基于ANFIS的復(fù)雜裝備虛擬采辦全壽命周期風(fēng)險(xiǎn)評(píng)估預(yù)測(cè)

王申坪++付夢(mèng)茵++王偉卿

摘 要：虛擬采辦成為人工智能技術(shù)和裝備信息化發(fā)展的必然產(chǎn)物，該文分析了復(fù)雜裝備虛擬采辦風(fēng)險(xiǎn)影響因素，設(shè)計(jì)出一套風(fēng)險(xiǎn)評(píng)估指標(biāo)體系，通過構(gòu)建自適應(yīng)模糊網(wǎng)絡(luò)模型，以某型復(fù)雜裝備虛擬采辦風(fēng)險(xiǎn)評(píng)估為例，驗(yàn)證模糊網(wǎng)絡(luò)模型在裝備采辦風(fēng)險(xiǎn)評(píng)估中的適用性、客觀性和準(zhǔn)確性。

關(guān)鍵詞：ANFIS 虛擬采辦 風(fēng)險(xiǎn)評(píng)估

中圖分類號(hào)：E917 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2017）05（a）-0225-03

虛擬采辦是基于建模與仿真的武器裝備采辦實(shí)踐活動(dòng)，其核心思想是通過人員、管理和技術(shù)的協(xié)同工作，實(shí)現(xiàn)在武器裝備全壽命周期采辦過程的變革與創(chuàng)新，具體包括裝備采辦各部門、各個(gè)采辦項(xiàng)目及項(xiàng)目各階段全過程的一種新型采辦模式。虛擬采辦能夠有效縮短開發(fā)時(shí)間，降低開發(fā)成本，同時(shí)保證了系統(tǒng)性能，在世界各軍事強(qiáng)國已經(jīng)取得很好的軍事價(jià)值和經(jīng)濟(jì)效益。復(fù)雜裝備虛擬采辦是一項(xiàng)系統(tǒng)工程，涉及到需求論證、設(shè)計(jì)、研制、試驗(yàn)、生產(chǎn)、使用和保障以及退役處理等多個(gè)階段，其全壽命周期風(fēng)險(xiǎn)管理主要是針對(duì)采辦項(xiàng)目全程開展的風(fēng)險(xiǎn)識(shí)別、風(fēng)險(xiǎn)估計(jì)和風(fēng)險(xiǎn)因素及事件的風(fēng)險(xiǎn)控制活動(dòng)。依據(jù)采辦實(shí)踐活動(dòng)經(jīng)驗(yàn)，在裝備采辦全壽命周期實(shí)踐活動(dòng)中，存在著大量風(fēng)險(xiǎn)。美軍在20世紀(jì)90 年代，就通過采用科學(xué)的方法，進(jìn)行系統(tǒng)分析研究，總結(jié)出了對(duì)風(fēng)險(xiǎn)實(shí)施控制管理，減少風(fēng)險(xiǎn)對(duì)采辦工作影響的有效方法[1]。該文采用定性定量結(jié)合的風(fēng)險(xiǎn)綜合評(píng)價(jià)方法，通過構(gòu)建模糊神經(jīng)網(wǎng)絡(luò)模型對(duì)虛擬采辦全壽命周期風(fēng)險(xiǎn)的指標(biāo)體系進(jìn)行評(píng)估，得出科學(xué)正確的評(píng)估結(jié)果，能夠在復(fù)雜裝備虛擬采辦全壽命周期內(nèi)加強(qiáng)風(fēng)險(xiǎn)控制，提高裝備采辦經(jīng)濟(jì)效益，提高裝備采辦項(xiàng)目抵抗風(fēng)險(xiǎn)，為虛擬采辦的推廣應(yīng)用提供一定的數(shù)據(jù)參考。

1 ANFIS基本理論

自適應(yīng)神經(jīng)模糊推理系統(tǒng)（Adaptive Neuro-Fuzzy Inference System，ANFIS）是將模糊理論和神經(jīng)網(wǎng)絡(luò)有機(jī)結(jié)合起來形成的一種新型的神經(jīng)網(wǎng)絡(luò)。在專家系統(tǒng)、模式識(shí)別、智能控制、組合優(yōu)化、效能評(píng)估等領(lǐng)域得到成功應(yīng)用。ANFIS屬于模糊神經(jīng)網(wǎng)絡(luò)，采用反向傳播算法和最小二乘法的混合算法調(diào)整前提參數(shù)和結(jié)論參數(shù)，并利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)機(jī)制自動(dòng)地從輸入輸出數(shù)據(jù)中提取規(guī)則?？梢娝染邆渖窠?jīng)網(wǎng)絡(luò)自適應(yīng)學(xué)習(xí)的功能，又具備模糊控制處理模糊信息、進(jìn)行判斷和決策的功能。

