文摘针对基于深度学习的作战效能评估领域存在需要人工调参的问题,提出使用Adam优化器和粒子群算法(particle swarm optimization,PSO)进行自动参数寻优的方法。首先,以基于深度置信网络(deep belief network,DBN)的非协作式敌我识别(non-cooperative identification of friend or foe,NC-IFF)系统作战效能评估模型为基础,构建了PSO-DBN、Adam-DBN、Adam-PSO-DBN 3个模型;然后,分别设置损失值达到0.01、训练轮数达到100、程序运行5 min 3种情况,对DBN、PSO-DBN、Adam-DBN、Adam-PSO-DBN进行对比实验;最后,在各模型都完成充分训练的基础上进行实例验证。结果表明:DBN、PSO-DBN、Adam-DBN、Adam-PSO-DBN 4个模型评估结果的均方根误差分别为0.1842、0.1772、0.1829、0.1726;通过引入PSO和Adam优化器可以提升计算效率,优化DBN的训练效果,其中,Adam在短时间内提升效果明显,而PSO会在寻优过程中花费较多时间,但使用寻优所得参数后可以完成反超;在长时间持续训练后,新一轮训练带来的提升不再明显,PSO的优势会减弱,Adam和PSO共同作用时,优化效果相对最好。
