本发明属于一种武器装备试验评估可信性的估计方法，具体涉及一种用于估计装备作战试验评估可信性的概率化方法。
背景技术：
装备作战试验是在武器装备正式列装之前，围绕装备的作战使命任务，通过构建逼真的战场环境、对抗条件和作战流程，面向实战对武器装备进行鉴定与考核的试验性活动。装备作战试验评估是装备作战试验的最终目的，装备作战试验评估需要依据试验过程采集的数据与信息，通过统计分析或系统建模等科学手段，定量评估武器装备在近似实战条件下的作战效能和作战适应性，检验装备与作战使用要求的匹配性。装备作战试验评估之所以重要，在于其能为作战运用、装备研制、风险分析等关键活动提供决策依据。这就要求评估结果必须具备相当程度的可信性，即做到与武器装备实战化能力的真实水平相吻合，否则可能会导致错误的决策。然而，如何测量评估可信性却是一项极其复杂的工作，因为装备作战试验评估过程中众多的主观经验因素和客观限制条件都能对评估可信性造成影响，主要的因素如试验设计、指标选取、人员水平和数据质量等，且这种影响关系通常又是非线性与随机性的，难以用确定性的显式函数关系来描述。
对于装备作战试验评估可信性的估计，其比单纯的装备作战试验评估问题抽象层次更高、数据获取更难、要素关联更强，导致经典的评估方法基本无法直接适用。目前，针对装备作战试验评估可信性估计这种典型元评估问题，还未出现成熟的形式化解决方案，大多情况下，仍需依靠领域专家验证评估结果，或综合比对历史案例数据等朴素的估计方法，虽原理简单，但由于无法用统一且严格的数学模型描述，从而导致其通用性、可操作性和可信度均较差。
技术实现要素：
为解决现有装备作战试验评估可信性的估计方法所存在的其通用性、可操作性和可信度较差的问题，本发明提供了一种用于估计装备作战试验评估可信性的概率化方法，其从装备作战试验评估的流程、方法、人员、数据和指标等五个主要方面梳理了可对评估可信性造成负面影响的关键因素，并在贝叶斯网络的框架下，依据评估活动的实施步骤与过程关系，建立了这些影响因素之间以及它们对于评估可信性的条件概率关联模型。具体使用时，可根据评估任务的实际情况，将数据以硬证据或软证据形式代入模型进行推断，得出评估可信性高低的概率分布。
本发明提供了一种用于估计装备作战试验评估可信性的概率化方法，包括如下步骤：
s1，确定装备作战试验评估可信性的影响因素并进行分类；
s2，建立影响因素的条件概率关联模型；
s21，建立影响因素的关联关系网络；
s22，赋值条件概率参数；
s23，依据装备作战试验评估任务的实际开展情况，为影响因素关联关系网络中的影响因素节点赋予证据值；
s3，将证据值代入影响因素的条件概率关联模型，对评估可信性进行估计。
所述的步骤s1，其具体包括，根据装备作战试验评估的全要素和全流程，从流程、方法、人员、数据和指标等五个方面，确定出对评估可信性造成负面影响的20项关键因素：1、评估目的分析是否充分；2、评估对象分析是否准确；3、评估主体是否全程管控；4、是否检验评估结果；5、是否采用经典方法；6、是否采用成熟工具；7、是否采用有监督样本；8、是否适应评估数据特征；9、是否适应评估业务特征；10、业务领域技术人员是否参与；11、数据领域技术人员是否参与；12、评估领域技术人员是否参与；13、试验设计质量；14、数据采集过程质量；15、是否进行数据清洗；16、是否进行数据质量评估；17、指标是否具备完备性；18、指标是否具备独立性；19、指标是否具备一致性；20、指标是否具备客观性。
对上述20项关键因素进行分类，其中，因素1至4属于流程类因素，因素5至9属于方法类因素，因素10至12属于人员类因素，因素13至16属于数据类因素，因素17至20属于指标类因素。
所述的步骤s2包括：
步骤s21，建立影响因素的关联关系网络；
