一种顶置武器站性能评估方法.pdf

本发明公开了一种顶置武器站战性能评估方法，对顶置武器站进行数据采集得到多个性能指标，构建由总体层性能指标、系统层性能指标、状态层性能指标和变量层性能指标组成的顶置武器站性能评价指标体系，通过灰色关联度计算方法确定四个层次的性能指标权重集；通过模糊综合评价法得到模糊综合评价集并计算变量层性能指标综合评价值；然后根据变量层性能指标综合评价值来计算状态层性能指标综合评价值；根据状态层性能指标综合评价值计算系统层性能指标综合评价值；最后根据系统层性能指标综合值来计算总体层性能指标综合评价值。该方法建立了灰色关联度分析模型和模糊综合评价模型，能够对顶置武器站进行客观、量化、快捷、有效的性能分析和评估。

权利要求书
1.  一种顶置武器站性能评估方法，其特征在于，包括下列步骤：
步骤一，对顶置武器站进行数据采集得到多个用于衡量该顶置武器站性能的性能指标，并根据采集的所述多个顶置武器站的性能指标构建一个由总体层性能指标U、系统层性能指标Ui、状态层性能指标Uij和变量层性能指标Uijk组成的顶置武器站性能评价指标体系，其中i表示总体层性能指标U下面有i个系统层性能指标Ui，j表示系统层性能指标Ui下面有j个状态层性能指标Uij，k表示状态层性能指标Uij下面有k个变量层性能指标Uijk，通过灰色关联度计算方法确定这四个层次的性能指标权重集A；
步骤二，计算变量层性能指标Uijk的综合评价值Mijk，其计算方法为：Mijk＝Bijk·C，其中，Bijk为通过模糊综合评价法得到的模糊综合评价集，C为评分向量；
步骤三，计算状态层性能指标Uij的综合评价值Mij，其计算方法为：Mij＝(Aij1,Aij2,L,Aijk)(Mij1,Mij2,L,Mijk)T，Aijk表示变量层性能指标Uijk的权重值；
步骤四，计算系统层性能指标Ui的综合评价值为Mi，其计算方法为：Mi＝(Ai1,Ai2,L,Aij)(Mi1,Mi2,L,Mij)T；Aij表示状态层性能指标Uij的权重值；
步骤五，计算总体层性能指标U的综合评价值M即得到所述顶置武器站的最终评价结果，其计算方法为：M＝(A1,A2,...Ai)(M1,M2,...Mi)T， Ai表示系统层性能指标Ui的权重值。

2.  如权利要求1所述的顶置武器站性能评估方法，其特征在于，步骤二中所述的模糊综合评价集Bijk＝Rijk，Rijk＝(rijk1,rijk2,rijk3,...,rijkq)表示所述变量层性能指标Uijk的隶属度向量，则Mijk＝Bijk·C＝(rijk1,rijk2,rijk3,...,rijkq)(S1,S2,S3,...,Sq)T，其中q表示评价等级中有q种评价等级，Sq表示评分向量C中第q等级的赋分值。

3.  如权利要求2所述的顶置武器站性能评估方法，其特征在于，步骤二中，所述顶置武器站性能指标的评价等级中有5种评价等级即q取值为5，并采用百分制定量评价，即评价集V表示为V＝(V1,V2,V3,V4,V5)＝(1,2,3,4,5)，评分向量取值为C＝(30,65,75,85,95)，则所述变量层性能指标Uijk的综合评价值为：
Mijk＝Bijk·C＝(rijk1,rijk2,rijk3,rijk4,rijk5)(30,65,75,85,95)T。

4.  如权利要求1所述的顶置武器站性能评估方法，其特征在于，所述总体层性能指标U是由总体性能指标U1、分系统性能指标U2和基于顶置武器站样本的性能指标U3这3个系统层性能指标组成即i的取值为3，则总体层性能指标U的综合评价值表示为M＝(A1,A2,A3)(M1,M2,M3)T。

