CN109670202A - 一种基于云模型的仿真可信度评估方法 - Google Patents

Abstract

本发明公开了一种基于云模型的仿真可信度评估方法，该方法包括以下步骤：深入分析某型装备系统和可信度分析方法，建立基于模型装备的可信度评估指标体系；提出基于均匀分布的一维逆向云算法，用于改进基于云模型的仿真可信度评估方法；将基于云模型的仿真可信度算法应用于仿真系统的可信度评估体系。本发明不仅可以准确计算数据的期望值信息，而且在聚合过程中还将评估值数据的分散度信息和凝聚度信息纳入其中，综合考虑了评估值数据的完整信息，通过设计相应软件将每一个节点的云参数数据进行输出和判断，还可以对错误数据及时剔除并作进一步更高准确度的评估。

Description

一种基于云模型的仿真可信度评估方法

技术领域

本发明属于计算机仿真领域，尤其涉及一种基于云模型的仿真可信度评估方法。

背景技术

仿真可信度评估可以提高仿真系统的质量，增加仿真系统的认可程度。它作为一个定量概念，是指仿真用户在一定需求下对于特定仿真系统及其仿真结果是否正确的信任程度。抗干扰评估系统只有保证其正确性和可信度，最终得到的评估结果才具有实际应用的价值和意义，因此保证抗干扰评估的可信度是一项非常关键的工作。在实际的仿真可信度评估时：一种方法是根据系统结果和数据特征计算得出近似的评估结果，另一种方法是由相关专家给出评估值，但是由于被评估对象的模糊性和评估人员认识的局限性导致评估人员很难给出精确的评估值，因此仿真可信度评估研究需要针对主观和客观划分、定性和定量转化两个方面展开。

1995年，李德毅院士结合概率理论和模糊数学提出了云模型，利用云模型发生器算法实现了定性和定量有效转换。该模型可以很好地解决评估过程中模糊性和随机性，已在环境、决策、军事和通信等领域广泛应用，但应用到复杂仿真系统可信度评估的研究较少，尤其是底层指标的评估值的获取较为简单。在以往的云模型发生器算法中，一般都是利用正态云模型进行定性定量转换，然而实际仿真系统被评估对象服从均匀分布、幂率分布和泊松分布等非正态分布，现有的正态云模型发生器尚不能处理此类数据信息。

发明内容

本发明的目的在于提供一种基于云模型的仿真可信度评估方法，旨在克服云模型在非正态分布条件下不适用的问题。

本发明是这样实现的，一种基于云模型的仿真可信度评估方法，该方法包括以下步骤：

S1、深入分析某型装备系统和可信度分析方法，建立基于模型装备的可信度评估指标体系；

S2、提出基于均匀分布的一维逆向云算法，用于改进基于云模型的仿真可信度评估方法；

S3、将基于云模型的仿真可信度算法应用于仿真系统的可信度评估体系。

优选地，所述可信度评估指标体系包括环境逼真度、条件覆盖度和数据可信度，选取环境逼真度指标利用上述方法进行评估，涉及数字仿真、半实物仿真和实验环境逼真度的可信度评估。

优选地，所述可信度评估指标体系的可信度评估包括对底层指标和权重值的计算；所述底层指标的定量结果直接转化为云参数，定性结果利用云模型将其转化以云参数为特征的定性结果。

优选地，所述定性结果的量化包括以下步骤：

(1)确定评估人员的权重级别；

(2)利用评估区间值或评估值分布参数按照权重比随机产生一定数量的评估值数据；

(3)利用逆向云算法，将随机产生的评估值数据转化为云模型参数。

优选地，所述步骤S2中，基于云模型的仿真可信度算法包括以下步骤：

(1)数据采集；

(2)数据预处理；

(3)判定数据类型；

(4)计算云模型参数；

(5)计算权重云模型；

(6)评估值聚合。

本发明克服现有技术的不足，提供一种基于云模型的仿真可信度评估方法，本发明基于均匀分布的一维逆向云算法，并将其应用于仿真系统的可信度评估体系。在本发明中，首先，阐述了仿真可信度的重要性，并以实际工程为背景建立了某型装备抗干扰能力评估结果可信度评估指标；其次，运用基于云模型的仿真可信度评估方法对系统进行评估，并对该评估方法进行改进；最后，为了完善该评估方法，推导出基于均匀分布的一维逆向云算法，并且设计实验验证该算法有效。仿真实验表明：该逆向云算法在较大数据时平均绝对误差小于 5％，具有较高应用性，为云模型理论的完善提供一种思路；此外，仿真可信度评估结果表明：该评估方法精度高，包含数据的分散度和凝聚度信息，可以进行更全面评估和错误数据预测。

