本发明属于效能评估领域，具体涉及一种基于数据挖掘的天基信息网络效能评估系统及方法。
背景技术：
：作战系统效能评估一直倍受各国军方的关注，早在上世纪六十年代初期，美、苏等国家就相继成立了专门的作战效能分析与评估研究机构。我国较系统地进行作战效能分析与评估则要晚一些，研究的方法一般是消化吸收外国的研究成果，并进一步完善和发展。系统效能评估方法经过几十年的研究与探索，目前比较流行的效能评估方法主要有：计算实验方法(computationalmethodsforexperiments)，是一种针对复杂系统研究的方法。计算实验方法把“仿真”结果作为现实的一个替代版本，或一种可能出现的现实；同时把实际系统也作为可能出现的现实中的一种，同仿真结果“等价”，实现从计算仿真走向计算实验的思想转变。在计算实验方法中，传统的计算模拟变成了“计算实验室”里的“试验”过程，成为“生长培育”各类复杂系统的手段，而实际系统只是这个“计算实验”的一种可能结果而已。对于复杂系统评估，计算实验方法被认为是很具生命力的一种方法，至少是一种有益的尝试。探索性方法，是国内外战争复杂系统研究的热点方法之一，它是基于系统整体性与不确定性的一种分析方法，探索性方法的目标是理解不确定性要素对于所研究问题的影响，同时探索可以完成相应任务需求的系统各种能力与策略，从而全面地把握各种关键要素，获得灵活高效且适应性强的问题解决方案，达到进行能力规划和方案寻优的目的。实现探索性方法的最大难点就是计算规模大与有限计算能力之间的矛盾，如何提高计算效率也就是探索性分析的研究重点。数据挖掘技术是一种理论与应用都比较成熟，同时也是目前流行的海量数据处理方法。本发明主要基于数据挖掘技术对天基信息网络进行效能评估。目前现有的技术大多是通过仿真得到具体的系统性能指标，再逐步计算出系统综合效能，效率较低。国内外专利中，有的研究天基网络效能评估的仿真架构，有的研究效能评估体系的构建方法，没有针对天基信息网络效能评估方法的与本发明类似的专利。技术实现要素：本发明技术解决问题：克服现有技术的不足，提供一种基于数据挖掘的天基信息网络效能评估系统及方法，提高天基网络效能评估的效率，直观的展示系统参数对系统综合效能产生的影响。本发明采取的技术方案是：一种基于数据挖掘的天基信息网络效能评估系统，包括：分析数据生成模块、挖掘方法处理模块及模型评估应用模块；其中：分析数据生成模块，根据天基信息网络效能评估需求，建立天基信息网络效能评估指标体系，在所述天基信息网络效能评估指标体系下，取一组系统参数，利用仿真工具计算这一组系统参数对应的系统性能，然后通过模糊层次分析法对系统性能进行转换，得到这组系统参数对应的天基信息网络系统综合效能，取多组系统参数按上述过程进行系统参数对应的天基信息网络系统综合效能计算，得到多组系统参数-对应的综合效能数据，将多组数据储存到分析数据库，数据库生成对应的分析数据文件；所述天基信息网络效能评估指标体系分为系统参数层、系统性能层、系统能力层和综合效能层四部分，其中系统参数层和系统性能层确定了天基信息网络系统参数与性能指标的关系；挖掘方法处理模块，确定天基信息网络系统分析所采用的挖掘算法类型，然后采用挖掘算法，基于分析数据文件，运算并创建相应的挖掘评估模型进行数据挖掘；所述挖掘评估模型采用bp神经网络模型，以系统参数作为神经网络的输入层，以系统综合效能作为神经网络的输出层，将分析数据生成模块中得到的多组输入输出数据作为神经网络的训练数据，得到的挖掘模型能够直接研究系统参数和系统效能之间的关系；模型评估应用模块，以系统参数作为挖掘模型的输入，输出即为系统效能，调整输入端的任意系统参数，分析系统效能的相应变化，知晓系统参数的变化是如何影响系统效能的，以分析报告、显示图表方式将挖掘知识展现给用户，同时在应用时不断对模型进行评估、监测与维护，相应的完善及改正意见反馈给数据挖掘的各个过程。