1.1 模糊神經(jīng)元

模糊神經(jīng)元按功能具體可分為以下3種類型。

（1）模糊神經(jīng)元由模糊規(guī)則“if-then”進(jìn)行描述，其具體結(jié)構(gòu)如圖1所示。

，在第1類結(jié)構(gòu)中，模型輸入為，，，模型輸出是。此結(jié)構(gòu)中模糊神經(jīng)元的經(jīng)驗(yàn)存儲(chǔ)在各項(xiàng)因素的模糊關(guān)系中，其中輸出由模型輸入和歷史經(jīng)驗(yàn)組成。

（2）明確輸入的模型結(jié)構(gòu)。把明確的輸入量進(jìn)行模糊化操作后進(jìn)入神經(jīng)元的稱為第二類神經(jīng)元，其結(jié)構(gòu)如圖2所示。圖中第二類神經(jīng)元有N個(gè)確定值輸入，每個(gè)輸入數(shù)值通過隸屬函數(shù)進(jìn)行加權(quán)，加權(quán)結(jié)果成為模糊數(shù)集中相應(yīng)輸入的隸屬度數(shù)值。具體數(shù)學(xué)公式表示如下：

上式中，模糊神經(jīng)元第個(gè)輸入設(shè)為，第個(gè)權(quán)的隸屬度函數(shù)設(shè)為，則該相應(yīng)的輸出值是；累積算子用表示。

（3）模糊輸入的模型結(jié)構(gòu)。與第2類模糊結(jié)構(gòu)不同的是，加權(quán)操作是對(duì)每個(gè)模糊輸入值進(jìn)行修正的過程，結(jié)構(gòu)如圖3所示。

數(shù)學(xué)表示如下：

，

上式中，第3類結(jié)構(gòu)輸出的模糊集是；加權(quán)前后的第個(gè)輸入設(shè)為和；第個(gè)突觸加權(quán)操作設(shè)為。利用以上3類模糊神經(jīng)元模型，可以設(shè)計(jì)出更為高效科學(xué)的數(shù)據(jù)處理模型。

1.2 ANFIS網(wǎng)絡(luò)結(jié)構(gòu)

ANFIS屬于Sugeno型模糊系統(tǒng)，由前件和后件構(gòu)成。其典型的模糊規(guī)則形式為：如果x設(shè)為A，and y設(shè)為B，則z=f（x，y），其中前件模糊集合為A和B，而后件精確函數(shù)為z=f（x，y），通常情況下，輸入變量x和y的多項(xiàng)式為f（x，y），當(dāng)f（x，y）為一階多項(xiàng)式時(shí)，所產(chǎn)生的系統(tǒng)就成為一階Sugeno模糊網(wǎng)絡(luò)模型，其結(jié)構(gòu)如圖4所示。

（1）第一層：每一個(gè)單元代表模糊分割后的一個(gè)模糊子集，各單位的活化函數(shù)就是相應(yīng)的隸屬函數(shù)，一般采用鐘形函數(shù)。

（2）第二層：每一個(gè)單元以常見的相乘符號(hào)“∏”標(biāo)注，作用與普通神經(jīng)網(wǎng)絡(luò)的隱含層相同，是把不同的輸入變量的不同模糊子集組合成相應(yīng)的規(guī)則，各個(gè)單元的輸出一般采用所有輸入信號(hào)的算術(shù)乘積。

（3）第三層：這一層的每個(gè)單元以符號(hào)“N”標(biāo)注，其作用是把各條規(guī)則的激勵(lì)強(qiáng)度進(jìn)行歸一化處理，第i條規(guī)則歸一化的激勵(lì)強(qiáng)度是該條規(guī)則的激勵(lì)強(qiáng)度與所有規(guī)則的激勵(lì)強(qiáng)度之和的商：

，i=1，2，3，4。

（4）第四層：這一層的單元以符號(hào)“”標(biāo)注，活化函數(shù)是線性函數(shù)，輸入的一部分是網(wǎng)絡(luò)的輸入（和）；另一部分是第三層向第四層傳輸?shù)臍w一化激勵(lì)強(qiáng)度，輸出時(shí)活化函數(shù)與歸一化激勵(lì)強(qiáng)度的乘積：

，i=1，2，3，4。

式中，{pi，qi，ri}是這一層各個(gè)單元的結(jié)論參數(shù)。

（5）第五層：輸出層以符號(hào)“”標(biāo)注，總輸出為：

。

2 構(gòu)建ANFIS網(wǎng)絡(luò)模型及實(shí)例驗(yàn)證

由軟件平臺(tái)生成ANFIS初始網(wǎng)絡(luò)結(jié)構(gòu)，并對(duì)該網(wǎng)絡(luò)模型進(jìn)行學(xué)習(xí)訓(xùn)練，能夠很好地滿足評(píng)估準(zhǔn)確性的要求。某型復(fù)雜裝備虛擬采辦全壽命周期風(fēng)險(xiǎn)評(píng)估網(wǎng)絡(luò)模型結(jié)構(gòu)如圖5所示，明顯看出，這七個(gè)評(píng)估指標(biāo)之間有著復(fù)雜的邏輯關(guān)系，各個(gè)評(píng)估指標(biāo)間由樣本數(shù)據(jù)形成了特定的運(yùn)算規(guī)則，經(jīng)科學(xué)計(jì)算后最終輸出一個(gè)評(píng)估結(jié)果。經(jīng)過100次訓(xùn)練后，網(wǎng)絡(luò)模型誤差僅為error=5.2×10-3，能夠較好滿足風(fēng)險(xiǎn)評(píng)估因子的精確度。

