CN102955902B - 雷达模拟设备可信度的评估方法及评估系统 - Google Patents
雷达模拟设备可信度的评估方法及评估系统 Download PDFInfo
- Publication number
- CN102955902B CN102955902B CN201210379017.3A CN201210379017A CN102955902B CN 102955902 B CN102955902 B CN 102955902B CN 201210379017 A CN201210379017 A CN 201210379017A CN 102955902 B CN102955902 B CN 102955902B
- Authority
- CN
- China
- Prior art keywords
- data
- assessment
- appraisal procedure
- feature
- reliability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Abstract
本发明涉及计算机仿真的评估技术领域,一种雷达模拟设备可信度的评估方法及评估系统,所述方法通过雷达模拟设备可信度评估系统,使评估系统的采集器接入模拟设备与实际原型系统,并读取模拟设备与实际原型系统的数据,通过GPIB接口卡或GPIB转USB接口卡传输至智能分析评估系统,所述智能分析评估系统提取筛选评估数据特征与可信度评估方法本质特征,并建立可信度评估特征与可信度评估方法间的映射关系,实现对模拟系统的可信度智能分析评估;本发明能够对雷达原型系统与雷达模拟设备的可信度评估,提高可信度评估的工作效率,降低可信度评估工作的成本,实现可信度评估方法的智能筛选,有效避免了对模型的误用,提高了可信度评估质量。
Description
技术领域
本发明涉及计算机仿真的评估技术领域,尤其涉及仿真模拟系统的一种雷达模拟设备可信度的评估方法及评估系统。
背景技术
随着计算机技术的发展,系统建模与仿真模拟技术在社会、军事等各个领域的应用越来越广泛,计算机仿真模拟也被列为继科学理论和科学实验之后第三种认识客观世界和改造客观世界的手段,由此仿真/模拟的可信度评估也伴随着仿真技术的发展日益成为重要的研究课题。
仿真可信度是指仿真模拟系统作为原型系统的相似替代系统,在特定的建模与仿真模拟的目的和意义下,在总体结构和行为水平上能够复现原型系统的可信性程度。目前模拟系统可信度评估工作,主要从系统行为水平角度评价系统的可信性程度,主要通过对模拟系统输出数据和实际原型系统输出数据一致性评估来实现的。
可信度评估工作在面向复杂模拟系统时,为复杂多样的可信度评估需求寻找合适的评估方法需要丰富的经验与技巧,对评估工作人员要求比较高。在模拟系统可信度评估工作中,容易出现可信度评估方法的误用,同时不能对评估结果进行有效分析,使得部分可信度低的模拟系统用于人员培训、试验、训练等领域,给应用带来难以预计的损失。
发明内容
为解决雷达模拟设备在现有系统中存在仿真可信度的技术问题,本发明提供一种雷达模拟设备可信度的评估方法及评估系统,能够高效准确地评价雷达模拟系统的可信度。本发明是对现有系统可信度评估工具的改进和完善。能够有效避免可信度评估工具的误用,提高了模拟系统可信度评估工作效率和评估质量。本发明具有应用广泛、新颖、实用性强。
为实现上述发明目的,本发明采用如下技术方案:
一种雷达模拟设备可信度的评估系统,包括:模拟设备信号采集器、实际原型设备信号采集器、智能分析评估系统、数据库处理系统、终端存储显示系统,所述模拟设备信号采集器和实际原型设备信号采集器分别通过GPIB接口卡或GPIB转USB接口卡与智能分析评估系统的输入端相连,所述智能分析评估系统通过数据总线与数据库处理系统相连,智能分析评估系统的输出端通过并口与终端存储显示系统相连,且数据库处理系统通过数据总线与终端存储显示系统相连。
一种雷达模拟设备可信度的评估系统,所述智能分析评估系统由数据特征提取模块、数据预处理模块、可信度智能筛选模块和可信度计算模块通过控制总线电连接组成,其中,数据特征提取模块、数据预处理模块、可信度智能筛选模块通过数据总线与数据库处理系统相连;该系统分析所获取的评估数据,完成可信度评估工作,按照数据处理、数据特征提取、评估方法智能筛选、可信度评估计算的次序,计算可信度评估结果。
一种雷达模拟设备可信度的评估系统,所述数据库处理系统由数据预处理方法库、可信度评估特征库、可信度评估方法库和评估数据与评估结果库组成,其中,数据预处理方法库通过数据总线与数据特征提取模块和数据预处理模块相连,可信度评估特征库和可信度评估方法库分别通过数据总线与可信度智能筛选模块相连,评估数据与评估结果库通过数据总线与终端存储显示系统相连;该系统提供方法支持,提供数据、结果的存储与管理。
一种可信度智能分析评估方法,将评估系统的采集器接入模拟设备与实际原型系统,并读取模拟设备与实际原型系统的数据,通过GPIB接口卡或GPIB转USB接口卡传输至智能分析评估系统,所述智能分析评估系统提取筛选评估数据特征与可信度评估方法本质特征,并建立可信度评估特征与可信度评估方法间的映射关系,实现对模拟系统的可信度智能分析评估,具体实现过程为:
步骤一:提炼可信度评估特征,是对仿真模拟系统、原型系统的数据要求和评估方法,所反映的数据特征和评估方法本质特征的一致性提炼出来的;所述可信度评估特征包括:数据特征和评估方法本质特征,所述数据特征由静态数据和动态数据组成,所述评估方法本质特征由评估方法数学/物理特征组成;
1、静态数据可信度评估特征,是经抽样而产生的样本数据,该组数据满足iid(independence identical distribute,独立同分布的条件,与时间没有关系,可以交换其先后次序,需要时还可对其按大小重新进行排列;
2.动态数据可信度评估特征,是经采样而产生动态的时间序列数据,是按时间顺序排列的观测值集合。包括连续时间序列和离散时间序列。对于动态数据的处理,需要应用到随机过程分析中的一些假设前提(如平稳性、各态历经性等)和研究成果;
3.评估方法的可信度评估特征——提炼的评估方法数学/物理特征,是基于系统行为的评估方法是通过检验原型系统/模拟系统的输出之间的一致性,来得出可信度结论的;对于输出数据的一致性检验上,不同的评估方法有着不同的判断原则,也就是说不同的评估方法有着不同的数学或物理本质;
步骤二:建立可信度评估特征到可信度评估方法的映射关系;
1.规范并明确可信度评估特征取值,采用两类共6个标准取值,包括:
①评估方法对于数据特征的取值为:“1-必须满足”、“2-满足更好”、“3-不能使用”和“4-不要求”;其中,每种评估方法对于数据特征的取值为“√-适用”、“×-不适用”;
评估方法对于评估方法本质特征的取值
2、建立可信度评估特征到可信度评估方法的映射关系,针对静态、动态数据给出了每种评估方法对于可信度评估数据特征的映射表;针对评估方法本质给出了每种评估方法对于可信度评估特征的映射表;以此为基础建立了可信度评估特征到可信度评估方法的映射关系;
步骤三:设计可信度评估特征库、数据预处理方法库、可信度评估方法库以及评估数据与评估结果库;
可信度评估特征库:该库将步骤二中的可信度评估方法到可信度评估特征的映射关系以数据库的形式保存;
数据预处理方法库:该库保存了数字特征计算、样本分布判定方法和数据平稳性判定方法等数据特征提取方法;降噪、剔点、趋势项分离、函数变换、数据拟合、插值、频谱转换、趋势项提取、自助法数据扩容等数据预处理方法;
可信度评估方法库:该库保存了概率估计法、均值估计法、方差估计法、Bayes均值估计法、Bayes方差估计法、均值检验法、方差检验法、Smirnor检验法、符号检验法、秩和检验法、游程检验法、不等式系数法、灰色关联法、灰色关联改进法、回归分析法、经典谱估计法、最大熵谱析法、随机时序列辨识;
