神經系統論文：經神網絡系統的射擊損傷模具評定范文

本站小編為你精心準備了神經系統論文：經神網絡系統的射擊損傷模具評定參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

作者：吳正龍趙忠實單位：陸軍軍官學院兵器工程系

暴露有生力量毀傷效果仿真計算

1單個暴露有生力量毀傷效果計算

本文所指暴露有生力量指無特殊防護的人員，即暴露步兵。給定單發炸點對目標的偏差量(x，y，z)，其中x為距離偏差量，z為方向偏差量，y為炸高，單位均為m．由于對暴露有生力量一般采用著發射擊，故y為0．可按以下步驟求出毀傷單個暴露有生力量的概率:

1)求出炸目距離，炸目線與彈軸方向線之間的夾角;

2)求出飛向目標的破片的靜態散飛角和動態散飛角，并求出破片綜合初速;

3)求落達于目標平均有效破片數;

4)求單發炸點毀傷目標的條件概率G1．當有多發炸點時，必須逐一計算每發炸點毀傷效果。如具體射擊中獲得N發炸點時，可假定各發炮彈毀傷目標相互獨立，也即假定不存在“損傷積累”(實際中如損傷積累作用較小，可認為滿足此假定)，則當發射N發炮彈時，對于炸點相對目標坐標

2集群暴露有生力量毀傷效果計算

2.1集群目標劃分模型

地面炮兵對不能觀察的集群目標射擊，往往不知道單個目標的總數，亦不知道目標確切位置，但亦無明顯理由認為目標符合某種特定位置分布，因此可以假定單個目標在目標地段內緊密排列。對于暴露有生力量，如給出毀傷幅員SM，此時目標依據其毀傷幅員在地段內緊密排列，如圖1所示，其中Lf為目標地段幅員正面的1/2，Ld為目標地段幅員縱深的1/2;lz和lx分別是毀傷幅員正面和縱深的1/2．如沒有給出毀傷幅員，則認為目標依據指定區域大小緊密排列。

2.2確定單個目標的受彈面積

行著發射擊時，臥姿步兵的平均受彈面積為0.15～0.27m2，立姿步兵的平均受彈面積為0.61～0.87m2．受彈面積對毀傷效果影響很大，差別難以忽略。因此，對于給定毀傷幅員的暴露有生力量，應當合理確定其受彈面積。實際上，根據目標的坐標毀傷律，可以求出其毀傷幅員，其求法是把目標附面分成許多小面積，求出炸點位于各小面積中心時的毀傷目標概率，乘以這個小面積并求其總和，即為毀傷幅員面積。因此，如果給出了目標的毀傷幅員，可以反求出目標的受彈面積。如用152mm榴彈炮對集結步兵射擊。已知落角θc=22°，落速vc=297m/s．著發射擊。給定目標毀傷幅員情況下求步兵的受彈面積。表1給出不同毀傷幅員步兵對應的受彈面積。

2.3統計實驗法求毀傷比數學期望

由1.1節的分析，可計算出毀傷各單個目標的概率。設毀傷第i個單個目標的概率為Gi，則毀傷比數學期望采用統計實驗法求毀傷效果。用服從實際射擊誤差表征的正態隨機量(X，Z)的N個抽樣值，模擬N發炮彈的炸點坐標，進而由(1)式和(2)式求出該次模擬的毀傷比，記為M1．重復實驗N0次，得到結果M1，M2，…，MN0，則由(3)式和(4)式求得毀傷效果的估值及其方差作為毀傷效果近似值以及近似值的精度表征:運用上述方法，對以下情況在10個隨機時間計算，每次重復計算10000次，取平均值得到毀傷效果并與現行計算集群目標射擊效率的主要方法，即數值積分法、均勻分布法和綜合誤差法，進行了對比，對比結果如表2所示。情況:152mm榴彈炮營對集結步兵射擊。營有3個連，每連6門炮。用射向間隔50m距離差50m行適寬射向三距離射擊。已知營距離諸元誤差60m，營方向諸元誤差20m，連距離諸元誤差14m，連方向諸元誤差7m，炮距離諸元誤差20m，炮方向諸元誤差12m，距離散布誤差20m，方向散布誤差4m．目標毀傷幅員正面24m，縱深13m．目標地段幅員為Ld=200m，Lf=300m，且1)人為設定目標地段內的單獨目標為3行4列，呈均勻分布;2)假定目標按毀傷幅員均勻分布，發射彈數108發，求毀傷比數學期望。