本发明基于数据挖掘的天基信息网络效能评估方法，实现步骤如下：(1)根据效能评估需求确立效能评估指标体系，分为系统参数层、系统性能层、系统能力层和综合效能层四部分，明确天基信息网络系统参数与性能指标的关系；(2)参照上述指标体系的系统参数层和系统性能层，取一组系统参数，利用仿真工具计算这一组系统参数对应的系统性能；(3)参照上述指标体系的系统性能层、系统能力层和综合效能层，通过模糊层次分析法将系统性能转换为系统能力，再将系统能力转换为系统综合效能，得到上述这组系统参数对应的系统综合效能；(4)重复(2)、(3)进行多组计算，将多组数据储存到分析数据库，再生成对应的分析数据文件；(5)确定分析采用的挖掘算法类型，采用bp神经网络模型对(4)中的分析数据文件进行数据挖掘；(6)采用挖掘算法，以系统参数作为神经网络的输入层，以系统综合效能作为神经网络的输出层，将分析数据生成模块中得到的多组输入输出数据作为神经网络的训练数据，基于分析数据文件，运算并创建相应的挖掘评估模型；(7)以分析报告、显示图表方式将挖掘知识展现给用户，同时在应用时不断对模型进行评估、监测与维护，相应的完善及改正意见反馈给数据挖掘的各个过程。本发明的有益效果是：本发明实现了对天基信息网络的效能评估，建立了科学的天基网络效能评估指标体系，提供了一种基于数据挖掘的效能评估方法，能够很好的反映天基信息网络的系统参数与系统效能之间关系，即系统参数的变化是如何影响系统效能的，现有技术只能通过系统参数计算系统性能指标，进一步计算系统能力，最后得到相应的系统效能，步骤复杂耗时。与之相比，本发明通过数据挖掘建立起了直接研究参数和效能关系的模型，大幅提高了计算效率。附图说明图1为本发明基于数据挖掘的系统效能评估系统组成框图；图2为本发明分析数据生成模块具体实现流程图；图3为本发明的挖掘方法处理模块具体实现流程图；图4为本发明的模型评估应用模块具体实现流程图；图5为系统参数与性能指标关系图；图6为指标隶属函数示意图；图7为三层bp网络学习过程；图8为带宽对系统效能满意度的影响；图9为容量对系统效能的影响；图10为抗干扰能力对系统效能的影响。具体实施方式下面结合附图和实施例对本发明提供的一种基于数据挖掘的天基信息网络效能评估系统及方法进行介绍。如图1所示，本发明的一种基于数据挖掘的天基信息网络效能评估系统，包含三个模块：分析数据生成模块，挖掘方法处理模块以及模型评估应用模块。其中分析数据生成模块首先根据效能评估需求确立效能评估指标体系，参照该指标体系，利用仿真工具计算相应系统参数的系统性能，然后通过模糊层次分析法进行相应的转换，得到系统综合效能，进行多组计算，将多组数据储存到分析数据库，再生成对应的分析数据文件；挖掘方法处理模块首先确定系统分析采用的挖掘算法类型，然后采用挖掘算法，基于分析数据文件，运算并创建相应的挖掘评估模型；模型评估应用模块以分析报告、显示图表方式将挖掘知识展现给用户，同时在应用时不断对模型进行评估、监测与维护，相应的完善及改正意见反馈给数据挖掘的各个过程。如图2所示，分析数据生成模块详细给出叙述：(1)建立天基信息网络效能评估指标体系通过分析数据接口模块生成数据挖掘分析数据时，首先需要建立天基信息传输网指标。本发明主要针对天基信息传输网进行指标体系的建立，将其分为系统参数层、系统性能层、系统能力层和综合效能层四部分，如表1所示，其中第一级类别为服务能力，是系统对用户支持能力的体现，对应系统综合效能指标，主要包括服务区域、服务容量、服务质量等三个二级类别，二类级别对应系统能力。第三级指标如表1，可以被视为性能指标。最后一列中的“波束宽度”、“传感器带宽”、“传感器容量”、“终端传输速率”、“用户传输速率”是与第三级指标计算相关的底层系统参数。本报告中的效能评估方法就是在数据挖掘的基础上探究系统参数如何影响系统综合效能指标。表1在天基信息传输网指标体系的基础上，利用三级指标计算系统的综合效能，系统综合效能的计算流程如图2所示。(2)层次分析法确立各指标权重本发明用层次分析法(ahp)确定各指标相对于特定任务的权重。每个评估指标在方案评估中都占据一定的重要性，其重要程度通过指标权重来体现，这与决策者制订方案的指导思想有关。比如，卫星任务规划效能评估时，是侧重于星座系统的任务完成率还是观测质量，若侧重于前者，则重点考虑任务完成的数量，指标权重也相对比较大。