CN106055577A - 服务化gnss仿真平台中模型智能推荐方法 - Google Patents

Abstract

本发明涉及一种服务化GNSS仿真平台中仿真模型的智能推荐方法。本发明的方法工作流程包括：提取候选模型，组成候选项集；根据候选模型和当前选中模型的接口数目计算所有候选模型对应的接口形状权重；构建条件FP‑tree；同时建立FP‑tree；在候选项集中提取第1项，与当前选中模型组合形成K项集，获得K项集的支持度，若支持度为零，分析用户已选模型集合中模型的权重，去掉权重最低的一项，重新检索，直到获得一个不为零的支持度，重复以上步骤，直到获得所有候选模型对应的支持度；计算各候选模型对应的模型关联关系度，并根据计算结果对候选模型排序，将排序后的模型集合推送到人机交互终端。本发明可以提高仿真任务设计的速度和准确性。

Description

服务化GNSS仿真平台中模型智能推荐方法

技术领域

本发明涉及计算机分布式仿真领域，具体涉及一种服务化GNSS仿真平台中仿真模型的智能推荐方法。

背景技术

全球导航卫星系统(Global Navigation Satellite Systems,GNSS)是以卫星为基础的无线电测时定位导航系统，可为航空、航天、陆地、海洋等方面的用户提供不同精度的在线或离线空间定位数据，目前主要包括GPS、北斗、GLONASS、Galileo四个导航系统。GNSS建设是一个复杂的系统工程，难度高、周期长、耗费资金巨大、涉及学科及专业数量众多，而仿真尤其是数学仿真则为GNSS的前期设计及验证、中期建设及调试、后期商业化应用及优化调整提供了重要的、不可或缺的、廉价有效的验证手段。

随着全球各大GNSS系统的不断发展和完善，GNSS仿真所发挥的作用越来越大、范围越来越广、灵活性和系统精度要求越来越高、解算模型越来越复杂。服务化GNSS仿真平台是最近被提出来的一种GNSS仿真平台，在面向互联网的前提下，结合广义云计算对资源进行共享的理念，实现多开发人员或用户发布并共用仿真模型或资源，达到研究新算法、新设备和扩展新领域的目的。该平台在理论上具有高度的共享和重用能力，可以减少重复开发和投资，提高仿真环境的仿真能力，促进GNSS的发展和应用。胡春生等在服务化集成设计平台的研究中给出了服务化仿真平台的基本构架和运行模式，提出了仿真模型服务化封装的详细过程，并初步提出了模型关联关系的概念及其基本的研究思路。

在服务化GNSS仿真平台中反复提到了仿真模型和仿真任务流程，其具体的概念为：

1、仿真模型。大型仿真系统(包括数学仿真、半物理仿真等)是对系统或平台的功能和性能上的模拟实现。由于对系统整体的数学或物理上的仿真很难直接实现，所以通常将其看作为由一组相互具有物理关联和逻辑关系的功能单元的有机组合，将其分解为若干个既相对独立又相互联系的子系统(包含一个或多个功能单元)，这种子系统更方便使用数学模型或物理模型表示出来，被用来表示的模型即为仿真模型。不同系统的仿真可能包含相同功能的子系统，即可以使用相同的模型参与仿真。

在服务化GNSS仿真平台中，利用上述思想，用户将能够实现部分功能的仿真模型依据统一接口规则共享到平台上。用户在有仿真需求时可以挑选合适的共享模型，组合形成能够实现特定系统功能的仿真任务。

2、仿真任务流程。用户在利用服务化GNSS仿真平台构建仿真任务时，需要调用仿真模型，并配置模型之间输入与输出关系的传递关系，配置完成后形成了一组具有关联关系的模型集合，这个包含配置信息和模型关联关系的模型集合即为仿真任务流程，用户可以直接运行仿真任务流程进行相应的仿真任务，获得最终想要的仿真结果。

