꢀ
ｐ
ｙ
ꢀ
ｍｉｘ ｅｎｅｔｉｃａｌｏｒｉｔｈｍＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ  
－ ꢀ ꢀ ꢀ ꢀ  
ｇ
ｇ
，
，
，
ＸＩＡ Ｗｅｉ ＬＩＵ Ｘｉｎｘｕｅ ＦＡＮ Ｙａｎｔａｏ ＦＡＮＪｉｎｌｏｎ  
ｇ
ꢀ
ꢀ
ꢀ
ｇ
ꢀ
（
， ， ’ ，  
Ｐｒｉｍａｒ ＣｏｍｍａｎｄＣｏｌｌｅｅ ＲｏｃｋｅｔＦｏｒｃｅＵｎｉｖｅｒｓｉｔ ｏ Ｅｎｉｎｅｅｒｉｎ Ｘｉａｎ７１００２５ Ｃｈｉｎａ  
ꢀ
）
ꢀ
ꢀ
ꢀ
ｙ
ꢀ
ｇ
ｙ ｆ  
ꢀ ꢀ  
ｇ
ｇ
：
Ａｂｓｔｒａｃｔ Ａｉｍｉｎ ａｔｔｈｅ ｒｏｂｌｅｍｏｆｌｅｓｓｃｏｍｂａｔｃａａｃｉｔ ｅｖａｌｕａｔｉｏｎｍｅｔｈｏｄｓｏｆｃｉｔ ｓｓｔｅｍ ｔｈｅｉｎｄｅｘｓｓ  
ꢀꢀ ꢀꢀ ꢀ ｐ ꢀ ꢀ ｙ ｙ ꢀｙ－  
ｇ ꢀ ꢀｐ  
，
ꢀ
ꢀ
ｙ
ꢀ
ꢀ
ꢀ
ꢀ
ｔｅｍｉｓｂｒｏｕｈｔｆｏｒｗａｒｄａｎｄｔｈｅｓｕｂｏｒｄｉｎａｔｅｆｕｎｃｔｉｏｎｏｆｅａｃｈｉｎｄｅｘｉｓ ｉｖｅｎ．ＡｎａｓｓｅｓｓｍｅｎｔｍｏｄｅｌｂａｓｅｄｏｎＢＰ  
ꢀ ꢀ ｇ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀｇ ꢀ ꢀ ꢀ ꢀ  
ꢀ
ꢀ
ꢀ
ｎｅｕｒａｌｎｅｔｗｏｒｋｗｈｏｓｅｔｈｒｅｓｈｏｌｄｓａｎｄｃｏｎｎｅｃｔｉｏｎｗｅｉｈｔｓａｒｅｏｔｉｍｉｚｅｄｂ ｔｈｅｓｉｍｕｌａｔｅｄａｎｎｅａｌｉｎ ａｎｄ ｅｎｅｔｉｃ  
ꢀ ꢀ ꢀ ꢀ ꢀｐ ꢀｙ ꢀ ꢀｇ  
ꢀ
ꢀ
ꢀ
ｇ
ꢀ
ｇ
ꢀ
ꢀ
（
）
ａｌｏｒｉｔｈｍ ＳＡＧＡ ｉｓ ｒｏｏｓｅｄｔｏｓｏｌｖｅｔｈｅ ｒｏｂｌｅｍｓ．Ａｎｄｔｈｅ ｒｏｂｌｅｍｓｏｆｔｈｅｃｌａｓｓｉｃａｌ ｅｎｅｔｉｃａｌｏｒｉｔｈｍａｎｄ  
ꢀｐ ｐ ꢀ ꢀ ꢀｐ ꢀｐ ꢀ ꢀ ꢀｇ ꢀ ｇ  
ｇ
ꢀ
ꢀ
ꢀ
ꢀ
，
ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｔｒａ ｉｎ ｉｎｔｏｔｈｅｌｏｃａｌｍｉｎｉｍｕｍ ｏｉｎｔ ｌｏｗｃｏｎｖｅｒｅｎｃｅｓｅｅｄａｎｄｗｉｔｈｂａｄａｎｔｉａｍｍｉｎ ａ  
ꢀ ｐｐ ｇ ꢀ ꢀ ꢀｐ ꢀｐ  
ꢀ
ꢀ
ꢀ
ꢀ
ｇ
ꢀ
ꢀ
ꢀ
ꢀ
－
ｊ
ꢀ
ꢀ－  
ｇ
，
ｂｉｌｉｔ ａｒｅｓｏｌｖｅｄ．Ｕｓｉｎ ｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｄｏｍｉｎａｎｃｅｓｏｆｓｅｌｆａｄａｔｉｖｅ ｓｅｌｆｌｅａｒｎｉｎ ｅｆｆｉｃｉｅｎｔｆａｕｌｔｔｏｌｅｒａｎｔａｎｄ  
ꢀ ꢀ  
，
ｇ
ｙ
ꢀ
ꢀ
ｇ
ꢀ
ꢀ
ꢀ
－
ｐ
－
ꢀ
ꢀ
ꢀ
，
ｗｉｄｅｍａ ｉｎ ｏｆＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｓ ｔｈｅｍｏｄｅｌｃａｎｗｅａｋｅｎｈｕｍａｎｆａｃｔｏｒｓｏｆｔｈｅｉｎｄｅｘｔｏｉｍ ｒｏｖｅｔｈｅａｃｃｕｒａ  
ꢀ ｐｐ ｇ ꢀ ꢀ ꢀꢀ ꢀ ꢀ ꢀ ｐ －  
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
，
，
ｏｂｅｃｔｉｖｉｔ ａｎｄａｕｔｈｏｒｉｔ ｏｆａｓｓｅｓｓｍｅｎｔｒｅｓｕｌｔｓ．Ａｃｃｏｒｄｉｎ ｔｏｔｈｅｓｉｍｕｌａｔｉｏｎ ｔｈｅｆｅａｓｉｂｉｌｉｔ ａｎｄｖａｌｉｄｉｔ ｏｆ  
