降低数据噪声和不平衡性影响的装备性能评估方法和系统与流程

本发明属于武器装备，尤其涉及一种降低数据噪声和不平衡性影响的装备性能评估方法和系统。

背景技术：

1、装备性能试验与评估是考核装备性能、评定装备质量优劣、确定装备研制和采购策略的必要手段，是提升装备战斗力的重要途径。

2、传统的装备性能评估方法，需要构建装备性能指标体系，并配置合理的评估计算方法，利用性能试验的结果数据实现对装备性能的评估计算。装备性能评估需要对装备的使命、研制标准、研制过程、装备性能试验与评估方法有着清晰且全面的认知，对评估实施人员提出了较高的技术理论及业务知识的要求。

3、近年来机器学习、数据挖掘等领域理论和技术的发展，为自动化装备性能试验评估提供了技术基础。装备性能评估本质上是对数值的预测和计算，选择合理的机器学习算法，挖掘试验结果数据中潜在的规律，并以传统评估方法的历史评估结果作为训练数据，训练回归预测模型，能够实现装备性能的自动评估，提升评估效率。

4、模型训练数据的质量往往决定了装备性能评估模型的准确性，训练数据通常来自于装备性能试验，包括实装试验和仿真试验。实装试验是在逼真的战场环境条件下，以实装作为试验对象所进行的试验，仿真试验则是以仿真系统对装备潜在的或客观存在的性能进行的动态试验。实装试验易于受到环境因素的干扰，而仿真数据又缺乏足够高的真实性，因此试验结果容易产生误差，采集的数据中存在一定的数据噪声，数据噪声将干扰模型的训练过程。同时，由于进入性能试验阶段的装备通常已进行过多次考核和优化，装备的试验结果多数情况下趋向于正面，历史评估结果数据中存在更多的正面评价，缺乏足够多的负面评价结果，导致评估数据存在不平衡性。数据噪声和不平衡性都将影响模型的训练过程，使其无法准确挖掘真实的数据规律，造成模型评估结果的不可信。

5、自编码器能够通过编码和解码的方式，学习数据潜在特征，重构原始数据。将真实数据加入噪声后输入到自编码器，训练时自编码器为了重构输入数据，就需要通过去除噪声，来学习到更加稳定的数据表示，学习到的数据表示本质上是数据降噪后的潜在特征。

6、多层感知机作为一种网状结构的算法模型，具有较强的数据拟合能力，通常采用均方误差作为损失函数，标准的均方误差对正负样本并不区分，在训练数据的正负样本不平衡时，将导致训练后模型的预测结果偏向正负样本占多数一方的问题。回归模型的预测目标为连续值，训练之前对训练目标数据的分布进行合理估计，并利用估计结果修正损失函数，能够在一定程度上降低数据不平衡问题的影响。

技术实现思路

1、本发明的目的之一，在于提供一种降低数据噪声和不平衡性影响的武器装备性能评估方法，该方法能够降低数据噪声和数据不平衡性对武器装备性能评估结果的影响，保证了评估结果的准确性，提高了评估效果。

2、本发明的目的之二，在于提供一种降低数据噪声和不平衡性影响的武器装备性能评估系统。

3、为了达到上述目的之一，本发明采用如下技术方案实现：

4、一种降低数据噪声和不平衡性影响的武器装备性能评估方法，所述装备性能评估方法包括如下步骤：

5、步骤s1、采集武器装备性能的每个能力要素中各个性能指标在每次试验中的试验结果数据，以生成所述武器装备中各个能力要素对应的试验结果数据矩阵；

6、步骤s2、对所述武器装备性能的每个能力要素中各个性能指标在每次试验中的试验结果数据进行缺失数据统计，以生成所述武器装备中各个能力要素对应的缺失数据模拟矩阵；

7、步骤s3、根据每个试验结果数据的采集误差，生成所述武器装备中各个能力要素对应的高斯噪声矩阵；

8、步骤s4、根据所述武器装备中各个能力要素对应的试验结果数据矩阵、高斯噪声矩阵和缺失数据模拟矩阵，生成所述武器装备中各个能力要素对应的性能指标矩阵；

9、步骤s5、根据所述武器装备中各个能力要素对应的试验结果数据矩阵中的每行试验结果数据，对所述武器装备中各个能力进行预估，以生成所述武器装备中各个能力要素对应的性能预估结果矩阵；

10、步骤s6、设置自编码器和回归器，并将所述自编码器中的编码器与所述回归器连接；

11、步骤s7、根据所述武器装备中各个能力要素对应的试验结果数据矩阵，将所述武器装备中各个能力要素对应的性能指标矩阵的转置矩阵作为所述自编码器的输入，进行自编码器训练，以得到训练好的编码器的输出结果；