5.  如权利要求1所述的顶置武器站性能评估方法，其特征在于，步骤一中所述的通过灰色关联度计算方法确定四个层次的性能指标权重集A的具体步骤为：
步骤一，根据经验预先得到状态层性能指标Uij的评价结果矩阵(Whi)e×k，对于每一个性能指标均得到多个权重值，e表示每个性能指 标的权重值的个数，k表示变量层性能指标的数量，Whi表示对第i个性能指标评估得出的第h个权重值，i等于1,2,…k；
步骤二，通过偏离度计算公式得出相似矩阵(Rhg)e×e，Rhg为对第i个性能指标评估得到的第h个权重值与第g个权重值的相似度，由偏离度计算公式Ph＝ΣRhg，得到：
P＝(p1,p2,...,pe)T，由偏离度系数得到D＝(D1,D2,...,De)，然后设定偏离度限制D0，把计算结果中权重值偏离度系数大于D0的去掉，由剩下的权重值来确定权重；
步骤三，计算灰色关联度系数，其计算公式为：
ξ0i(t)=minimint|x0(t)-xi(t)|+μmaximaxt|x0(t)-xi(t)||x0(t)-xi(t)|+δmaximaxt|x0(t)-xi(t)|]]>
其中，t为横坐标，表示各个筛选后的权重值的编号，x0(t)为母因素数列x0(t)＝(x0(1),x0(2),L,x0(n))中的元素，xi(t)为对比序列xi(t)＝(xi(1),xi(2),L,xi(n))中的元素，μ为分辨系数，在(0,1)取值，为两级最大差，为两级最小差；
步骤四，计算每条曲线的灰色关联度，其计算公式为：(i＝1,2,L,n)，将灰色关联度归一化后得到状态层性能指标Uij的权重矩阵Aijk＝(Aij1,Aij2,...,Aijk)；
步骤五，建立权重集A。