随着服务化仿真平台的发展和应用，仿真模型数目会以指数形式增大，并且应用场景和仿真需求不同，需要构造的仿真流程的差异也较大，用户在使用平台设计仿真任务时，需要反复在大量仿真模型中检索合适的模型，如何在大规模数量的模型中迅速找到合适仿真模型成为一个十分重要的问题。因此需要设计一套能够实时为用户推荐仿真模型的方法。

模型之间存在一种特性的关系，这种关系决定的两个模型是否能够建立连接，或是否经常在一起共用，但模型之间的这种关系无法直接从模型本身推出。在利用平台进行仿真时，用户正是遵循了这种关系完成仿真任务设计，因此对用户的使用记录进行统计分析，可以间接得到模型关联关系的估计值，且当用户的仿真任务记录足够大时，所得到的估计值也将足够准确。该估计值可以为仿真模型推荐提供量化依据。

发明内容

本发明的目的是通过提供一种新的面向互联网的服务化GNSS仿真平台中的仿真模型的推荐方法，能够根据已选的部分模型完成自主推理用户即将需要的模型的功能，提高用户在使用服务化GNSS仿真平台进行相关仿真任务设计的速率和准确度，从而提高用户使用仿真平台的效率，减少用户操作时间和学习成本。

本发明提供了一种服务化GNSS仿真平台中仿真模型的智能推荐方法，该方法的工作流程为：步骤1，根据当前选中模型，以及接口形状池的记录，在模型库中提取出所有能够与当前选中模型建立连接关系的候选模型，组成候选项集；步骤2，根据候选模型和当前选中模型的接口数目进行计算，得到所有候选模型对应的接口形状权重；步骤3，将候选项集中所有模型依次与当前选中模型组合形成固连块，在固连块的约束下检索仿真任务记录池，构建条件FP-tree；同时根据仿真任务记录建立FP-tree，用于分析用户已选的各模型的权重值；步骤4，在候选项集中提取第1项，与当前选中模型组合形成K项集，通过检索条件FP-tree获得K项集的支持度，若支持度为零，则根据FP-tree分析用户已选模型集合中模型的权重，去掉权重最低的一项，重新检索，直到获得一个不为零的支持度，计算当前去掉部分模型后剩余模型的权重；步骤5，提取候选项集中下一项，重复步骤4，直到获得所有候选模型对应的支持度；步骤6，计算各候选模型对应的模型关联关系度，并根据计算结果对候选模型排序，将排序后的模型集合推送到人机交互终端。

进一步地，步骤6中的模型关联关系度的计算中包含两种权重因子，即接口形状权重因子和缺失模型后剩余权重因子；接口形状权重因子主要依据前后模型本身的接口数目和建立连接关系的接口数目来确定，其计算公式如下，

$Q_1\left(N\right)=\frac{N_c}{N_{1\left(out\right)}}\·\frac{N_c}{N_{2\left(in\right)}}---\left(1\right)$

其中Q₁(N)表示接口形状权重因子，N_c表示建立连接的接口形状数目，N_1(out)表示建立连接模型中的前一个模型输出接口的数目，N_2(in)表示建立连接模型中后一个模型的输入接口的数目；

缺失模型后剩余权重因子需要通过分别求取包含用户已选的全部模型和去掉一部分模型的两个集合的支持度来确定，计算公式如下

$Q_2\left(N_j\right)=1-\frac{Sup\left(F_n\right)}{Sup\left(F_n{N}_j\right)}---\left(2\right)$

其中Q₂(N_j)表示事务项集中缺失一些模型后的剩余权重因子，Sup()为对应模型集合在仿真任务记录中的支持度计数，F_n表示用户已经配置完的n个模型，N_j是在用户已经配置完成的n个模型中需要去掉的部分模型；

进一步地，步骤6中的模型关联关系度计算公式为

$I_k=\frac{b+Sup\left(\right(F_n-N_j)\∪M_k)}{b+\underset{i=1}{\overset{m}{\Σ}}Sup\left(\right(F_n-N_j)\∪M_i)}\×\[a_1\·Q_1\left(N\right)+a_2\·Q_2\left(N_j\right)\]---\left(4\right)$

