張 磊，吳 昊，趙 強，王 幸，任新見，王繼民，孔德鋒

（1.軍事科學(xué)院國防工程研究院工程防護研究所，河南 洛陽 471023；2.軍事科學(xué)院，北京100071；3.河海大學(xué)計算機與信息學(xué)院，江蘇 南京211100）

武器毀傷效應(yīng)是攻防雙方都十分關(guān)注的基礎(chǔ)性和共性的問題，對武器的研制、目標的防護設(shè)計、易損性研究和毀傷評估都具有舉足輕重的作用，是承接“進攻-防守-評估”作戰(zhàn)要素的核心環(huán)節(jié)。武器毀傷效應(yīng)的主要研究手段包括實驗研究、理論分析和數(shù)值模擬[1]，其中解析法一般需對毀傷過程做一定的簡化假定，只能適用于簡單條件；數(shù)值模擬則過度依賴于算法和模型，參數(shù)多且計算速度慢，無法滿足實戰(zhàn)要求；實驗研究是最可靠、最常用的手段。盡管隨著國防事業(yè)的發(fā)展，我國科研人員已經(jīng)積累了一定數(shù)量的實驗數(shù)據(jù)（包括訓(xùn)練、演習(xí)和實戰(zhàn)等數(shù)據(jù)）、經(jīng)驗算法和毀傷判據(jù)等效應(yīng)數(shù)據(jù)，但現(xiàn)有數(shù)據(jù)仍存在離散性大、數(shù)據(jù)缺失、數(shù)量少、噪聲大、分布不均勻、不連續(xù)、分布范圍窄等缺點，無法支撐毀傷效應(yīng)計算和評估所需，其需要建立足夠精度、寬域分布且連續(xù)的毀傷譜。數(shù)據(jù)挖掘技術(shù)的出現(xiàn)為此類問題的解決提供了可行途徑，數(shù)據(jù)挖掘通常又稱“數(shù)據(jù)中的知識發(fā)現(xiàn)”，是從大量的、有噪聲的、不完全的、不連續(xù)的、模糊的、隨機的實測數(shù)據(jù)中提取有效的、新穎的、潛在有用的信息的過程，是將數(shù)據(jù)變成有價值信息的過程[2]。近年來數(shù)據(jù)挖掘技術(shù)已經(jīng)在工業(yè)意外爆炸、高速穿甲、裝甲防護等領(lǐng)域中得到應(yīng)用。He等[3]首次將過程挖掘技術(shù)應(yīng)用于煤礦瓦斯爆炸事故的緊急救援領(lǐng)域，將2006年至2014年下半年期間我國煤礦發(fā)生的50起重大瓦斯爆炸事故作為日志數(shù)據(jù)，利用過程挖掘技術(shù)提取應(yīng)急救援模型并在緊急事故救援中得到成功應(yīng)用。Ryan 等[4]開發(fā)了一種多層感知器體系結(jié)構(gòu)人工神經(jīng)網(wǎng)絡(luò)模型用于預(yù)測鋁質(zhì)彈丸超高速撞擊Whipple防護盾的貫穿極限，利用769次沖擊試驗數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，預(yù)測精度達92%，高于經(jīng)驗方法的71%準確率。Ryan 等[5]還分析了超高速撞擊Whipple防護盾的研究中，傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)在類似高維空間問題研究中的不足（特別是當試驗樣本不足、分布范圍窄且分布不均勻時，人工神經(jīng)網(wǎng)絡(luò)預(yù)測精度會大大降低），并提出一種通過最少量額外實驗數(shù)據(jù)來補救采樣不良的參數(shù)空間影響的算法。李建光等[6]利用RBF神經(jīng)網(wǎng)絡(luò)模型對混凝土侵徹深度進行預(yù)測。金勝兵等[7]利用數(shù)據(jù)挖掘技術(shù)進行了混凝土靶標侵徹深度的預(yù)測，綜合了k-近鄰（k-nearest neighbor,KNN）算法與BP神經(jīng)網(wǎng)絡(luò)模型，提高了現(xiàn)有神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度。

