将FSA(混合策略搜索)和CNN(卷积神经网络)相结合:一种用于实际气象环境中武器作战效能评估的架构

《Advanced Engineering Informatics》:Integrating FSA and CNN: An architecture for weapon combat effectiveness evaluation in real meteorological environments

【字体: 大 中 小 】 时间:2026年05月06日 来源:Advanced Engineering Informatics 9.9

编辑推荐:

  李一森|李世超|宋宏伟|高宏伟|李杰|尹双|李武宇 中国西南交通大学机械工程学院,成都610031 摘要 在现代军事作战、航空航天和供应链等领域,气象环境的重要性不容低估。风速、沙尘暴、能见度、雷暴和降水等气象因素对各个领域的效能有着显著影响。然而,现有研究往往只关

  李一森|李世超|宋宏伟|高宏伟|李杰|尹双|李武宇
中国西南交通大学机械工程学院,成都610031

摘要
在现代军事作战、航空航天和供应链等领域,气象环境的重要性不容低估。风速、沙尘暴、能见度、雷暴和降水等气象因素对各个领域的效能有着显著影响。然而,现有研究往往只关注孤立的问题,例如在特定气象条件下的特征提取或性能评估,缺乏一个整合这些方面的综合架构。这种片面的方法可能导致评估结果存在不一致性和偏差,从而影响决策的准确性和及时性。为解决这一问题,提出了一种基于鱼群算法和卷积神经网络(FSA-CNN)的新监督回归评估架构,该架构将特征提取和性能评估结合到一个统一的框架中,确保数据的连贯流动。FSA-CNN利用FSA的动态搜索策略找到全局最优解,并使用CNN自动从原始数据中提取复杂特征。通过在实际气象条件下对武器战斗效能(WCE)的评估验证了FSA-CNN的有效性。实验结果表明,FSA-CNN的均方误差为0.0009,R平方值为0.9947,表现出出色的预测准确性和鲁棒性。FSA-CNN能够在实际气象环境中提供准确的WCE预测和评估。此外,通过准确量化气象因素对WCE的影响,军事战略家可以做出更明智的决策,从而提高作战效率和战术成功率。

引言
在当代军事战略领域,对武器系统的准确评估是确保胜利的关键[1]。武器战斗效能(WCE)是评估武器系统的关键指标之一,随着军事技术的进步,这一指标受到了越来越多的关注。这种评估不仅包括对武器系统固有属性(如射程、精度、可靠性和耐用性)的定量分析,还包括考虑战场环境变量(如气候条件对武器性能的潜在影响)[2][3]。全面评估WCE对于确定特定武器系统是否适合特定任务至关重要,这对于选择最佳装备以提高军事行动的成功概率具有决定性作用[4]。因此,WCE的研究不仅是军事技术发展的一部分,也是战略决策的关键支持[5][6]。

鉴于气象因素的复杂性,WCE受到各种大气条件的影响,因此在这些条件下进行准确评估对于战略军事规划至关重要[5][7][8]。传统的WCE评估方法通常涉及两个核心过程:关键特征提取和战斗效能评估[9][10][11]。这一评估过程融合了数据科学、统计分析、机器学习和军事工程领域的多学科方法论和应用,旨在面对不断变化的气象因素时准确评估WCE[12]。特征提取的主要目的是从大量的原始数据中识别出影响武器系统效能的关键特征[13]。数据挖掘和统计分析技术被广泛用于提取与WCE相关的特征,包括主成分分析(PCA)、聚类分析、线性判别分析(LDA)和t分布随机邻域嵌入(t-SNE)。这些技术有助于处理和简化数据,为评估性能建模奠定基础。PCA通过降维简化数据复杂性,同时保留关键信息[14],但对于捕捉复杂的非线性数据结构而言效果不佳。聚类分析可以识别数据中的内在分组,有助于揭示影响WCE的隐藏特征,但其效果依赖于初始参数的选择,而依赖专家经验则是一个重大挑战。LDA适用于跨越类别差异的特征提取[15],然而实际影响WCE的气象因素并不遵循高斯分布,类别内部的方差差异显著影响LDA的性能。关于降维,t-SNE表现出强大的效果,尽管其计算成本高昂且对超参数选择敏感。显然,主流特征提取算法在实际气象条件下准确快速提取WCE特征方面面临挑战。