相比于现有技术的缺点和不足，本发明具有以下有益效果：通过和传统的评估方法相比，本发明不仅可以准确计算数据的期望值信息，而且在聚合过程中还将评估值数据的分散度信息和凝聚度信息纳入其中，综合考虑了评估值数据的完整信息，通过设计相应软件将每一个节点的云参数数据进行输出和判断，还可以对错误数据及时剔除并作进一步更高准确度的评估。

附图说明

图1是评估结果可信度指标体系的总体评估指标；

图2是数字仿真逼真度评估指标；

图3是半实物仿真逼真度指标体系；

图4是试验逼真度指标体系；

图5是试验条件覆盖度指标体系；

图6是数据处理可信度指标体系；

图7是云模型参数误差；

图8是是经典性评估值的频率分布；

图9是方法二原始数据频率分布。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明公开了一种基于云模型的仿真可信度评估方法，该方法包括以下步骤：

S1、深入分析某型装备系统和可信度分析方法，建立基于模型装备的可信度评估指标体系。

通过对仿真系统的深入研究，为了验证某型装备抗干扰能力评估结果可信度建立了评估结果可信度指标体系如图1所示，从仿真环境逼真度、实验条件覆盖度和数据融合可信度三个方面进行评估。本发明选取仿真环境逼真度指标进行评估，它指仿真系统建模与真实战场环境相一致的程度，决定了仿真模型的可用程度，可以从数字仿真、半实物仿真和实验环境逼真度三个方面进行可信度评估。考虑了系统参数测量和估计的有界干扰误差的制导模型为：

1)数字仿真逼真度指标体系

依据该装备数字仿真的特点，将数字仿真逼真度分为六个方面如图2所示，分别为约束条件、数学模型、仿真流程、仿真实现、计算方法和仿真结果。

约束条件逼真度：考察该装备的初始化条件、终端约束条件以及在工作过程中的相关因素的约束条件是否与实际导弹飞行系统相一致，主要考虑这些约束条件的充分性和合理性。

数学模型逼真度：评估参考标准，对数学模型初步校核、验证和确认。其中校核是指仿真或模型是否满足开发者的设计，能否准确完整的从一种形式向另一种形式转化；验证是指仿真或模型对真实事物的复现程度，是否可以在一定误差许可范围内代表真实世界。确认是指模型或仿真对于特定功能的初步校核的过程。

仿真流程逼真度：指仿真过程中的仿真时序是否与实际相一致，是数字仿真的重要指标，主要从完整性和准确性两方面进行评估。

仿真实现逼真度：评估数字仿真对所要实现的功能任务的完成能力，主要从功能和奇值处理两个方面进行评估。功能主要从仿真设计的技术要求以及实际仿真需求进行评估，而奇值处理则从特殊值或者特殊状态的功能实现进行仿真的逼真度考核。

计算方法逼真度：针对数字仿真中所用的模型方法进行评估，主要从计算方法的经典性和有效性两个方面进行评估。

仿真结果逼真度：对仿真结果是否与实际结果相一致进行评估，可以从仿真结果的置信度和仿真结果的可比性两个方面进行评估。

2)半实物仿真逼真度指标体系

半实物仿真相对于数字仿真一般来说造价昂贵、不太灵活和移动性差，但是由于导弹系统实物的接入而对实时性要求比较苛刻，并且在设计与评估导弹复杂的制导控制系统更为有利。它不仅能更加真实地描述导弹的飞行过程，而且导弹的制导控制系统实物接入仿真回路，使我们更深刻、更全面的考察其动态特性，增加仿真试验的可信性，提高仿真试验的可信度。

依据红外空空导弹半实物仿真系统的设计特点，半实物仿真逼真度F₂可以从仿真系统中数字仿真逼真度、实物覆盖度、实时性、数字模块与实物联接和仿真结果等五个方面进行分析，具体指标体系如图3所示。

数字仿真逼真度F₂₁是半实物仿真系统的数字仿真模块，可以参考数字仿真逼真度F₁的评估方法进行评估。实物覆盖度F₂₂从半实物仿真中的实物模块所应覆盖的功能进行评估，反映了实物模块能否实现所应该实现的功能。实时性F₂₃是半实物仿真非常重要的一个参数，实物模块的存在要求仿真的实时性比较强，数字模块和实物模块在时间上达到基本一致。数字与实物联接F₂₄主要从数字平台和实物平台的接口联接和数据联接两个方面进行评估。仿真结果逼真度F₂₅对仿真结果是否与实际结果相一致进行评估，可以对半实物仿真系统的输出进行评估。

