1、“.....得到效能评估值用时更长。在取得足够的样本数据完成训练后，智能化效能评估方法就可以进行不同想定参数组合的快速评估。另外，常规流程是个正向的作战效能评估值求解过程，不能逆向进行作战效能的优化，在这方面采用本文的智能化效能评估方法具有优势。结论作战效能的评估与优化是建模仿真领域中大难题，本文围绕这主题，提出了种基于深度学习解决该问题的方法与途径。本文以全连接回归模型为例，为基于深度回归模型的提供模型隐层数选择和样本量选择上的指导。深度回归模型构建般情况下深度学习的样本量较大。假设样本数据包含个样本个想定参数个待预测的作战效能，为提高模型的学习效率，本文采用批处理方式进行模型的训练。记每批参与训练的样本数为，全样本训练完记为个。采用全连接模型构建适合于的回归模型，模型结构如图所示。输入层的神经元个数为。隐层有多个，越靠近输入层的隐层其神经元个数较多，反之较少......”。

2、“.....输出层神经元数为待预测的作战效能数目。深度学习基础上体系作战效能智能评估及优化分析武器工业论文。对比各效能的原始最大取值能够看到，此优化方法对每个作战效能取得的最优值均优于相应作战效能的原最大取值，优化用时十几分钟。表单作战效能优化的最优取值及用时最后，将最优效能的想定参数取值组合解输入到如图常规流程中，计理论与方法北京国防工业出版社，孟庆德，张俊，魏军辉，等基于法的舰炮武器系统作战效能评估模型火炮发射与控制学报张平，李曙光，肖南，等基于指数法的装甲救护车作战效能评估兵器装备工程学报，王子齐，刘高峰基于的近程反导舰炮武器系统作战能力评估指挥控制与仿真，魏海龙，李清，黄诗晟，等模型驱动的武器装备系统效能评估方法清华大学学报自然科学版，李太平，陈艳，陈亮基于层次分析法的效能评估方法研究电子技术与软件工程，许帆，曾杨智......”。

3、“.....马庆跃武器装备体系作战效能综合评估技术研究哈尔滨哈尔滨工业大学，肖利辉，黄玉章种基于系统论思想的作战体系效能评估方法军事运筹与系统工程，梁家林，熊伟基于作战环的武器装备体系能力评估方法系统工程与电子技术，张永利，周荣坤，计文平，等基于模糊综合评判法的航母编队舰载机群体系作战效能评估舰船电子工程，代耀宗，沈建深度学习基础上体系作战效能智能评估及优化分析武器工业论文能到效能的效能同权重优化为例，设置效能综合优化时每个效能所占的优化权重为均为。按照图优化流程，参考小节以隐层全连接回归模型为预测模型，优化算法参数设置同小节。求得的效能最大值分别为，和，与表中该模型预测下优化取得的单作战效能指标最大值对比，能够发现效能同权重优化取得的个单效能的最大值均稍小，但仍比原样本点对应的最优效能值要大。最后，在验证集上，将优化取得的效能值与相应的常规效能基准评估值对比......”。

4、“.....表明这种加权优化方法具有定的有效性。这种综合权重优化方法可以为决策者提供多作战效能不同权重优化时想定参数取值组合最优选择的种手段，进步支撑作战使用中想定方案的优化。常规效能评估和智能化效能评估效率对比按照图所示常规流程，输入个想定参数取值组合样本到体系仿真系统运行次需要大约，走完整个评估流程得到单效能评估值用时大于。假设仿真系统次运行结束和下估方法能够引入作战环境的影响，更清楚地描述体系各组分间的关系，适用于，但是该方法流程缺乏智能性耗费时间长。深度学习不需要人工设计特征提取器，能够自动进行最优特征的提取，对特征具有更强的抽象学习能力。想定参数，作战效能样本数据较多时，采用深度学习能够基于输入的想定参数直接得到效能评估结论，加快评估的速度。国防科学技术大学大连海事大学等采用深度信念网络深度自编码回归模型......”。