评估数据与评估结果库:该库保存了评估数据、评估结果以及与评估相关的参数、方法信息;
步骤四:设计可信度评估方法智能筛选:在步骤三所建立的各类数据库的基础上,以待评测的雷达模拟设备的评估数据特征与评估目的为前提,通过一定的逻辑判断,能够方便地实现可信度评估方法智能筛选功能,其可信度评估方法自动筛选的步骤如下:
执行步骤301, 用户选择可信度评估目的,获得对应到用户关心的可信度评估方法本质特征集D;
执行步骤302,以用户关心的可信度评估特征集D为输入,查表1提取与集合D对应的适用的可信度评估方法,获得适用的评估方法集C;
执行步骤303,以评估数据为输入,自动提取静态/动态数据特征,获得两类动态/静态数据特征集;
执行步骤304,以具备的动态/静态数据特征集为输入,查表2或表3提取值为3的评估方法,得到不能使用的评估方法集A;
执行步骤305,以不具备的动态/静态数据特征集为输入,查表2或表3提取值为1的评估方法,得到不能使用的评估方法集B;
执行步骤306,以步骤302、304、305的评估方法集A、B、C,通过,获得适用于数据特征和评估目的的可信度评估方法集,为并依照评估数据满足可信度评估方法数据特征的程度1、2、4,进行可信度方法适用性的优先级排序。
一种可信度智能分析评估方法,所述提炼的静态数据可信度评估特征主要有大样本、样本独立性、输入一致性、正态性、总体分布已知、验前分布已知6种特征组成;其中,大样本采用样本量不少于30个;小样本采用样本量为5~10个;
其中,实际可信度评估的应用过程中,很可能会出现验前信息不足/不可靠,用于评估的样本量达不到大样本的评估方法要求,此时,对于静态数据可以通过Bootstrap方法、随机加权法,对于动态数据可以采用系统辨识方法来扩充数据,产生能够满足大样本评估方法的样本量来完成评估工作,或者,应用回归分析法对于样本量不是那么敏感的方法来完成评估工作。
一种可信度智能分析评估方法,所述提炼的动态数据可信度评估特征主要有等长序列、等间隔序列、平稳性、正态性、各态历经性、采样时间对齐、验前分布已知、零均值、输入一致性9种特征组成;
其中,平稳性设有随机过程,若对任意和任意选定的,,,以及为任意值,且,有
=
则称该过程为严平稳随机过程,又称狭义平稳随机过程;
设有一个二阶矩随机过程,它的均值为常数,相关函数仅是的函数,则称该过程为宽平稳随机过程,又称广义平稳随机过程;
上述狭义平稳随机过程与广义平稳随机过程的关系是:宽平稳随机过程不一定是严平稳随机过程;而当随机过程的二阶矩存在时,严平稳随机过程就是宽平稳随机过程;其中:
a)对于正态分布的平稳过程,宽平稳就是严平稳,严平稳就是宽平稳;
b)对于平稳随机过程,则认为该组数据满足平稳性;否则,不满足平稳性;
其中,实际的可信度评估过程中,对于单组数据平稳性的判断主要是依靠实际问题的应用背景,通过数据的获取过程及数据本身的物理意义来判定;如果其基本物理因素不随时间变化,一般认为数据是平稳的;
并且可以画出数据波形,通过直观观察来判断,波形平稳的标志是平均值波动小,波形的峰谷变化比较均匀,频率结构比较一致;
也可以利用数理统计的方法,对单个序列数据进行定量判断,利用数理统计方法检验单个序列平稳性,首先要满足两个假设:
a)任意给定的单次样本可以反映数据非平稳的特性,由此才可能判断出数据中的确定性趋势项;
b) 任意给定的单次样本比之于数据中的最低频率分量要长得多,而且不包含非平稳均值;换而言之,样本长度必须长到足以辨别非平稳趋势项和时间历程的随机起伏量;
根据平稳数据序列具有均值和方差恒定的特性,利用数理统计方法检验单个序列平稳性的基本思想是将数据分段,然后对各段数据均值和方差进行游程检验或逆序检验,判断其一致性;
基于数据利用数理统计方法进行定量判断的方法,前提要求比较苛刻,结论的风险也比较大,因此对于平稳性的判断建议优先利用第一种方法,从系统机理和实际应用上来定性判断;
频谱法和部分系统辨识方法,都要求数据具有平稳性的特性,如果数据不满足平稳性要求,可以采用以下措施/方法来完成可信度评估;
a)利用灰色关联法、TIC法以及回归分析法的时域可信度评估方法,在时域上评估原型/模拟设备的一致性;
b)利用平稳化方法,将非平稳数据平稳化;
如果必须在频域完成评估,推荐优先采用第b)种方法;否则,推荐优先采用第a)种方法。
一种可信度智能分析评估方法,所述提炼的评估方法数学/物理特征主要有样本均值、样本方差、样本分布、空间距离、几何形状、距离加形状、总体趋势、频域组成与分布8种特征组成,
其中,样本均值,设样本时间序列:,样本均值定义为
(1)
对于正态分布,样本均值是的无偏估计量;在实际应用中,或者反映的是一些用均值来表征的指标,如:最大/最小探测距离、发现概率,这些表征雷达探测功能的指标;
其中,样本方差,设样本时间序列:,样本方差定义为
(2)
对于正态分布,样本方差是的无偏估计量;在实际应用中, 或者反映的是一些用方差来表征的指标,如雷达跟踪精度表征精度的指标;
其中,样本分布,当把样本时间序列看作是随机变量时,它就有概率分布,这个概率分布就称为样本分布,样本分布是样本时间序列数据受到随机因素影响的最完整的描述;有了样本分布,就能解释统计模型或统计结构的确切含义;所谓一个问题的统计模型,就是指研究该问题时抽样或采样所得的样本时间序列的分布;或对于同一个问题由于实际背景和认识差异,会有多个统计模型;
在进行评估时,对模型系统/原型系统输出在样本分布上的一致性的评估,可以通过评估这两组输出是否服从同一个分布的方式来实现;在实际应用中,样本分布反映的是总体分布特性的指标,如模拟设备中各种雷达杂波的模拟是否与真实环境一致;
关于样本分布的一致性评估方法,包括:Smirnor检验法、符号检验法、秩和检验法和游程检验法,
在进行两总体分布一致的检验时,Smirnor方法本身即为两总体分布评估方法,评估结果能反映两总体的分布是否一致;
符号检验法、秩和检验法和游程检验法是通过总体特征的比较来评估两总体的分布情况,检验结果容易受到样本总体特征的影响,具体表现有:游程检验法的结果受游程总个数和最大游程长度的影响,稳定性不够好;而符号检验法和秩和检验法受两样本均值差或数值大小的影响,当两样本均值接近时,即认为两总体分布一致,均值差别较大时,认为两总体分布不一致;
在实际的评估工作中,如果对于这些判别准则上的差别不是很明确时,推荐首先选用Smirnor检验法;
其中,空间距离,对于两组时间序列()和(),在序列已经对齐的情况下,如果需要衡量它们在数值上的接近程度,常用的做法是用两者之间的空间距离来进行比较;度量两组序列间空间距离的模型很多,如绝对值距离模型、最大距离模型、欧式距离模型等,其中最常用也是最方便使用的就是欧式距离模型:
(3)
但(3)式的距离还不能横向比较不同模型/不同输出的可信度,因此在实际使用中会采用相对的距离指标,即Theil不等式法(Theil’s Inequality Coefficients)系数:
(4)
在实际应用中,所述空间距离反映的是两组数据在数值上的接近程度;
其中,几何形状,对于两组时间序列()和(),在序列已经对齐的情况下,可以画出两组曲线,比较它们在几何形状上的相似程度;几何形状上的相似程度,可以通过序列中每个点与序列最大/最小值之间的关系,最终综合计算出的灰色关联系数来进行表征;在实际应用中,所述几何形状反映的是两组数据在空间形状的接近程度。
其中,总体趋势用于表征因变量与自变量之间(对于模型/原型系统而言,包括单输入单输出和多输入多输出系统,自变量就是系统输入,自变量就是系统输出)的内在联系和发展变化规律,主要表现为自变量取值确定时,因变量取值的趋向性。而总体趋势在很多时候并不是一种因变量和自变量之间的确定性关系,即因变量和自变量之间的关系不能用精确的函数关系来表达,此时,可用回归分析对因变量和自变量之间的关系进行研究,建立回归模型,此时自变量与因变量之间的趋势关系可以用回归系数加以表征;