说明书一种顶置武器站性能评估方法
技术领域
本发明涉及一种顶置武器站性能评估方法。 
背景技术
目前，装甲车辆的外置自动武器主要是不同口径的机枪、小口径自动炮或榴弹发射器，保证装甲车辆在两栖登陆、地面突击、山地机动、城市反恐等战术应用领域发挥重要力量。但传统的外置自动武器操控模式存在两个缺陷：一是观察、瞄准和射击采用原始的手动操作，武器作战效能较低；二是操作手必须将上身探出车外操作武器，在没有装甲防护状况下人员的安全得不到保证。如果操作手能够车内遥控完成外置自动武器操作，实现目标观察、瞄准和射击的自动化，那么在精确打击敌人的同时，也保证了人员的安全。顶置武器站就是在这种作战需求下应运而生的，为适应现代战争变革，世界各军事强国都在着力研制顶置武器站。 
作为一种新型车载武器系统，顶置武器站已经在国内外引起广泛重视，逐渐成为武器领域的一个研究热点，军事强国纷纷对其展开了相关研究，部分国家已经装备了适合本国军队使用的顶置武器站。国内虽然尚未有成型的顶置武器站，但有关部门正在组织各方力量加紧 研制，“十二五”期间将进行定型试验，不久的将来将试装部队。 
顶置武器站是可配置多种武器和不同组合的火力控制系统，具备目标搜索、识别、跟踪、瞄准和行进间射击等遥控操作功能，可安装在多种军用车辆平台上相对独立的模块化武器系统。顶置武器站配备的武器包括各种小中口径机枪、自动榴弹发射器、30～40mm机关炮以及导弹等。顶置武器站的应用前景非常广阔。它除了可在地面作战平台上使用外，在运输飞机、舰艇、武装直升机等平台上也有应用需求。 
系统性能(System Performance)一般是指系统所具有的性质和功能。对于武器装备来说，系统性能主要是指作战使用性能，它是武器装备战术技术性能和综合技术保障性能的函数。战术技术性能由战术性能和技术性能组成，是描述武器系统作战能力的主要参数。综合技术保障性能由一系列保障性参数组成，主要包括保障性设计参数、保障资源参数和保障性综合参数，用使用可靠性、维修性和可用度等度量。 
顶置武器站结构复杂、集成度高、涉及技术领域广及性能评估难，基于以上实际，顶置武器站在技术指标论证、方案评估、性能预测、鉴定试验、监造验收及投入部队使用过程中，都离不开对其性能进行科学、实时、系统、客观的分析评价。目前，国内对顶置武器站的性能评价模型研究很少，需要对其性能进行分析评价时，基本以传统常规兵器的国家军用标准为依据，缺少完整、成熟的性能评价模型以及高集成度的性能评价软件系统，这在很大程度上影响今后顶置武器站 的监造和使用，限制了顶置武器站的研制和发展。 
发明内容
为了克服现有技术的不足，本发明的目的是提出了一种可信度高的顶置武器站性能评价方法，运用科学的评价方法，对各类型的顶置武器站进行客观、量化、快捷、有效的性能分析和评估。 
本发明提供的技术方案为： 
一种顶置武器站性能评估方法，包括下列步骤： 
步骤一，对顶置武器站进行数据采集得到多个用于衡量该顶置武器站性能的性能指标，并根据采集的所述多个顶置武器站的性能指标构建一个由总体层性能指标U、系统层性能指标Ui、状态层性能指标Uij和变量层性能指标Uijk组成的顶置武器站性能评价指标体系，其中i表示总体层性能指标U下面有i个系统层性能指标Ui，j表示系统层性能指标Ui下面有j个状态层性能指标Uij，k表示状态层性能指标Uij下面有k个变量层性能指标Uijk，通过灰色关联度计算方法确定这四个层次的性能指标权重集A； 
步骤二，计算变量层性能指标Uijk的综合评价值Mijk，其计算方法为：Mijk＝Bijk·C，其中，Bijk为通过模糊综合评价法得到的模糊综合评价集，C为评分向量； 
步骤三，计算状态层性能指标Uij的综合评价值Mij，其计算方法为：Mij＝(Aij1,Aij2,L,Aijk)(Mij1,Mij2,L,Mijk)T，Aijk表示变量层性能指标Uijk的权重值； 
步骤四，计算系统层性能指标Ui的综合评价值为Mi，其计算方法为：Mi＝(Ai1,Ai2,L,Aij)(Mi1,Mi2,L,Mij)T；Aij表示状态层性能指标Uij的权重值； 
步骤五，计算总体层性能指标U的综合评价值M即得到所述顶置武器站的最终评价结果，其计算方法为：M＝(A1,A2,...Ai)(M1,M2,...Mi)T，Ai表示系统层性能指标Ui的权重值。 
优选的是，所述的顶置武器站性能评估方法，步骤二中所述的模糊综合评价集Bijk＝Rijk，Rijk＝(rijk1,rijk2,rijk3,...,rijkq)表示所述变量层性能指标Uijk的隶属度向量，则Mijk＝Bijk·C＝(rijk1,rijk2,rijk3,...,rijkq)(S1,S2,S3,...,Sq)T，其中q表示评价等级中有q种评价等级，Sq表示评分向量C中第q等级的赋分值。 
优选的是，所述的顶置武器站性能评估方法，步骤二中，所述顶置武器站性能指标的评价等级中有5种评价等级即q取值为5，并采用百分制定量评价，即评价集V表示为V＝(V1,V2,V3,V4,V5)＝(1,2,3,4,5)，评分向量取值为C＝(30,65,75,85,95)，则所述变量层性能指标Uijk的综合评价值为： 
Mijk＝Bijk·C＝(rijk1,rijk2,rijk3,rijk4,rijk5)(30,65,75,85,95)T。 
优选的是，所述的顶置武器站性能评估方法，所述总体层性能指标U是由总体性能指标U1、分系统性能指标U2和基于顶置武器站样本的性能指标U3这3个系统层性能指标组成即i的取值为3，则总体层性能指标U的综合评价值表示为M＝(A1,A2,A3)(M1,M2,M3)T。 
优选的是，所述的顶置武器站性能评估方法，步骤一中所述的通 过灰色关联度计算方法确定四个层次的性能指标权重集A的具体步骤为： 
