隨著復(fù)雜系統(tǒng)仿真技術(shù)、計算能力和數(shù)據(jù)管理能力等的發(fā)展,作戰(zhàn)仿真模型的規(guī)模日漸龐大,仿真數(shù)據(jù)逐步呈現(xiàn)大數(shù)據(jù)特點,對效能評估模型的構(gòu)建也提出了新的挑戰(zhàn)。效能指標(biāo)體系呈現(xiàn)出高維度、高冗余、高相關(guān)等特點,需要采用更有效的數(shù)據(jù)處理方法來進行指標(biāo)降維。同時,根據(jù)效能評估結(jié)果對仿真方案進行優(yōu)化變得比評估本身更具有實際意義。論文結(jié)合人工智能技術(shù),開展針對大數(shù)據(jù)背景下的效能評估分析技術(shù)研究。主要研究內(nèi)容包括:（1）采用堆疊稀疏自編碼神經(jīng)網(wǎng)絡(luò)對高冗余、高相關(guān)的仿真指標(biāo)進行降維。實驗中,通過對某次航母艦載機體系作戰(zhàn)仿真實驗統(tǒng)計得到了10個效能指標(biāo)進行降維;對比發(fā)現(xiàn),堆疊稀疏自編碼神經(jīng)網(wǎng)絡(luò)的降維效果較自編碼神經(jīng)網(wǎng)絡(luò)、主成分分析等傳統(tǒng)降維方法效果更好,更有利于數(shù)據(jù)特征的提取。（2）提出TPN（Triple Path Network）神經(jīng)網(wǎng)絡(luò)模型。文中首先搭建6種基于CNN的深度神經(jīng)網(wǎng)絡(luò)架構(gòu)進行效能評估實驗,對比發(fā)現(xiàn)ResNet在論文使用的仿真數(shù)據(jù)中學(xué)習(xí)效果最佳。通過考慮模塊化結(jié)構(gòu)和網(wǎng)絡(luò)層的并聯(lián)操作,論文在ResNet和DPN網(wǎng)絡(luò)基礎(chǔ)上改進得到了TPN網(wǎng)絡(luò)模型。TPN網(wǎng)絡(luò)在MNIST數(shù)據(jù)集與CIFAR-10數(shù)據(jù)集中...

【文章頁數(shù)】：77 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2.1基本自編碼神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

國防科技大學(xué)研究生院碩士學(xué)位論文第10頁第二章基于自編碼神經(jīng)網(wǎng)絡(luò)的指標(biāo)降維方法作戰(zhàn)仿真實驗的統(tǒng)計結(jié)果往往包含大量冗余和相關(guān)性很高的指標(biāo)，因此在進行效能評估前需要對統(tǒng)計指標(biāo)進行指標(biāo)降維。數(shù)據(jù)降維方法主要包括以主成分分析為代表的線性投影方法，以核主成分分析為代表的核方法，以等距映射算....

圖2.2自編碼神經(jīng)網(wǎng)絡(luò)非線性降維效果

國防科技大學(xué)研究生院碩士學(xué)位論文第11頁自編碼器和主成分分析法很像，PCA也常用于指標(biāo)降維中，PCA通過尋找矩陣中最大特征向量來尋找輸入數(shù)據(jù)的數(shù)據(jù)特征。自編碼器和PCA的區(qū)別在于自編碼神經(jīng)網(wǎng)絡(luò)可以學(xué)習(xí)出非線性特征，能夠通過設(shè)計非線性編碼器和非線性解碼器實現(xiàn)對數(shù)據(jù)的編碼和解碼操作。....

圖2.4稀疏自編碼神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

國防科技大學(xué)研究生院碩士學(xué)位論文第13頁圖2.4稀疏自編碼神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖令網(wǎng)絡(luò)中隱藏神經(jīng)元j的激活度為(2)ja，在給定輸入x的情況下激活度為(2)()jax，可以得到在訓(xùn)練集上神經(jīng)元j的平均活躍度為j：(2)11[()]mjjiaxm（2.2）此時加入一個接近于0的較小稀疏性參....

圖2.5相對熵值變化圖

國防科技大學(xué)研究生院碩士學(xué)位論文第14頁圖2.5相對熵值變化圖從圖2.5中可以看出，相對熵在j=時有最小值為0，而當(dāng)j趨近0或1的時，取值會變得非常大，因此最小化KL(||)j能夠使j的取值接近。此時稀疏自編碼網(wǎng)絡(luò)的全局損失函數(shù)可以表示為：2sparse1(,)(,)KL(||)....

本文編號：4026348