因此通过对原型系统与模型系统进行回归分析所建立回归模型的回归系数,可以判断原型系统和模型系统在总体趋势上的一致性;
其中,频域组成与分布是指信号功率随频率的分布特性,通过考察两组数据在频域组成与分布上的一致性,来进行可信度评估的方法很多,如经典谱分析法、最大熵谱分析法等,这些方法实质都是将动态数据转换到频域,然后在频域考察两组功率谱的一致性。对于仿真设备/系统和原型系统有多组输出序列时,几种谱分析方法也可采用一种相容性检验准则。
一种可信度智能分析评估方法,所述评估方法对于数据特征的取值,其中每种评估方法对于评估数据特征的取值有以下四种:
1)、必须满足:评估工作必须满足该项评估特征,才能顺利/准确实施评估工作;
2)、满足更好:评估工作不一定满足该项评估特征,但如果满足该项评估特征,将会更顺利/准确实施评估工作;即如果该评估特征不能满足时,也可以使用该方法进行评估工作;其它条件同等的情况下,优先选用此类评估特征得到满足的方法;
3)、不能使用:评估工作必须不具备该项评估特征,才能顺利/准确实施评估工作;换而言之,如果该评估特征得到满足时,将不能使用该方法进行评估工作;
4)、不要求:评估工作时,该项评估特征的满足与否不会对评估结果/评估过程产生明显影响,即该方法对于该项评估特征不敏感:;换而言之,使用时可以不考虑该项评估特征;在评估方法对某项评估特征没有明确要求的情况下,这是评估方法对评估特征的默认值。
一种可信度智能分析评估方法,所述评估方法对于评估方法本质特征的取值,其中每种评估方法对于评估方法本质特征的取值有两种:
1、适用,该评估方法反映了该评估方法本质特征,换而言之,如果进行评估时,如果关注该评估特征则可以选用该评估方法;
当均值检验法对“样本均值”这一特征的取值为“适用”,表明该评估方法的实质是通过比较“样本均值”来考察模型与原型的一致性;
当对于要评估的模型,要关注的是其输出数据的均值特性—威力指标,则从评估方法本质特征的角度考虑,选用均值检验法来进行评估;
2不适用,该评估方法不能反映,该评估方法本质特征,换而言之,如果进行评估时,如果关注该评估特征则不能选用该评估方法;
当均值检验法对“样本方差”这一特征的取值为“不适用”,表明该评估方法的实质不是通过比较“样本方差”来考察模型与原型的一致性;
当对于要评估的模型,关注的是其输出数据的方差特性—脱靶量,则不能选用均值检验法来进行评估。
一种可信度评估方法智能筛选方法,所述模拟系统行为与实际原型系统可信度评估智能筛选的方法步骤如下:
执行步骤201,进行系统初始化设置,用户设置内容主要包括:评估数据录取内容设置、动态或静态数据选择、评估目的、评估数据特征是否可修改,以及可修改内容以及是否录取数据选择;
执行步骤202,根据初始化指令,进行雷达原型系统数据的测量或提取;
执行步骤203,根据初始化指令,进行雷达模拟设备数据的测量或提取;
执行步骤204,根据初始化指令,系统读取雷达原型系统和雷达模拟设备数据;
执行步骤205,根据初始化中动/静态设置,调用相应的数据预处理方法库中的数据特征提取方法,自动分析评估数据具备/不具备的数据特征集;
执行步骤206,依据步骤205所得的评估数据具备/不具备的数据特征集,从可信度评估特征库中自动选取与数据特征集相匹配的评估方法集;
执行步骤207,提取初始化设置中的可信度评估目的,转化为相应的评估方法本质特征;
执行步骤208,依据步骤207所得的评估方法本质特征,从可信度评估特征库中自动选取与可信度评估方法本质特征相匹配的评估方法集;
执行步骤209,依据步骤206和步骤208评估集,匹配出符合数据特征和可信度评估方法本质特征的评估方法集,并依据数据特征的适用程度,进行方法的优选排序;
执行步骤210,判断步骤209的方法集是否为空,为空则表明当前条件下没适用的评估方法,执行步骤215。否则存在适用的评估方法,执行步骤211;
执行步骤211,步判断可信度评估方法是否需要进行数据预处理,需要处理则执行步骤213,否则执行步骤214;
执行步骤212,进行频域转换、拟合、趋势项提取等基于数据预处理,保证可信度评估方法的数据质量;
执行步骤213,进行可信度评估计算,从可信度评估方法库中调用使用的可信度评估方法,完成评估数据一致性检验;
执行步骤214,实时显示可信度评估结果;
执行步骤215,根据初始参数设置,进一步判断是否可以修改评估数据的数据特征,可以修改,执行步骤216,否则,执行步骤214;
执行步骤216,根据初始设置,明确可修改的数据特征;
执行步骤217,自动调用适用的数据预处理方法,评估数据满足数据特征修改需求,进一步调用206,重新匹配可信度评估方法;
执行步骤218,判断是否打印评估数据与评估结果,读取初始参数设置,若打印,执行步骤219,否则,执行步骤220;
执行步骤219,打印评估数据与评估结果;
执行步骤220,判断是否存储评估数据与评估结果。读取初始参数设置,若打印,执行步骤219,否则,结束工作流程;
执行步骤221,打印评估数据与评估结果。
由于采用上述技术方案,本发明具有如下优越性:
1.实现了对雷达原型系统与雷达模拟设备的可信度评估,提供了的计算机控制与可信度评估自动化处理能力,提高了从数据录取——数据预处理——可信度评估的工作效率。
2.建立了可信度评估特征数据库、数据预处理方法库、可信度评估方法库以及评估数据与评估结果库,实现了对与可信度评估工作相关的数据预处理、可信度评估方法的有效积累、扩展和重复利用,降低了可信度评估工作的成本。
3.根据用户评估目的,确定可信度评估方法本质特征,实现了可信度评估方法的智能筛选,有效避免了对模型的误用,提高了可信度评估质量。
附图说明
图1是雷达模拟设备可信度智能分析评估系统工作原理框图。
图2是雷达模拟设备可信度智能分析评估系统工作流程。
图3可信度智能分析评估方法自动筛选流程。
表1是评估方法对可信度评估特征的映射关系。
表2是评估方法对数据特征的映射关系。
表3是评估方法对数据特征的映射关系。
具体实施方式
本发明包括但不局限于本实例,凡是在本发明的精神和原则之下,都将视为本发明的保护范围之内。
下面结合附图和实施实例对本发明作进一步说明。
如图1所示,一种雷达模拟设备可信度的评估系统,包括:模拟设备信号采集器、实际原型设备信号采集器、智能分析评估系统、数据库处理系统、终端存储显示系统,所述模拟设备信号采集器和实际原型设备信号采集器分别通过GPIB接口卡或GPIB转USB接口卡与智能分析评估系统的输入端相连,所述智能分析评估系统通过数据总线与数据库处理系统相连,智能分析评估系统的输出端通过并口与终端存储显示系统相连,且数据库处理系统通过数据总线与终端存储显示系统相连。
所述智能分析评估系统由数据特征提取模块、数据预处理模块、可信度智能筛选模块和可信度计算模块通过控制总线电连接组成,其中,数据特征提取模块、数据预处理模块、可信度智能筛选模块通过数据总线与数据库处理系统相连。
所述数据库处理系统由数据预处理方法库、可信度评估特征库、可信度评估方法库和评估数据与评估结果库组成,其中,数据预处理方法库通过数据总线与数据特征提取模块和数据预处理模块相连,可信度评估特征库和可信度评估方法库分别通过数据总线与可信度智能筛选模块相连,评估数据与评估结果库通过数据总线与终端存储显示系统相连。
即评估系统接入并读取模拟设备与实际原型系统的数据,利用本发明提供的可信度智能分析评估方法,提取评估数据特征与可信度评估方法本质特征,并基于两类评估特征自动筛选、得到适用的可信度评估方法,完成实测数据的分析比对,最终得到用以评判模拟设备与实际原型系统是否一致性评估结论。