所述的步骤s21，建立影响因素的关联关系网络，其具体包括，使用层次化贝叶斯网络方法，引入1个根节点：评估可信性；再引入8个中间节点：评估流程可信性、评估方法可信性、人员技术水平、初级数据产品质量、中间数据产品质量、最终数据产品质量、评估指标构建质量、量化指标可信性；根据业务领域、数据领域和评估领域知识经验，建立20个影响因素节点和8个中间节点对根节点的概率化因果关联关系网络，该网络中，人员技术水平因素由业务领域技术人员是否参与、数据领域技术人员是否参与、评估领域技术人员是否参与这三个因素共同决定，评估方法可信性因素由是否采用经典方法、是否采用成熟工具、是否采用有监督样本、是否适应评估数据特征、是否适应评估业务特征和人员技术水平这六个因素共同决定，评估流程可信性由评估目的分析是否充分、评估对象分析是否准确、评估主体是否全程管控、是否检验评估结果和人员技术水平这五个因素共同决定，评估指标构建质量因素由指标是否具备完备性、指标是否具备独立性、指标是否具备一致性、指标是否具备客观性、评估流程可信性和人员技术水平六个因素共同决定，量化指标可信性由评估指标构建质量和最终数据产品质量两个因素决定，初级数据产品质量由试验设计质量和数据采集过程质量两个因素共同决定，中间数据产品质量由是否进行数据清洗、是否进行数据质量评估和初级数据产品质量三个因素共同决定，最终数据产品质量由中间数据产品质量和人员技术水平两个因素决定，最终根节点的评估可信性由人员技术水平、评估流程可信性、评估方法可信性、量化指标可信性四个因素共同决定。
步骤s22，赋值条件概率参数；
所述的步骤s22，赋值条件概率参数，其具体包括：首先，限定步骤s21中建立的影响因素关联关系网络为布尔型网络，所有节点取值均为true或false，分别代表相应的影响因素事件的消极方面发生或不发生；其次，对网络的任一非叶节点，即1个根节点和8个中间节点，建立非叶节点与其对应的所有父节点的条件概率依赖关系，即p(非叶节点|所有父节点)，以条件概率表达式或leakynoisyor函数的形式来表达，并通过采用专家咨询法，为条件概率参数赋值。当父节点较少时，直接使用条件概率表达式来表达；当父节点较多时，使用leakynoisyor函数noisyor()来表达。所述的某节点的父节点为该节点的上一级节点。所述的leakynoisyor函数noisyor()函数的具体表达式为：
设x为布尔型贝叶斯网络中任一节点，其n个父节点组成集合
相应地，当父节点较多时，非叶节点与所有父节点的条件概率依赖关系的表达式采用leakynoisyor函数noisyor()，其具体表达式为：
该函数输入为x所有父节点的
所述的步骤s23，包括依据装备作战试验评估任务的实际开展情况，为影响因素关联关系网络中20个影响因素节点赋予证据值，证据值为影响因素发生的概率，即影响因素节点取true的概率。对任一影响因素节点y，其证据分为硬证据和软证据两种，硬证据取值为1或0，即p(y＝true)＝1或p(y＝true)＝0，用于表示影响因素事件发生或未发生，软证据取值α∈(0,1)，即0＜p(y＝true)＝α＜1，用于表述影响因素事件发生的客观或主观概率，或表述影响因素事件发生的区段范围在装备作战试验评估任务总体空间或时间上的占比。所有影响因素节点的证据构成网络证据集evidence。利用贝叶斯网络建模软件，求出在已知网络证据集evidence时，网络根节点取false的条件概率p(a＝false|evidence)，其中a表示根节点，作为装备作战试验评估可信性的估计结果。
本发明的有益效果在于：第一，本发明从装备作战试验评估的流程、方法、人员、数据和指标等五个主要方面详细梳理了能对评估可信性造成负面影响的20项主要因素，为评估可信性的定量估计提供了根本依据；第二，本发明在贝叶斯网络的框架下，层次化地建立了这些影响因素对于评估可信性的条件概率关联模型，符合影响关系的非线性与随机性本质；第三，本发明网络模型中所有节点均为离散的二值化类型(true和false)，既便于使用者对节点赋值，又降低了模型计算复杂度。