ｙ ꢀ  
ｃ
ｙ
ｊ
ｙ
ꢀ
ꢀ
ꢀ
ｇ
ꢀ
ꢀ
ꢀ
ꢀ
ｙ
ꢀ
ꢀ
ｙ
ꢀ
ꢀ
’
ｃｉｔ ｓｓｔｅｍ ｓｃａｍ ａｉｎｃａａｂｉｌｉｔ ａｓｓｅｓｓｍｅｎｔｂ ｔｈｉｓｍｅｔｈｏｄａｒｅｖｅｒｉｆｉｅｄ．  
ｙ ｙ ｐ ｇꢀ ｐ  
ꢀｙ  
ꢀ
ｙ
ꢀ
ꢀ
ꢀ ꢀ  
ꢀ
ꢀ
：
Ｋｅｗｏｒｄｓ ｃｉｔ ｓｓｔｅｍ ｃｏｍｂａｔｃａａｃｉｔ ｂａｃｋ ｒｏａａｔｉｏｎ ＢＰ ｎｅｕｒａｌｎｅｔｗｏｒｋｓ ｍｉｘ ｅｎｅｔｉｃａｌｏｒｉｔｈｍ  
ｙ ｙ  
ꢀ ｐ ꢀｐ ｐｇ ꢀ ｇ  
；
；
ｙ
（
）
；
ꢀ
－
ｇ
ｙ
ꢀ
。
兴智能算法 现有文献在利用神经网络算法评估系统作战  
引
言
ꢀ
０
ꢀ
，
能力时 为弥补传统反 向传播  
（ ， ）  
神 经  
ｂａｃｋ ｒｏａａｔｉｏｎ ＢＰ  
ꢀｐ ｐｇ  
、
网络固有的易陷入局部极小值 收敛速度慢和抗干扰能力  
，
城市 作为  
世纪的主战场和国 家战争潜力之集 中  
２１  
。
体 其发展呈现出智能化 数字化 网络化 系统化等特征  
ꢀꢀ  
，
差等缺陷做了 一 些 改 动 如 将 蚁 群 算 法  
、
算 法 和  
，
、
、
、
Ａｄａｂｏｏｓｔ  
遗传算法等智能算法引入神经网络中以克服网络易陷入局  
，
评估城市系统作战能力的指标体系复杂且动态多变 相互  
； ， 、  
部极小的缺点 为降低计算量 将统计推断 熵理论与启发  
， ，  
之间又关系紧密 任何一点的变化都将映射到其他方面 进  
［
］
２
，
同
１
，
式搜索结合起来 并通过支持向量机优化网络性能  
。 ，  
而改变系统的整体能力 因此 理清城市系统各作战能力  
，
传统网络算法相比虽有一定成效 但不够明显 尤其是在改  
、 、  
间的影响关系 遴选核心能力指标 评估整体作战效能将关  
，
善收敛速度方面还存有不足 且有关评估城市系统作战能力  
，
乎指挥员的谋划决策 历来是兵家学者关注和研究的重点  
。
。
的研究成果比较少见 本文在给出城市系统作战能力评估指  
， ：  
目前 用于作战能力评估的传统方法有 灰色评估法  
、
［
］
１６  
，
随
ꢀ
，
标体系的基础上 将全局和局部搜索能力均较强的模拟退火遗  
、 、  
指数法 模糊综合评判法 信息熵权法  
、
网法等  
Ｐｅｔｒｉ  
（
，
）
作为  
ｓｉｍｕｌａｔｅｄａｎｎｅａｌｉｎ ａｎｄ ｅｎｅｔｉｃａｌｏｒｉｔｈｍ ＳＡＧＡ  
ꢀｇ ꢀｇ  
、
着智能理论的发展 不同领域和不同学科知识的交叉融合  
，
传算法  
ꢀ
ｇ
ꢀ
［
］
１
７１  
ꢀ
、
又涌现出神经网络评估法 博弈论法和控制论法等  
，
一个整体优化模块 并利用该模块优化网络的连接权值和  
新
：
；
：
； ：  
网络优先出版日期  
２０１６ ０７ ２２  
。
收稿日期  
修回日期  
２０１５ １２ ２８  
ꢀ ꢀ  
２０１６ １０ ２４  
ꢀ
ꢀ
ꢀ
ꢀ
： ： ／ ／ ／  
ｈｔｔ ｗｗｗ．ｃｎｋｉ．ｎｅｔｋｃｍｓｄｅｔａｉｌ１１ ．２４２２ ．Ｔ Ｎ ．２０１６１０２４ ．２１２２ ．０１２ ．ｈｔｍｌ  
ｐ ∥  
网络优先出版地址  
：
基金项目 国家自然科学基金  
（
，
）
资助课题  
６１３７２１６７ ６１３７９１０４  
·
·
系统工程与电子技术  
第
卷
３９  
ꢀ
１０８  
ꢀ
ꢀ
  