该可信度智能分析评估系统的核心是可信度智能分析评估子系统。表1-表3体现了评估方法与可信度评估特征和数据特征的映射关系,依据上述映射关系,构成了智能筛选评估方法的基础,结合一定的逻辑判断,构成了可信度智能分析评估子系统的基础。
本发明的可信度智能分析评估系统工作结构框图如图1所示;其包括四个子系统:评估数据测试读取子系统、可信度智能分析评估子系统、分析评估存储显示子系统以及数据库子系统。
1.评估数据测试读取子系统从雷达原型系统和模拟系统中分别读入两组评估数据和评估初始参数设置。
2.可信度智能分析评估子系统分析第一步所获取的评估数据,完成可信度评估工作,按照数据处理——数据特征提取——评估方法智能筛选——可信度评估计算的次序计算可信度评估结果。
3.分析评估存储显示子系统用于保存、显示评估数据和评估结果。
4.数据库子系统由基于可信度评估特征库、数据预处理方法库、可信度评估方法库以及评估数据与评估结果库组成,为系统提供方法支持,提供数据、结果的存储与管理。
一种可信度评估方法智能筛选方法,首次在模拟系统的可信度评估中得到应用,要求用户理解评估特征的基本含义和选取评估方法的基本前提,在具体实施过程中根据评估需求进行初始化参数设置,通过系统分析评估,最终达到正确地考察模拟系统行为与实际原型系统的一致性的目的。
下面结合图2对本发明的具体实施步骤作进一步说明。
执行步骤201,进行系统初始化设置,用户设置内容主要包括:评估数据录取内容设置、动态或静态数据选择、评估目的、评估数据特征是否可修改,以及可修改内容以及是否录取数据选择等。
执行步骤202,根据初始化指令,进行雷达原型系统数据的测量或提取。
执行步骤203,根据初始化指令,进行雷达模拟设备数据的测量或提取。
执行步骤204,根据初始化指令,系统读取雷达原型系统和雷达模拟设备数据。
执行步骤205,根据初始化中动/静态设置,调用相应的数据预处理方法库中的数据特征提取方法,自动分析评估数据具备/不具备的数据特征集。
执行步骤206,依据步骤205所得的评估数据具备/不具备的数据特征集,从可信度评估特征库中自动选取与数据特征集相匹配的评估方法集。
执行步骤207,提取初始化设置中的可信度评估目的,转化为相应的评估方法本质特征。
执行步骤208,依据步骤207所得的评估方法本质特征,从可信度评估特征库中自动选取与可信度评估方法本质特征相匹配的评估方法集。
执行步骤209,依据步骤206和步骤208评估集,匹配出符合数据特征和可信度评估方法本质特征的评估方法集,并依据数据特征的适用程度,进行方法的优选排序。
执行步骤210,判断步骤209的方法集是否为空,为空则表明当前条件下没适用的评估方法,执行步骤215。否则存在适用的评估方法,执行步骤211。
执行步骤211,步判断可信度评估方法是否需要进行数据预处理,需要处理则执行步骤213,否则执行步骤214。
执行步骤212,进行频域转换、拟合、趋势项提取等基于数据预处理,保证可信度评估方法的数据质量。
执行步骤213,进行可信度评估计算,从可信度评估方法库中调用使用的可信度评估方法,完成评估数据一致性检验。
执行步骤214,实时显示可信度评估结果。
执行步骤215,根据初始参数设置,进一步判断是否可以修改评估数据的数据特征,可以修改,执行步骤216,否则,执行步骤214。
执行步骤216,根据初始设置,明确可修改的数据特征。
执行步骤217,自动调用适用的数据预处理方法,评估数据满足数据特征修改需求,进一步调用206,重新匹配可信度评估方法。
执行步骤218,判断是否打印评估数据与评估结果。读取初始参数设置,若打印,执行步骤219,否则,执行步骤220。
执行步骤219,打印评估数据与评估结果。
执行步骤220,判断是否存储评估数据与评估结果。读取初始参数设置,若打印,执行步骤219,否则,结束工作流程。
执行步骤221,打印评估数据与评估结果。
一种可信度智能分析评估方法,提出了可信度评估特征概念,建立了可信度评估特征与可信度评估方法间的映射关系,设计了可信度评估方法智能筛选系统,最终实现了对模拟系统的可信度智能分析评估。可信度评估方法智能选取方法的具体实现过程为:
步骤一:研究提炼可信度评估特征。
可信度评估特征包括数据特征和评估方法本质特征两个部分。可信度评估特征是在分析各种可信度评估方法共性和特点基础上,从方法对仿真模拟系统、原型系统的数据要求和评估方法所反映的一致性本质特征两个方面提炼出来的。共归纳数据特征以及评估方法本质特征等三类共23种仿真模型可信度评估特征。
1.静态数据可信度评估特征。
静态数据又称样本,是经抽样而产生的数据。其主要特征是这一组数据满足iid(independence identical distribute,独立同分布)条件,与时间没有关系,可以交换其先后次序,需要时还可对其按大小重新进行排列。提炼的静态数据可信度评估特征主要有:大样本、样本独立性、输入一致性、正态性、总体分布已知、验前分布已知等6种特征。下面以大样本特征为例,说明数据特征的定义与内涵。其他特征可参见《数学手册》等文献资料。
大样本
由于下述两个原因:
a)经典统计学是建立在大样本基础上的
b)实际应用工作中常常是基于中心极限定理,而假定所取样本构造的统计量(如样本的和、均值等)的总体具有正态性或渐近正态性
综合有关国军标和统计手册关于样本量的选取规定,应用经典统计学进行可信度评估时,大样本采用样本量不少于30的原则。在实际使用中,在样本充分可信的前提下,样本量更大一些,效果会在一定程度上好些。
对于Bayes等小样本理论方法,结合小子样理论研究成果,在有充分并可信的验前信息的基础上,应用小样本的评估方法,样本量可减小到5~10个。
实际可信度评估的应用过程中,很可能会出现验前信息不足/不可靠,用于评估的样本量达不到大样本的评估方法要求,此时,对于静态数据可以通过Bootstrap方法、随机加权法,对于动态数据可以采用系统辨识方法等来扩充数据,产生能够满足大样本评估方法的样本量来完成评估工作,或者,应用回归分析法等对于样本量不是那么敏感的方法来完成评估工作。
2.动态数据可信度评估特征。
动态数据又称时间序列,是经采样而产生的数据,是按时间顺序排列的观测值集合。包括连续时间序列和离散时间序列。对于动态数据的处理,需要应用到随机过程分析中的一些假设前提(如平稳性、各态历经性等)和研究成果。提炼的动态数据可信度评估特征主要有:等长序列、等间隔序列、平稳性、正态性、各态历经性、采样时间对齐、验前分布已知、零均值、输入一致性等9种特征。下面以平稳型为例,说明数据特征的定义与内涵,其他特征可参见《数学手册》等文献资料。
平稳性
设有随机过程,若对任意和任意选定的,,,以及为任意值,且,有
=
则称该过程为严平稳随机过程,又称狭义平稳随机过程。
设有一个二阶矩随机过程,它的均值为常数,相关函数仅是的函数,则称该过程为宽平稳随机过程,又称广义平稳随机过程。
上述两个平稳随机过程的关系是:
宽平稳随机过程不一定是严平稳随机过程;而当随机过程的二阶矩存在时,严平稳随机过程就是宽平稳随机过程。
a)对于正态分布的平稳过程,宽平稳就是严平稳,严平稳就是宽平稳。
b)对于平稳随机过程,则认为该组数据满足平稳性;否则,不满足平稳性。
实际的可信度评估过程中,对于单组数据平稳性的判断主要是依靠实际问题的应用背景,通过数据的获取过程及数据本身的物理意义来判定。如果其基本物理因素不随时间变化,一般认为数据是平稳的。这种判断方法需要对系统足够了解,其判断结论依赖于对系统的掌握程度。
其次可以画出数据波形,通过直观观察来判断。波形平稳的标志是平均值波动小,波形的峰谷变化比较均匀,频率结构比较一致。
也可以利用数理统计的方法,对单个序列数据进行定量判断。利用数理统计方法检验单个序列平稳性,首先要满足两个假设:
a)任意给定的单次样本可以反映数据非平稳的特性,由此才可能判断出数据中的确定性趋势项。
b) 任意给定的单次样本比之于数据中的最低频率分量要长得多,而且不包含非平稳均值。换而言之,样本长度必须长到足以辨别非平稳趋势项和时间历程的随机起伏量。
