基于数据耕种与数据挖掘的系统效能评估方法研究

论文摘要

作战系统效能评估一直是军事运筹分析的热点与难点问题之一。在众多的评估方法中,仿真技术一直扮演着重要的角色。随着人类战争形态从机械化向信息化转变,传统的效能评估方法正面临着许多挑战,例如信息化战争中的“维数灾”、“复杂性灾”以及非线性特征的处理等。针对上述问题,本文以作战仿真技术为基础,提出了基于数据耕种与数据挖掘的系统效能评估方法,主要内容概括如下:1.研究了基于HLA的数据耕种系统框架,设计了数据种植、数据生长平台、数据采集、结果数据库以及结果分析等HLA数据耕种分系统。其中重点探讨了一种直接式HLA数据采集的原理,与DMSO数据采集方式相比,具有一定的优越性。同时提出了一种根据对象模型模板设计HLA结果数据库的方案,包括关系表的创建、数据的加载、索引的维护以及数据的完整性恢复等,解决了HLA系统开发与应用中的一些实际问题。2.考虑到HLA耕种结果数据具有维数众多、关联复杂以及数量巨大等特征,系统地研究了基于数据挖掘的结果处理策略,并详细分析了挖掘应用中的一些关键技术,例如任务理解、数据提取与预处理、方法选择以及模型评估与应用等。同时为了评估C4ISR系统相关功能域的效能,分析了基于OLAP的数据挖掘方法,发现并纠正了耕种过程中出现的问题。3.为了探索作战系统内在的非线性等复杂性特征,分析了基于神经网络的数据挖掘方法。相关工作有:①提出了一种改进型神经网络算法NN-LMBP,包括利用Levenberg-Marquardt优化算法提高神经网络的收敛速度,以及基于最近邻修剪算法改善神经网络泛化能力两部分,同时通过标准测试库验证了方法的有效性;②将基于神经网络的数据挖掘方法应用到C3IEW系统效能评估的过程中,研究发现:一方面通过神经网络可以确定评估模型底层指标的权重,并推导出模型输入输出参数之间的非线性关系;另一方面,基于评估模型可以优化神经网络的结构,好处是巧妙地解决了人工智能与复杂系统评估领域的双重难题。4.针对有限HLA数据耕种样本的“维数灾”与“复杂性灾”特征,进一步分析了基于支持向量机的数据挖掘方法。主要成果有:①结合HLA数据耕种系统的典型特征,探讨了统计学习理论与支持向量机的内在原理;②考虑到支持向量机模型选择方面存在的困难,提出了一种基于模糊相似矩阵的核参数确定策略,利用标准测试库验证了方法的有效性;③参照人类学习的过程,提出了一种新型支持向量机学习算法BV-SVM。算法首先利用核空间边界向量学习获得一些初步的知识,然后对违反KKT条件的样本通过增量训练得到最终的支持向量机。实验表明,与普通支持向量机学习算法相比,BV-SVM对大规模训练样本具有类似的泛化能力,但取得了更快的训练速度;④仔细研究了一种基于支持向量机的军事决策系统,通过比较偏导的方法找到了战场上的关键元素,并进一步挖掘了元素背后隐藏的规律。5.独立开发了HLA结果数据库管理工具HLA-DATABASE,并与他人协同设计了基于支持向量机的数据挖掘工具。在此基础上,搭建了HLA数据耕种与数据挖掘原型系统,同时通过原型系统有效地完成了XXX工程中关于信息优势的效能评估。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景
• 1.1.1 仿真技术与作战仿真
• 1.1.2 作战仿真中的复杂性问题
• 1.1.3 基于作战仿真的系统效能评估方法
• 1.2 系统效能评估方法研究
• 1.2.1 传统的系统效能评估方法
• 1.2.2 效能评估方法的新发展
• 1.3 数据耕种技术分析
• 1.3.1 数据耕种技术诞生的背景
• 1.3.2 数据耕种的过程
• 1.3.3 数据耕种技术的组成
• 1.3.4 数据耕种技术的应用研究现状
• 1.4 数据挖掘技术分析
• 1.4.1 数据挖掘技术概述
• 1.4.2 数据挖掘技术在军事领域的应用背景
• 1.4.3 基于数据挖掘的数据耕种结果分析
• 1.5 论文的研究内容、组织结构和主要贡献
• 1.5.1 论文的研究内容
• 1.5.2 论文的组织结构
• 1.5.3 论文的主要贡献
• 第二章 基于HLA 的数据耕种系统框架设计
• 2.1 基于HLA 的数据耕种系统框架
• 2.2 HLA 数据种植系统
