BP神经网络在无人机成本估算中的应用(2)
2015-06-02 01:44
导读：军品的费用估算是一项持续性的工作，贯穿于军品研制的全过程，随着研制工作的进展，采用的估算方法应越来越详细、精确。以上介绍的7种方法各有各
军品的费用估算是一项持续性的工作，贯穿于军品研制的全过程，随着研制工作的进展，采用的估算方法应越来越详细、精确。以上介绍的7种方法各有各的特点，在不同的条件下都具有特定的使用价值，具体对比情况见表1。
二、ANN方法和BP网络的优点
神经网络的建模能力也是由参数决定的，但它有别于回归分析方法，它只限制所包含多项式的整体个数，不限制它们的阶数，即在参数一定的情况下，可以通过学习（即各分量的竞争）来合理选择任意阶数的项。这体现了神经网络的非线性特性，因而在总体上其精度由于传统的回归分析方法。
运用神经网络方法建模的另一个原因是，在实践中，我们虽然可能拥有已研制军品的相关费用数据，但这些信息常常是不完整的，而且往往含有伤残结构及错误成分，且具有不确定性，这些问题给以往的处理方式造成很大的困难。而神经网络可以通过不断地学习，从典型型号研制相关费用数据中学会处理这些问题，且能补全不完整的信息，并根据已学会的知识和经验对复杂问题做出合理的判断，以做出有效的预测和估计。
运用神经网络方法建模的一般过程包括确定系统需求描述、选择神经网络模型（包括神经网络结构、训练方法等）、数据预处理、确定神经网络的可执行代码、训练和测试等过程，具体情况见图1。
这里需要特别说明的是神经网络模型的选择问题。目前，在数于种网络结构、上百种训练学习算法中，应用最广泛、技术最成熟的是多层前向式网络结构，应用误差反向传播算法（Error Back Propagation Learning Algorithm），简称为BP网络。这主要归结于基于BP算法的多层感知器具有以下一些重要能力。
1.非线性映射能力。BP网络学习能学习和存储大量输入-输出模式映射关系，而无须事先了解这种映射关系的数学方程。
（转载自http://zw.ＮＳＥaＣ.com科教作文网） 2.泛化能力。BP网络训练后将所提取的样本对中的非线性映射关系存储在权值矩阵中，在其后的工作阶段，当向网络输入训练时未曾见过的非样本数据时，网络也能完成有输入空间向输出空间的正确映射。
3.容错能力。BP网络允许输入样本中带有较大的误差甚至个别错误。因为对权矩阵的调整过程也是从大量的样本对中提取统计特性的过程，反映正确规律的只是来自全体样本，个别样本中的误差不能左右对权矩阵的调整。
三、某型号无人机成本估算的BP模型
1.确定样本集。为了验证前文所说的BP神经网络在成本估算中的准确性，本文选择了八中型号的无人机来进行模拟运算。具体的数据见下表（表2）。
由表2可知，本文选择了与最后的整机价格有主要关系的6个性能指标，分别是导航定位精度、飞行高度、控制半径、最大平飞速度、续航时间和任务载荷。这六个性能指标是作为BP神经网络模型的输入项（in）存在的，而最后一项整机价格则是作为模型的输出项（out）。需要说明的是，根据前文的思路，本部分使用BP神经网络估算的应该是军品的成本，而不是军品的整机价格。在表5中之所以使用整机价格，主要是因为表中的价格是按照目前的军品定价模式计算出来的，即只要在整机价格的基础上除以（1 5%）就是飞机的成本。根据神经网络和本文研究的特点，此处使用整机价格并不影响最终结论的正确性。另外，为了保证结果的真实性，表中的整机价格在军方审价完成之后，承制方与军方最终的成交价格。还需要说明的是，有两个因素可能会影响本案例研究的精确性：一是为了搞好保密工作，本表格提供的数据是经过了脱密处理的。二是本文样本的数量不大，只有用来供神经网络学习的样本只有6个（前面6个型号），用来测试的只有2个（最后的2个型号），这必然会影响结果的精度。但是只要误差在本文认为的可接受的范围内（≤20%），本文就认为研究结果有效。 2.确定网络结构和算法。本案例的BP神经网络结构如图2。