在現(xiàn)代戰(zhàn)爭中，大量具有戰(zhàn)略價值的目標被移入地下，依靠高抗力地下防護結(jié)構(gòu)抵御來襲武器毀傷。為提高對地下目標的毀傷能力，鉆地武器研發(fā)和應(yīng)用發(fā)展迅速。鉆地武器依靠動能來穿透防護層、鉆入工程內(nèi)部或侵徹到地下一定深度后爆炸，從而對目標產(chǎn)生毀傷，近年來在實際戰(zhàn)場中得到多次應(yīng)用。因此，常規(guī)鉆地武器對地下目標的毀傷效應(yīng)和毀傷評估一直是研究熱點。楊秀敏等[8]曾對鉆地武器破壞效應(yīng)的研究現(xiàn)狀和發(fā)展進行了系統(tǒng)的論述，指出常規(guī)鉆地彈毀傷效應(yīng)包括侵徹效應(yīng)和爆炸效應(yīng)，其中爆炸效應(yīng)包括巖土介質(zhì)中的沖擊波（即地沖擊）和空氣沖擊波帶來的兩方面效應(yīng)，研究結(jié)果表明：由于鉆地武器對地下目標毀傷效應(yīng)的復(fù)雜性，以實驗數(shù)據(jù)為基礎(chǔ)的經(jīng)驗統(tǒng)計方法具有重要作用。張國星等[9]就鉆地彈侵徹地下工程目標研究現(xiàn)狀進行了綜述，分析了實驗研究、解析方法和數(shù)值模擬的優(yōu)缺點，并指出實驗方法是其中最為成熟的方法，同時也指出數(shù)值模擬方法也是重要的技術(shù)手段之一，但計算速度仍限制了其應(yīng)用。此外，文獻[10-11]利用數(shù)值模擬進行了鉆地武器對地下工程目標的毀傷效應(yīng)分析和評估，討論了影響毀傷效應(yīng)的主要戰(zhàn)斗部參數(shù)和目標參數(shù)。綜上所述，在鉆地武器對地下目標毀傷的研究中，特別是在實戰(zhàn)條件下需要對戰(zhàn)場目標的毀傷進行快速評估的情形，實驗研究以及以此為基礎(chǔ)的經(jīng)驗方法是一種重要的技術(shù)途徑。

目前通過數(shù)據(jù)挖掘進行毀傷效應(yīng)分析，主要是基于實驗數(shù)據(jù)建立各種淺層或深層網(wǎng)絡(luò)預(yù)測模型，但是現(xiàn)有實驗數(shù)據(jù)存在離散性大、缺失明顯、數(shù)量少、數(shù)據(jù)噪聲大、樣本分布不均勻、不連續(xù)、分布范圍窄等缺點，以至于訓(xùn)練出來的模型無法滿足參數(shù)域的需要。本文針對鉆地武器對地下工程目標的毀傷，構(gòu)建基于效應(yīng)試驗和經(jīng)驗算法融合的數(shù)據(jù)挖掘毀傷效應(yīng)算法：以效應(yīng)源數(shù)據(jù)為基礎(chǔ)，通過數(shù)據(jù)異常分析算法剔除數(shù)據(jù)異常點，建立毀傷源數(shù)據(jù)庫；針對經(jīng)驗算法適用范圍有限、計算精度不統(tǒng)一等局限性，建立經(jīng)驗算法評價方法，分析不同參數(shù)域內(nèi)最適用的經(jīng)驗算法；利用實驗數(shù)據(jù)建立神經(jīng)網(wǎng)絡(luò)預(yù)測模型；在此基礎(chǔ)上建立基于k-近鄰算法、經(jīng)驗算法和BP神經(jīng)網(wǎng)絡(luò)模型的毀傷效應(yīng)“三階段”算法進行鉆地武器對地下工程目標毀傷效應(yīng)計算。