3)试验逼真度指标体系

对于试验环境逼真度而言，可以从试验场地、试验条件、试验任务、试验过程、试验方法和试验结果等六个方面进行分析，具体指标体系如图4所示。试验场地逼真度指试验的气候环境、地理环境和大气环境等外界因素与真实条件下逼真程度。试验条件逼真度是指针对与不同的试验任务有相应的试验条件，主要有导弹的初始条件以及导弹在飞行过程中的条件约束真实条件下逼真程度。试验任务逼真度指针对一定目的导弹形成不同的试验任务，其设置的合理性以及完成的完整性对于试验逼真度有很大影响。试验过程逼真度主要指各个阶段下试验状态和每个阶段试验的时序组合与真实条件下的逼真程度。试验方法逼真度指模型在试验时有些方法与真实条件下相应模块的逼真程度。试验结果逼真度针对试验结果进行分析，考察结果的逼真程度。

4)试验条件覆盖度指标体系

覆盖度是度量完整性的一种手段，是仿真有效性的一个度量，对于仿真的可信度有重要影响。试验条件覆盖度主要从数字仿真覆盖度、半实物仿真覆盖度和试验覆盖度三个方面进行评估，每一种仿真覆盖度又从分类覆盖度和每一类分布覆盖度两方面进行评估，具体指标体系如图5所示。

分类覆盖度主要描述试验规划中试验条件战例库的样本空间数据的分类信息，仿真过程的基本要求是要覆盖每一个类别，如果对于某种典型情况有缺失，则仿真的可信度会受很大影响。以可信度评估的高度为例，一般空战在10000m以下进行，因此将空域分为低空、中空、高空三类，分别对应3000m、5000m和9000m的空战高度。对于数字仿真部分由于仿真次数较多，每一类相应的试验规划的次数可以支撑分析其分布，但是对于半实物仿真部分和试验部分由于硬件设备限制无法做大量仿真，因此对每一类试验因素的典型性进行分析。

每一类覆盖度主要描述在某类典型情况下数据的分布情况及抽样方式对覆盖度的影响情况分析。若样本的分布信息比较全面，则在仿真试验时可信度就高，对数据进行抽样评估就会比较准确，因此样本的分布对试验条件的覆盖度也有很大影响。

5)数据可信度指标体系

数据可信度主要针对于评估过程中的评估数据展开，可以从数据来源完整性、算法适用性和融合精度进行评估。数据完整性主要考量抗干扰评估所需数据数量和种类能否满足抗干扰评估要求，可以在抗干扰评估输入端口对数据来源进行统计，以此为依据对数据完整性可信度进行评估，具体指标体系如图6所示。算法适用性可信度主要包括数据预处理算法适用性可信度、结果综合处理方法可信度和数据融合算法适用性可信度三个方面，对数据处理可信度的影响比较大。其中数据预处理主要针对数据重复、不一致和含有不正确的数据的处理工作，对于后面数据的使用有很大影响；结果综合处理方法可信度主要针对仿真结果进行处理，达到实际要求值，一方面可以依据经典方法来进行处理，另一方面也可以依据实际要求对结果进行相应处理。数据融合算法适用性主要考量数据融合的效果，针对不同的数据种类，有不同的数据融合方法，因此对数据融合的评估可以作为对融合后数据的检验。融合精度是数据处理的核心，正确的评价数据处理的精度对于数据的使用具有重要意义。

S2、提出基于均匀分布的一维逆向云算法，用于改进基于云模型的仿真可信度评估方法。

可信度评估指标体系总体结构为递阶层次结构，底层指标和权重值的计算是可信度评估的关键。对底层指标评估时往往有定性结果和定量结果两种情况，定量结果可以直接转化为云参数，定性结果利用云模型将其转化以云参数为特征的定性结果。

对于定量结果，假设底层指标的可信度评估定量结果为r₁，则将其转化为云参数(r₁,0,0)。对于定性结果一般有三种情况：一种是由评估人员直接给出评估区间值[a_i,b_i]或评估值分布参数[μ_i,σ_i]；另一种是由评估人员选出模糊评价集(如{优，良，及格，差})；最后一种是直接由专业人员给出底层指标评估值的云参数。本发明主要针对第一种情况进行讨论，并且直接给出评估值区间更加符合评估人员的思维，第二种情况可以映射为第一种情况，然后转化为云参数，第三种情况可以利用综合云生成器得到结果。