其中I_k表示候选模型集合中第k个模型与被连接模型的模型关联关系度，M_k表示能够与当前模型建立连接关系的候选模型集合中的第k个模型，b为模型在刚加入平台中时设置的初始数目，a₁为接口形状权重系数，a₂为缺失模型后剩余权重系数，且a₁+a₂＝1。

有益效果

本发明根据用户当前的仿真任务设计情况，自动解算了仿真任务的记录库，为用户提供了下一步设计中可能用到的仿真模型，所有运算过程均由软件后台完成，在不影响用户操作的情况下，为用户在仿真任务设计过程中起到一定的辅助作用，大大提高了用户的仿真任务设计的准确性和仿真任务设计效率。尤其是对仿真任务相关学科不熟悉的用户，具有很大的帮助作用。

本发明可以广泛用于同类服务化分布式仿真或集成设计平台中，可以提高仿真任务设计的速度和准确性，对仿真任务的设计具有一定指导意义，具有广阔的市场前景和应用价值。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明中的条件FP-tree的基本结构；

图2为本发明的智能推荐方法的基本流程框图；

图3为本发明的智能推荐方法在服务化GNSS仿真平台中的基本构架；

图4为对单颗卫星伪距进行仿真的仿真任务流程。

具体实施方式

下面将参考附图并结合实施例来详细说明本发明。

本发明中提出了以下几点概念以便于方法的正常使用：

1、接口形状。仿真模型在封装后以统一的接口对外表现，主要包括输入接口、输出接口、初始化接口三类，其中输入接口和输出接口是用于在模型之间建立关系的，但并非任意模型之间都能够建立起关系，通常对于数学模型来讲，只有输入输出之间存在相同的量纲关系时才能够建立连接关系。由于仿真模型可能包含多个输入或输出，所以本发明中规定，任意一个输入或输出均为一个模型接口，每个模型接口根据量纲和资源属性确定其接口形状。在不同模型之间，只有输入接口和输出接口含有相同形状的两个模型才能建立关联关系。

2、模型关联关系。在利用多个仿真模型组合形成仿真任务时，仿真模型间需要建立一种特殊的关系来确定模型之间资源的传递(如数学仿真模型的输入输出参数信息等)，这种关系即为仿真模型关联关系。

3、模型关联关系度。能够与同一仿真模型建立关系的几个模型，他们构成的关系在一定程度上不一定是等价的，即他们与同一模型的亲疏程度会有所不同，这种亲疏程度表现出了用户在建立仿真任务时的习惯偏好。本发明中将这种模型之间的亲疏程度定义为模型关联关系度，将模型关联关系度进行量化分析，可以得到不同模型之间的亲疏程度排序。

4、条件FP-tree。本发明在传统FP-tree的基础上，提出了固连块的概念，形成一种具有一定条件约束的FP-tree数据记录结构。固连块是把与FP-tree根节点直接相连的节点换成固定的连结体，连结体由候选模型对应的节点和当前用户选中模型对应的节点构成。在固连块之后的节点采用与传统FP-tree相同的构建方法，每个条件FP-tree的固连块的数目由候选模型数目决定。这样在针对每个候选模型做FP-tree检索时，可以直接检索其对应固连块下的分枝，其余固连块下的分枝可以直接被剪枝。这样可以节省大量检索时间，提高推荐方法效率。如图1为一个在固连块约束下的条件FP-tree基本结构，图中E、F、G、H为根据接口形状池检索出的候选模型，D为当前用户选中的模型，A、B、C为用户已选的其他模型。