從對比可以看出，與數值積分法、均勻分布法和綜合誤差法等現行計算集群目標射擊效率的主要方法相比，仿真計算結果的準確性有保證，且和精度最好的數值積分法頗為接近。因此，當給定一組炸點后，能夠計算出可靠的對應毀傷效果。但已經指出，炮兵準確獲取每發炸點精確坐標幾乎不可能，因此，按上述方法直接計算毀傷效果難以實現。下面提出基于ANFIS的毀傷效果預測模型，從仿真計算得到的數據中，合理確定易于觀察、測量的因素作為毀傷因素，再采用基于Takagi-Sugeno(T-S)模型的自適應模糊神經網絡從數據中學習出以模糊規則系統表示的毀傷因素與毀傷效果之間的映射關系，進而應用該模糊規則系統對射擊毀傷效果進行預測。

基于ANFIS的毀傷效果預測模型

1確定毀傷因素

考慮到炮兵當前偵察射擊效果的手段和習慣，確定毀傷因素集為:1)彈群中心距目標地段中心的距離偏差X(單位m);2)彈群中心距目標地段中心的方向偏差Z(單位m);3)彈群覆蓋程度，有射彈落達區域面積與目標地段面積比值C;4)火力密度，發射彈數與目標地段面積比值D(單位發/hm2)．以上毀傷因素可認為彼此相互獨立。將毀傷效果記為R．一般而言，R受單個毀傷因素的影響關系較為明顯，在其余因素不變的情況下，R和X、Z約為負相關，和C、D約為正相關，因此，可以認為毀傷因素與毀傷效果之間存在某種映射關系，但從仿真計算中可以看出，坐標毀傷律計算復雜，難以用統一的數學表達式予以描述，因此，以上4個毀傷因素與毀傷效果之間的映射關系也不能用統一的數學模型來表示。

2模型結構

該預測模型為基于T-S模型的模糊神經網絡，如圖2所示，共分5層。1)輸入變量層。每個節點直接與輸入向量連接。系統有4個輸入變量，分別對應4個毀傷因素，因此輸入向量為［xzcd］T，x，z，c，d分別為4個毀傷因素的論域實測值。2)輸入隸屬函數層。每個節點代表一個模糊語言變量，其作用是計算各輸入分量屬于各模糊語言變量的隸屬度。各模糊語言變量的隸屬度函數可以為任何類型，本文取高斯型函數。3)推理規則層。每個節點代表一條模糊規則，其作用是匹配模糊規則的前件。4)輸出隸屬函數層。每個節點表示一個隸屬函數，每個輸出隸屬函數是一個零階或一階Sugeno線性函數。計算每條規則的輸出。設第i條推理規則Ri形式如(5)式所示:式中:if部分為模糊規則前件;Xi、Zi、Ci、Di分別為4個毀傷因素的第i個模糊語言變量;then部分為后件;pi0～pi4為真值系數，也即輸出是輸入變量的線性組合，但不同規則，系數值不同。5)輸出變量層，輸出變量，起到解模糊的作用，選用加權平均法。輸出變量只有1個，即毀傷效果r．

3基于減法聚類的初始系統生成

減法聚類可自動生成一個具有最少的規則數目的初始T-S型模糊推理系統。對于多維空間的N個數據點(X1，X2，…，Xn)，假定數據點已經歸一化到一個超立方體空間中。定義數據點Xi處的密度值函數為式中γa是一正數，為聚類中心有效領域半徑，半徑以外的數據點對該點的密度影響甚微。取最大密度值點Xk作為第一個聚類中心，Pk為其密度值，則可重新計算每個數據點新的密度值7)式中γb亦為一正數，定義了一個密度值顯著減小的鄰域半徑。顯然靠近Xk的數據點的密度值顯著減小，因此不太可能被選為下一個聚類中心，從而避免了出現距離較近的聚類中心。通常取γb＞γa且γb=ηγa，η的經驗值為1.25≤η≤1.5．從而可選擇下一個聚類中心。重復上述步驟直至按照一定的準則不再能找出新的聚類中心為止。聚類完成后，所有聚類中心建立了一個初始一階T-S模型。一個聚類中心相當于一條規則。因為輸入輸出向量的模糊語言值個數和規則數都已經確定，現要學習的參數主要是(5)式中系數和各隸屬函數(高斯函數)的中心值和寬度。為提高學習的速度和效率，這些參數采用由梯度下降算法和最小二乘算法所組成的混合學習算法進行優化。

