摘要： 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 0.184 2 、 0.177 2 、 0.182 9 、 0.172 6 ;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。