步骤一，根据经验预先得到状态层性能指标Uij的评价结果矩阵(Whi)e×k，对于每一个性能指标均得到多个权重值，e表示每个性能指标的权重值的个数，k表示变量层性能指标的数量，Whi表示对第i个性能指标评估得出的第h个权重值，i等于1,2,…k； 
步骤二，通过偏离度计算公式得出相似矩阵(Rhg)e×e，Rhg为对第i个性能指标评估得到的第h个权重值与第g个权重值的相似度，由偏离度计算公式Ph＝ΣRhg，得到： 
P＝(p1,p2,...,pe)T，由偏离度系数得到D＝(D1,D2,...,De)，然后设定偏离度限制D0，把计算结果中权重值偏离度系数大于D0的去掉，由剩下的权重值来确定权重； 
步骤三，计算灰色关联度系数，其计算公式为： 
ξ0i(t)=minimint|x0(t)-xi(t)|+μmaximaxt|x0(t)-xi(t)||x0(t)-xi(t)|+δmaximaxt|x0(t)-xi(t)|]]>
其中，t为横坐标，表示各个筛选后的权重值的编号，x0(t)为母因素数列x0(t)＝(x0(1),x0(2),L,x0(n))中的元素，xi(t)为对比序列xi(t)＝(xi(1),xi(2),L,xi(n))中的元素，μ为分辨系数，在(0,1)取值， 为两级最大差，为两级最小差； 
步骤四，计算每条曲线的灰色关联度，其计算公式为： (i＝1,2,L,n)，将灰色关联度归一化后得到状态层性能 指标Uij的权重矩阵Aijk＝(Aij1,Aij2,...,Aijk)； 
步骤五，建立权重集A。 
本发明所述的顶置武器站性能评估方法，与现有技术相比，一是采用模糊综合评价法构造了评价矩阵，利用灰色关联度计算的方法确定性能指标权重集，建立了顶置武器站灰色模糊性能评价模型，运用科学的评价方法，能够对顶置武器站性能进行客观、量化、快捷、有效的性能分析和评估。而且该方法简便、实用、可操作性强。二是该顶置武器站性能评价方法能够客观地评价顶置武器站的优劣程度，并在评价过程中找到系统的不足，为顶置武器站在论证、研制和生产监造阶段的性能评价提供理论支撑。 
附图说明
图1为本发明所述的顶置武器站性能评价模型； 
图2为本发明所述的顶置武器站性能评估方法的工作流程图。 
图3是预制武器站性能评价指标体系的层级和框图。 
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。 
对于不同类型的顶置武器站来说，通过试验得到的用来衡量其性能的性能指标的个数是不同的，作为本发明中的一个具体实施例，对于其中一种类型的顶置武器站，共得到了87个性能指标，并将这87个性能指标作为基础指标构建一个由总体层性能指标、系统层性能指 标、状态层性能指标和变量层性能指标组成的顶置武器站性能评价指标体系，变量层性能指标表示87个基础指标，如武器类型、弹种、弹药基数、战斗射速、射击密集度、供弹方式、有效射程等；状态层性能指标表示二级指标，例如火力系统性能指标、观瞄系统性能指标、火控系统性能指标等；系统层性能指标表示一级指标，例如总体性能指标、分系统性能指标、基于仿真模型得到的指标。 
按照数据性质来说，性能指标可以分为定量指标和定性指标两种。定量指标的信息有具体的数值，如射界、命中概率、火线高、烟幕弹发射器数量、战斗射速、射击密集度等指标称为定量指标；定性指标的内涵和外延不是很明确，其概念具有模糊性，很难直接进行定量描述，其信息是不能给出确切的数值，只能通过“优、良、差”等语言值进行定性的判断。定性指标值主要是通过经验给予定性评价判然后量化的方法获得，定量指标值可以通过试验统计、实地测量、报告分析等方法得到。 
性能指标体系的评价数据不仅可以从顶置武器站测试获得，也可以从顶置武器站样本测试获得，将顶置武器站样本列为数据源具有以下优势：一、顶置武器站测试受测试造价大、不方便具体实施、条件限制等原因，不能将顶置武器站的动态特性指标数据全部测试出来。对顶置武器站样本的测试则弥补了对顶置武器站测试的缺点，不受测试条件的限制，可以获得较全面的动态特性。二、由于客观因素影响，对顶置武器站测试的数据量不能达到评价要求。对顶置武器站样本的测试获得的数据量大，提高了评价的可信性。指标体系的部分指标数 据只能通过对顶置武器站测试获得，部分指标数据只能通过顶置武器站样本测试获得，也有一部分指标(如射击密集度)数据可分别通过两种方式测试获得。以顶置武器站样本为数据来源的性能指标主要存在于火力分系统和火控分系统性能指标中。 
图1为本发明所提供的顶置武器站性能评估方法中所构建的两个评价模型，图2为发明所提供的顶置武器站性能评估方法的工作流程图，本实施例的评估方法包括下列步骤： 
S1，通过灰色关联度计算方法确定四个层次的性能指标权重集A； 
通过灰色关联度计算方法确定性能指标的权重集，首先要对顶置武器站性能评价指标体系进行分析，并建立灰色关联度分析模型，由于性能指标很多，具体的以状态层性能指标的火力系统性能U21及其下属的变量层性能指标为例进行单级性能评价的研究，再以此为基础建立顶置武器站多级性能评价模型，如图3所示，火力系统性能U21下属的指标有武器类型U211、弹种U212、弹种基数U213、战斗射速U214、射击密集度U215、供弹方式U216和有效射程U217，火力系统下属指标如图2所示。其中，武器类型U211、弹种U212、供弹方式U216为定性指标，弹种基数U213、战斗射速U214、射击密集度U215、有效射程U217为定量指标，以此为例进行单因素性能评价具有代表性。 
灰色系统理论是一种以贫信息、小样本、不确定性系统为研究对象，通过对“部分”已知信息的生成、开发，实现对事物及行动规律 的确切描述和认识的研究方法。在灰色系统中，完全清楚的信息用“白”表示，完全不知道的信息用“黑”表示，部分明确、部分不明确的信息用“灰”表示。在不同场合，“灰”概念的引申也不同，如表1所示： 
表1  不同场合灰概念的引申 