由于平稳数据序列具有均值和方差恒定的特性,利用数理统计方法检验单个序列平稳性的基本思想是将数据分段,然后对各段数据均值和方差进行游程检验或逆序检验,判断其一致性。从本质上讲,基于单个样本序列进行平稳性检验只是针对平稳性的一些必要条件进行的,判定数据平稳是有一定风险的,也就是说会出现非平稳数据而被判为满足平稳性的情况。
由于基于数据利用数理统计方法进行定量判断的方法,前提要求比较苛刻,结论的风险也比较大,因此对于平稳性的判断建议优先利用第一种方法,从系统机理和实际应用背景上来定性判断。
频谱法和部分系统辨识方法都要求数据具有平稳性特性。如果数据不满足平稳性要求,可以采用以下措施/方法来完成可信度评估。
a)利用灰色关联法、TIC法以及回归分析法等时域可信度评估方法,在时域上评估原型/模拟设备的一致性。
b)利用平稳化方法,将非平稳数据平稳化。
如果必须在频域完成评估,推荐优先采用第b)种方法;否则,推荐优先采用第a)种方法。
3.评估方法的可信度评估特征。基于系统行为的评估方法是通过检验原型系统/模拟系统的输出之间的一致性,来得出可信度结论的。对于输出数据的一致性检验上,不同的评估方法有着不同的判断原则,也就是说不同的评估方法有着不同的数学或物理本质。提炼的评估方法数学/物理特征主要有:样本均值、样本方差、样本分布、空间距离、几何形状、距离加形状、总体趋势、频域组成与分布等8种特征。下面除距离加形状外,介绍其他7个评估特征的定义与基本含义。
样本均值
设样本(时间序列),样本均值定义为
(1)
例如,对于正态分布,样本均值是的无偏估计量。
在实际应用中,(或者)反映的是一些用均值来表征的指标,如最大/最小探测距离、发现概率等这些表征雷达探测功能的指标。
样本方差
设样本(时间序列),样本方差定义为
(2)
例如,对于正态分布,样本方差是的无偏估计量。
在实际应用中, (或者)反映的是一些用方差来表征的指标,如雷达跟踪精度等这些表征精度的指标。
样本分布
当把样本(时间序列)看作是随机变量时,它就有概率分布,这个概率分布就称为样本分布,样本分布是样本(时间序列)数据受到随机因素影响的最完整的描述。有了样本分布,就能解释统计模型或统计结构的确切含义。所谓一个问题的统计模型,就是指研究该问题时抽样(采样)所得的样本(时间序列)的分布。必须指出的是,对于同一个问题,由于实际背景和认识差异,可能会有多个统计模型。
在进行评估时,对模型系统/原型系统输出在样本分布上的一致性的评估,可以通过评估这两组输出是否服从同一个分布的方式来实现。在实际应用中,样本分布反映的是总体分布特性的指标,如模拟设备中各种雷达杂波的模拟是否与真实环境一致等。
对于样本分布的一致性评估方法有多种,包括Smirnor检验法、符号检验法、秩和检验法和游程检验法等等,它们在方法数学本质上又存在一些细微的差别。在进行两总体分布一致的检验时,Smirnor方法本身即为两总体分布评估方法,评估结果能反映两总体的分布是否一致;而其他三种方法是通过总体特征的比较来评估两总体的分布情况,检验结果容易受到样本总体特征的影响,具体表现有:游程检验法的结果受游程总个数和最大游程长度的影响,稳定性不够好;而符号检验法和秩和检验法受两样本均值差(或数值大小)的影响,当两样本均值接近时,即认为两总体分布一致,均值差别较大时,认为两总体分布不一致。
对于同样的数据,由于这些样本分布检验方法在判别准则上的差别,其检验结果会有一定的差异。在实际的评估工作中,如果对于这些判别准则上的差别不是很明确时,推荐首先选用Smirnor检验法。
空间距离
对于两组时间序列()和(),在序列已经对齐的情况下,如果需要衡量它们在数值上的接近程度,常用的做法是用两者之间的空间距离来进行比较。度量两组序列间空间距离的模型很多,如绝对值距离模型、最大距离模型、欧式距离模型等,其中最常用也是最方便使用的就是欧式距离模型:
(3)
但上式的距离还不能横向比较不同模型/不同输出的可信度,因此在实际使用中会采用相对的距离指标,即Theil不等式法(Theil’s Inequality Coefficients)系数:
(4)
在实际应用中,空间距离反映的是两组数据在数值上的接近程度。
几何形状
对于两组时间序列()和(),在序列已经对齐的情况下,可以画出两组曲线,比较它们在几何形状上的相似程度。几何形状上的相似程度,可以通过序列中每个点与序列最大/最小值之间的关系,最终综合计算出的灰色关联系数来进行表征。
在实际应用中,几何形状反映的是两组数据在空间形状的接近程度。
总体趋势
总体趋势用于表征因变量与自变量之间(对于模型/原型系统而言,包括单输入单输出和多输入多输出系统,自变量就是系统输入,自变量就是系统输出)的内在联系和发展变化规律,主要表现为自变量取值确定时,因变量取值的趋向性。而总体趋势在很多时候并不是一种因变量和自变量之间的确定性关系,即因变量和自变量之间的关系不能用精确的函数关系来表达,此时,可用回归分析对因变量和自变量之间的关系进行研究,建立回归模型,此时自变量与因变量之间的趋势关系可以用回归系数加以表征。因此通过对原型系统与模型系统进行回归分析所建立回归模型的回归系数,可以判断原型系统和模型系统在总体趋势上的一致性。
频域组成与分布
频域组成与分布是指信号功率随频率的分布特性。通过考察两组数据在频域组成与分布上的一致性,来进行可信度评估的方法很多,如经典谱分析法、最大熵谱分析法等,这些方法实质都是将动态数据转换到频域,然后在频域考察两组功率谱的一致性。对于仿真设备/系统和原型系统有多组输出序列时,几种谱分析方法也可采用一种相容性检验准则。
步骤二:在第一步建立的可信度评估特征基础上,建立可信度评估特征到可信度评估方法的映射关系。
1.规范并明确可信度评估特征取值,分两类共6个标准取值,给出了其含义。评估方法对于数据特征的取值为“1-必须满足”、“2-满足更好”、“3-不能使用”和“4-不要求”四种。每种评估方法对于数据特征的取值为“√-适用”、“×-不适用”两种。
评估方法对于数据特征的取值
每种评估方法对于评估数据特征的取值有以下四种:
1-必须满足
使用该方法进行评估工作必须满足该项评估特征,才能顺利/准确实施评估工作。换而言之,如果该评估特征不能满足,将不能使用该方法进行评估工作。
2-满足更好
使用该方法进行评估工作不一定满足该项评估特征,但如果满足该项评估特征,将会更顺利/准确实施评估工作。换而言之,如果该评估特征不能满足时,也可以使用该方法进行评估工作;其它条件同等的情况下,优先选用此类评估特征得到满足的方法。
3-不能使用
使用该方法进行评估工作必须不具备该项评估特征,才能顺利/准确实施评估工作。换而言之,如果该评估特征得到满足时,将不能使用该方法进行评估工作。
4-不要求
使用该方法进行评估工作时,该项评估特征的满足与否不会对评估结果/评估过程产生明显影响,即该方法对于该项评估特征不敏感。换而言之,对于该方法,使用时可以不考虑该项评估特征。在评估方法对某项评估特征没有明确要求的情况下,这是评估方法对评估特征的默认值。
评估方法对于评估方法本质特征的取值
每种评估方法对于评估方法本质特征的取值有以下两种:
适用
该评估方法反映了该评估方法本质特征,换而言之,如果进行评估时,如果关注该评估特征则可以选用该评估方法。
例如,均值检验法对“样本均值”这一特征的取值为“适用”,表明该评估方法的实质是通过比较“样本均值”来考察模型与原型的一致性。如果对于要评估的某个模型,关注的是其输出数据的均值特性(如威力指标等),则从评估方法本质特征的角度考虑,可以选用均值检验法来进行评估。当然,最终是否选用该方法,还要结合上面基于评估用数据的筛选结果综合决策。
不适用
该评估方法不能反映了该评估方法本质特征,换而言之,如果进行评估时,如果关注该评估特征则不能选用该评估方法。
