基于SOM的坦克驾驶模拟器训练成效评估讨论孟辉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：评估问题是打算模拟系统牢靠性的关键，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成效评估问题进行讨论；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，就必需解决好评估问题；评估问题是打算模拟系统牢靠性的关键，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成效评估问题进行讨论；2坦克驾驶模拟器训练成效评估体系对于坦克驾驶模拟器的训练成效评估有许多的指标，包括一些很详细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判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成效评估主要有以下几个指标：图1坦克驾驶模拟器训练成效评估指标体系（1）操作把握情形；主要是对驾驶员对于驾驶训练的操作情形进行评判；包括驾驶操作的基本流程是否正确、驾驶动作是否娴熟等；（2）科目完成情形；主要对当前训练科目的规定动作的完成情形进行评判；（3）车辆状态；通过对车辆状态的评判反映驾驶员驾驶技能的娴熟与否，主要考察车速与发动机转速的掌控情形，是否显现停车熄火等；3.SOM的理论介绍自组织特点映射网络〔SOM，Self-OrganizingFeatureMap〕也称Kohonen网络，是由荷兰学者TeuvoKohonen于1981年提出来的；自组织特点映射神经网络依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接近该神经元的部分，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点，也可以学习训练数据输入向量的拓扑结构；与SOM拓扑排序特点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依据某个“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算法自组织特点映射算法能够自动找出输入数据之间的类似度，将相像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挑选地赐予反应的网络；算法解算过程如图3所示；第一对权值进行初始化；权值初始化后，SOM仍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挑选过程，挑选最优匹配神经元实质是挑选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：〔1〕合作过程就是网络中权系数的自组织过程；这两部分是亲密相关的，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状，而弱化以往模式的映射形状；邻域调整公式为：〔2〕权重调整公式为：〔3〕学习效率调整公式：〔4〕4.实例验证（1）请专家对25次训练成效依据评判指标体系进行打分（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...