附图说明
图1为本发明方法的实施步骤示意图。
图2为本发明的影响因素关联关系网络图。
图3为本发明实施例中的可信性估计结果图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细说明，本发明方法的实施步骤见图1。
一种用于估计装备作战试验评估可信性的概率化方法，它包括如下步骤：
s1，确定装备作战试验评估可信性的影响因素并进行分类；
所述的步骤s1，其具体包括，根据装备作战试验评估的全要素和全流程，从流程、方法、人员、数据和指标等五个方面，确定出对评估可信性造成负面影响的20项关键因素：1、评估目的分析是否充分；2、评估对象分析是否准确；3、评估主体是否全程管控；4、是否检验评估结果；5、是否采用经典方法；6、是否采用成熟工具；7、是否采用有监督样本；8、是否适应评估数据特征；9、是否适应评估业务特征；10、是否有业务领域技术人员参与；11、是否有数据领域技术人员参与；12、是否有评估领域技术人员参与；13、试验设计质量；14、数据采集过程质量；15、是否进行数据清洗；16、是否进行数据质量评估；17、指标是否具备完备性；18、指标是否具备独立性；19、指标是否具备一致性；20、指标是否具备客观性。
对上述20项关键因素进行分类，其中，因素1至4属于流程类因素，因素5至9属于方法类因素，因素10至12属于人员类因素，因素13至16属于数据类因素，因素17至20属于指标类因素。这些因素的具体含义见表1。其中业务领域技术人员这里特指具备作战与装备业务知识和经验的技术人员。
表1对评估可信性造成负面影响的20项关键因素
所述的评估目的分析不充分，具体是指未充分分析评估活动的具体目标、结果形式和侧重点等。
所述的评估对象分析不准确，未准确分析评估活动针对的具体对象。
所述的评估主体未全程管控，评估主体未全流程把控与指导评估活动。
所述的未检验评估结果，评估结果未经业务领域专家或评估主体进行检验验证。
所述的未采用经典方法，未使用经过长期实践检验的、完善可靠的经典评估方法。
所述的未采用成熟工具，应用评估方法时未借助成熟的开源或商业化软件工具。
所述的未采用有监督样本，未使用包含业务领域专家知识、经验与共识的历史样本数据。
所述的不适应评估数据特征，评估方法不能适应指标数据的特征，如数据体量、数据完整性和数据质量等。
所述的不适应评估业务特征，评估方法不能适应评估活动所属业务领域的特征，如评估对象特征、指标数据关联、试验想定要素等。
所述的没有业务领域技术人员参与，业务领域技术人员未参与指标体系设计、试验方案设计和评估结果检验等关键活动。
所述的没有数据领域技术人员参与，数据领域技术人员未参与数据采集方案设计、数据清洗与数据质量评估、数据审核以及指标数据全周期管理等关键活动。
所述的没有评估领域技术人员参与，评估领域技术人员未参与评估流程设计、指标体系设计与评估方案实施等关键活动。
所述的试验设计质量低，设计针对评估对象的具体作战试验时，未严格围绕评估目的、指标体系和数据采集需求等要素。
所述的数据采集过程质量低，未对采集需求分析、采集方案设计、采集数据源分析、采集方式分析、具体采集实施和采集数据管理等关键步骤进行质量管控。
所述的未进行数据清洗，未对数据采集形成的初级数据产品进行数据标准化、数据解析、数据去重、数据增强与异常值处理等操作。
所述的未进行数据质量评估，未对数据清洗形成的中间数据产品进行完整性、准确性、一致性、冗余性和时效性等检查。
所述的指标不具备完备性，指标体系不能够广泛全面地反映出评估对象各关键特征要素。
所述的指标不具备独立性，指标间在实际意义上或统计意义上存在相关性。
所述的指标不具备一致性，指标体系的制定没有严格围绕评估目的，存在无关因素。