关联度分析方法是灰色理论中应用最广泛的方法。灰色关联度分析利用了几何处理的思维方式，其基本思想是根据序列曲线几何形状的相似程度来描述联系的紧密程度，几何曲线相似程度越高，相应序列之间的关联度就越大。作为指标间关联性计量的测度，指标的关联度越大，表示该指标与整体性能水平的关系越大，影响力越大。因此，关联度与权重在基本意义上是相同的。灰色关联度的最大特点是对数据量没有严格的要求，不管性能评价的数据量大或小都可进行分析。在不出现关联度的量化结果与定性分析不一致的情况下，当评价条件不满足统计要求或数据资料较少时，针对顶置武器站性能评价指标的权重计算更具有实用价值。 
权重(指标的权重系数)是用来刻画评价指标之间相对重要性的数学量。在对目标进行评价的过程中，首先确定被评价对象和评价指标，然后确定权重系数。权重系数的合理与否，关系到综合评价结果的可信程度的高低。 
权重大多是根据经验来进行赋值的，事物的权重集不是惟一确定的，这些不确定性会对评价结果的准确性造成影响。为解决这一问题，运用计算偏离度的方法对调查结果进行筛选，通过计算各调查结果到正理想点的偏离程度，剔除偏离程度大的调查结果，降低评价者主观因素带来的随机性与不确定性，使结果更加逼近真实结果。其具体过程为： 
S101，对于火力系统性能U21下属的7个变量层性能指标，每个性能指标均得到10个权重值，权重值构成的评价结果矩阵(Whi)10×7为： 
(Whi)10×7=0.050.050.200.200.300.100.100.100.050.100.150.200.200.200.100.100.100.200.300.100.100.100.100.100.300.250.050.100.050.100.100.300.300.050.100.050.100.100.200.200.200.150.050.100.150.250.200.100.150.100.150.050.350.100.100.150.100.050.100.200.350.050.150.050.050.100.300.300.100.10]]>
其中，Whi是对第i个性能指标评估得出的第h个权重值。 
S102，偏离度计算 
偏离度的计算公式为 
Rhg=1-((1k)Σi=1k(Whi-Wgi)2)12]]>
由相似系数得出相似矩阵(Rhg)e×e。 
式中：k为变量层性能指标的数量，e为得到的每个性能指标的权重值的个数，Rhg为对第i个性能指标评估得到的第h个权重值与第 
g个权重值的相似度。 
经过计算得到相似矩阵(Rhg)10×10为： 
(Rhg)10×10=10.9640.9650.9590.9720.9580.9640.9720.9640.9650.96410.9350.9410.9450.9540.9550.9640.9410.9430.9650.93510.9530.9540.9510.9540.9530.9520.9650.9590.9410.95310.9450.9540.9530.9610.9640.9590.9720.9450.9540.94510.9540.9590.9650.9500.9510.9580.9540.9510.9540.95410.9590.9650.9540.9540.9640.9550.9540.9530.9590.95910.9560.9630.9540.9720.9640.9530.9610.9650.9650.95610.9650.9630.9640.9410.9520.9640.9500.9540.9630.96510.9650.9650.9430.9650.9590.9510.9540.9540.9630.9651]]>
由偏离度Ph＝ΣRhg，得： 
P＝(p1,p2,L,p10)T＝(9.686,8.589,9.632,9.656,9.643,9.652,9.647,9.541,9.656,9.642,)T
由偏离度系数Dh=pmax-phpmax×100%,]]>得： 
D＝(D1,D2,L,D10)＝(0,0.95％,0.59％,0.79％,0.87％,0.51％,0.41％,1.09％,0.46％,0.59％) 
设定偏离度限制D0＝0.9％，计算结果中第2个权重评定值和第8个权重评价结果偏离度系数大于D0，其调查结果作废，由余下8个权重值来确定权重。 
S103，灰色关联度的计算 
灰色关联度计算是为了计算权重，在此依然以火力系统性能U21下属的指标作为研究对象，在筛选调查样本并剔除干扰结果后，对调查样本进行灰色关联度计算。灰色关联度分析的一般步骤： 
(1)确定母因素数列。 
设有N个数列，每个数据列采集m个数据 
x1(t)＝(x1(1),x1(2),L,x1(m)) 
x2(t)＝(x2(1),x2(2),L,x2(m)) 
L L L 
xn(t)＝(xn(1),xn(2),L,xn(m)) 
将原始数据分组后，首先应对其进行无量纲处理，由于灰色关联度分析的目标是权重，量纲相同均为1，因此省略了无量纲处理过程。 
求关联系数首先要制定参考的数据列，该数列称为母因素数列，记为x0。根据火力系统性能U21下属的指标权重的调查结果，得到母因素数据列为： 
x0＝(x0(1),x0(2),L,x0(8))＝(0.30,0.30,0.30,0.30,0.20,0.25,0.35,0.30) 
(2)计算各评价因素与母因素数列的序列差。 
规定好母因素数列后即可计算关联系数，从专家结果判断火力系统性能U21中其他性能评价指标U21i相对于母因素的重要度xi。各性能评价指标数据与母因素数据列的序列差为： 
Δi(t)＝|x0(t)-xi(t)|  (i＝1,2,L,7；t＝1,2,L,8) 
其中最大差值为最小差值为 minimint|x0(t)-xi(t)|.]]>
根据调查结果，计算火力系统性能U21下属性能评价指标U21i权重与母因素的序列差如表3所示。 
表3  其他指标与x0的序列差 