例如,均值检验法对“样本方差”这一特征的取值为“不适用”,表明该评估方法的实质不是通过比较“样本方差”来考察模型与原型的一致性。如果对于要评估的某个模型,关注的是其输出数据的方差特性(如脱靶量等),则不能选用均值检验法来进行评估。
2.建立可信度评估特征到可信度评估方法的映射关系。
针对静态、动态数据给出了每种评估方法对于可信度评估数据特征的映射表;针对评估方法本质给出了每种评估方法对于可信度评估特征的映射表。以此为基础建立了可信度评估特征到可信度评估方法的映射关系。
步骤三:设计实现了基于可信度评估特征库、数据预处理方法库、可信度评估方法库以及评估数据与评估结果库。
可信度评估特征库:该库将步骤二中的可信度评估方法到可信度评估特征的映射关系以数据库的形式保存。
数据预处理方法库:该库保存了数字特征计算、样本分布判定方法和数据平稳性判定方法等数据特征提取方法;降噪、剔点、趋势项分离、函数变换、数据拟合、插值、频谱转换、趋势项提取、自助法数据扩容等数据预处理方法。
可信度评估方法库:该库保存了概率估计法、均值估计法、方差估计法、Bayes均值估计法、Bayes方差估计法、均值检验法、方差检验法、Smirnor检验法、符号检验法、秩和检验法、游程检验法、不等式系数法、灰色关联法、灰色关联改进法、回归分析法、经典谱估计法、最大熵谱析法、随机时序列辨识等。
评估数据与评估结果库:该库保存了评估数据、评估结果以及与评估相关的参数、方法信息。
步骤四:设计实现可信度评估方法智能筛选
在步骤三所建立的各类数据库的基础上,以待评测的雷达模拟设备的评估数据特征与评估目的为前提,通过一定的逻辑判断,能够方便地实现可信度评估方法智能筛选功能。结合图3、表1、表2和表3,对本发明的可信度评估方法自动筛选的步骤进行说明。
执行步骤301, 用户选择可信度评估目的,获得对应到用户关心的可信度评估方法本质特征集D。
执行步骤302,以用户关心的可信度评估特征集D为输入,查表1提取与集合D对应的适用的可信度评估方法,获得适用的评估方法集C。
执行步骤303,以评估数据为输入,自动提取静态/动态数据特征,获得两类动态/静态数据特征集。
执行步骤304,以具备的动态/静态数据特征集为输入,查表2或表3提取值为3的评估方法,得到不能使用的评估方法集A。
执行步骤305,以不具备的动态/静态数据特征集为输入,查表2或表3提取值为1的评估方法,得到不能使用的评估方法集B。
执行步骤306,以步骤302、304、305的评估方法集A、B、C,通过,获得适用于数据特征和评估目的的可信度评估方法集,为并依照评估数据满足可信度评估方法数据特征的程度1、2、4,进行可信度方法适用性的优先级排序。
表1
注:√——适用;×不适用
表2
表3
Claims (5)
1.一种雷达模拟设备可信度的评估方法,其特征在于:将智能分析评估系统的采集器接入模拟设备与实际原型设备,并读取模拟设备与实际原型设备的数据,通过GPIB接口卡或GPIB转USB接口卡传输至智能分析评估系统,所述智能分析评估系统提取筛选评估数据特征与可信度评估方法本质特征,并建立可信度评估特征与可信度评估方法间的映射关系,实现对模拟设备的可信度智能分析评估,具体实现过程为:
步骤一:提炼可信度评估特征,是对模拟设备、实际原型设备的数据要求和评估方法所反映的数据特征和评估方法本质特征的一致性进行提炼,而得出来的;所述可信度评估特征包括:数据特征和评估方法本质特征,所述数据特征由静态数据和动态数据组成,所述评估方法本质特征由评估方法数学/物理特征组成;
1)、静态数据可信度评估特征,是经抽样而产生的样本数据,该组数据满足independence identical distribute独立、同分布的条件,与时间没有关系,能够交换其先后次序,需要时还能够对其按大小重新进行排列;
2)、动态数据可信度评估特征,是经采样而产生动态的时间序列数据,是按时间顺序排列的观测值集合,包括连续时间序列和离散时间序列,对于动态数据的处理,需要应用到随机过程分析中的平稳性、各态历经性的假设前提和研究成果;
3)、评估方法的可信度评估特征——提炼的评估方法数学/物理特征是基于系统行为的评估方法,是通过检验实际原型设备/模拟设备的输出之间的一致性,而得出可信度的结论,对于输出数据的一致性检验上,不同的评估方法有着不同的判断原则,也就是说不同的评估方法有着不同的数学或物理本质;
步骤二:建立可信度评估特征到可信度评估方法的映射关系;
1)、规范并明确可信度评估特征取值,采用两类共6个标准取值,包括:
①评估方法对于数据特征的取值为:“1-必须满足”、“2-满足更好”、“3-不能使用”和“4-不要求”;其中,每种评估方法对于数据特征的取值为“√-适用”、“×-不适用”;
②评估方法对于评估方法本质特征的取值:适用,该评估方法反映了该评估方法本质特征,换而言之,如果进行评估时,如果关注该评估特征则选用该评估方法;不适用,该评估方法不能反映该评估方法本质特征;
2)、建立可信度评估特征到可信度评估方法的映射关系,针对静态、动态数据给出了每种评估方法对于可信度评估数据特征的映射表;针对评估方法本质给出了每种评估方法对于可信度评估特征的映射表;以此为基础建立可信度评估特征到可信度评估方法的映射关系;
步骤三:设计可信度评估特征库、数据预处理方法库、可信度评估方法库以及评估数据与评估结果库;
可信度评估特征库:该库将步骤二中的建立可信度评估特征到可信度评估方法的映射关系以数据库的形式保存;
数据预处理方法库:该库保存了数字特征计算、样本分布判定方法和数据平稳性判定方法的数据特征提取方法;降噪、剔点、趋势项分离、函数变换、数据拟合、插值、频谱转换、趋势项提取、自助法数据扩容的数据预处理方法;
可信度评估方法库:该库保存了概率估计法、均值估计法、方差估计法、Bayes均值估计法、Bayes方差估计法、均值检验法、方差检验法、Smirnor检验法、符号检验法、秩和检验法、游程检验法、不等式系数法、灰色关联法、灰色关联改进法、回归分析法、经典谱估计法、最大熵谱析法、随机时序列辨识;
评估数据与评估结果库:该库保存了评估数据、评估结果以及与评估相关的参数、方法信息;
步骤四:设计可信度评估方法智能筛选:在步骤三所建立的各类数据库的基础上,以待评测的雷达模拟设备的评估数据特征与评估目的为前提,通过一定的逻辑判断,能够方便地实现可信度评估方法智能筛选功能,其可信度评估方法自动筛选的步骤如下:
执行步骤301,用户选择可信度评估目的,获得对应到用户关心的可信度评估方法本质特征集D;
执行步骤302,以用户关心的可信度评估特征集D为输入,提取与集合D对应的适用的可信度评估方法,获得适用的评估方法集C;
执行步骤303,以评估数据为输入,自动提取静态/动态数据特征,获得两类动态/静态数据特征集;
执行步骤304,以具备的动态/静态数据特征集为输入,提取值为3的评估方法,得到不能使用的评估方法集A;
执行步骤305,以不具备的动态/静态数据特征集为输入,提取值为1的评估方法,得到不能使用的评估方法集B;
执行步骤306,以步骤302、304、305的评估方法集A、B、C,通过获得适用于数据特征和评估目的的可信度评估方法集,并依照评估数据满足可信度评估方法数据特征的程度1、2、4,进行可信度方法适用性的优先级排序。
2.根据权利要求1所述的一种雷达模拟设备可信度的评估方法,其特征在于:所述静态数据可信度评估特征主要有大样本、样本独立性、输入一致性、正态性、总体分布已知、验前分布已知6种特征组成;其中,大样本采用样本量不少于30个;小样本采用样本量为5~10个;
其中,实际可信度评估的应用过程中,很可能会出现验前信息不足/不可靠,用于评估的样本量达不到大样本的评估方法要求,此时,对于静态数据通过Bootstrap方法、随机加权法,对于动态数据采用系统辨识方法来扩充数据,产生能够满足大样本评估方法的样本量来完成评估工作,或者,应用回归分析法对于样本量不是那么敏感的方法来完成评估工作。