• 2.2.1 想定编辑
• 2.2.2 参数设置
• 2.2.3 联邦成员开发
• 2.3 HLA 数据生长平台
• 2.3.1 局域网
• 2.3.2 高性能计算资源平台
• 2.3.3 网格资源平台
• 2.4 HLA 数据采集
• 2.4.1 HLA 数据采集研究概述
• 2.4.2 集中式数据采集
• 2.4.3 分布式数据采集
• 2.5 HLA 结果数据库
• 2.5.1 关系表设计
• 2.5.2 数据加载以及索引维护
• 2.5.3 数据的完整性恢复
• 2.5.4 数据库总体结构
• 2.6 HLA 耕种结果分析
• 2.6.1 分析数据提取
• 2.6.2 数据综合分析
• 2.6.3 分析结果生成
• 2.7 本章小结
• 第三章 基于数据挖掘的耕种结果评估研究
• 3.1 数据挖掘分析
• 3.1.1 数据挖掘研究的内容
• 3.1.2 数据挖掘的方法
• 3.1.3 数据挖掘的过程模型
• 3.2 数据挖掘在耕种结果评估中需解决的关键技术
• 3.2.1 挖掘任务的理解
• 3.2.2 挖掘数据的提取与预处理
• 3.2.3 挖掘方法的选择
• 3.2.4 挖掘模型的评估与应用
• 3.2.5 基于数据挖掘的系统效能评估框架
• 3.3 基于OLAP 的数据挖掘评估方法
• 3.3.1 研究背景
• 3.3.2 基于HLA 的C415R 数据耕种系统
• 3.3.3 数据仓库存储模型
• 3.3.4 评估指标
• 3.3.5 数据挖掘分析
• 3.4 本章小结
• 第四章 基于神经网络的数据挖掘方法研究
• 4.1 神经网络方法分析
• 4.1.1 神经网络概述
• 4.1.2 神经网络在数据挖掘中的应用分析
• 4.2 一种改进型神经网络算法NN-LMBP
• 4.2.1 引言
• 4.2.2 LMBP 算法分析
• 4.2.3 基于最近邻的修剪算法
• 4.2.4 实验与结果分析
• 4.2.5 进一步的工作
• 4.3 一种新型C31EW 系统评估方法
• 4.3.1 研究背景
• 4.3.2 C31EW 系统评估模型
• 4.3.3 基于HLA 的C31EW 数据耕种系统
• 4.3.4 基于神经网络的耕种结果挖掘分析
• 4.3.5 实验与结果分析
• 4.3.6 结论及进一步的工作
• 4.4 本章小结
• 第五章 基于支持向量机的数据挖掘方法研究
• 5.1 统计学习理论与支持向量机
• 5.1.1 研究背景
• 5.1.2 统计学习理论
• 5.1.3 支持向量机
• 5.1.4 支持向量机与神经网络的比较
• 5.2 SVM 中基于模糊相似矩阵的RBF 核参数确定策略
• 5.2.1 引言
• 5.2.2 RBF 核参数分析
• 5.2.3 核函数的Gram 矩阵表示
• 5.2.4 模糊相似矩阵设计
• 5.2.5 实验与结果分析
• 5.3 一种增量式支持向量机学习算法BV-SVM
• 5.3.1 引言
• 5.3.2 边界向量提取
• 5.3.3 增量式学习策略
• 5.3.4 实验与结果分析
• 5.3.5 结论及进一步的工作
• 5.4 一种基于SVM 的军事决策系统
• 5.4.1 研究背景
• 5.4.2 决策系统分析
• 5.4.3 HLA 数据耕种系统设计
• 5.4.4 基于SVM 的数据挖掘分析
• 5.4.5 实验与结果分析
• 5.5 本章小结
• 第六章 HLA 数据耕种与数据挖掘原型系统实现与应用
• 6.1 HLA 数据耕种与数据挖掘原型系统实现
• 6.1.1 HLA 数据耕种与数据挖掘原型系统
• 6.1.2 想定与脚本编辑工具
• 6.1.3 联邦成员创建与管理工具
• 6.1.4 耕种数据采集与结果数据库工具
• 6.1.5 SVM 数据挖掘工具
• 6.2 原型系统在XXX 工程效能评估中的应用
• 6.2.1 研究背景
• 6.2.2 XXX 工程设计
• 6.2.3 信息优势分析
• 6.2.4 信息优势评估指标
• 6.2.5 XXX 工程数据预处理
• 6.2.6 XXX 工程作战效能评估
• 6.3 本章小结
• 结束语
• （一） 论文工作总结
• （二） 未来工作展望
• 致谢
• 作者在学期间取得的学术成果
• 参考文献