所述的指标不具备客观性，指标体系不满足来源权威、含义明确、定量可测的要求，且主观因素和模糊性过多。
所述的步骤s2包括：
步骤s21，建立影响因素的关联关系网络；
所述的步骤s21，建立影响因素的关联关系网络，其具体包括，使用层次化贝叶斯网络方法，引入1个根节点：评估可信性；再引入8个中间节点：评估流程可信性，评估方法可信性，人员技术水平，初级数据产品质量，中间数据产品质量，最终数据产品质量，评估指标构建质量，量化指标可信性；根据业务领域、数据领域和评估领域知识经验，建立20个影响因素节点和8个中间节点对根节点的概率化因果关联关系网络，其中，人员技术水平因素由是否有业务领域技术人员参与、是否有数据领域技术人员参与、是否有评估领域技术人员参与这三个因素共同决定，评估方法可信性因素由是否采用经典方法、是否采用成熟工具、是否采用有监督样本、是否适应评估数据特征、是否适应评估业务特征和人员技术水平这六个因素共同决定，评估流程可信性由评估目的分析是否充分、评估对象分析是否准确、评估主体是否全程管控、是否检验评估结果和人员技术水平这五个因素共同决定，评估指标构建质量因素由指标是否具备完备性、指标是否具备独立性、指标是否具备一致性、指标是否具备客观性、评估流程可信性和人员技术水平六个因素共同决定，量化指标可信性由评估指标构建质量和最终数据产品质量两个因素决定，初级数据产品质量由试验设计质量和数据采集过程质量两个因素共同决定，中间数据产品质量由是否进行数据清洗和是否进行数据质量评估和初级数据产品质量三个因素共同决定，最终数据产品质量由中间数据产品质量和人员技术水平两个因素决定，最终根节点的评估可信性由人员技术水平、评估流程可信性、评估方法可信性、量化指标可信性四个因素共同决定。网络结构及节点标识如图2所示，其中椭圆形节点代表随机变量(深色节点为20个影响因素对应的叶节点)，变量间的因果关联关系用有向边表示。方向从“因”指向“果”，表示“因”直接影响“果”或“果”取决于“因”。具体地，b取决于b1～b3，c取决于c1～c5和b，d取决于d1～d4和b，e1取决于e2～e5、d和b，e取决于e1和f6，f1取决于f和f2，f4取决于f3、f5和f1，f6取决于f4和b，最终，a取决于b、c、d和e。
步骤s22，赋值条件概率参数；
所述的步骤s22，赋值条件概率参数，其具体包括：首先，限定步骤s21中建立的影响因素关联关系网络为布尔型网络，所有节点取值均为true或false，分别代表相应的影响因素事件的消极方面发生或不发生；其次，对网络的任一非叶节点，即1个根节点和8个中间节点，建立非叶节点与其对应的所有父节点的条件概率依赖关系，即p(非叶节点|所有父节点)，以条件概率表达式或leakynoisyor函数的形式来表达，并通过采用专家咨询法，为条件概率参数赋值。当父节点较少时，直接使用条件概率表达式来表达；当父节点较多时，使用leakynoisyor函数noisyor()来表达。所述的某节点的父节点为该节点的上一级节点。leakynoisyor函数noisyor()函数的具体表达式为：
设x为布尔型贝叶斯网络中任一节点，其n个父节点组成集合
相应地，当父节点较多时，非叶节点与所有父节点的条件概率依赖关系的表达式采用leakynoisyor函数noisyor()，其具体表达式为：
该函数输入为x所有父节点的
实施例中，对网络的所有非叶节点赋值条件概率参数。若父节点数小于等于2，使用条件概率式，否则使用leakynoisyor函数。
对于节点a，有：
noisyor(b,0.33,c,0.46,d,0.28,e,0.58,0.01)
对于节点b，有：
noisyor(b1,0.4,b2,0.28,b3,0.35,0.05)
对于节点c，有：
noisyor(c1,0.2,c2,0.25,c3,0.28,c4,0.33,c5,0.38,b,0.31,0.04)
对于节点d，有：
