基于SOM的坦克驾驶模拟器训练效果评估研究

基于SOM的坦克驾驶模拟器训练效果评估研究孟辉1,2薛青1（1．装甲兵工程学院，北京，100072；2，68304部队，陕西，715200）摘要：评估问题是决定模拟系统可靠性的关键，SOM在聚类分析评估方面具有精度好、便于操作的优点，因此以其为主要方法对坦克驾驶模拟器训练效果评估问题进行研究。关键词：模拟训练；评估中图分类号：TP391.9ResearchforTrainingEffectivenessEvaluationofTankDrivingSimulatorBasedonSOMTheoryMenghui1,2XueQing1（1.AcademyofArmoredForceEngineering，Beijing，10072；2.68304ArmyUnit，Shaanxi，715200）Abstract：Theevaluationproblemisthekeytodeterminethereliabilityofthesimulationsystem.SOMhastheadvantagesofgoodaccuracyandeasytooperate.Soitisthemainmethodtoevaluatethetrainingeffectoftankdrivingsimulator.Keywords：simulationtraining;EffectivenessEvaluation1.引言模拟训练以其较好的经济型越来越多地为各国所重视，要充分发挥模拟训练的优势，就必须解决好评估问题。评估问题是决定模拟系统可靠性的关键，本文正是基于此问题提出。SOM在聚类分析评估方面具有精度好、便于操作的优点，因此以其为主要方法对坦克驾驶模拟器训练效果评估问题进行研究。2坦克驾驶模拟器训练效果评估体系对于坦克驾驶模拟器的训练效果评估有很多的指标，包括一些很具体的性能指标和一些不确定性指标，而这些不确定性指标在专家进行评价的时候表现的更为明显，那么总体来说，如图1所示，基于专家系统，对于坦克驾驶模拟器训练效果评估主要有以下几个指标：模拟器训练效果评估操作掌握情况科目完成情况车辆状态图1坦克驾驶模拟器训练效果评估指标体系（1）操作掌握情况。主要是对驾驶员对于驾驶训练的操作情况进行评价。包括驾驶操作的基本流程是否正确、驾驶动作是否熟练等。（2）科目完成情况。主要对当前训练科目的规定动作的完成情况进行评价。（3）车辆状态。通过对车辆状态的评价反映驾驶员驾驶技能的熟练与否，主要考察车速与发动机转速的掌控情况，是否出现停车熄火等。3.SOM的理论介绍自组织特征映射网络(SOM，Self-OrganizingFeatureMap)也称Kohonen网络，是由荷兰学者TeuvoKohonen于1981年提出来的。自组织特征映射神经网络根据输入空间中输入向量的分组进行学习和分类，在SOM网络中，竞争层中的神经元会尝试识别输入空间临近该神经元的部分，也就是说，SOM神经网络既可以学习训练数据输入向量的分布特征，也可以学习训练数据输入向量的拓扑结构。与SOM拓扑排序特征有关的重要特点是每个神经元与其近邻神经元的权值向量也按照某个“近邻函数”进行更新。通过训练可以建立起这样一种布局，它使得每个权值向量都位于输入向量聚类的中心。一旦SOM完成训练，就可用于对训练数据或其他数据进行聚类。典型SOM网络结构如图2所示，由输入层和竞争层组成。输入层神经元个数为m，竞争层由a×b个神经元组成的二维平面阵列，输入层与竞争层各神经元之间实现全连接。图2SOM网络结构（2）SOM算法自组织特征映射算法能够自动找出输入数据之间的类似度，将相似的输入在网络上就近配置，因此是一种可以构成对输入数据有选择地给予反应的网络。算法解算过程如图3所示。首先对权值进行初始化。权值初始化后，SOM还要完成两个基本过程：竞争过程和合作过程。图3SOM算法流程图竞争过程就是最优匹配神经元的选择过程，选择最优匹配神经元实质是选择输入模式对应的中心神经元；通过解算样本向量x与权向量的距离求得，解算公式如下：()argmin-,1,2,...,jixxwjn(1)合作过程则是网络中权系数的自组织过程。这两部分是密切相关的，它们共同作用才能完成SOM的学习过程。每执行一次学习，SOM网络就会对外部输入模式执行一次自组织适应过程，其目的是强化现行模式的映射形态，而弱化以往模式的映射形态。邻域调整公式为：开始结束调整获胜节点及其邻域的权值（距离最小的节点获胜）减小邻域和学习效率是否终止迭代计算x与权向量的距离输入样本向量x初始化训练数据准备是否已输入所有样本否是否是()[(0)(1/)]NcxINTNcnT(2)权重调整公式为：'(1)'()()('()),1,2,...,iiiwnwnnxwnnT(3)学习效率调整公式：()(0)(1/),1,2,...,nnTnT(4)4.实例验证（1）请专家对25次训练效果按照评价指标体系进行打分（每一项满分均为100分），取20组样本数据作为训练数据，后5组作为测试数据。（2）对样本数据进行归一化，得到输入向量。（3）定义评语集为优秀、良好、中等、差四类。由此确定SOM网络竞争层组织结构为2×2，网络初始权值均为0.5。对学习效率进行初始化（4）由于竞争学习过程的解算较为复杂，利用Mtalab2010b进行解算，通过比较分析不同步长时的分类结果，发现步长大于1000时分类结果趋于稳定，由此确定了训练好SOM模型。（5）将后五组数据代入进行分类，得到分类结果如下表1：表1评估结果样本编号原始样本数据值SOM评估结果操作掌握情况科目完成情况车辆状态21848294优秀22778675良好23848293良好24766484一般25779170良好5.结束语本文首先建立了坦克驾驶模拟器训练效果评估指标体系，在此基础上，对SOM算法的原理和解算过程进行了介绍，之后通过实际样本数据对评估方法进行了实例验证，从验证结果上看，基本符合实际的训练评估情况。本文提出的基于SOM的坦克驾驶模拟器训练评估方法为研究模拟训练评估问题提供了一定的参考，为下一步深入研究奠定基础。参考文献[1]孙进进，王苗苗．基于SOM神经网络民用机场分类方法[J]．交通科学与经济，2013.15（5）：82-84[2]周梅军，朱宏．军用训练模拟器综合评估的模糊层次模型[J]．北京，兵工自动化，2009.28（5）：41-42.[3]王汉昌,赵兴堂,滕佑安.美军模拟装备训练发展的主要趋势[J].科技信息,2010.9.[4]马亚龙，邵秋峰.评估理论和方法及其军事应用[M].北京：国防工业出版社.2012．