Research on Effectiveness Evaluation Method of Anti-missile Equipment System Based on GWO-DBN

doi:10.3969/j.issn.1009-086x.2025.02.005

Abstract

Abstract:

Aiming at the problem that the existing efficiency prediction methods are difficult to reflect the actual effectiveness of anti-missile equipment system， a method of efficiency evaluation of anti-missile equipment system based on "data-driven + deep learning" is proposed. On the basis of a large number of experimental data extraction， disposal and analysis， we construct grey wolf optimization （GWO）-deep belief network（DBN） model to train the data， so as to obtain the nonlinear fitting of the anti-missile equipment system efficiency. We conduct a simulation experiment with an anti-missile system efficiency evaluation as an example， and the results show that the evaluation method is feasible and reliable. It can provide high reference value and significance for the demonstration and improvement of the anti-missile equipment system.

Key words: anti-missile equipment system, effectiveness evaluation, data-driven, deep learning, grey wolf optimization（GWO）, deep belief network（DBN）

摘要：

针对现有效能预测方法难以反映反导装备体系实际效能的问题，提出一种基于“数据驱动+深度学习”的反导装备体系效能评估方法。在大量实验数据抽取、处理、分析的基础上，构建灰狼优化算法-深度置信网络（GWO-DBN）模型对数据进行训练学习，以此获得反导装备体系效能的非线性拟合，并以某次反导体系效能评估为例进行了仿真实验。结果表明，该评估方法可行、可靠，能够为反导装备体系论证和改进提供较高的参考价值和借鉴意义。

关键词: 反导装备体系, 效能评估, 数据驱动, 深度学习, 灰狼优化算法（GWO）, 深度置信网络（DBN）

CLC Number:

E917

Haiyan ZHAO, Feng ZHOU, Wenjing YANG, Di LIU, Tianyuan YANG. Research on Effectiveness Evaluation Method of Anti-missile Equipment System Based on GWO-DBN[J]. Modern Defense Technology, 2025, 53(2): 45-54.

赵海燕, 周峰, 杨文静, 刘迪, 杨添元. 基于GWO-DBN的反导装备体系效能评估方法研究[J]. 现代防御技术, 2025, 53(2): 45-54.