作为推荐模型的唯一依据，模型关联关系度计算方法如下：

在模型关联关系度的计算中包含两种权重因子，即接口形状权重因子和缺失模型后剩余权重因子，这两种因子是影响模型关联关系度的两项主要因素。其中接口形状权重因子描述的是连接成功的接口在前后两个模型的接口中所占的比例；缺失模型后剩余权重因子体现的是在仿真任务记录项集中，缺少某个或某几个模型后剩余模型集合在整个模型集合中所占的比重。

接口形状权重因子在计算过程中主要依据前后模型本身的接口数目和建立连接关系的接口数目来确定，其计算公式如下，

$Q_1\left(N\right)=\frac{N_c}{N_{1\left(out\right)}}\·\frac{N_c}{N_{2\left(in\right)}}---\left(1\right)$

其中Q₁(N)表示接口形状权重因子，N_c表示建立连接的接口形状数目，N_1(out)表示建立连接模型中的前一个模型输出接口的数目，N_2(in)表示建立连接模型中后一个模型的输入接口的数目。

缺失模型后剩余权重因子需要通过分别求取包含用户已选的全部模型和去掉一部分模型的两个集合的支持度，进而通过相应的计算公式得到剩余模型的权重值。

剩余权重因子的计算公式如下

$Q_2\left(N_j\right)=1-\frac{Sup\left(F_n\right)}{Sup(F_n\backslash N_j)}---\left(2\right)$

其中Q₂(N_j)表示事务项集中缺失一些模型后的剩余权重因子，Sup()为对应模型集合在仿真任务记录中的支持度计数。F_n表示用户已经配置完的n个模型，N_j是在用户已经配置完成的n个模型中需要去掉的部分模型。

模型关联关系度主要是针对已有记录的统计和分析，在统计计算中主要考察了各个模型与已选模型形成任务流程后的模型项集在整个记录中的支持度计数，计算出对应模型的比例关系，因此，模型关联关系度的计算公式如下

$I_k=\frac{Sup\left(\right(F_n-N_j)\∪M_k)}{\underset{i=1}{\overset{m}{\Σ}}Sup\left(\right(F_n-N_j)\∪M_i)}\×\[a_1\·Q_1\left(N\right)+a_2\·Q_2\left(N_j\right)\]---\left(3\right)$

上述公式对后加入模型可能会有一定的影响，因此为了对后加入模型有一定的排序保护，将公式3修改为

$I_k=\frac{b+Sup\left(\right(F_n-N_j)\∪M_k)}{b+\underset{i=1}{\overset{m}{\Σ}}Sup\left(\right(F_n-N_j)\∪M_i)}\×\[a_1\·Q_1\left(N\right)+a_2\·Q_2\left(N_j\right)\]---\left(4\right)$

其中I_k表示候选模型集合中第k个模型与被连接模型的模型关联关系度，M_k表示能够与当前模型建立连接关系的候选模型集合中的第k个模型，b为模型在刚加入平台中时设置的初始数目，为了不影响后续模型的统计信息，b的取值不宜过大，通常选取在100左右。a₁为接口形状权重系数，a₂为缺失模型后剩余权重系数，且a₁+a₂＝1。

a₁和a₂的值主要由用户进行配置，希望模型的全部接口能够快速建立连接的用户可以将a₁的值配置的相对更高一些，而希望参考已有设计任务记录的用户可以将a₂的值配置的相对更高一些。若a₁＝0，则表示用户完全依据任务设计流程记录对候选模型排序；若a₂＝0，则表示完全不考虑缺失模型对排序结果的影响，计算结果将主要受两个连接模型的接口形状数目和可建立连接接口形状数目影响。

本发明在服务化GNSS仿真平台运行原理的基础上，结合服务化仿真模型的基本性质及大规模记录数据的特点，综合考虑仿真模型的元数据信息、模型接口形状、关联关系、仿真任务流程等信息，给出了用于模型的智能推荐的逻辑推理方法，包括推荐模块的运行流程和量化指标的计算方法。