3.根据权利要求1所述的一种雷达模拟设备可信度的评估方法,其特征在于:所述评估方法对于数据特征的取值,其中每种评估方法对于评估数据特征的取值有以下四种:
1)、必须满足:评估工作必须满足该项评估特征,才能顺利/准确实施评估工作;
2)、满足更好:评估工作不一定满足该项评估特征,但如果满足该项评估特征,将会更顺利/准确实施评估工作;即如果该评估特征不能满足时,也能使用该方法进行评估工作;其它条件同等的情况下,优先选用此类评估特征得到满足的方法;
3)、不能使用:评估工作必须不具备该项评估特征,才能顺利/准确实施评估工作;换而言之,如果该评估特征得到满足时,将不能使用该方法进行评估工作;
4)、不要求:评估工作时,该项评估特征的满足与否不会对评估结果/评估过程产生明显影响,即该方法对于该项评估特征不敏感;换而言之,使用时不考虑该项评估特征;在评估方法对某项评估特征没有明确要求的情况下,这是评估方法对评估特征的默认值。
4.根据权利要求1所述的一种雷达模拟设备可信度的评估方法,其特征在于:所述评估方法对于评估方法本质特征的取值,其中每种评估方法对于评估方法本质特征的取值有两种:
1)、适用,该评估方法反映了该评估方法本质特征,换而言之,如果进行评估时,如果关注该评估特征则选用该评估方法;
当均值检验法对“样本均值”这一特征的取值为“适用”,表明该评估方法的实质是通过比较“样本均值”来考察模型与原型的一致性;
当对于要评估的模型,要关注的是其输出数据的均值特性—威力指标,则从评估方法本质特征的角度考虑,选用均值检验法来进行评估;最终是否选用该方法,还要结合上面基于评估用数据的筛选结果综合决策;
2)、不适用,该评估方法不能反映,该评估方法本质特征,换而言之,如果进行评估时,如果关注该评估特征则不能选用该评估方法;
当均值检验法对“样本方差”这一特征的取值为“不适用”,表明该评估方法的实质不是通过比较“样本方差”来考察模型与原型的一致性;
当对于要评估的模型,要关注的是其输出数据的方差特性—脱靶量,则不能选用均值检验法来进行评估。
5.根据权利要求1所述的一种雷达模拟设备可信度的评估方法,其特征在于:所述将评估系统的采集器接入模拟设备与实际原型设备的可信度评估智能筛选方法,步骤如下:
执行步骤201,进行系统初始化设置,用户设置内容包括:评估数据录取内容设置、动态或静态数据选择、评估目的、评估数据特征是否可修改,以及可修改内容以及是否录取数据选择;
执行步骤202,根据初始化指令,进行雷达的实际原型设备数据的测量或提取;
执行步骤203,根据初始化指令,进行雷达的模拟设备数据的测量或提取;
执行步骤204,根据初始化指令,系统读取实际原型设备和模拟设备数据;
执行步骤205,根据初始化中动/静态设置,调用相应的数据预处理方法库中的数据特征提取方法,自动分析评估数据具备/不具备的数据特征集;
执行步骤206,依据步骤205所得的评估数据具备/不具备的数据特征集,从可信度评估特征库中自动选取与数据特征集相匹配的评估方法集;
执行步骤207,提取初始化设置中的可信度评估目的,转化为相应的评估方法本质特征;
执行步骤208,依据步骤207所得的评估方法本质特征,从可信度评估特征库中自动选取与可信度评估方法本质特征相匹配的评估方法集;
执行步骤209,依据步骤206和步骤208评估集,匹配出符合数据特征和可信度评估方法本质特征的评估方法集,并依据数据特征的适用程度,进行方法的优选排序;
执行步骤210,判断步骤209的方法集是否为空,为空则表明当前条件下没适用的评估方法,执行步骤215;否则存在适用的评估方法,执行步骤211;
执行步骤211,步判断可信度评估方法是否需要进行数据预处理,需要处理则执行步骤213,否则执行步骤214;
执行步骤212,进行频域转换、拟合、趋势项提取的基于数据预处理,保证可信度评估方法的数据质量;
执行步骤213,进行可信度评估计算,从可信度评估方法库中调用使用的可信度评估方法,完成评估数据一致性检验;
执行步骤214,实时显示可信度评估结果;
执行步骤215,根据初始参数设置,进一步判断是否能修改评估数据的数据特征,能修改,执行步骤216,否则,执行步骤214;
执行步骤216,根据初始设置,明确能修改的数据特征;
执行步骤217,自动调用适用的数据预处理方法,评估数据满足数据特征修改需求,进一步调用206,重新匹配可信度评估方法;
执行步骤218,判断是否打印评估数据与评估结果,读取初始参数设置,若打印,执行步骤219,否则,执行步骤220;
执行步骤219,打印评估数据与评估结果;
执行步骤220,判断是否存储评估数据与评估结果;读取初始参数设置,若打印,执行步骤219,否则,结束工作流程;
执行步骤221,打印评估数据与评估结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210379017.3A CN102955902B (zh) | 2012-10-09 | 2012-10-09 | 雷达模拟设备可信度的评估方法及评估系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210379017.3A CN102955902B (zh) | 2012-10-09 | 2012-10-09 | 雷达模拟设备可信度的评估方法及评估系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102955902A CN102955902A (zh) | 2013-03-06 |
CN102955902B true CN102955902B (zh) | 2017-02-01 |
Family
ID=47764697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210379017.3A Expired - Fee Related CN102955902B (zh) | 2012-10-09 | 2012-10-09 | 雷达模拟设备可信度的评估方法及评估系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102955902B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105404776B (zh) * | 2015-11-13 | 2018-07-13 | 中国石油天然气股份有限公司 | 一种含腐蚀缺陷的管道的可靠度评价方法 |
AT517836B1 (de) * | 2015-11-19 | 2017-05-15 | Avl List Gmbh | Verfahren und Prüfstand zum Durchführen eines Prüfversuchs für einen Prüfling |
CN105488521B (zh) * | 2015-11-24 | 2018-10-30 | 海纳科德(湖北)科技有限公司 | 一种基于核函数的扩容样本筛选方法 |
CN107945807B (zh) * | 2016-10-12 | 2021-04-13 | 厦门雅迅网络股份有限公司 | 基于静音游程的语音识别方法及其系统 |
CN107832973B (zh) * | 2017-11-29 | 2021-05-28 | 国网山东省电力公司电力科学研究院 | 一种基于多态信息综合评判的设备质量管控的方法 |
CN109032117B (zh) * | 2018-09-06 | 2021-04-06 | 华北电力大学(保定) | 基于arma模型的单回路控制系统性能评价方法 |