5、“.....预测误差较小。防化研究院提出了使用全连接深度神经网络，进行的架构。针对深度学习参数选取难的问题，有研究试验了不同隐层数不同神经元数下的回归预测效果。根据测试结果猜想模型隐层数不宜较多，但其没有给出个模型参数选择的指导原则，亦没有考虑样本量的影响。因此，更多深度学习模型在体系作战效能评估包括配置想定多次运行仿真系统和调用效能评估模型计算多个复杂步骤。针对此流程复杂耗时长的问题，提出种基于深度学习回归思想的体系作战效能智能评估方法，引入基于进化策略的作战效能优化流程。以全连接深度回归网络为预测模型，通过多个数据集的试验结果给出网络隐层数和样本量选择的指导原则。进步结合遗传算法调整网络输入得到优化输出，迭代性能较好。以仿真系统为例初步验证了其有效性和使用价值。关键词作战效能智能优化作战效能智能评估回归预测武器装备体系深度回归网络武器装备体系......”。

6、“.....各系统之间呈松耦合关系自主性较强。作战效能定义为给定条件下体系完成特定作战任务的有效程度的度量。对其进行准确评估是评价体系针对特定作战条件实现目标作战任务效果检验和优选想定方案的重要手段。对装备系统作战效能进行评估，美国提出了图基于进化策略的单作战效能优化流程具体步骤为首先初始化各想定参数的取值范围种群规模最大迭代次数迭代误差阈值交叉概率和变异概率实数编码染色体，初始化种群，根据想定参数间的约束关系及作战效能的取值约束设置约束条件，每个个体表示想定参数取值组合的种情况调用全连接回归模型预测每个个体对应的作战效能取值，取值越优表示该个体越优判断是否满足迭代误差阈值最大迭代次数等终止条件，如否执行如是执行执行进化寻优生成新的种群，循环迭代返回执行，迭代次数加得到作战效能指标最优时的想定参数取值组合。依据小节，在这类预测问题上......”。

7、“.....隐层数目的全连接能取得较好的预测效果。本节选用层全连接回归模型为预测模型，在应用于仿真系统之前，先基于典型数据集测试该优化流程的优化性能。以数据集中的和模型取得的该目标变量预测值为测试样本的总数越小表示取得的预测效果越好。采用该全连接模型对个单作战效能进行预测，取得的指标最小值平均值和最大值所用时间等结果如表所示。能够看到，采用较少的隐层的全连接模型能够取得较好的单作战效能预测效果值较小，值较大，所用时间在左右，以较少的时间代价取得了较好的预测效果。深度学习基础上体系作战效能智能评估及优化分析武器工业论文。图种隐层结构的全连接对种样本量的个回归问题的预测效果因此，在个样本数据上，该模型取得的最好预测效果跟模型隐层数样本量均有很大关系，如表所示。能够看到，并不是模型隐层数越多相应的预测效果越好，另方面......”。

8、“.....较大时，隐层无需太多也能有好的训练效果。表最大所需样本量和模型隐层数该模型在不同样本数据上取得均进行了有效拟合，采用该优化方法得到的目标变量最大和最小取值等于原始数据集中的值，且所用优化时间较少。图种隐层结构的全连接对种样本量的个回归问题的预测效果因此，在个样本数据上，该模型取得的最好预测效果跟模型隐层数样本量均有很大关系，如表所示。能够看到，并不是模型隐层数越多相应的预测效果越好，另方面，在条件允许情况下更多有代表性的样本数据通常有助于提高模型的预测效果，较大时，隐层无需太多也能有好的训练效果。表最大所需样本量和模型隐层数该模型在不同样本数据上取得最大值的训练所用时间如表所示，这里仅列出为，的情况。本文所有试验均在机上进行。表模型训练时间能够看出，和对该模型训练效率的影响较小，而的影响较大。总体来讲该模型训练时间较短，如为，为......”。

9、“.....因此，深度回归模型虽然有较多的调试参数，但在这类问战效能的有效优化问题，对效能优化通常是采用直接计算索博尔指数法克里金模型构建法等些敏感性分析方法，存在着优化结果不能定量对复杂问题可信度不高甚至无法拟合缺乏智能性等些问题。图基于进化策略的单作战效能优化流程具体步骤为首先初始化各想定参数的取值范围种群规模最大迭代次数迭代误差阈值交叉概率和变异概率实数编码染色体，初始化种群，根据想定参数间的约束关系及作战效能的取值约束设置约束条件，每个个体表示想定参数取值组合的种情况调用全连接回归模型预测每个个体对应的作战效能取值，取值越优表示该个体越优判断是否满足迭代误差阈值最大迭代次数等终止条件，如否执行如是执行执行进化寻优生成新的种群，循环迭代返回执行，迭代次数加得到作战效能指标最优时的想定参数取值组合。依据小节，在这类预测问题上，当样本量在等许多典型模型。国内......”。