1 源數(shù)據(jù)異常分析

源數(shù)據(jù)蘊涵分析對象運行的客觀規(guī)律，其完整性和可靠性是確保數(shù)據(jù)挖掘能否進行以及挖掘結(jié)果能否正確的前提，因此，源數(shù)據(jù)是數(shù)據(jù)挖掘的基礎(chǔ)和核心。以鉆地武器對地下工程目標毀傷效果評價為例，分析過程中所需源數(shù)據(jù)包括圖1所示的數(shù)據(jù)種類。

圖1 地下工程目標毀傷評估源數(shù)據(jù)結(jié)構(gòu)Fig.1 Structure of source data for underground engineering target damage assessment

在源數(shù)據(jù)中，由于實驗條件的差別、量測技術(shù)和標準的差異、實驗誤差、人為因素以及記錄和數(shù)據(jù)錄入失誤等不可避免的因素，會導(dǎo)致一些樣本不符合數(shù)據(jù)模型的一般規(guī)則，或者與其他樣本存在較大的偏差，這樣的樣本即為“數(shù)據(jù)異常點”。異常數(shù)據(jù)會降低一些數(shù)據(jù)挖掘算法的效率，可能會在數(shù)據(jù)模型中引入非正態(tài)分布或其他的數(shù)據(jù)復(fù)雜性，從而很難以可行的計算方式找到準確的數(shù)學(xué)模型。因此，必須對進入數(shù)據(jù)庫的源數(shù)據(jù)進行數(shù)據(jù)異常點的檢測和清除?？紤]到毀傷源數(shù)據(jù)維度高、各維度量綱和尺度不一致，且各個維度變量存在相互關(guān)聯(lián)性等特征，選用馬氏距離（Mahalanobis distance,記為di）作為數(shù)據(jù)異常性判斷參數(shù)，計算各數(shù)據(jù)與數(shù)據(jù)集均值的距離，距離均值超過± 3σ的數(shù)據(jù)點認為是異常數(shù)據(jù)。

式中：μ為均值向量，S 為協(xié)方差矩陣。圖2為數(shù)據(jù)庫中456個混凝土侵徹深度試驗數(shù)據(jù)樣本在剔除異常點前后馬氏距離分布頻率對比，在剔除16個與平均值相差超過± 3σ數(shù)據(jù)點后，保留下的440個數(shù)據(jù)樣本離散性明顯減小，其分布也更為吻合正態(tài)分布特征，選取這些數(shù)據(jù)樣本能有效消除偶然因素引起的數(shù)據(jù)異常，提高預(yù)測精度。

圖2 數(shù)據(jù)樣本頻率分布圖Fig.2 Frequency distribution of data sample

2 經(jīng)驗算法評價方法

實驗研究盡管存在成本高、數(shù)據(jù)不連續(xù)以及適用范圍有限等缺點，但以此為基礎(chǔ)所建立的經(jīng)驗公式，往往在實驗數(shù)據(jù)范圍內(nèi)具有較高的預(yù)測精度，且其形式簡單，可根據(jù)幾個有限的控制參數(shù)快速給出能滿足實際工程精度需求的預(yù)測結(jié)果。但經(jīng)驗算法也存在明顯的不足，經(jīng)驗算法是根據(jù)大量現(xiàn)場或?qū)嶒灉y試數(shù)據(jù)，借助回歸、擬合等統(tǒng)計分析方法建立，由于現(xiàn)場或?qū)嶒灉y試數(shù)據(jù)都是在某些環(huán)境因素下得到的，因而具有一定的適用范圍或應(yīng)用條件。如何評價這些算法在不同參數(shù)范圍內(nèi)的優(yōu)劣，是得到相對準確預(yù)測結(jié)果的前提。