性能评估的主要目标是通过构建评估模型来精确预测WCE,这些模型分为线性和非线性两种类型[16]。目前用于WCE评估的各种线性评估模型包括专家主观评估、ADC(可用性可靠性能力)模型、多属性成本效益分析(TOPSIS)和灰关联分析等。尽管专家评估模型应用广泛,但它们依赖于个人经验,因此容易受到主观影响。ADC模型在进攻性和防御性战场条件下评估武器系统,但在处理复杂的非线性关系时缺乏灵活性[17]。多属性成本效益分析提供全面的评估,但在动态战场环境中显得有限[18]。TOPSIS和灰关联分析的结合使用能有效评估WCE的变化趋势,显示出强大的数据适应性,但对于复杂系统的评估不够全面[19]。线性模型为决策者提供可解释性,但它们在处理实际气象环境引入的时变问题时缺乏灵活性,并且对异常值敏感。

面对线性模型的固有问题,研究人员正在探索开发非线性评估模型以准确评估WCE[20][21][22][23]。支持向量机(SVM)模型因其处理复杂数据和非线性关系的出色性能而被广泛应用,但仍面临对高质量数据的依赖和训练时间长的挑战[24]。随后,基于鱼群优化(GWO)的支持向量机模型被提出,显示出强大的适应性和高效的优化效率,尽管在初始建立和收敛速度方面存在挑战。显然,非线性模型更适合应对复杂和动态的战场环境,但它们过度依赖高性能计算资源和高质量数据。

在武器技术快速发展和战场环境动态变化的背景下,迫切需要设计更准确、更高效的WCE评估模型[26][27]。WCE评估是一个监督回归问题,模型学习将多维输入气象因素映射到定量定义的WCE。核心科学挑战在于处理动态环境因素与WCE之间的非线性耦合。为应对这一挑战,提出了一种基于鱼群算法的卷积神经网络(FSA-CNN)的新评估架构,其过程及与主流模型的比较如图1所示[2]。该模型将FSA和CNN相结合,旨在提供更准确的WCE预测和评估。本研究的主要贡献总结如下:

1. 主流WCE评估架构通常包括两个独立步骤:特征提取和性能评估。这种架构效率低下,容易导致信息流不连续。FSA-CNN通过将这两个过程整合到一个统一的框架中,确保了数据流的连贯性,不仅降低了信息丢失的风险,还提高了模型训练和调优的总体效率,使评估过程更加简洁。
2. 线性评估模型往往难以有效处理非线性、非平稳和多变量数据,尤其是在考虑动态环境因素时。FSA-CNN利用CNN强大的特征提取能力自动从原始数据中提取复杂的高层特征,使模型能够准确捕获和处理与WCE相关的关键信息,从而显著提高评估精度。
3. 非线性评估模型通常依赖输入数据的质量和数量,并且需要大量的模型构建和参数调优专业知识。FSA-CNN利用FSA的动态搜索策略,提高了寻找全局最优解的能力,并能根据样本数量自适应调整模型规模,从而增强模型解决复杂优化问题的能力。

本研究主要阐明了FSA-CNN如何利用自动特征提取和全局最优解搜索策略提供一个全面的评估框架,实现WCE的精确预测和评估。本研究的结构如下:第2节全面分析了气象因素对武器效能的影响,阐明了环境因素对武器系统性能的影响。第3节介绍了FSA-CNN模型,详细说明了其过程和架构设计。第4节和第5节展示了实验结果和分析,评估了模型在实际应用中的性能及其关键组件的重要性。第6节总结了研究发现和FSA-CNN的未来发展方向。

**气象因素对WCE的影响**
在当代大规模军事行动中,WCE的评估具有至关重要的意义。这种评估的关键在于准确衡量武器装备在特定时间和环境因素下完成任务的能力[28][29]。在这种情况下,气象因素对WCE的影响尤为重要,因为性能可能会因不同的天气环境而变化。表1强调了影响WCE的各种气象因素的分析。

**FSA-CNN的架构**
FSA-CNN是一种前沿的方法,通过无缝结合FSA和CNN来评估武器战斗效能。FSA-CNN的详细全面评估过程在图2中精心设计的流程图中详细说明。FSA-CNN专为军事决策者设计,旨在提供一个全面准确的WCE评估框架。FSA-CNN的详细架构见以下链接:https://github.com/V

**相关术语解释**
- **N**:鱼的数量
- **M**:鱼的视野范围,表示它们能感知的最大距离
- **dnm**:第n条鱼和第m条鱼之间的距离
- **I·**:指示函数,当括号内的条件为真时等于1,否则为0
- **Nf**:一条鱼的邻居数量,表示其视野范围内其他鱼的数量
- **xc**:邻近鱼的中心位置向量,表示视野范围内其他鱼的平均位置向量
- **δ**:鱼的拥挤因子,表示允许在特定位置聚集的最大鱼的数量