noisyor(d1,0.41,d2,0.47,d3,0.33,d4,0.35,b,0.3,0.03)
对于节点e1，有：
noisyor(e2,0.5,e3,0.26,e4,0.55,e5,0.37,b,0.32,0.05)
对于节点e，有：
对于节点f1，有：
对于节点f4，有：
noisyor(f3,0.32,f5,0.23,f1,0.43,0.05)
对于节点f6，有：
所述的步骤s23，包括依据装备作战试验评估任务的实际开展情况，为影响因素关联关系网络中20个影响因素节点赋予证据值，证据值为影响因素发生(节点取true)的概率，即影响因素节点取true的概率。对任一影响因素节点y，证据分为硬证据和软证据两种，硬证据取值为1或0，即p(y＝true)＝1或p(y＝true)＝0，用于表示影响因素事件发生或未发生，软证据取值α∈(0,1)，即0＜p(y＝true)＝α＜1，用于表述影响因素事件发生的客观或主观概率，或表述影响因素事件发生的区段范围在装备作战试验评估任务总体空间或时间上的占比。所有影响因素节点的证据构成网络证据集evidence。利用贝叶斯网络建模软件，求出在已知网络证据集evidence时，网络根节点取false的条件概率p(a＝false|evidence)，其中a表示根节点，作为装备作战试验评估可信性的估计结果。
实施例中，使用agenarisk软件(可从https://www.agenarisk.com/获得)建立本发明的影响因素条件概率关联模型，并基于表1中的三组装备作战试验评估想定进行可信性估计分析。想定1中所有影响因素均发生(硬证据)，想定2中所有影响因素均未发生(硬证据)，想定3与想定2大体一致，区别在于想定3未采用经典方法和成熟工具，以及数据采集过程质量低(硬证据)，同时，业务领域技术人员仅参与评估全流程的约40％，且有30％的指标存在相关性(软证据)。从主观经验角度，想定1与想定2分别对应于最低与最高的评估可信性，而想定3介于两者之间。使用软件进行定量计算，三组想定的评估可信性见图3，想定1、想定2和想定3分别约为16.3％、84.7％和54.9％，计算结果不仅符合经验直觉，还给出了具体量化值，更便于细粒度的分析比较。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
1.一种用于估计装备作战试验评估可信性的概率化方法，其特征在于，包括如下步骤：
s1，确定装备作战试验评估可信性的影响因素并进行分类；
s2，建立影响因素的条件概率关联模型；
s21，建立影响因素的关联关系网络；
s22，赋值条件概率参数；
s23，依据装备作战试验评估任务的实际开展情况，为影响因素关联关系网络中的影响因素节点赋予证据值；
s3，将证据值代入影响因素的条件概率关联模型，对评估可信性进行估计。
2.一种如权利要求1所述的用于估计装备作战试验评估可信性的概率化方法，其特征在于，所述的步骤s1，其具体包括，根据装备作战试验评估的全要素和全流程，从流程、方法、人员、数据和指标五个方面，确定出对评估可信性造成负面影响的20项关键因素：1、评估目的分析是否充分；2、评估对象分析是否准确；3、评估主体是否全程管控；4、是否检验评估结果；5、是否采用经典方法；6、是否采用成熟工具；7、是否采用有监督样本；8、是否适应评估数据特征；9、是否适应评估业务特征；10、业务领域技术人员是否参与；11、数据领域技术人员是否参与；12、评估领域技术人员是否参与；13、试验设计质量；14、数据采集过程质量；15、是否进行数据清洗；16、是否进行数据质量评估；17、指标是否具备完备性；18、指标是否具备独立性；19、指标是否具备一致性；20、指标是否具备客观性；
对上述20项关键因素进行分类，其中，因素1至4属于流程类因素，因素5至9属于方法类因素，因素10至12属于人员类因素，因素13至16属于数据类因素，因素17至20属于指标类因素。
