作战系统效能评估一直是军事运筹分析的热点与难点问题之一。在众多的评估方法中,仿真技术一直扮演着重要的角色。随着人类战争形态从机械化向信息化转变,传统的效能评估方法正面临着许多挑战,例如信息化战争中的“维数灾”、“复杂性灾”以及非线性特征的处理等。针对上述问题,本文以作战仿真技术为基础,提出了基于数据耕种与数据挖掘的系统效能评估方法,主要内容概括如下:1.研究了基于HLA的数据耕种系统框架,设计了数据种植、数据生长平台、数据采集、结果数据库以及结果分析等HLA数据耕种分系统。其中重点探讨了一种直接式HLA数据采集的原理,与DMSO数据采集方式相比,具有一定的优越性。同时提出了一种根据对象模型模板设计HLA结果数据库的方案,包括关系表的创建、数据的加载、索引的维护以及数据的完整性恢复等,解决了HLA系统开发与应用中的一些实际问题。2.考虑到HLA耕种结果数据具有维数众多、关联复杂以及数量巨大等特征,系统地研究了基于数据挖掘的结果处理策略,并详细分析了挖掘应用中的一些关键技术,例如任务理解、数据提取与预处理、方法选择以及模型评估与应用等。同时为了评估C4ISR系统相关功能域的效能,分析了基于OLAP的数据挖掘方法,发现并纠正了耕种过程中出现的问题。3.为了探索作战系统内在的非线性等复杂性特征,分析了基于神经网络的数据挖掘方法。相关工作有:①提出了一种改进型神经网络算法NN-LMBP,包括利用Levenberg-Marquardt优化算法提高神经网络的收敛速度,以及基于最近邻修剪算法改善神经网络泛化能力两部分,同时通过标准测试库验证了方法的有效性;②将基于神经网络的数据挖掘方法应用到C3IEW系统效能评估的过程中,研究发现:一方面通过神经网络可以确定评估模型底层指标的权重,并推导出模型输入输出参数之间的非线性关系;另一方面,基于评估模型可以优化神经网络的结构,好处是巧妙地解决了人工智能与复杂系统评估领域的双重难题。4.针对有限HLA数据耕种样本的“维数灾”与“复杂性灾”特征,进一步分析了基于支持向量机的数据挖掘方法。主要成果有:①结合HLA数据耕种系统的典型特征,探讨了统计学习理论与支持向量机的内在原理;②考虑到支持向量机模型选择方面存在的困难,提出了一种基于模糊相似矩阵的核参数确定策略,利用标准测试库验证了方法的有效性;③参照人类学习的过程,提出了一种新型支持向量机学习算法BV-SVM。算法首先利用核空间边界向量学习获得一些初步的知识,然后对违反KKT条件的样本通过增量训练得到最终的支持向量机。实验表明,与普通支持向量机学习算法相比,BV-SVM对大规模训练样本具有类似的泛化能力,但取得了更快的训练速度;④仔细研究了一种基于支持向量机的军事决策系统,通过比较偏导的方法找到了战场上的关键元素,并进一步挖掘了元素背后隐藏的规律。5.独立开发了HLA结果数据库管理工具HLA-DATABASE,并与他人协同设计了基于支持向量机的数据挖掘工具。在此基础上,搭建了HLA数据耕种与数据挖掘原型系统,同时通过原型系统有效地完成了XXX工程中关于信息优势的效能评估。