1、評估武器裝備的作戰(zhàn)效能，是軍事輔助決策系統(tǒng)的重要組成部分，對于判斷武器裝備實戰(zhàn)性能、確定最佳軍事行動方案有著至關重要的影響。海洋環(huán)境下影響武器裝備作戰(zhàn)效能的要素眾多并且復雜多變，使得評估難度加大。目前，武器裝備作戰(zhàn)效能評估方法的理論框架還不完善，主要有解析評估法、層次分析法、專家評定法以及作戰(zhàn)仿真評估法等，這些傳統(tǒng)的評估方法大多為線性模型，并且評估過程受主觀因素影響較多，對于本文研究的非線性評估問題，不能給出滿意的結果，因此，建立客觀高

2、效的武器裝備作戰(zhàn)效能評估模型有著重要的研究和應用價值。本文針對海洋環(huán)境下武器裝備作戰(zhàn)效能評估問題，在分析影響武器裝備的氣象水文要素基礎上，提出了兩種評估模型，用于評估特定氣象水文條件下武器裝備的作戰(zhàn)效能。
　　首先建立了基于改進K-近鄰回歸的作戰(zhàn)效能評估模型，K-近鄰回歸方法作為一種流行的機器學習回歸方法，其相對簡單的應用條件可以應用到本文的研究問題中。傳統(tǒng)的K-近鄰回歸方法存在運行效率低、計算相似度時忽略特征權值的缺點，本文在確

3、定評估指標后，通過對氣象水文要素進行屬性加權，尋找與待評估樣本實例最近的七個近鄰，然后通過距離加權的估計函數(shù)，得到特定氣象水文條件下的作戰(zhàn)效能值。由于K-近鄰回歸模型具有消極學習特性，評估過程推遲到待評估樣本實例到來時進行，因此在模型中基于k-d樹建立索引，加快搜索最近鄰的速度，保證在更短的時間內得到評估結果，最后使用實例對模型的可行性進行了驗證。
　　接著，針對本文研究的問題，建立基于改進蟻群聚類優(yōu)化的RBF神經網絡評估模型。R

4、BF神經網絡在函數(shù)逼近方面優(yōu)勢顯著，能充分學習樣本數(shù)據中的信息，而且泛化能力強，在基本的RBF神經網絡評估模型中，隱含層的數(shù)據中心由k-means聚類確定，它效率高，但是聚類結果的質量與隨機選取的初始聚類中心有很大關系。蟻群聚類算法的準確率高，但是搜索最優(yōu)解的時間較長，因此將k-means聚類和蟻群聚類相結合，并在蟻群聚類中加入局部搜索，通過優(yōu)勢互補得到改進的蟻群聚類算法，建立了基于改進蟻群聚類優(yōu)化的RBF神經網絡作戰(zhàn)效能評估模型。首先

5、使用k-means聚類對氣象水文條件下武器裝備作戰(zhàn)效能的樣本數(shù)據進行處理得到初始聚類中心，然后使用蟻群聚類算法繼續(xù)聚類，通過最終的聚類結果確定RBF神經網絡隱含層節(jié)點的數(shù)據中心以及相應的擴展常數(shù)，接著訓練輸出連接權值，并使用訓練好的模型評估特定氣象水文條件下武器裝備的作戰(zhàn)效能。最后通過某武器裝備的作戰(zhàn)實例，對評估模型進行驗證，確定了評估模型的可行性和有效性。
　　同時，本文介紹了海洋環(huán)境下武器裝備作戰(zhàn)效能評估系統(tǒng)的整體設計框架，并