Figures/Tables 13

References 25

1	燕雪峰，张德平，黄晓冬，等. 面向任务的体系效能评估［M］. 北京：电子工业出版社， 2020.
	YAN Xuefeng， ZHANG Deping， HUANG Xiaodong， et al. Mission Oriented Effectiveness Evaluation and Optimization of System of Systems［M］. Beijing： Publishing House of Electronics Industry， 2020.
2	HELMBOLD R L. Letter to the Editor—A Modification of Lanchester's Equations［J］. Operations Research， 1965， 13（5）： 857-859.
3	TAYLOR J G. Lanchester-Type Models of Warfare and Optimal Control［J］. Naval Research Logistics Quarterly， 1974， 21（1）： 79-106.
4	杨建，董岩，边月奎，等. 联合作战背景下的体系效能评估方法［J］. 科技导报， 2022， 40（4）： 106-117.
	YANG Jian， DONG Yan， BIAN Yuekui， et al. Effectiveness Evaluation for System-of-Systems： A Review of the State of the Art［J］. Science & Technology Review， 2022， 40（4）： 106-117.
5	TUNCER O， CIRPAN H A. Adaptive Fuzzy Based Threat Evaluation Method for Air and Missile Defense Systems［J］. Information Sciences， 2023， 643： 119191.
6	李春臻，刘婵媛，高文霞，等. 基于ADC方法的炮射导弹系统效能评估［J］. 计算机测量与控制， 2022， 30（4）： 142-148.
	LI Chunzhen， LIU Chanyuan， GAO Wenxia， et al. Effectiveness Evaluation of the Gun-Launched Missile System Based on the ADC Method［J］. Computer Measurement & Control， 2022， 30（4）： 142-148.
7	HU Jianwen， WANG Zhihui， GAO Yuan， et al. Uncertainty Entropy-Based Exploratory Evaluation Method and Its Applications on Missile Effectiveness Evaluation［J］. Journal of Systems Engineering and Electronics， 2023， 34（6）： 1602-1613.
8	QU Shi， LIU Jianxun， LIU Jie. A Method for Evaluating the Effectiveness of Antimissile Early Warning Operations Based on SEA［C］∥2023 IEEE International Conference on Sensors， Electronics and Computer Engineering （ICSECE）. Piscataway： IEEE， 2023： 1300-1303.
9	JIA Yachao， YANG Zhen， HE Yupeng， et al. Dynamic Effectiveness Evaluation Method for Beyond-Visual-Range Air-to-Air Missile After Launch［C］∥2023 IEEE International Conference on Unmanned Systems （ICUS）. Piscataway： IEEE， 2023： 482-487.
10	赵海燕，周峰，杨文静，等. 基于IPSO-SVR的反导装备体系效能评估方法研究［J］. 空军工程大学学报， 2024， 25（5）： 82-89.
	ZHAO Haiyan， ZHOU Feng， YANG Wenjing， et al. Research on Effectiveness Evaluation Method in Anti-Missile Equipment System Based on IPSO-SVR［J］. Journal of Air Force Engineering University， 2024， 25（5）： 82-89.
11	李妮，李玉红，龚光红，等. 基于深度学习的体系作战效能智能评估及优化［J］. 系统仿真学报， 2020， 32（8）： 1425-1435.
	LI Ni， LI Yuhong， GONG Guanghong， et al. Intelligent Effectiveness Evaluation and Optimization on Weapon System of Systems Based on Deep Learning［J］. Journal of System Simulation， 2020， 32（8）： 1425-1435.
12	李清亮，林焕明，吴振宙，等. 基于改进狼群算法-深度置信网络（IGWO-DBN）模型的旋风分离器压降预测［J］. 北京化工大学学报（自然科学版）， 2023， 50（1）： 107-115.
	LI Qingliang， LIN Huanming， WU Zhenzhou， et al. Pressure Drop Prediction for a Cyclone Separator Based on an Improved Grey Wolf Optimizer-Deep Belief Network （IGWO-DBN） Model［J］. Journal of Beijing University of Chemical Technology（Natural Science Edition）， 2023， 50（1）： 107-115.
13	XU Lihong， ZHANG Shenghuan. Music Feature Recognition and Classification Using a Deep Learning Algorithm［J］. International Journal of Computational Intelligence and Applications， 2023， 22（3）： 2350012.
14	高星，高飞，高原，等. 基于深度置信网络的火炮炮口振动预测研究［J］. 火力与指挥控制， 2023， 48（11）： 164-168.
	GAO Xing， GAO Fei， GAO Yuan， et al. A Study on the Prediction of Muzzle Vibration Based on DBN［J］. Fire Control & Command Control， 2023， 48（11）： 164-168.
15	胡春艳，于来行. 改进深度置信网络的苹果内部品质评价［J］. 食品与机械， 2022， 38（4）： 156-161， 206.
	HU Chunyan， YU Laihang. Evaluation of Apple Inner Quality Based on Improved Deep Belief Network［J］. Food & Machinery， 2022， 38（4）： 156-161， 206.
16	GURUVAMMAL S， CHELLATAMILAN T， DEBORAH L J. Automatic Detection of Autism in Young Children Using Weighted Logarithmic Transformed Data with Optimized Deep Learning［J］. The Computer Journal， 2022， 65（10）： 2678-2692.
17	张凯，杨朋澄，彭开香，等. 基于深度置信网络的多模态过程故障评估方法及应用［J］. 自动化学报， 2024， 50（1）： 89-102.
	ZHANG Kai， YANG Pengcheng， PENG Kaixiang， et al. A Deep Belief Network-Based Fault Evaluation Method for Multimode Processes and Its Applications［J］. Acta Automatica Sinica， 2024， 50（1）： 89-102.
18	刘帼巾，刘达明，缪建华，等. 基于变分模态分解和改进灰狼算法优化深度置信网络的自动转换开关故障识别［J］. 电工技术学报， 2024， 39（4）： 1221-1233.
	LIU Guojin， LIU Daming， MIAO Jianhua， et al. Fault Identification of Automatic Transfer Switching Equipment Based on VMD-WPE and IGWO Optimized DBN［J］. Transactions of China Electrotechnical Society， 2024， 39（4）： 1221-1233.
19	KARUNAKAR REDDY V， KUMAR AV R. Multi-Channel Neuro Signal Classification Using Adam-Based Coyote Optimization Enabled Deep Belief Network［J］. Biomedical Signal Processing and Control， 2022， 77： 103774.
20	陈剑，黄志，徐庭亮，等. 基于改进二进制粒子群算法优化DBN的轴承故障诊断［J］. 组合机床与自动化加工技术， 2024（1）： 168-173.
	CHEN Jian， HUANG Zhi， XU Tingliang， et al. DBN Is Optimized Based on Improved Binary Particle Swarm Algorithm Bearing Fault Diagnosis［J］. Modular Machine Tool & Automatic Manufacturing Technique， 2024（1）： 168-173.
21	TANG Lu， HUI Yu， YANG Hang， et al. Medical Image Fusion Quality Assessment Based on Conditional Generative Adversarial Network［J］. Frontiers in Neuroscience， 2022， 16： 986153.
22	LAUNAY H， RYCKELYNCK D， LACOURT L， et al. Deep Multimodal Autoencoder for Crack Criticality Assessment［J］. International Journal for Numerical Methods in Engineering， 2022， 123（6）： 1456-1480.
23	吴涌钏，孙刚，陶俊. 基于深度置信网络与多目标粒子群算法的通用飞机机翼优化设计［J］. 空气动力学学报， 2023， 41（12）： 16-27.
	WU Yongchuan， SUN Gang， TAO Jun. Optimization Design on the Wing of a General Aviation Airplane Based on Deep Belief Network and Multi-Objective Particle Swarm Optimization Algorithm［J］. Acta Aerodynamica Sinica， 2023， 41（12）： 16-27.
24	QIN Minglei， YANG Yongbiao， ZHAO Xianqiu， et al. Low-Carbon Economic Multi-Objective Dispatch of Integrated Energy System Considering the Price Fluctuation of Natural Gas and Carbon Emission Accounting［J］. Protection and Control of Modern Power Systems， 2023， 8（1）： 61.
25	黄波，杨正，王超. 基于灰狼算法优化DBN的医院网络异常流量识别［J］. 微型电脑应用， 2022， 38（1）： 34-36， 44.
	HUANG Bo， YANG Zheng， WANG Chao. Recognition of Abnormal Traffic in Hospital Network Based on Gray Wolf Algorithm to Optimize DBN［J］. Microcomputer Applications， 2022， 38（1）： 34-36， 44.