本文采用如圖3所示的算法流程進行經(jīng)驗算法適用性判別。首先計算經(jīng)驗算法與實驗數(shù)據(jù)樣本的平均相對偏差，以與實驗樣本偏差小的算法作為最優(yōu)算法；如果實驗數(shù)據(jù)樣本不足，再利用多個經(jīng)驗算法生成“偽效應(yīng)試驗數(shù)據(jù)”，計算不同經(jīng)驗算法之間的相對偏差，以相對偏差小的算法作為最佳算法；如果通過以上兩個流程仍無法確定最佳算法時，則利用專業(yè)知識進行判斷，分別從理論分析和使用者評價兩個角度去判斷算法優(yōu)劣。

圖3 經(jīng)驗算法評價流程Fig.3 Evaluation process of empirical algorithms

3 基于BP 神經(jīng)網(wǎng)絡(luò)的效應(yīng)預(yù)測建模

3.1 BP神經(jīng)網(wǎng)絡(luò)基本原理

BP神經(jīng)網(wǎng)絡(luò)是應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一，其模型結(jié)構(gòu)簡單且具有強大的非線性映射能力，幾乎可逼近所有非線性系統(tǒng)。它包括一個輸入層、若干個隱藏層和一個輸出層，輸入層和輸出層的節(jié)點數(shù)可以根據(jù)數(shù)據(jù)集的輸入輸出進行調(diào)整，隱藏層的層數(shù)和節(jié)點數(shù)可以根據(jù)訓(xùn)練的需要進行調(diào)整，同一層上節(jié)點不相互連接，層與層之間的神經(jīng)元相互連接，網(wǎng)絡(luò)中每一個節(jié)點都是一個獨立的神經(jīng)元。

BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程是一個全局優(yōu)化的問題，通過最小化損失函數(shù)，可以得到最優(yōu)的網(wǎng)絡(luò)參數(shù)，它的訓(xùn)練過程由信號的正向傳播與反向誤差傳播兩個部分組成。

式中：pi為預(yù)測的效應(yīng)值，ti為樣本效應(yīng)值，n為樣本數(shù)。

（2）在誤差反向傳播階段，誤差從輸出層輸入，然后沿著梯度下降的方向向隱藏層和輸入層逐層返回，并修改每一層神經(jīng)元的權(quán)值和偏置項。當誤差減少到可以接受的程度或訓(xùn)練達到指定的次數(shù)時，則模型訓(xùn)練停止[13]。

鉆地武器對地下工程毀的傷過程涉及侵徹貫穿、空氣沖擊波、爆炸震動和爆炸震塌等不同的毀傷效應(yīng)，需對每個毀傷效應(yīng)分別設(shè)計神經(jīng)網(wǎng)絡(luò)模型。為消除不同特征單位差異對模型的影響，對各效應(yīng)的主要控制參數(shù)進行無量綱化：

式中： x1,x2,···,xn和Y 為無量綱化量。無量綱化可以消除各變量之間的相關(guān)關(guān)系，同時減少模型輸入變量，降低維度。

3.2 神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

（1）模型輸入層

模型輸入為無量綱化產(chǎn)生的控制參數(shù)向量（ x1,x2,···,xn）。

（2）模型隱藏層

Fletcher 等[14]的研究表明：一般三層的神經(jīng)網(wǎng)絡(luò)就可以逼近任意的函數(shù)，而增加隱藏層的數(shù)量可以顯著提高模型的預(yù)測精度，但同時也會使得模型計算更加復(fù)雜，模型訓(xùn)練需要更多的時間，一般可采用經(jīng)驗公式計算隱藏層的數(shù)量。本文利用下式確定隱藏層的層數(shù)：

式中：N 為輸入層節(jié)點數(shù)量。在確定隱藏層的數(shù)量之后，對于每層的神經(jīng)元節(jié)點數(shù)目的確定目前沒有較好的公式或方法可以參考，實際研究中一般使用人工試錯法和經(jīng)驗法進行結(jié)合來確定。