3.一种如权利要求1所述的用于估计装备作战试验评估可信性的概率化方法，其特征在于，所述的步骤s21，建立影响因素的关联关系网络，其具体包括，使用层次化贝叶斯网络方法，引入1个根节点：评估可信性；再引入8个中间节点：评估流程可信性、评估方法可信性、人员技术水平、初级数据产品质量、中间数据产品质量、最终数据产品质量、评估指标构建质量、量化指标可信性；根据业务领域、数据领域和评估领域知识经验，建立20个影响因素节点和8个中间节点对根节点的概率化因果关联关系网络，该网络中，人员技术水平因素由业务领域技术人员是否参与、数据领域技术人员是否参与、评估领域技术人员是否参与这三个因素共同决定，评估方法可信性因素由是否采用经典方法、是否采用成熟工具、是否采用有监督样本、是否适应评估数据特征、是否适应评估业务特征和人员技术水平这六个因素共同决定，评估流程可信性由评估目的分析是否充分、评估对象分析是否准确、评估主体是否全程管控、是否检验评估结果和人员技术水平这五个因素共同决定，评估指标构建质量因素由指标是否具备完备性、指标是否具备独立性、指标是否具备一致性、指标是否具备客观性、评估流程可信性和人员技术水平六个因素共同决定，量化指标可信性由评估指标构建质量和最终数据产品质量两个因素决定，初级数据产品质量由试验设计质量和数据采集过程质量两个因素共同决定，中间数据产品质量由是否进行数据清洗、是否进行数据质量评估和初级数据产品质量三个因素共同决定，最终数据产品质量由中间数据产品质量和人员技术水平两个因素决定，最终根节点的评估可信性由人员技术水平、评估流程可信性、评估方法可信性、量化指标可信性四个因素共同决定。
4.一种如权利要求1所述的用于估计装备作战试验评估可信性的概率化方法，其特征在于，所述的步骤s22，赋值条件概率参数，其具体包括：首先，限定步骤s21中建立的影响因素关联关系网络为布尔型网络，所有节点取值均为true或false，分别代表相应的影响因素事件的消极方面发生或不发生；其次，对网络的任一非叶节点，即1个根节点和8个中间节点，建立非叶节点与其对应的所有父节点的条件概率依赖关系，即p(非叶节点|所有父节点)，以条件概率表达式或leakynoisyor函数的形式来表达，并通过采用专家咨询法，为条件概率参数赋值；当父节点较少时，直接使用条件概率表达式来表达；当父节点较多时，使用leakynoisyor函数noisyor()来表达；所述的某节点的父节点为该节点的上一级节点；所述的leakynoisyor函数noisyor()函数的具体表达式为：
设x为布尔型贝叶斯网络中任一节点，其n个父节点组成集合
相应地，当父节点较多时，非叶节点与所有父节点的条件概率依赖关系的表达式采用leakynoisyor函数noisyor()，其具体表达式为：
该函数输入为x所有父节点的
5.一种如权利要求1所述的用于估计装备作战试验评估可信性的概率化方法，其特征在于，所述的步骤s23，包括依据装备作战试验评估任务的实际开展情况，为影响因素关联关系网络中20个影响因素节点赋予证据值，证据值为影响因素发生的概率，即影响因素节点取true的概率；对任一影响因素节点y，其证据分为硬证据和软证据两种，硬证据取值为1或0，即p(y＝true)＝1或p(y＝true)＝0，用于表示影响因素事件发生或未发生，软证据取值α∈(0,1)，即0＜p(y＝true)＝α＜1，用于表述影响因素事件发生的客观或主观概率，或表述影响因素事件发生的区段范围在装备作战试验评估任务总体空间或时间上的占比；所有影响因素节点的证据构成网络证据集evidence；利用贝叶斯网络建模软件，求出在已知网络证据集evidence时，网络根节点取false的条件概率p(a＝false|evidence)，其中a表示根节点，作为装备作战试验评估可信性的估计结果。
技术总结