指标权重具体大小需要通过对决策机构和用户进行咨询，然后通过一定的权重计算方法计算确定。表2表示服务能力判断矩阵，表3表示服务区域判断矩阵，表4表示服务容量判断矩阵，表5表示服务质量判断矩阵。表2服务区域服务容量服务质量1320.33310.3330.531表3地面服务区面积地面服务区满足度120.51表4平均频率带宽平均系统容量平均传输速率支持平均用户数业务支持类型终端支持类型1223230.5132330.50.33313220.3330.50.3331320.50.3330.50.333120.3330.3330.50.50.51表5平均通信时延平均抗干扰能力10.521利用层次分析计算得到服务能力下属指标权重如表6所示。表6权重a＝(0.38,0.22,0.40)，a1＝(0.5,0.5)，a2＝(0.26,0.22,0.17,0.14,0.11,0.10)，a3＝(0.33,0.67)。(3)通过模糊数学函数确立各指标模糊向量本发明利用模糊算法，将各项指标归一化。由于卫星系统效能评估中性能指标取值性质不同，有定量指标也有定性指标。在定量指标中，不仅它们的量纲、函数关系不同，而且它们的类型也不一致，有些指标要求越大越好，有些要求越小越好，有些要求适中，导致在进行性能指标综合时无法对比。因此，需要对评估指标采用统一的度量方式。但是，由于卫星系统完成使命的战场环境极其复杂，因此对不同任务，即使同一性能指标在相同的数值范围内，也会产生不同的效能影响。这样，在处理定量指标的取值时，进行精确的度量是不现实的。模糊数学创始人美国的zadeh教授指出，“当系统处于复杂环境下时，追求系统数值上的精确，将是毫无意义的”。在这种情况下，利用领域专家的知识，将有助于评估指标的统一度量。本发明中的指标体系都为定量指标，获取其模糊满意度的具体方法如下。设模糊满意度级别数为n，用x1,x2,...,xn分别表示满意度从高到低的级别，即x1表示满意度最高，xn表示满意度最低。由领域专家根据单项指标的数据变化范围，给出与各满意度级别相应的模糊集隶属函数。比如越小越好型属性指标，设满意度级别有五个，分别为{最高，较高，中等，较低，最低}在实际应用中，用得比较广泛的模糊数是三角模糊数和梯形模糊数，为了计算方便，采用梯形模糊数。图6所示的是越小越好型指标的隶属函数的图形，其隶属函数如下面公式所示。类似地，对越大越好型，适中值指标则采用相同的方法给出满意度等级及其隶属函数。根据上述方法得到评价矩阵r1,r2,r3。表7为满意度参数列表，属性为1，为越小越好型，属性为2，则为越大越好型。表7(4)多级综合评估计算系统综合效能考虑前面的权重向量，用下列公式求出一级模糊变换：bi＝ai·ri(i＝1，2，3)设c为卫星系统效能的满意度隶属向量，用b1，b2，b3构造单因素评价矩阵r，考虑权重因素，进行二级模糊系统效能计算。c＝a·r表8为根据上述方法计算系统效能的系统参数和相应结果。表8序号带宽(mhz)容量(mbps)抗干扰能力(db)15002000452600200045370020004548002000455500300045650040004575005000458500200050950020005510500200060通过计算，得到系统效能：(0.380264，0.000000，0.000000，0.353602，0.266134)(0.380264，0.024087，0.093195，0.359338，0.143117)(0.413797，0.047559，0.036189，0.359338，0.143117)(0.437270，0.024087，0.036189，0.359338，0.143117)(0.380264，0.024087，0.072741，0.372659，0.150250)(0.380264,0.024087,0.138194,0.307206,0.150250)(0.380264,0.126092,0.036189,0.307206,0.150250)(0.380264,0.024087,0.224614,0.211152,0.159883)(0.380264,0.071180,0.256062,0.132611,0.159883)(0.380264,0.291053,0.036189,0.132611,0.159883)如图3所示，挖掘方法处理模块详细给出叙述(1)确定挖掘算法bp神经网络模型拓扑结构包括输入层(input)、隐层(hidelayer)和输出层(outputlayer)。