CN109993398A (zh) * | 2019-01-26 | 2019-07-09 | 中国人民解放军空军工程大学 | 一种基于误差谱的空地导弹命中精度评估方法 |
CN110879784B (zh) * | 2019-11-22 | 2023-11-14 | 上海无线电设备研究所 | 一种雷达测试数据处理装置及其方法 |
CN111191633B (zh) * | 2020-01-14 | 2023-08-22 | 中国人民解放军国防科技大学 | 一种从已知数据序列中探查目标曲线的方法、系统及介质 |
CN112162286B (zh) * | 2020-09-29 | 2023-08-01 | 中国船舶集团有限公司第七二四研究所 | 一种基于人工智能的雷达探测环境估计方法 |
CN112231786B (zh) * | 2020-10-15 | 2024-01-30 | 北京航天发射技术研究所 | 一种评估仿真模型有效性的通用评估方法及系统 |
CN113552545A (zh) * | 2021-07-21 | 2021-10-26 | 合肥中科环光技术有限公司 | 一种雷达设备探测结果一致性比对方法 |
CN117111018B (zh) * | 2023-10-24 | 2024-02-13 | 珠海正和微芯科技有限公司 | 人体微动检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4348674A (en) * | 1979-07-18 | 1982-09-07 | Siemens Aktiengesellschaft | Apparatus and method for classifying moving targets |
CN101436967A (zh) * | 2008-12-23 | 2009-05-20 | 北京邮电大学 | 一种网络安全态势评估方法及其系统 |
CN102073035A (zh) * | 2010-12-13 | 2011-05-25 | 中国人民解放军国防科学技术大学 | 星载干涉合成孔径雷达系统仿真性能评估方法 |
CN102298140A (zh) * | 2011-05-16 | 2011-12-28 | 中国人民解放军海军航空工程学院 | 基于探测概率几何分布曲线的雷达网抗干扰效能评估方法 |
CN102401892A (zh) * | 2010-09-19 | 2012-04-04 | 中国科学院电子学研究所 | 一种极化干涉合成孔径雷达系统性能评估方法 |
-
2012
- 2012-10-09 CN CN201210379017.3A patent/CN102955902B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4348674A (en) * | 1979-07-18 | 1982-09-07 | Siemens Aktiengesellschaft | Apparatus and method for classifying moving targets |
CN101436967A (zh) * | 2008-12-23 | 2009-05-20 | 北京邮电大学 | 一种网络安全态势评估方法及其系统 |
CN102401892A (zh) * | 2010-09-19 | 2012-04-04 | 中国科学院电子学研究所 | 一种极化干涉合成孔径雷达系统性能评估方法 |
CN102073035A (zh) * | 2010-12-13 | 2011-05-25 | 中国人民解放军国防科学技术大学 | 星载干涉合成孔径雷达系统仿真性能评估方法 |
CN102298140A (zh) * | 2011-05-16 | 2011-12-28 | 中国人民解放军海军航空工程学院 | 基于探测概率几何分布曲线的雷达网抗干扰效能评估方法 |
Non-Patent Citations (1)
Title |
---|
改进型灰色聚类法对航电火控系统仿真可信度评估;高文天等;《火力与指挥控制》;20120415;第37卷(第4期);第54-57页 * |
Also Published As
Publication number | Publication date |
---|---|
CN102955902A (zh) | 2013-03-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102955902B (zh) | 雷达模拟设备可信度的评估方法及评估系统 | |
CN110363387B (zh) | 基于大数据的画像分析方法、装置、计算机设备及存储介质 | |
Yuan et al. | Measuring multifractality of stock price fluctuation using multifractal detrended fluctuation analysis | |
CN109446812A (zh) | 一种嵌入式系统固件安全分析方法及系统 | |
CN109740694A (zh) | 一种基于非监督学习的智能电网非技术性损失检测方法 | |
CN108520357A (zh) | 一种线损异常原因的判别方法、装置及服务器 | |
CN110569876A (zh) | 非侵入式负荷识别方法、装置及计算设备 | |
CN103310235B (zh) | 一种基于参数识别与估计的隐写分析方法 | |
CN109359665B (zh) | 一种基于支持向量机的家电负荷识别方法及装置 | |
Feng et al. | Data mining for abnormal power consumption pattern detection based on local matrix reconstruction | |
CN102194134B (zh) | 基于统计学习对生物特征识别系统的性能指标进行预测的方法 | |
CN110321940A (zh) | 飞行器遥测数据特征提取与分级分类方法及装置 | |
CN101738998A (zh) | 一种基于局部判别分析的工业过程监测系统及方法 | |
Dette et al. | Relevant change points in high dimensional time series | |
CN104281835A (zh) | 基于局部敏感的核稀疏表示的人脸识别方法 | |
CN108228684A (zh) | 聚类模型的训练方法、装置、电子设备和计算机存储介质 | |
CN104794112B (zh) | 时间序列处理方法及装置 | |
CN109685321A (zh) | 基于数据挖掘的事件风险预警方法、电子设备及介质 | |
CN114237046B (zh) | 一种基于sift数据特征提取算法与bp神经网络模型的局部放电模式识别方法 | |
CN111461923A (zh) | 一种基于深度卷积神经网络的窃电监测系统和方法 | |
CN107274025B (zh) | 一种实现用电模式智能识别与管理的系统和方法 | |
CN115542236B (zh) | 电能表运行误差估计方法及装置 | |
CN110096708A (zh) | 一种定标集确定方法及装置 | |
CN110852322A (zh) | 感兴趣区域的确定方法及装置 | |
CN115841338A (zh) | 确定异常用电行为的方法及装置、非易失性存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170201 Termination date: 20171009 |