， ，  
阀值 构建了 一 种 新 的 城 市 系 统 作 战 能 力 评 估 模 型 更 客  
、
观 高效地评估了城市系统的综合作战效能  
。
神经网络算法和混合遗传算法  
１ ＢＰ  
ꢀ
神经网络算法  
１．１ ＢＰ  
ꢀ
神经网络具有信号前向传递和误差反向传播两个  
ＢＰ  
，
主要特点 它 是 一 种 基 于 误 差 反 向 传 递 算 法 训 练 的 多 层  
（ 、 ，  
输入层 隐 含 层 和 输 出 层 其 中 隐 含 层 通 常 有 一 个 或 多  
， ） ，  
个 各层由连接权重相连接 前馈神经网络 且同层神经元  
， ，  
之间无任何反馈连 接 仅 与 相 邻 层 的 神 经 元 有 连 接 每 一  
。 ，  
层神经元的状态影响仅延续到其下一层 前向传递时 输  
， ，  
入信号自输入层进 入 经 隐 含 层 处 理 后 到 达 输 出 层 其 拓  
。
扑结构如图 所示  
１
图
模拟退火遗传算法流程图  
２
ꢀ
Ｆｉ ．２ Ｆｌｏｗｃｈａｒｔｏｆｓｉｍｕｌａｔｅｄａｎｎｅａｌｉｎ ａｎｄ ｅｎｅｔｉｃａｌｏｒｉｔｈｍ  
ꢀ ꢀ ꢀ ꢀ ｇ ꢀｇ ꢀ ｇ  
ꢀ
ｇ
ꢀ
图
神经网络结构图  
１ ＢＰ  
ꢀ
混合遗传算法优化  
神经网络  
Ｆｉ ．１ ＦｒａｍｅｃｈａｒｔｏｆＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ  
ｇ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ  
１．３  
ＢＰ  
ꢀ
模型首先 用  
优 化  
神 经 网 络 的 初 始 连 接 权  
ＢＰ  
ＳＡＧＡ  
，
ＢＰ  
从优化理论上来说  
神经网络算法是一种梯度下降  
、 ，  
值 阀值 接着 再 沿 着 负 梯 度 方 向 进 行 适 时 修 正 来 训 练 网  
， ，  
算法 其学习率 就是梯度下降法的步长 它与网络误差函  
η
，
络 期间利用模拟退火法对遗传算法中的适应度进行适当  
［
］
３
。
１
，
数成正比 在实际应用中尚存在如下不足  
，
拉伸克服种群过早收敛到局部最优的问题 主要步骤如下  
。
（）  
１ ＢＰ  
神经网络训练过程中所采用的误差函 数是全  
：
编码 现有 的染色 体编码 方式主要有 二进制  
步骤  
１
ꢀ
，
局搜索能力低下的单点搜索算法 训练从某一起始点开始  
。 、  
编码和浮点数编码两种方式 前者虽在算法执行交叉 变  
。
沿梯度下降方向逐渐逼近误差最小值 当复杂网络误差函  
，
异操作上具有简单易懂的优势 但由于编码方式所固有的  
， ，  
数为多维空间的曲面时 网络训练极易陷入局部极小值 传  
（
， ）  
Ｈａｍｍｉｎ ｃｌｉｆｆ ＨＣ  
ｇ
ꢀ
，
悬崖  
难 以 翻 越 在 解 决 多  
Ｈａｍｍｉｎ  
ｇ
。
统算法虽然做了一些局部改进但效果并不明显  
、 。  
维 高精度要求的连续函数优化问题时误差较大 后者则  
（）  
选取确定隐含层的层数以及各隐含层包含的神经  