該文采取定量分析與定性分析相結(jié)合，統(tǒng)籌考慮主客觀方面影響因素，定量因素主要考慮七項(xiàng)指標(biāo)：信息技術(shù)風(fēng)險(xiǎn)、進(jìn)度風(fēng)險(xiǎn)、軍工企業(yè)風(fēng)險(xiǎn)、質(zhì)量風(fēng)險(xiǎn)、人力資源風(fēng)險(xiǎn)、保障條件風(fēng)險(xiǎn)和外部環(huán)境風(fēng)險(xiǎn)，定性因素主要是復(fù)雜裝備虛擬采辦全壽命周期風(fēng)險(xiǎn)指標(biāo)體系中的其它類風(fēng)險(xiǎn)，比如，人機(jī)交互界面問題是否集成到系統(tǒng)采辦文件中、是否完成復(fù)雜電磁環(huán)境的構(gòu)建與在電磁環(huán)境下能力評(píng)估等，根據(jù)領(lǐng)域?qū)＜业木C合衡量，得出模糊函數(shù)對(duì)應(yīng)關(guān)系，利用隸屬度求出具體數(shù)值，爾后綜合這上述評(píng)估指標(biāo)，得出風(fēng)險(xiǎn)評(píng)估的具體結(jié)果。通過設(shè)計(jì)調(diào)查問卷，經(jīng)過領(lǐng)域?qū)＜蚁到y(tǒng)客觀評(píng)判，構(gòu)造科學(xué)準(zhǔn)確的樣本訓(xùn)練數(shù)據(jù)，并把相關(guān)數(shù)據(jù)歸一化、標(biāo)準(zhǔn)化處理。其中1～10組為領(lǐng)域?qū)＜覕?shù)據(jù)，11～13三組數(shù)據(jù)為某型復(fù)雜裝備虛擬采辦全壽命周期風(fēng)險(xiǎn)數(shù)據(jù)值，分別如表1、表2所示。

從以上評(píng)估結(jié)果來看，編號(hào)12是復(fù)雜裝備虛擬采辦全壽命周期風(fēng)險(xiǎn)數(shù)值0.95，結(jié)合其它風(fēng)險(xiǎn)定性結(jié)果，可以得出如果降低虛擬采辦的風(fēng)險(xiǎn)，需要從質(zhì)量風(fēng)險(xiǎn)管控為突破口，進(jìn)一步提高信息技術(shù)的成熟度，建立完善試驗(yàn)基地的作戰(zhàn)試驗(yàn)鑒定基礎(chǔ)設(shè)施建設(shè)，但更為關(guān)鍵的是不斷充實(shí)完善信息數(shù)據(jù)庫建設(shè)，使得樣本數(shù)據(jù)量更加豐富，進(jìn)一步提高復(fù)雜裝備虛擬采辦風(fēng)險(xiǎn)評(píng)估的精準(zhǔn)度。

4 結(jié)語

虛擬采辦是一項(xiàng)復(fù)雜的系統(tǒng)工程，通過建模與仿真技術(shù)，美國、英國等各世界軍事強(qiáng)國在裝備采辦實(shí)踐活動(dòng)中取得了許多成功經(jīng)驗(yàn)。我國在這方面的研究相對(duì)較晚，在裝備采辦實(shí)踐過程中，目前研究正處在起步階段。該文通過人工智能和仿真建模技術(shù)相融合，采取定性與定量相結(jié)合的方法，分析復(fù)雜裝備虛擬采辦風(fēng)險(xiǎn)影響因素，提出復(fù)雜裝備虛擬采辦風(fēng)險(xiǎn)評(píng)估指標(biāo)體系，科學(xué)構(gòu)建模糊神經(jīng)網(wǎng)絡(luò)模型，運(yùn)用相關(guān)數(shù)據(jù)驗(yàn)證了模型的正確性科學(xué)性，以某型復(fù)雜裝備虛擬采辦風(fēng)險(xiǎn)評(píng)估為實(shí)例進(jìn)行了評(píng)估預(yù)測(cè)，評(píng)估結(jié)果具有較好的可信度和精準(zhǔn)度，為下步開展復(fù)雜裝備虛擬采辦和管理層決策具有一定參考價(jià)值。

參考文獻(xiàn)

[1] 胡緒杰，劉尚鈔，劉志田，等.美軍航天器裝備采辦風(fēng)險(xiǎn)監(jiān)控機(jī)制探析[J].航天器環(huán)境工程，2010，27（1）：118-120.

[2] 蔡自興，徐光張.人工智能及其應(yīng)用（研究生用書）[M].3版.清華大學(xué)出版社，2004：67-76.