(3)灰色关联系数的计算公式为： 
ξ0i(t)=minimint|x0(t)-xi(t)|+μmaximaxt|x0(t)-xi(t)||x0(t)-xi(t)|+δmaximaxt|x0(t)-xi(t)|]]>
式中：t为横坐标，表示各个筛选后的专家的编号， 
x0(t)为母因素数列x0(t)＝(x0(1),x0(2),L,x0(n))中的元素， 
xi(t)为对比序列xi(t)＝(xi(1),xi(2),L,xi(n))中的元素， 
μ为分辨系数，在(0,1)取值，一般为0.5。 
为两级最大差 
为两级最小差 
(4)计算每条曲线的灰色关联度： 
r0i=1nΣi=1nξ0i(t),(i=1,2,L,n)]]>
将计算得到的关联度按照大小进行排列便得到了关联序。指标的关联序越大影响程度越大。计算火力系统性能U21下属性能评价指标U21i权重与母因素的灰色关联系数、灰色关联度，结果如表4所示。 
表4  其他影响因素与x0的灰色关联系数和灰色关联度 

将关联度归一化后得到火力系统性能U21的权重矩阵A21： 
A21k8,=(A211,A212,L,A217)=(0.06,0.07,0.11,0.28,0.30,0.06,0.12)]]>
整体性能U可以采用对顶置武器站和顶置武器站样本两种方式获得数据进行性能评价，主要通过整体性能评价权重矩阵A＝(A1,A2,A3)＝(x,y,z)取值的不同来实现。评价模型分为只通过顶置武器站进行评价、只通过顶置武器站样本进行评价以及通过顶置武器站和顶置武器站样本共同进行评价。根据三种评价模型情况，通过经验及灰色关联度分析相结合的方法得到整体性能评价权重矩阵，如表5所示。 
表5  整体性能评价权重矩阵 

经过计算汇总得到顶置武器站性能评价指标权重集如表6所示： 
表6  确定的各性能指标权重 






S2，计算变量层性能指标Uijk的综合评价值Mijk，其计算方法为：Mijk＝Bijk·C＝(rijk1,rijk2,rijk3,...,rijkq)(S1,S2,S3,...,Sq)T，Bijk为通过模糊综合评价法得到的模糊综合评价集，C为评分向量，q表示有q种评价等级，Sq表示评分向量中第q等级的赋分值；通过模糊综合评价法得到模糊综合评价集，具体的实现过程为： 
模糊综合评价法是以模糊数学为基础，运用最大隶属度原则和模糊变换原则，将边界不清、不易定量的因素定量化，从多个影响因素对被评价目标隶属关系进行综合评价的方法。模糊综合评价方法的步骤为：首先构造一个评价矩阵R(从因素集U到评价集V的模糊映射)，再确定能够反映各因素的相对重要性的权重集A，通过模糊合成计算，将评价矩阵R与权重集A合成为多因素模糊综合评价集B。 
S201，构建因素集与评价集 
(1)划分因素集 
因素集U＝(u1,u2,u3,L,um)是影响被评价对象的指标集合，用来反映评判者从哪些方面来评价目标。构建的顶置武器站指标体系即为多层次的因素集。 
(2)建立评价集 
评价集是各影响因素对被评判对象可能作出的评价等级所组成 的集合： 
V＝(V1,V2,V3,L,Vq) 
式中q表示有q种评价等级，一般评价等级数为3-7，如果评价等级数过大会对模糊综合评判带来困难，如果评价数过小会降低评价准确度。模糊综合评价矩阵R实际是因素集U向评价集V的映射，最终评价结果从评价集中反映出来。如果评价数过小会降低评价准确度，如果评价等级数过大会对模糊综合评判带来困难，一般等级数为3-7。为了直观反映性能的好坏，将顶置武器站性能评价集V的等级数确定为五，并采用百分制定量评价，即： 
V＝(V1,V2,V3,V4,V5)＝(1,2,3,4,5) 
其中的1，2，3，4，5为等级评价，五个评价等级分别对应连续、递增的数值分数，这样不但可以将指标量化，也提高了评价的准确性。各评价等级对应的评语及相应赋分值如表7评价尺度表所示： 
表7  评价尺度表 