（3）模型輸出層

輸出層神經(jīng)元個數(shù)為1，表示輸出的效應(yīng)量，即式(3)中的Y。

模型激活函數(shù)選用Relu 矯正線性單元激活函數(shù)，結(jié)合數(shù)值試驗調(diào)整學(xué)習(xí)速率為0.05，既能保證訓(xùn)練的速度，又能保證模型的穩(wěn)定性和精確度。

3.3 模型實驗驗證

（1）實驗方法

（2）實驗數(shù)據(jù)

從源數(shù)據(jù)庫中抽取實驗數(shù)據(jù)837條，并通過異常分析剔除異常數(shù)據(jù)，最后用于建模的數(shù)據(jù)為815條，其中570條作為訓(xùn)練集，245條作為驗證集。

（3）實驗結(jié)果及分析

BP 神經(jīng)網(wǎng)絡(luò)和BRL、Young、NDRC和Forrestal經(jīng)驗算法[15-18]計算后的在驗證集上的MAPE 指標見表1。由于所選取的測試集為隨機從效應(yīng)數(shù)據(jù)庫中抽取，樣本分布比較離散，部分區(qū)間樣本點會超出經(jīng)驗公式適用范圍，從而導(dǎo)致經(jīng)驗算法整體預(yù)測效果不佳，而BP神經(jīng)網(wǎng)絡(luò)在測試集上的MAPE明顯比其他四個經(jīng)驗公式要低，其預(yù)測的總體效果要略優(yōu)于其他四個經(jīng)驗公式。

表1 經(jīng)驗算法和BP 神經(jīng)網(wǎng)絡(luò)模型MAPE值Table 1 MAPE valuesof empirical algorithms and BP neural network model

4 毀傷效應(yīng)計算“三階段”算法

“三階段”數(shù)據(jù)挖掘算法充分利用了源數(shù)據(jù)、經(jīng)驗算法以及BP神經(jīng)網(wǎng)絡(luò)模型的各自優(yōu)點計算毀傷效應(yīng)，可提高不同參數(shù)區(qū)間的效應(yīng)預(yù)測準確率?！叭A段”法的基本思想為：如果輸入?yún)?shù)與源數(shù)據(jù)（實驗數(shù)據(jù)）中的樣本接近，則認為通過實驗結(jié)果即可給出可靠的效應(yīng)預(yù)測；如果輸入?yún)?shù)在經(jīng)驗算法的適用范圍，則利用經(jīng)驗算法可得比較準確的計算結(jié)果；否則，利用實驗數(shù)據(jù)組成訓(xùn)練樣本，通過BP神經(jīng)網(wǎng)絡(luò)充分挖掘數(shù)據(jù)中的規(guī)律，利用神經(jīng)網(wǎng)絡(luò)模型給出預(yù)測結(jié)果。“三階段”法的具體步驟為：首先采用k-近鄰算法從源數(shù)據(jù)中檢索與輸入?yún)?shù)相似的效應(yīng)過程，結(jié)合專業(yè)知識判斷效應(yīng)結(jié)果的合理性；若計算結(jié)果不滿足要求，則從該參數(shù)區(qū)間中選擇最優(yōu)經(jīng)驗算法進行效應(yīng)計算；若上述兩種方法都無法給出合理結(jié)果，采用BP神經(jīng)網(wǎng)絡(luò)進行效應(yīng)預(yù)測。流程如圖4所示。

圖4 “三階段”法毀傷效應(yīng)數(shù)據(jù)挖掘流程Fig.4 Flow of damageeffect data mining based on “three steps”

4.1 基于k-近鄰算法的毀傷效應(yīng)計算

相近的輸入?yún)?shù)，其對應(yīng)的效應(yīng)預(yù)測輸出結(jié)果應(yīng)該是相似的，因此采用k-近鄰算法[19]從源數(shù)據(jù)中檢索與輸入?yún)?shù)相似的k 個記錄，并按照與輸入?yún)?shù)距離的遠近排列輸出，供用戶判斷。

（1）毀傷效應(yīng)主要控制參數(shù)