这里利用如图5所示的三层bp网络来训练效能评估的模型。(2)明确输入输出参数为了研究系统参数和效能指标之间的关系，设输入层为系统参数，输出层为系统效能指标。确定隐含层节点数一般有3个经验公式：m＝log2n其中，m为要设置的隐含层节点数，n为输入层节点数，l为输出层节点数，α为1至10之间的常数。本发明中，m取5。(3)训练评估模型由此得到训练结果如下所示：输出层权值：0.185165,-0.568423,-0.568423,-0.568423,-0.568423,-0.568423,-1.290139,-1.656380,-1.656380,-1.656380,-1.656380,-1.656380,-1.934754,-0.549250,-0.549250,-0.549250,-0.549250,-0.549250,-3.015884,2.168453,2.168453,2.168453,2.168453,2.168453,-1.678893,0.014873,0.014873,0.014873,0.014873,0.014873隐含层权值：1.950282,-0.007581,-0.251218,-4.482175,1.950282,-0.007581,-0.251218,-4.482175,1.950282,-0.007581,-0.251218,-4.482175,1.950282,-0.007581,-0.251218,-4.482175,1.950282,-0.007581,-0.251218,-4.482175并得到带宽对系统效能满意度的影响，如图8所示，随着带宽的增加，满意度逐步增加，带宽大于800后，满意度的变化趋势平稳；容量对系统效能的影响，如图9所示，系统容量在大于5000后对满意度影响较强，随着容量增加，满意度增加；抗干扰能力对系统效能的影响，如图10所示，抗干扰能力大于60后，对满意度的影响比较明显，随抗干扰能力的增加，满意度随之增加。如图4所示，模型评估应用模块详细给出叙述(1)测试挖掘模型根据训练出的隐含和输出层权重，取3组数据作为测试数据，如表9所示系统参数。通过神经网络模型，计算相应的系统效能。表9序号带宽(mhz)容量(mbps)抗干扰能力(db)190020004525006000453500200065通过传统仿真方法计算，得到系统效能：(0.437270，0.024087，0.036189，0.359338，0.143117)(0.453368，0.052988，0.036189，0.307206，0.150250)(0.647230，0.024087，0.036189，0.132611，0.159883)利用神经网络模型的隐含层、输出层权值得到系统效能：(0.389197，0.041367，0.072483，0.356592，0.159459)(0.407728，0.051286，0.077669，0.292108，0.159188)(0.498066，0.135609，0.107058，0.092793，0.157912)(2)误差分析通过神经网络模型得到的系统效能与仿真计算的系统效能进行对比，都为满意度最高，结论一致。(3)完善和改进挖掘模型可以根据传统方法和本发明方法计算的效能值结果误差，调整挖掘模型的节点数、训练数据组数等，来完善和改进挖掘模型。本发明未详细阐述部分属于本领域技术人员的公知技术。提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。当前第1页12