２
，
主要用于解决优化连续性参数问题 因不存在编码和解码  
， ，  
元个数目前尚无理论指导 而主要根据以往经验选取 网络  
。
过程而具有较高的可行解精度和运行速率 本文在编码时  
、 ，  
因此具有较大的随机性 冗余性和盲目性 倘若经验不够全  
，
采用后一种编码方式 即通过级联网络中各层神经元间的  
， ，  
面或有欠缺 既增加了网络学习的时间 也很容易使网络因  
、 ，  
权值 阈值来构建一个实数组 也即一条染色体  
。
。
收敛速度慢而陷入瘫痪状态  
：
适应度函数 评估一个  
步骤  
神经网络性能好坏  
２
ꢀ
ＢＰ  
（） 、 ，  
网络的学习 记忆具有不稳定性 权值的学习结果  
３
，
的标准 主要是看网络的实际输出值同期望值之间的误差  
，
因网络初始结构参数的随机确定同样具有随机性 且新加  
，
平方和大小 数值越小说明网络的实际输出越逼近期望目  
。
入的样本会影响到已学完的样本  
模拟退火遗传算法  
１．２  
ꢀ
， 。 ，  
标 也就表明该神经网络性能越好 与此不同的是 遗传算  
，
法主要依托适应度函数来评估染色体生存能力的大小 且  
（
，
）
和模拟退火算法单独  
ｅｎｅｔｉｃａｌｏｒｉｔｈｍ ＧＡ  
ꢀｇ  
遗传算法  
ｇ
，
两者为正相关对应关系 即函数值越大说明染色体的生存  
优化  
神经网络时对避免陷入局部最优均能起到一定的作  
ＢＰ  
， 、  
能力越高 故而选中其进行交叉 变异等遗传操作的机会也  
，
用 但两者的策略却有所不同  
：
ＳＡ  
是通过赋予搜索过程一种  
， ， 。  
就越大 反之则说明染色体生存能力较弱 不易被选中 参  
，
时变且终态趋于零的概率突跳性 而  
则是利用概率意义  
ＧＡ  
、
神经网络满足训练误差要求的样本数目 平均误差及  
。 “ ，  
下的群体遗传操作来实现目的 按照 强强联合 优势互补  
”
考
ＢＰ  
，
，
最大误差等因素 再结合模拟退火算法定义适应度函数为  
的思路  
和
ＧＡ ＳＡ  
一起使用将提高全局和局部意义下的搜  
。
索效率 其基本思路是将  
算法作为一个独立算子置于  
ＳＡ  
ｎ
１
１
·
·
·
ｃ
＋
３
ｃ
ｃ
＋
２
＝
ｆ
ｉ
１
（
１
（ ））  
ｍａｘＥ  
（ （ ））  
１ ａｖ Ｅ  
＋
Ｓ
＋
ｇ
， （  
算法进化过程中 先通过对初始群体进行遗传操作 选  
ＧＡ  
（）  
１
、 、 ） ，  
择 交叉 变异等 来产生一组新的个体 而后再独立对每个  
，
， ， （，）， ；  
且三者之和为 为神经网络训  
式中 系数  
ｃ ｃ ｃ  
∈
３
０１  
１ｎ  
１
２
，
新个体进行模拟退火降温操作并将结果作为下一代群体 如  
；
练样本的个数 网络训练样本的误差公式为  
（ ／ ），  
－ Ｃ  
ｇ
Ｅ ＝ｅｘ  
ｇ
。
此反复迭代直至某个终止条件成立 模拟退火遗传算法流  
ｐ
，
Ｃ
（
）；  
为常数 其值由训练精度 所确定  
Ｓ
为当前世代数  
ｇ
。
程如图 所示  
２
ε