12、步骤s8、根据所述武器装备中各个能力要素对应的性能预估结果矩阵，将所述训练好的编码器的输出结果作为所述回归器的输入，进行回归器训练，以得到训练好的回归器输出的武器装备性能评估结果。

13、进一步的，在所述步骤s2中，所述生成所述武器装备中各个能力要素对应的缺失数据模拟矩阵的具体过程包括：

14、步骤s21、对所述武器装备性能中每个能力要素中各个性能指标在每次试验中的试验结果数据进行缺失数据统计，以计算每个能力要素中各个性能指标的缺失次数；

15、步骤s22、计算所述每个能力要素中性能指标数与所述试验次数的乘积；

16、步骤s23、计算所述每个能力要素中各个性能指标的缺失次数与乘积结果的比值；

17、步骤s24、根据所述每个能力要素中各个性能指标的缺失次数与乘积结果的比值，随机生成缺失数据模拟矩阵。

18、进一步的，在所述步骤s4中，所述生成所述武器装备中各个能力要素对应的性能指标矩阵的具体过程包括：

19、步骤s41、对所述武器装备中各个能力要素对应的试验结果数据矩阵和高斯噪声矩阵进行相加；

20、步骤s42、将相加结果和对应的缺失数据模拟矩阵进行哈达玛积，得到所述武器装备中各个能力要素对应的性能指标矩阵；

21、所述试验结果数据矩阵和高斯噪声矩阵的行数为试验次数，列数为性能指标数；

22、所述试验结果数据矩阵的各个元素值为试验结果数据；所述高斯噪声矩阵中每一列的元素值为服从高斯分布的随机变量。

23、进一步的，在所述步骤s7中，所述自编码器训练的具体过程包括：

24、步骤s71、设置自编码器参数；

25、步骤s72、对所述武器装备中各个能力要素对应的性能指标矩阵的转置矩阵依次进行加权、偏置和归一化处理，得到所述武器装备中各个能力要素的聚合信息矩阵；

26、步骤s73、对所述武器装备中各个能力要素的聚合信息矩阵进行信息恢复处理；

27、步骤s74、判断所述信息恢复处理结果是否收敛于对应的试验结果数据矩阵的转置矩阵，如是，则停止训练，并将所述武器装备中各个能力要素的聚合信息矩阵作为回归器的输入；如否，则调整自编码器参数，并返回步骤s72。

28、进一步的，在所述步骤s8中，所述回归器训练的具体过程包括：

29、步骤s81、设置回归器参数；

30、步骤s82、对接收到的所述武器装备中各个能力要素的聚合信息矩阵依次进行加权、偏置和归一化处理；

31、步骤s83、判断归一化处理结果是否收敛于对应的性能预估结果矩阵，如是，则停止训练，并将所述归一化处理结果作为武器装备性能评估结果；如否，则调整回归器参数，并返回步骤s82。

32、为了达到上述目的之二，本发明采用如下技术方案实现：

33、一种降低数据噪声和不平衡性影响的武器装备性能评估系统，所述装备性能评估系统包括：

34、采集模块，用于采集武器装备性能的每个能力要素中各个性能指标在每次试验中的试验结果数据，以生成所述武器装备中各个能力要素对应的试验结果数据矩阵；

35、第一生成模块，用于对所述武器装备性能的每个能力要素中各个性能指标在每次试验中的试验结果数据进行缺失数据统计，以生成所述武器装备中各个能力要素对应的缺失数据模拟矩阵；

36、第二生成模块，用于根据每个试验结果数据的采集误差，生成所述武器装备中各个能力要素对应的高斯噪声矩阵；

37、第三生成模块，用于根据所述武器装备中各个能力要素对应的试验结果数据矩阵、高斯噪声矩阵和缺失数据模拟矩阵，生成所述武器装备中各个能力要素对应的性能指标矩阵；

38、预估模块，用于根据所述武器装备中各个能力要素对应的试验结果数据矩阵中的每行试验结果数据，对所述武器装备中各个能力进行预估，以生成所述武器装备中各个能力要素对应的性能预估结果矩阵；

39、设置模块，用于设置自编码器和回归器，并将所述自编码器中的编码器与所述回归器连接；

40、自编码器训练模块，用于根据所述武器装备中各个能力要素对应的试验结果数据矩阵，将所述武器装备中各个能力要素对应的性能指标矩阵的转置矩阵作为所述自编码器的输入，进行自编码器训练，以得到训练好的编码器的输出结果；