指标	样本值	指标	样本值
区域覆盖率x₁	0.95	导引头探测距离x₁₉/m	2 500
最大探测距离x₂/km	1 500	导引头探测精度x₂₀	0.90
虚警率x₃	0.08	导弹弹道特性x₂₁	0.90
识别概率x₄	0.92	导弹隐身能力x₂₂	0.85
识别时间x₅/s	3	导弹目标拦截能力x₂₃	0.90
弹体定位精度x₆	0.75	导弹引信性能x₂₄	0.85
跟踪精度x₇	0.85	单发杀伤概率x₂₅	0.85
成像卫星重访周期x₈/d	5	多发杀伤概率x₂₆	0.97
指挥员水平x₉（分）	92	被干扰概率x₂₇	0.85
信息处理时延x₁₀/s	4.5	被摧毁概率x₂₈	0.35
信息处理种类x₁₁（种）	35	定位距离误差x₂₉/m	10
指控决策精度x₁₂	0.90	基准时间误差x₃₀/ns	0.05
指控时间x₁₃/min	3.5	信息融合精度x₃₁	0.92
决策响应时间x₁₄/s	15	导弹巡航Ma数x₃₂	2.4
指挥机关水平x₁₅（分）	95	传输时延x₃₃/ms	2
系统反应时间x₁₆/s	12	误码率x₃₄	0.1
火力通道数x₁₇（个）	5	信噪比x₃₅/dB	20
导引头识别率x₁₈	0.8	连通率x₃₆	0.95

指标	样本值	指标	样本值
区域覆盖率x₁	0.95	导引头探测距离x₁₉/m	2 500
最大探测距离x₂/km	1 500	导引头探测精度x₂₀	0.90
虚警率x₃	0.08	导弹弹道特性x₂₁	0.90
识别概率x₄	0.92	导弹隐身能力x₂₂	0.85
识别时间x₅/s	3	导弹目标拦截能力x₂₃	0.90
弹体定位精度x₆	0.75	导弹引信性能x₂₄	0.85
跟踪精度x₇	0.85	单发杀伤概率x₂₅	0.85
成像卫星重访周期x₈/d	5	多发杀伤概率x₂₆	0.97
指挥员水平x₉（分）	92	被干扰概率x₂₇	0.85
信息处理时延x₁₀/s	4.5	被摧毁概率x₂₈	0.35
信息处理种类x₁₁（种）	35	定位距离误差x₂₉/m	10
指控决策精度x₁₂	0.90	基准时间误差x₃₀/ns	0.05
指控时间x₁₃/min	3.5	信息融合精度x₃₁	0.92
决策响应时间x₁₄/s	15	导弹巡航Ma数x₃₂	2.4
指挥机关水平x₁₅（分）	95	传输时延x₃₃/ms	2
系统反应时间x₁₆/s	12	误码率x₃₄	0.1
火力通道数x₁₇（个）	5	信噪比x₃₅/dB	20
导引头识别率x₁₈	0.8	连通率x₃₆	0.95