S202隶属矩阵的建立 
隶属矩阵R＝(rij)m×n是各个因素ui对评价集V的隶属度rij的集合。隶属度用来表示集合内的某一个元素对模糊集合的隶属程度，隶属度可以取闭区间(0,1)任意的、∞个值的数，用rij表示元素ui对评价集V 的隶属程度，且满足0≤rij≤1。rij的值越大表示ui对评价集V的隶属程度越大，值越小表示隶属程度越小。当rij的值取0和1时，分别表示ui肯定不属于评价集V和肯定属于评价集V。在确定因素集与评价集之后，即可确定因素集中单因素ui(i＝1,2,L,m)对上一子集的抉择等级vj(j＝1,2,L,n)的隶属度rij，可得到单因素ui的评价集ri＝(ri1,ri2,L,rin)，通过对所有评价因素的整合就可以得到隶属矩阵R： 
R=(rij)m×n=r11r12Lr1nr21r22Lr2nLrm1rm2Lrmn,(i=1,2,L,m;j=1,2,L,n)]]>
模糊综合评价隶属度的确定是指标量化的过程，使各指标数据之间具有可比性。获得准确的隶属度是顶置武器站性能评价问题的前提，隶属度的确定方法是多种多样的，需要根据指标的性质进行选择。按照指标性质分类，武器站的评价指标分为定量指标和定性指标两种，它们表现出的不可公度性和矛盾性对评价工作带来困难，针对两种指标的特性，分别采取两类不同隶属度确定方法。 
(1)定量指标隶属度的确定方法 
定量指标的隶属度可以用隶属函数求得，隶属函数能够定量地反映模糊概念中元素从属于模糊集的程度。由于人头脑思维存在差异，每个人对同一事物的认识一般是不同的，因此每个人头脑中的隶属函数也是不同的，隶属函数的确定难免不同程度上受到主观因素的影响，但由于主观与客观有着必然的关联性，存在确定的隶属函数来反映客观实际。 
1)构造隶属度模糊子集表 
定量指标变量的隶属度既可以用连续函数的方式表示，也可以把输入量视为语言变量，这样本来连续的隶属度函数就能以离散化的等级方式出现。参照经典隶属函数以及专家调查的经验，构造出指标的评分隶属度模糊子集表，如表8所示。模糊子集表在确定隶属度作用方面与隶属函数基本相同，但比隶属函数更加方便快捷。 
表8  隶属度模糊子集表 

2)区间划分 
本发明采用分5段区间取值方法，对定量评价指标数据进行区间划分。根据专家经验建立各定量指标相应的分段函数和分段标准，从而使得所建立的评判模型能够适应任何时候、任何人员的需要。分段函数如下式所示： 
DLZBij=yj1,M1≤xij≤M2yj2,M2≤xij≤M3yj3,M3≤xij≤M4yj4,M4≤xij≤M5yj5,xij≥M5]]>
式中：DLZBij表示第i类第j个定量指标的确定值； 
yj1、yj2、yj3、yj4、yj5表示第1、2、3、4、5变化区间内的数值； 
xij表示第i类第j个指标的原始采集的数据值； 
M1、M2、M3、M4、M5表示第1、2、3、4、5区间变化的临界值。 
定量性能指标主要有成本型、效益型和固定型三类。成本型指标(如火控系统反应时间、耗电量、操控面板重量、外露高度等)数值越小越好，效益型指标(如有效射程、战斗射速、白光CCD视距等)数值越大越好，固定型指标数值越接近某个固定值越好。根据各定量指标的分段函数绘制对应的分段标准，例如表9和表10。 
表9  火控系统反应时间分段标准(/s) 