**尾随行为**:在视野范围V内,探索邻近鱼中的最佳位置xb。如果最佳位置的食物浓度高于当前位置Lxb且不拥挤(M<δnf),则向最佳位置移动一步;否则,执行随机动作。
**xn=xn+sxb-xn**:当前鱼视野范围内邻近鱼中的最佳位置,表示食物浓度最高的位置向量

**测试数据和预处理**
根据表1和表2的数据,我们可以清楚地识别出影响导弹、地面武器设备和火炮战斗效能的主要气象因素,包括风速、沙尘暴、能见度、雷暴和降水。这些因素作为评估架构中的输入指标,因为它们直接影响武器的战斗效能。我们收集并生成了实际wce的实验数据。

**fsa-cnn的泛化性能分析**
由于获取与武器战斗效能相关的真实气象数据的成本很高,表3中的数据集规模有限。为了评估fsa-cnn的泛化能力,采用了k折交叉验证,结果总结在表7中,mae指标显示在图9中。mse值的范围明显狭窄,从0.0008到0.0103,表明不同折间预测精度稳定。同样,r2值在0.9340到0.9748之间。

**结论**
本研究详细讨论了气象因素(包括风速、能见度、雷暴概率和降水)对武器系统性能的影响,并提出了一种wce评估架构fsa-cnn,用于在实际气象环境中评估wce。 **xn=xn+Sxb-xn**:当前鱼视野范围内邻近鱼中的最佳位置,表示食物浓度最高的位置向量 **测试数据和预处理** 根据表1和表2的数据,我们可以清楚地识别出影响导弹、地面武器设备和火炮战斗效能的主要气象因素,包括风速、沙尘暴、能见度、雷暴和降水。这些因素作为评估架构中的输入指标,因为它们直接影响武器的战斗效能。我们收集并生成了实际wce的实验数据。 **fsa-cnn的泛化性能分析** 由于获取与武器战斗效能相关的真实气象数据的成本很高,表3中的数据集规模有限。为了评估fsa-cnn的泛化能力,采用了k折交叉验证,结果总结在表7中,mae指标显示在图9中。mse值的范围明显狭窄,从0.0008到0.0103,表明不同折间预测精度稳定。同样,r2值在0.9340到0.9748之间。 **结论**>**xn=xn+sxb-xn**:当前鱼视野范围内邻近鱼中的最佳位置,表示食物浓度最高的位置向量

**测试数据和预处理**
根据表1和表2的数据,我们可以清楚地识别出影响导弹、地面武器设备和火炮战斗效能的主要气象因素,包括风速、沙尘暴、能见度、雷暴和降水。这些因素作为评估架构中的输入指标,因为它们直接影响武器的战斗效能。我们收集并生成了实际wce的实验数据。

**fsa-cnn的泛化性能分析**
由于获取与武器战斗效能相关的真实气象数据的成本很高,表3中的数据集规模有限。为了评估fsa-cnn的泛化能力,采用了k折交叉验证,结果总结在表7中,mae指标显示在图9中。mse值的范围明显狭窄,从0.0008到0.0103,表明不同折间预测精度稳定。同样,r2值在0.9340到0.9748之间。

**结论**
本研究详细讨论了气象因素(包括风速、能见度、雷暴概率和降水)对武器系统性能的影响,并提出了一种wce评估架构fsa-cnn,用于在实际气象环境中评估wce。>FSA-CNN的创新在于其能够有效处理非线性、非平稳性和多变量数据,从而实现对WCE(Weighted Classification Error)的精确预测和评估。FSA-CNN是WCECRediT中的一个重要贡献成果。作者名单及主要职责如下:

- 孙毅(Yi Sun):负责撰写初稿、方法论构建、概念化设计、数据整理及验证工作。
- 李世超(Shichao Li):参与概念化设计及资金筹集。
- 宋宏亮(Hongliang Song):负责审阅和编辑工作以及验证流程。
- 高洪亮(Hongli Gao):负责方法论研究及数据分析。
- 李杰(Jie Li):负责软件开发和相关资源的准备工作。
- 尹双(Shuang Yin):负责方法论指导及数据分析工作的监督。
- 李武宇(Wuyu Li):负责项目管理工作及正式数据分析。

关于利益冲突的声明:作者声明不存在任何可能影响本文研究结果的财务利益冲突或个人关系。

本研究得到了以下机构的支持:国家自然科学基金(项目编号:5257056442、52575643)、中央高校基本科研业务费(项目编号:2682026CX231)、四川省科技计划(项目编号:2024ZDZX0023、2024JYXC0011)、四川省自然科学基金(项目编号:2025ZNSFSC1279)以及成都市科技计划(项目编号:2025-YF08-00227-GX)。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号