[1]	Runze WU, Weishi PENG, Yixuan MA. Evaluation of Combat Effectiveness of Anti-UAV Swarm System Based on Improved TOPSIS Method [J]. Modern Defense Technology, 2025, 53(1): 63-72.
[2]	Baogang LI, Shuang CUI, Depeng DONG. Reduction Method of Air Defense Missile Equipment Maintenance Support Effectiveness Evaluation Index Based on Improved Vague Set [J]. Modern Defense Technology, 2024, 52(6): 105-111.
[3]	Liping YANG, Qiqing FANG, Yahui HU, Chenggang GU, Huimin WANG. Research on Knowledge Graph Construction Method of Early Warning Equipment Based on Deep Learning [J]. Modern Defense Technology, 2024, 52(5): 61-72.
[4]	Henglei XU, Shuaiqi CHEN, Xun SONG, Mingjie ZHU. Blade Stitching Technology Based on Image Semantic Segmentation and Structure Preservation Constraints [J]. Modern Defense Technology, 2024, 52(4): 123-129.
[5]	Yongjun TU, Hongsheng LIN, Zhiyong WANG. Underwater Image Background and Foreground Segmentation Method with Parallel Convolution [J]. Modern Defense Technology, 2024, 52(3): 104-111.
[6]	Yang LI, Xiao LIANG, Haisa JIA. Ship Detection in SAR Images Based on Knowledge Distillation [J]. Modern Defense Technology, 2023, 51(4): 78-85.
[7]	Bin WANG, Jice WANG, Ying SHANG, Xiaofei WANG, Quan WEN. Effectiveness Evaluation and Defense Strategies for Network Attacks of Air and Missile Defense System [J]. Modern Defense Technology, 2023, 51(3): 57-65.
[8]	Baoyin YAO, Lei MAO, Zhibin WANG. Applications of Artificial Intelligence in Space Equipment [J]. Modern Defense Technology, 2023, 51(2): 33-42.
[9]	Lei YUE, Jianhu YUAN, Liu YANG, Tingting LÜ. Research on a Patrol Duty Object Detection Algorithm [J]. Modern Defense Technology, 2023, 51(1): 67-74.
[10]	Jia-wei BAO, Xiao-ping TIAN, Yu-na LIU, Chang-kuan ZOU, Yu-qing ZHANG. Summary of Research on Security Issues of ADS-B Protocol [J]. Modern Defense Technology, 2022, 50(5): 28-35.
[11]	GONG Liang, WANG Qing-quan, LUO Hong-ji. Real Combat-Like Improved Model of Operational Effectiveness Evaluation of Air Defense Missile Weapon System [J]. Modern Defense Technology, 2021, 49(6): 9-15.
[12]	YAO Bao-yin, MAO Lei, XIAO Ke, QU Hui. Applications of Artificial Intelligence on the Optical Earth Observation [J]. Modern Defense Technology, 2021, 49(5): 26-31.
[13]	JI Zheng-yi, CHEN Yang, SHEN Pei-zhi, HAN Xian-ping, QI Hong-kun. Decision Tree Integration Method Application in Effectiveness Evaluation of Anti-Ship Missile Weapon System [J]. Modern Defense Technology, 2021, 49(4): 15-23.
[14]	YANG Jian-bo, ZONG Si-guang. Research on Effectivess Evaluation Method of Anti-Ship Missile Weapon System Based on Fuzzy-ADC Model [J]. Modern Defense Technology, 2021, 49(3): 55-62.
[15]	WANG Wen-qing, PANG Ying, LIU Yang, YANG Dong-fang, ZHANG Meng. Air-to-Ground Target Intelligent Detection Algorithm Based on Dual Attention Mechanism [J]. Modern Defense Technology, 2020, 48(6): 81-88.