基于Elman神经网络和Copula函数的多维装备效能评估模型

发布时间：2025-06-19 02:05

　　 针对当前空战装备效能评估数据呈现出的非线性、多维性和耦合性等特征,将Elman神经网络与Copula函数相结合,提出了一种多维装备效能的评估模型。基于现代化空战特点建立效能评估指标体系的同时,结合战场环境与信息化空中对抗体系的仿真数据,利用Elman神经网络的权值参数自学习能力以及对非线性数据的良好拟合性,得到了边缘分布的预测模型及分布类型;针对分布数据之间的强耦合特征,选取Gumbel Copula函数、Clayton Copula函数、T-Copula函数、Frank Copula函数、Joe Copula函数5种常用Archimedean Copula函数对变量间的相关性进行构造,通过对参数辨识和拟合优度结果进行对比,发现基于T-Copula函数所构建的联合分布模型与原始数据分布最为契合。以概率统计指标为评估依据,将该方法与传统方法进行了对比验证,得出了该方法的预测精度及适用范围均有所提升的结论。

【文章页数】：13 页

【部分图文】：

图1 空战装备效能评估指标体系

人工Elman神经网络作为一种典型的局部回归网络模型，它在逆向传播(BP)人工神经网络基本结构的基础上，通过存储内部状态具备了映射动态特征的功能，从而使系统具有一定的变特性能力[12]。其主要结构包括输入层、结构层、隐含层和输出层。隐含层的作用是反馈连接层神经元信号并接受输入层神....

图2 Elman神经网络结构图

图1空战装备效能评估指标体系Elman神经网络的非线性状态空间表达式如(7)式所示:

图3 Elman神经网络预测步骤图

式中:xc为n维反馈状态向量;g(*)为输出层神经元的传递函数，可看作是隐含层的线性组合输出;f(*)为神经元的传递函数。权值的修正采用BP算法进行，学习指标采用的误差平方和函数如(8)式所示:式中:hk(yN)是以神经网络输出计算得出的实测值;h槇k(yN)为理论值;为模型的样....

图4 超视距-目视内模型预测值散点图

对表1和表2中数据进行归一化处理后，以前2000组数据作为超视距打击能力和视距内作战能力的神经网络训练数据，其中超视距打击能力的输入端为4，输出端为1;视距内作战能力的输入端为3，输出端为1;通过设定隐含层神经元个数、训练函数以及指定延迟，得出二者的Elman神经网络训练模型。....

本文编号：4050684