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

  • 21ic下载 打赏310.00元   1天前

    用户：w178191520

  • 21ic下载 打赏310.00元   1天前

    用户：小猫做电路

  • 21ic下载 打赏310.00元   1天前

    用户：zhengdai

  • 21ic下载 打赏220.00元   1天前

    用户：gsy幸运

  • 21ic下载 打赏220.00元   1天前

    用户：jh0355

  • 21ic下载 打赏210.00元   1天前

    用户：jh03551

  • 21ic下载 打赏60.00元   1天前

    用户：sun2152

  • 21ic下载 打赏60.00元   1天前

    用户：xuzhen1

  • 21ic下载 打赏80.00元   1天前

    用户：xzxbybd

  • 21ic下载 打赏60.00元   1天前

    用户：铁蛋锅

  • 21ic下载 打赏60.00元   1天前

    用户：liqiang9090

  • 21ic下载 打赏20.00元   1天前

    用户：方中禾

  • 21ic下载 打赏20.00元   1天前

    用户：w1966891335

  • 21ic下载 打赏30.00元   1天前

    用户：玉落彼岸

  • 21ic下载 打赏15.00元   1天前

    用户：kk1957135547

  • 21ic下载 打赏15.00元   1天前

    用户：w993263495

  • 21ic下载 打赏15.00元   1天前

    用户：x15580286248

  • 21ic下载 打赏20.00元   1天前

    用户：WK520077778

  • 21ic下载 打赏25.00元   1天前

    用户：hp860629

  • 21ic下载 打赏15.00元   1天前

    用户：sbfd010

  • 21ic下载 打赏10.00元   1天前

    用户：严光辉

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号