评估武器装备的作战效能,是军事辅助决策系统的重要组成部分,对于判断武器装备实战性能、确定最佳军事行动方案有着至关重要的影响。海洋环境下影响武器装备作战效能的要素众多并且复杂多变,使得评估难度加大。目前,武器装备作战效能评估方法的理论框架还不完善,主要有解析评估法、层次分析法、专家评定法以及作战仿真评估法等,这些传统的评估方法大多为线性模型,并且评估过程受主观因素影响较多,对于本文研究的非线性评估问题,不能给出满意的结果,因此,建立客观高效的武器装备作战效能评估模型有着重要的研究和应用价值。本文针对海洋环境下武器装备作战效能评估问题,在分析影响武器装备的气象水文要素基础上,提出了两种评估模型,用于评估特定气象水文条件下武器装备的作战效能。首先建立了基于改进K-近邻回归的作战效能评估模型,K-近邻回归方法作为一种流行的机器学习回归方法,其相对简单的应用条件可以应用到本文的研究问题中。传统的K-近邻回归方法存在运行效率低、计算相似度时忽略特征权值的缺点,本文在确定评估指标后,通过对气象水文要素进行属性加权,寻找与待评估样本实例最近的k个近邻,然后通过距离加权的估计函数,得到特定气象水文条件下的作战效能值。由于K-近邻回归模型具有消极学习特性,评估过程推迟到待评估样本实例到来时进行,因此在模型中基于k-d树建立索引,加快搜索最近邻的速度,保证在更短的时间内得到评估结果,最后使用实例对模型的可行性进行了验证。接着,针对本文研究的问题,建立基于改进蚁群聚类优化的RBF神经网络评估模型。RBF神经网络在函数逼近方面优势显著,能充分学习样本数据中的信息,而且泛化能力强,在基本的RBF神经网络评估模型中,隐含层的数据中心由k-means聚类确定,它效率高,但是聚类结果的质量与随机选取的初始聚类中心有很大关系。蚁群聚类算法的准确率高,但是搜索最优解的时间较长,因此将k-means聚类和蚁群聚类相结合,并在蚁群聚类中加入局部搜索,通过优势互补得到改进的蚁群聚类算法,建立了基于改进蚁群聚类优化的RBF神经网络作战效能评估模型。首先使用k-means聚类对气象水文条件下武器装备作战效能的样本数据进行处理得到初始聚类中心,然后使用蚁群聚类算法继续聚类,通过最终的聚类结果确定RBF神经网络隐含层节点的数据中心以及相应的扩展常数,接着训练输出连接权值,并使用训练好的模型评估特定气象水文条件下武器装备的作战效能。最后通过某武器装备的作战实例,对评估模型进行验证,确定了评估模型的可行性和有效性。同时,本文介绍了海洋环境下武器装备作战效能评估系统的整体设计框架,并对功能需求进行了分析,然后通过UML建模技术对系统进行建模,接着设计并开发了上述评估模型的类库,基于.NET平台、Oracle数据库、ADO.NET数据库访问技术和三层组件模型结构,完成了武器装备作战效能评估系统的开发。最后总结本文内容的同时,讨论了有待进一步研究的问题。