(2)定性指标的确定方法 
定性指标无法直接利用数学这种定量工具进行表达，因此在评价前要对定性指标进行量化，然后还要进行规范化处理。根据顶置武器站定性指标的特点，本发明采用模糊统计法描述定性指标的隶属度。 
根据经验得到第i个指标的判断频数向量ri＝(ri1,ri2,ri3,ri4,ri5)，然后对其进行规范化处理，即对ri＝(ri1,ri2,ri3,ri4,ri5)进行归一化计算，使其满足： 
Σj=1nrij0=1]]>
计算过程如下： 
rij0=rijΣj=1nrij(i=1,2,K,m)]]>
ri0＝(ri10,ri20,ri30,ri40,ri50)为顶置武器站第i个定性指标的隶属度向量。 
(3)开放性的隶属度矩阵 
由于客观条件限制，在顶置武器站性能评价过程中，不论是通过顶置武器站进行性能评价，还是通过顶置武器站样本进行性能评价，都可能出现输入数据不齐全的现象，按照传统评价方法不易获得评价结果。 
为了解决这个问题，本发明设计了开放性的隶属度矩阵。规定在顶置武器站单独性能评价过程中，缺少数据的指标按照3级语言变量来处理，即规定其隶属度为(0,0.15,0.65,0.17,0.03)；当两个武器站性能比较时，只要其中一方武器站指标的数据缺少，另外一方武器站的对应指标同样按照数据缺失来处理。开放性隶属度矩阵的设计，使得顶置武器站在部分数据(顶置武器站数据和顶置武器站样本数据)缺少的情况下，依然可以进行评价，具有较强的客观性、开放性和可操作性。 
S203，模糊合成运算 
上文介绍隶属矩阵R＝(rij)m×n，(i＝1,2,L,m；j＝1,2,L,n)不同的行，从不同的单因素角度反映了被评价对象各评价集的隶属程度。通过权重集A将R不同行进行因素对各评价集的隶属程度的综合，得到各影响因素从整体角度对评价集的隶属程度，即模糊综合评价结果 向量B＝(b1,b2,L,bn)。 
采用加权平均法进行运算，按照普通矩阵乘法计算B＝A·R，则得到模糊综合评价矩阵： 
B=A·R=(b1,b2,L,bn)=(a1,a2,L,am)r11r12Lr1nr21r22Lr2nLrm1rm2Lrmn]]>
式中：bi反映了第i个评判结果在评判总体V中的重要程度。 
在模糊综合评价的运算中，选取的综合评价数学模型不同，相应的计算模式也不尽相同。根据不同的要求，选取不同的模糊模型，确定不同的模糊合成算子。常用的模糊综合评价处理方法有三种：最大隶属度法、加权平均法和模糊分布法。其中，加权平均算法综合考虑了所有影响因素的作用，保证了评价结果B包含各方面信息的全面性。考虑到顶置武器站性能评价体系中指标数量多和指标影响梯度小的特点，需要将评价体系中的影响因素全部列入计算中去，因此采用加权平均法处理评价结果更加科学。运用加权平均法，以模糊综合评价集B＝(b1,b2,L,bn)作为评分向量中元素的权重，与评分向量相乘得到运算的结果。以表7中5组评价尺度赋分值的中值组成评分向量C＝(30,65,75,85,95)，则通过加权平均法处理评价结果后得到的综合评价值M＝B·C，得出单级指标的量化评价结果。 
对顶置武器站多级模糊综合评价分为三个层次：其中Ui为一级指标(系统层)，Uij为二级指标(状态层)，Uijk为三级指标(变量层)。称Ui为Uij的上一级指标，Uij为Uijk的上一级指标，Uij为Ui、Uijk为Uij的下一级指标。 
已设定评价集V＝(V1,V2,V3,V4,V5)，则初级评价是变量层性能指标Uijk到V的一个模糊影射： 
f:U→V 
模糊影射f可以用底层指标Uijk到评语集各元素Vm(m＝1,2,3,4,5)中隶属度向量Rijk＝(rijk1,rijk2,rijk3,rijk4,rijk5)来表示，由于初级评价的结果是以评价值的形式表示，因此需要代入评分向量，且模糊综合评价集Bijk＝Rijk。 
评分向量C＝(30,62,75,85,95)以各底层指标的隶属度向量Rijk(即单指标的评价集Bijk)为权重，求取各底层指标Uijk的综合评价值Mijk，则: 
Mijk＝Bijk·C＝(rijk1,rijk2,rijk3,rijk4,rijk5)(30,65,75,85,95)T
S3、计算状态层性能指标Uij的综合评价值Mij，即对二级指标Uij(状态层性能指标)进行的性能评价，二级指标Uij下面具有个k分支指标Uijk。由表3-表5得到的模糊权重向量为，由三级评价运算结果Mijk组成评价向量为，则二级指标Uij的综合评价值Mij为： 
Mij=(Aij1,Aij2,L,Aijn2)(Mij1,Mij2,L,Mijn2)T]]>
式中：i＝1,2,3；j＝1,2,…,n1；n1∈(2,5,7)；k＝1,2,…,n2；n2∈(2,3,4,6,7,11,13,19) 
S4，计算系统层性能指标Ui的综合评价值为Mi，即对一级指标Ui(i＝1,2,3)(系统层性能指标)进行的性能评价，由表3-表5得到的模糊权重向量为根据二级评价运算，求得二级 指标Ui的综合评价值Mij组成评价向量为则一级指标Ui的综合评价分值Mi为： 
Mi=(Ai1,Ai2,L,Ain1)(Mi1,Mi2,L,Min1)T]]>
式中：i＝1,2,3；j＝1,2,…,n1；n1∈(2,5,7) 
S5，计算总体层性能指标U的综合评价值M，即最终评价，总体性能指标U的3个分支指标的权重向量为A＝(A1,A2,A3)＝(x,y,z)，根据一级评价运算，求得3个一级指标Ui的综合评价值Mi所组成的评价向量为M＝(M1,M2,M3)，则顶置武器站性能综合评价值M为： 
M＝(A1,A2,A3)(M1,M2,M3)T
顶置武器站性能综合评价应分为四级，其评价模型如下： 
Mijk=(rijk1,rijk2,rijk3,rijk4,rijk5)(30,65,75,85,95)TMij=(Aij1,Aij2,L,Aijn2)(Mij1,Mij2,L,Mijn2)TMi=(Ai1,Ai2,L,Ain1)(Mi1,Mi2,L,Min1)TM=(A1,A2,A3)(M1,M2,M3)T]]>
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。