41、回归器训练模块，用于根据所述武器装备中各个能力要素对应的性能预估结果矩阵，将所述训练好的编码器的输出结果作为所述回归器的输入，进行回归器训练，以得到训练好的回归器输出的武器装备性能评估结果。

42、进一步的，所述第一生成模块包括：

43、缺失数据统计子模块，用于对所述武器装备性能中每个能力要素中各个性能指标在每次试验中的试验结果数据进行缺失数据统计，以计算每个能力要素中各个性能指标的缺失次数；

44、第一计算子模块，用于计算所述每个能力要素中性能指标数与所述试验次数的乘积；

45、第二计算子模块，用于计算所述每个能力要素中各个性能指标的缺失次数与乘积结果的比值；

46、随机生成子模块，用于根据所述每个能力要素中各个性能指标的缺失次数与乘积结果的比值，随机生成缺失数据模拟矩阵。

47、进一步的，所述第三生成模块包括：

48、相加子模块，用于对所述武器装备中各个能力要素对应的试验结果数据矩阵和高斯噪声矩阵进行相加；

49、哈达玛积子模块，用于将相加结果和对应的缺失数据模拟矩阵进行哈达玛积，得到所述武器装备中各个能力要素对应的性能指标矩阵。

50、所述试验结果数据矩阵和高斯噪声矩阵的行数为试验次数，列数为性能指标数；

51、所述试验结果数据矩阵的各个元素值为试验结果数据；所述高斯噪声矩阵中每一列的元素值为服从高斯分布的随机变量。

52、进一步的，所述自编码器训练模块包括：

53、第一设置子模块，用于设置自编码器参数；

54、第一归一化处理子模块，用于对所述武器装备中各个能力要素对应的性能指标矩阵的转置矩阵依次进行加权、偏置和归一化处理，得到所述武器装备中各个能力要素的聚合信息矩阵；

55、信息恢复处理子模块，用于对所述武器装备中各个能力要素的聚合信息矩阵进行信息恢复处理；

56、第一判断子模块，用于判断所述信息恢复处理结果是否收敛于对应的试验结果数据矩阵的转置矩阵，如是，则停止训练，并将所述武器装备中各个能力要素的聚合信息矩阵作为回归器的输入；如否，则调整自编码器参数，并传输给所述第一归一化处理子模块。

57、进一步的，所述回归器训练模块包括：

58、第二设置子模块，用于设置回归器参数；

59、第二归一化处理子模块，用于对接收到的所述武器装备中各个能力要素的聚合信息矩阵依次进行加权、偏置和归一化处理；

60、第二判断子模块，用于判断归一化处理结果是否收敛于对应的性能预估结果矩阵，如是，则停止训练，并将所述归一化处理结果作为武器装备性能评估结果；如否，则调整回归器参数，并传输给所述第二归一化处理子模块。

61、综上，本发明提出的技术方案具备如下技术效果：

62、本发明通过武器装备性能的每个能力要素中各个性能指标在每次试验中的试验结果数据，生成武器装备中各个能力要素对应的试验结果数据矩阵；利用试验结果数据矩阵的数据缺失情况，得到武器装备中各个能力要素对应的缺失数据模拟矩阵；通过武器装备性能的每个能力要素中各个性能指标在每次试验中的试验结果数据的采集误差，得到武器装备中各个能力要素对应的高斯噪声矩阵；并利用武器装备中各个能力要素对应的试验结果数据矩阵、缺失数据模拟矩阵和高斯噪声矩阵，得到含有数据噪声和数据不平衡性的性能指标矩阵；在保持回归器参数不变的情况下，利用武器装备中各个能力要素对应的试验结果数据矩阵和性能指标矩阵，进行自编码器训练，保证自编码器降噪效果；通过武器装备性能的每个能力要素中各个性能指标在每次试验中的试验结果数据，采用传统评估方法，得到武器装备中各个能力要素对应的性能预估结果矩阵；利用训练好的自编码器中编码器的输出结果和性能预估结果矩阵，进行回归器训练，得到训练好的回归器；然后利用训练好的自编码器和回归器，实现武器装备性能的评估；本发明能够通过自编码器获取试验数据的潜在特征，重构原始数据，达到数据降噪效果，并通过样本的概率密度修正回归模型的损失函数，调节高低频样本在训练时的梯度贡献，最终实现降低数据噪声和数据不平衡对评估模型准确性的影响，保证了评估结果的准确性，且降低了完成评估任务的技术门槛，提高了评估效率。