數值仿真結果

1射擊條件約定

為使問題稍加簡化又不失一般性，對射擊條件做以下約定。考慮炮兵連對集群有生力量射擊。根據炮兵射擊學相關知識，炮兵連對正面不大于50m的目標射擊時，采用集火射向，否則用適寬射向;當目標縱深不大于200m時，用一距離射擊，否則行三距離射擊。此外，炮兵連精密法決定諸元直接效力射，距離諸元誤差一般為射擊距離的0.8%～1.2%，方向諸元誤差3～4mil．具體射擊條件約定如下:1)152mm炮兵連，6門制，對暴露有生力量射擊，使用殺傷爆破榴彈，瞬發引信，爆炸后1g以上破片總數為2100個，破片速度為1070m/s;2號裝藥，射擊距離分別為8、10、12km，距離諸元誤差取1%，方向諸元誤差取4mil．散布誤差由射表查得。2)目標為臥姿步兵，受彈面積一律取0.2m2，分別取目標幅員正面(2Lf)為40、60m，縱深(2Ld)為120、160、200m構成不同目標。俱使用集火射向一距離對上述目標射擊。3)分別取發射彈數為12、24、36、48、60、72發。

2訓練樣本與測試樣本

采用仿真計算方法，在每種射距離、目標幅員、發射彈數的組合條件下，仿真出100次炸點情況并計算出毀傷效果，共得到10800組數據作為訓練樣本，如表3所示。

取射距離為9km，地段幅員正面為60m，縱深為200m，發射彈數為42發，仿真計算出500組數據，作為測試數據1，如表4所示;再取射距離為9km，地段幅員正面為40m，縱深為180m，發射彈數為54發，仿真計算出500組數據，作為測試數據2，如表5所示。

3ANFIS網絡訓練與分析

除上文中已明確的參數外，減法聚類中設定γa=0.2，η=1.25，算法中的認可比率取0.15，拒絕比率取0.15．認可比率決定了一個數據能否成為新的聚類中心，拒絕比率則決定了一個數據是否被排除在聚類中心之外。首先將數據經過歸一化處理，再經過減法聚類得到初始ANFIS網絡，共有20條規則。采用混合方法，使用表3的10800組數據，在MATLAB7.1中對其進行訓練。圖3給出了訓練過程，訓練很快收斂，最終誤差為0.029553．該網絡可以在實際毀傷評估應用前離線訓練得到，因此對訓練時間不做要求。用訓練好的ANFIS對表4和表5進行測試。圖4和圖5分別為對表4及表5數據測試結果。

表4和表5的平均測試誤差分別為0.020725和0.030439．可以看出，對大部分數據點，ANFIS的計算結果都很接近于期望值。這表明ANFIS具有較好泛化能力，運用訓練后ANFIS對毀傷效果進行預測，預測值和實際值之差約在3%左右，完全可以接受。

圖6(a)～圖6(c)分別為ANFIS得出的彈群覆蓋程度與毀傷效果、火力密度與毀傷效果以及二者共同與毀傷效果的映射圖。可以看出，ANFIS能較好逼近毀傷因素與毀傷效果的映射關系。從圖6(c)中還可看出，與火力密度相比，彈群覆蓋程度在更大程度上決定了毀傷效果的大小，這與實際情況也是吻合的。

結論

1)針對炮兵連對集群暴露有生力量(臥姿步兵)射擊的毀傷預測問題，首先通過仿真計算得到樣本數據，從與現行計算方法相比中可知仿真計算結果的準確性有保證，然后建立基于ANFIS的毀傷評估模型，合理確定毀傷因素，采用減法聚類方法和混合學習算法訓練ANFIS模型的參數。實驗證明，該模型精度較高，泛化能力較強，而且模型的4個輸入運用炮兵目前觀察/量測手段全部可以輕易得到。

2)如何根據觀察到的炸點(彈群)信息進行可靠的毀傷評估，是炮兵作戰、訓練中的難點問題。本文對此進行了嘗試，提出的模型具有較強借鑒和指導意義。但值得指出的是，論文的實驗結果是建立在3.1節中約定射擊條件之下的，實際上，炮兵對集群目標射擊的毀傷效果，與射擊單位和火力分配也有一定關系。此外，本文僅討論了對臥姿步兵的毀傷評估，如何根據炸點(彈群)信息預測其他性質目標的毀傷效果，是下一步工作方向。