本发明的推荐方法是根据使用该仿真平台的所有用户的任务设计记录等进行数据挖掘工作，找出与当前用户所选仿真模型有关的、可能即将用到的模型。本发明所述的模型是在面向服务的分布式仿真环境中能够完成某种特定功能的单元，该模型具有“独立”、“可组合”、“可配置”、“接口标准统一”几种性质，其他具有相似性质的环境或应用软件中也可使用该方法进行相关推理。

本发明中的仿真模型智能推荐方法指的是在服务化GNSS仿真平台或类似环境中，根据用户已选择模型的集合进行推理，结合平台的仿真任务记录，给出用户下一步可能需要用到的模型，并根据可能性的大小进行排序的方法和过程。

本发明是一种能够根据模型关系进行推理的智能推荐方法，方法中定义了模型接口形状并用于模型关系的推理，并且为方便快速检索模型数据，设计了具有条件约束的FP-tree数据压缩结构。该方法在实施中主要应用在服务化的分布式仿真平台上，方法可构建在平台中的一台单独的服务器上，通过读取用户在人机交互界面上的操作自动执行。推荐方法在仿真平台中所需的基本构架如图3，主要包括数据存储服务器(仿真模型描述文件存储服务器、接口形状描述文件存储服务器、仿真任务记录存储服务器等)、仿真模型服务终端、人机交互终端、推荐方法服务器等。

推荐方法模块需建立在仿真平台存在完整数据记录的基础上，包括仿真模型库，接口形状库，仿真任务记录，因此仿真平台中需建立上述记录的存储服务器。以下是上述记录的部分文件格式示例(以RDF记录格式为例)，文件记录只要满足方法的功能需求即可，不限于RDF格式。

(1)仿真模型资源描述示例(以RDF文件格式为例)

(2)仿真流程记录文件格式(以RDF文件格式为例)

下面以利用平台对单颗卫星的伪距进行仿真(仿真任务流程如图4)为例简述一下推荐方法，假设用户通过人机交互终端已经选取了用户轨迹生成模型、WGS84椭球模型、坐标转换模型(BLH-XYZ)、卫星高度角和方位角求取模型。

步骤1，用户使用鼠标选中卫星高度角和方位角求取模型。人机交互终端会将当前用户操作信息传送给推荐方法服务器，服务器根据用户当前选中的模型，检索接口形状池的记录，在模型库中提取出所有能够与当前选中模型建立连接关系的模型，组成候选项集{Klobuchar8参数电离层延迟模型，Hopfield对流层延迟模型，Saastamoinen模型等}。

步骤2，推荐方法服务器根据候选模型和当前模型的接口数目进行计算，分别得到所有候选模型对应的接口形状权重({Klobuchar8，0.14}，{Hopfield，0.4}，{Saastamoinen，0.4})。

步骤3，推荐方法服务器将候选项集中每个模型分别与当前选中模型组合形成固连块({Klobuchar8，卫星高度角和方位角求取},{Hopfield，卫星高度角和方位角求取}，{Saastamoinen，卫星高度角和方位角求取}等)，并在固连块的约束下检索仿真任务记录池，构建一个条件FP-tree，暂存在内存中。

步骤4，同时服务器利用仿真任务记录池的检索结果构建FP-tree，并结合用户已选取的所有模型计算各个已选模型的权重值。

步骤5，服务器在候选项集中提取第1项，与当前用户已选模型组合形成K项集，通过检索条件FP-tree获得K项集的支持度；若支持度为零，则根据FP-tree分析用户已选模型集合中模型的权重，去掉权重最低的模型，重新检索。直到获得一个不为零的支持度。

步骤6，服务器根据去掉的模型计算剩余权重值

步骤7，提取候选项集中下一项，重复步骤5、6，直到获得所有候选模型对应的支持度和剩余权重值。

步骤8，服务器将所有候选模型的支持度和权重根据模型关联关系度的计算方法进行计算，并根据计算结果进行排序，得到带有模型关联关系度的有序候选模型集合({Klobuchar8，0.35}，{Hopfield，0.3}，{Saastamoinen，0.2}等)