毀傷效應(yīng)影響因素繁多，直接采用所有影響因素進行k-近鄰檢索會由于“維度災(zāi)難”導(dǎo)致檢索效率低下以及結(jié)果不準確，因此需要對參與計算的數(shù)據(jù)進行降維。常用的數(shù)據(jù)降維方法有特征選擇和特征提取，其中特征選擇也稱特征子集選擇或?qū)傩赃x擇，是指從已有的M 個特征中選擇N 個特征使得特定指標最優(yōu)化，是從原始特征中選擇出一些最有效特征以降低數(shù)據(jù)集維度的過程；而特征提取是指利用已有的M 個特征計算出一個抽象程度更高的包含M 個新特征的特征集，并從中選擇N 個重要的子特征，最終被選中的每個特征都是原始M 個特征的線性或非線性組合。本文采用特征選擇進行數(shù)據(jù)降維。由于源數(shù)據(jù)實際采集的數(shù)據(jù)特征有限，而且一般常用經(jīng)驗算法已經(jīng)比較全面地考慮了不同控制參數(shù)對效應(yīng)的影響，因此，本文根據(jù)專業(yè)知識以及常用經(jīng)驗算法的控制變量來進行人工特征選擇，確定毀傷效應(yīng)的主要控制參數(shù)以達到數(shù)據(jù)降維的目的。以混凝土侵徹深度為例，通過人工選擇，確定主要控制參數(shù)包括彈體質(zhì)量、彈體直徑、靶標強度、靶標密度和著靶速度等。

（2）相似度量函數(shù)

圖5 基于KNN 的相似檢索流程圖Fig.5 Flow chart of similar searching based on KNN

如果輸入?yún)?shù)在實驗數(shù)據(jù)附近，那么直接通過檢索到的實驗數(shù)據(jù)就可以給出比較準確的效應(yīng)計算結(jié)果；如果輸入?yún)?shù)距離實驗數(shù)據(jù)較遠，即使檢索到輸入?yún)?shù)的k-近鄰算法也無法得到準確的效率計算結(jié)果。為此，就需轉(zhuǎn)入第2步：基于經(jīng)驗算法的毀傷效應(yīng)計算。

4.2 基于經(jīng)驗算法的毀傷效應(yīng)計算

利用輸入?yún)?shù)所在參數(shù)區(qū)間的最優(yōu)經(jīng)驗算法進行效應(yīng)計算，并人工進行結(jié)果的有效性判斷。如現(xiàn)有經(jīng)驗算法無法適用或計算精度較低，則轉(zhuǎn)入第3步：基于BP神經(jīng)網(wǎng)絡(luò)模型的毀傷效應(yīng)計算。

根據(jù)鉆地武器對地下坑道工程目標毀傷過程，模型所涉及的毀傷效應(yīng)算法主要包括：巖石靶標侵徹深度算法、混凝土靶標侵徹深度算法、土靶標侵徹深度算法、分層巖土介質(zhì)靶標侵徹深度算法、坑道內(nèi)空氣沖擊波效應(yīng)算法、爆炸震塌效應(yīng)算法和爆炸震動效應(yīng)算法。對每一類算法，通過圖3所示的算法評價流程，給出參數(shù)區(qū)間最優(yōu)算法作為模型算法。

4.3 基于BP 神經(jīng)網(wǎng)絡(luò)的毀傷效應(yīng)計算

由于實驗數(shù)據(jù)分布范圍有限，經(jīng)驗算法的適用范圍、計算精度有限，以及復(fù)雜效應(yīng)經(jīng)驗算法尚有明顯缺失。因此，在前兩者都無法給出合理結(jié)果的情況下，利用BP神經(jīng)網(wǎng)絡(luò)模型進行計算，給出毀傷效應(yīng)計算結(jié)果。具體建模過程已在第3節(jié)進行介紹。

