1. 引言
评价应急通信网络的性能,有助于对应急通信网的整体表现有所了解和掌握,同时便于管理者实时把握网络的整体运行状况,方便后续有针对地查找问题,并及时整改。不光是应急通信网性能评价这一方面,任何目标性能的评价方法都有很多,而传统方法因主观因素偏多,评价结果经常不能令人信服,不具客观性。本文尝试利用人工神经网络的方法 [1] [2] [3] 评价应急通信网性能。
2. 应急通信网性能指标
选取应急通信网的性能评价指标必须满足:指标间无关联且可以客观真实地反映应急通信网的实际运行状况。因此这里评价应急通信网性能的主要指标有健壮性、有效性、稳定性 [4] [5] [6] [7]。
2.1. 健壮性(A1)
影响网络健壮性的主要因素有:
1) 网络节点的平均节点度(A11);
2) 网络中心节点的联通能力(A12);
3) 路由的冗余度(A13)。
2.2. 有效性(A2)
影响网络有效性的主要因素如下:
1) 网络拓扑结构(A21);
2) 网络承载话务量(A22);
3) 网络节点设备自身性能的可靠程度(A23);
4) 网络完成应急任务的水平(A24)。
2.3. 稳定性(A3)
影响网络稳定性的主要因素有:
1) 网络管理能力(A31);
2) 网络反应时间(A32);
3) 网络节点设备受外界因素的影响程度(A33)。
3. 确定指标权重
本文拟采用熵权系数法 [8] [9] [10] 确定应急通信网性能评价指标体系中的指标权重。具体步骤如下:
3.1. 量化评定矩阵的确定
根据两极比例法(如图1所示)将其量化,得到量化评定矩阵
(1)
其中
(
)为目标
在属性指标
下的定性评语所对应的量化值。
对于本文,共有3个目标A = (A1——健壮性、A2——有效性、A3——可靠性),10个属性评价指标为影响目标集的所有主要因素,即
,
,
则根据两极比例法可得到评价结果(见表1):
由表1可以得出量化评定矩阵
3.2. 相对优属度矩阵的确定
由于各属性指标之间有冲突,需要确定目标
关于属性指标
的相对优属度,记为
,具体计算公式为:
(2)
其中,
代表矩阵第i行的最小值,
代表矩阵第i行的最大值,
代表矩阵第i行,第s列的值。
则根据公式(2)得到相对优属度矩阵
3.3. 目标向量的确定
由熵权系数法可知,记
为R中每一列的最大值,
与
的接近程度
。则可得到:
,即评价指标的权值,其中
。
通过计算,权值矩阵w为:
。
由模糊综合评判原理 [11] 可知,评判权值为:
。
均一化后可得:
。这里的t即为后面神经网络中所指的目标向量。
4. 基于BP神经网络的应急通信网性能评价模型
1) 运行单元:用于接收已知样本信号,对于本文来说,即神经网络中的目标向量t(前文中已求得),不同的输入目标向量将得到不同的神经网络输出评价结果;
2) 修订单元:以神经网络的输出值与目标值的偏差是否满足一定要求为依据,根据每次的训练结果,用于修订相应的网络参数,直至偏差符合要求;
一旦某神经网络经过一定次数的有效训练,那么就可以利用该训练好的神经网络完成相应的任务,对于本文来说,即对应急通信网络性能进行评价。这样可以避免主观不确定因素的影响,大大提高预测或评价结果的可靠性。
4.1. BP神经网络的结构设计
BP神经网络是ANN中算法最成熟、应用最广泛的一种网络结构。本文选取总层数为3层的BP神经网络进行应急通信网性能的评价 [12] [13],该模型中的网络输入层神经元个数为9,输出层的神经元个数为3,隐含层的节点数为5。如图2所示:
Figure 2. Three-layer BP neural network structure
图2. 三层BP神经网络结构
MTALTB软件环境下编译的部分代码如下:
%节点个数及网络设置
inputnum=9;
hiddennum=5;
outputnum=3;
bpnet=newff(pr,[hiddennum outputnum],{'logsig','logsig'},'trainglm','learngdm');
%设置神经网络训练参数
net.trainParam.epochs=1000;
net.trainParam.lr=0.01;
net.trainParam.goal=0.00000001;
net.trainParam.show=10;
4.2. BP神经网络的训练
在确定BP网络结构的基础上,对网络进行训练,训练需要借助于输入与输出样本,通过网络不停地训练,一直到输入与输出间满足相应的关系,为了保证满足一定的输入输出关系,修订单元的功能是至关重要的,即通过不停地学习和训练对网络参数进行修订。
4.3. 仿真结果及分析
利用LM算法 [14] 训练神经网络。
Figure 3. LM algorithm training performance curve
图3. LM算法训练性能曲线
由图3可以看出,经过一定的迭代步数后,结果达到了均方误差性能要求。同时可以得到LM训练算法下的网络输出分别为:[0.33460.33580.3295],说明结果与目标向量是一致的。
5. 结论与说明
由以上分析可知,利用BP人工神经网络进行应急通信网性能评价的准确性较高,可以当做“专家”的作用对网络给出相应的评判结果,大大减小了主观和不确定因素的影响,使评价结果更加真实和可靠。