基于SDAE+Softmax模型的体系贡献率评估方法*

殷小静，胡晓峰，郭圣明，马 骏，杨永利，3

（1.国防大学联合作战学院，北京 100091；2.解放军96941部队，北京 100085；3.解放军65183部队，辽宁 辽阳 111200）

0 引言

战争是交战双方作战体系之间的对抗。习主席指出：要以对作战体系的贡献率为评价标准，科学设计装备需求和技术指标［1］。提出体系贡献率的概念，旨在通过体系贡献率评估回答体系组分对作战体系的影响程度。体系贡献率评估是体系建设和分析的重要内容，是研究作战体系构建、优化体系结构、提高体系能力、引导体系演化和打击敌方作战体系的重要依据，是当前体系研究的热点和难点［2］。体系是典型的复杂系统，组分的增、减、改等对体系效能的影响具有非线性、涌现性等特点［3］，体系贡献率评估指标应该是指挥员关心的体系级指标。传统基于人工定义的体系基础指标只能反映体系效能的一个侧面且主观性强，而直接根据任务指标来评估体系贡献率又过于片面，不能体现体系变化的涌现性和非线性。因此，需要挖掘能够表征体系效能涌现性的综合特征指标，以作为体系贡献率评估的指标。

深度学习（Deep Learning，DL）［4-5］具有良好的非线性表达能力，能够很好地刻画复杂系统内部特征。栈式稀疏自编码网络（Stacked Sparse AutoEncoder，SSAE）是一种可以实现高效编码的人工神经网络［6］，经过加噪优化的栈式稀疏降噪自编码网络（Stacked Denoising AutoEncoder，SDAE）不仅具有较强的特征提取能力，而且具有很好的鲁棒性。本文针对体系贡献率评估的特点和要求，采用SDAE+Softmax 模型对体系效能涌现过程进行建模，并根据Softmax 分类器的机理，从体系基础指标中挖掘分类类别的相对概率值，作为体系贡献率评估的综合特征指标。……