5 算法應(yīng)用

鉆地戰(zhàn)斗部對地下工程目標毀傷是由侵徹和貫穿、爆炸震動和爆炸震塌、空氣沖擊波等多個有著前后順序的過程組成，每個獨立的過程對應(yīng)一種毀傷元的毀傷效應(yīng)。對每個過程都采用“三階段”法進行計算，并根據(jù)上一過程的計算結(jié)果確定下一個過程的初始條件，所需主要參數(shù)和毀傷計算流程見圖6。根據(jù)以上計算流程，開發(fā)計算軟件。

經(jīng)人工特征選擇后確定的主要輸入?yún)?shù)如表2所示，主要包括彈體參數(shù)、著靶參數(shù)、坑道結(jié)構(gòu)以及圍巖和襯砌材料特性等參數(shù)，其中彈體參數(shù)可根據(jù)戰(zhàn)斗部型號由計算軟件從底層數(shù)據(jù)庫中自動讀入，坑道類型、圍巖材料種類和襯砌材料種類根據(jù)模型所提供的參數(shù)選擇。

計算軟件采用圖6中的計算流程，首先根據(jù)彈體參數(shù)、著靶參數(shù)和圍巖及襯砌材料等參數(shù)，計算彈體侵徹深度。通過“三階段”算法，模型調(diào)用經(jīng)驗算法計算侵徹深度，計算結(jié)果為1.99 m。根據(jù)侵徹深度計算結(jié)果、彈著點坐標、防護層厚度等參數(shù)，判斷爆心位置為“坑道頂部防護層內(nèi)爆炸”。根據(jù)圖6的計算流程，需要計算防護層爆炸震塌以及爆炸震動毀傷，爆炸震塌采用“三階段”算法選用經(jīng)驗算法，計算結(jié)果表明不會產(chǎn)生爆炸震塌；爆炸震動毀傷由于無相臨近實驗數(shù)據(jù)，無法采用k-近鄰算法，同時現(xiàn)有工程算法在適用范圍上無法滿足需求，因此模型會調(diào)用爆炸震動神經(jīng)網(wǎng)絡(luò)模型進行計算。

圖6 地下工程毀傷效應(yīng)計算流程圖Fig.6 Calculation flow chart of damageeffect to underground engineering

表2 地下工程毀傷計算所需主要控制參數(shù)Table2 Main control parametersrequired for damage calculation of underground engineering

6 結(jié) 論

本文以毀傷效應(yīng)試驗數(shù)據(jù)庫為基礎(chǔ)，采用數(shù)據(jù)挖掘技術(shù)，實現(xiàn)了鉆地武器對地下坑道工程目標毀傷效應(yīng)的快速計算。取得的主要研究成果如下：

（1）針對常規(guī)武器對地下工程目標毀傷實驗數(shù)據(jù)的特點，建立了基于馬氏距離的數(shù)據(jù)異常檢測算法，實現(xiàn)了對源數(shù)據(jù)的甄別、分析和清洗，提高了數(shù)據(jù)挖掘計算結(jié)果的可靠性；

（2）針對毀傷效應(yīng)控制因素多、精確匹配檢索數(shù)據(jù)困難的情況，采用相似搜索技術(shù)檢索高維空間中與預(yù)測輸入向量相似的實驗源數(shù)據(jù)，提高了實驗數(shù)據(jù)匹配率，保證了充分優(yōu)先利用大量的真實實驗數(shù)據(jù)，提高預(yù)測精度；

（3）建立了地下工程目標毀傷效應(yīng)分析的“三階段”算法，利用實驗數(shù)據(jù)、工程算法和神經(jīng)網(wǎng)絡(luò)模型進行毀傷效應(yīng)計算，特別是在缺少工程算法的情況下，“三階段”算法可利用現(xiàn)有實驗數(shù)據(jù)建立神經(jīng)網(wǎng)絡(luò)模型進行計算，從而實現(xiàn)基于實驗數(shù)據(jù)驅(qū)動的毀傷效應(yīng)分析。