步骤9，推荐方法服务器将计算结果推送到人机交互界面，用户可以根据推荐结果选取下一个需要用到的模型。

本发明主要根据用户利用平台进行仿真任务设计的操作，结合之前的仿真任务记录等数据，智能推理用户可能需要的模型，为用户提供一个参考的可选模型的有序集合，减少了用户在大量模型库中检索模型的工作，提高仿真任务设计的效率。可以广泛用于各类模块化分布式仿真或集成设计平台中，具有提高仿真任务设计的速度和准确性的作用。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种服务化GNSS仿真平台中仿真模型的智能推荐方法，其特征在于：所述模型推荐方法的工作流程为：

步骤1，根据当前选中模型，以及接口形状池的记录，在模型库中提取出所有能够与当前选中模型建立连接关系的候选模型，组成候选项集；

步骤2，根据候选模型和当前选中模型的接口数目进行计算，得到所有候选模型对应的接口形状权重；

步骤3，将候选项集中所有候选模型依次与当前选中模型组合形成固连块，在固连块的约束下检索仿真任务记录池，构建条件FP-tree；同时根据仿真任务记录建立FP-tree，用于分析用户已选的各模型的权重值；

步骤4，在候选项集中提取第1项，与当前选中模型组合形成K项集，通过检索条件FP-tree获得K项集的支持度，若支持度为零，则根据FP-tree分析用户已选模型集合中模型的权重，去掉权重最低的一项，重新检索，直到获得一个不为零的支持度，计算当前去掉部分模型后剩余模型的权重；

步骤5，提取候选项集中下一项，重复步骤4，直到获得所有候选模型对应的支持度；

步骤6，计算各候选模型对应的模型关联关系度，并根据计算结果对候选模型排序，将排序后的模型集合推送到人机交互终端。

2.根据权利要求1所述的方法，其特征在于，所述步骤6中的模型关联关系度的包括接口形状权重因子和缺失模型后剩余权重因子；所述接口形状权重因子依据前后模型本身的接口数目和建立连接关系的接口数目来确定，其计算公式如下，

$Q_1\left(N\right)=\frac{N_c}{N_{1\left(out\right)}}\·\frac{N_c}{N_{2\left(in\right)}}---\left(1\right)$

其中Q₁(N)表示接口形状权重因子，N_c表示建立连接的接口形状数目，N_1(out)表示建立连接模型中的前一个模型输出接口的数目，N_2(in)表示建立连接模型中后一个模型的输入接口的数目；

缺失模型后剩余权重因子通过分别求取包含用户已选的全部模型和去掉一部分模型的两个集合的支持度来确定，计算公式如下

$Q_2\left(N_j\right)=1-\frac{Sup\left(F_n\right)}{Sup(F_n\backslash N_j)}---\left(2\right)$

其中Q₂(N_j)表示事务项集中缺失一些模型后的剩余权重因子，Sup()为对应模型集合在仿真任务记录中的支持度计数，F_n表示用户已经配置完的n个模型，N_j是在用户已经配置完成的n个模型中需要去掉的部分模型。

3.根据权利要求1所述的方法，其特征在于，所述步骤6中的模型关联关系度计算公式为

$I_k=\frac{b+Sup\left(\right(F_n-N_j)\∪M_k)}{b+\underset{i=1}{\overset{m}{\mathrm{\Σ}}}Sup\left(\right(F_n-N_j)\∪M_i)}\×\[a_1\·Q_1\left(N\right)+a_2\·Q_2\left(N_j\right)\]---\left(4\right)$

其中I_k表示候选模型集合中第k个模型与被连接模型的模型关联关系度，M_k表示能够与当前模型建立连接关系的候选模型集合中的第k个模型，b为模型在刚加入平台中时设置的初始数目，a₁为接口形状权重系数，a₂为缺失模型后剩余权重系数，且a₁+a₂＝1。