定性结果的量化步骤主要包括：

1)确定评估人员的权重级别；

2)利用评估区间值[a_i,b_i]或评估值分布参数[μ_i,σ_i]按照权重比随机产生一定数量的评估值数据；

3)利用逆向云算法，将随机产生的评估值数据转化为云模型参数。

设数据x分布服从均匀分布U₁(α₁,β₁)，云厚度分布服从均匀分布 U₂(α₂,β₂)，云模型参数为(Ex,En,He)。由云模型原理可知，中间参数En′服从以En为期望、He为标准差的均匀分布，下面利用中心距对云模型三个参数进行推导：

1)期望Ex为云滴定量值x_i的样本均值：

2)用数据的期望和标准差作为云模型参数期望、熵和超熵的估计可得：

x和En′的联合分布为：

令En′＝y，求X的一阶绝对中心距：

结合式(2)，式(4)简化为：

因此熵En的计算公式为:

3)求X的二阶中心距为:

结合式(2)同理可得:

由D(X)＝E(X²)-[E(X)]²可得超熵为:

利用以上求解云模型参数结论，可以得到基于均匀分布的一维逆向云算法如下：

输入：N个云滴样本的数据值x_i(i＝1,2,...,N)，数据和云厚度分布为均匀分布。

输出：云模型参数(Ex,En,He)，数据分布参数(α₁,β₁)，云厚度分布参数(α₂,β₂)。

算法步骤：

step1：据云滴定量值x_i计算样本均值

step2：计算期望

step3：计算熵

step4：计算云滴样本方差

step5：如果S²-En²≥0，则转向步骤step7，否则转向步骤step6；

step6：删除当前样本中距离期望Ex最近的e＝1％样本点，再转向步骤step4；

step7：计算超熵

step8：计算数据x分布参数和云厚度分布参数

在基于正态分布的逆向云算法的有效性验证时，可以通过新算法与现有算法进行比较，但是基于均匀分布的逆向云算法是第一次提出，因此设计逆向云算法的参数误差仿真实验，对该算法进行误差分析。

在实验中，以基于均匀分布的正向云算法产生数据，然后利用基于均匀分布的逆向云算法求解云参数，最后对各参数误差进行分析。可以根据式(1)计算均匀分布区间为和设置基准值为Ex＝25，En＝3，He＝0.3和N＝1000，采用控制变量的方法依次改变基准值，每个实验重复运算100次消除算法中随机误差的影响，最终得出各参数误差和各因素的影响规律，验证逆向云算法的有效性和适用性。具体各因素对云参数的影响如图1所示，由图1可以看出，基于均匀分布的逆向云算法可以有效地对云参数进行估计，各参数误差均在可接受范围内。各参数变化对云参数估计规律如下：均值Ex对云参数估计基本无影响；熵En＜3时误差较小，熵En＞3时随熵值增加误差明显增大；超熵He＞0.3时误差较小，超熵He＜0.3时误差较大，这和正态分布云模型规律不一致；云滴数N 对均值Ex和熵En影响较小，云滴数增加时超熵He明显减小。

S3、将基于云模型的仿真可信度算法应用于仿真系统的可信度评估体系。

在步骤S3中，云模型的可信度评估计算方法具体步骤如下：

(1)数据采集

图2中计算方法逼真度是一个定性指标，可以从计算方法的经典性和有效性两个方面进行评估，本发明采用基于云模型方法对其进行评估，主要选取经典性指标数据进行计算。计算方法经典性评估由8 位专家给出可信度区间评估，并且每一位专家根据在评估领域水平设置一定权重，依次为0.25、0.1667、0.1667、0.0833、0.0833、0.0833、 0.0833和0.0833。对于关键的三种计算方法，专家评估结果如表下1 所示：

表1计算方法经典型评估值

(2)数据预处理

表1为评估人员给出的评估值区间，近似认为区间内评估值等概率均匀分布。假设需要数据总数为N，则对应于各区间的数据量按照评估人员权重等比例分配：

N_i＝N*W_i (10)

其中：W_i为评估人员权重；N_i为第i个评估区间需要产生的数据数量。

(3)判定数据类型

正态分布具有普适性，是很多概率分布的极限分布，广泛存在于自然现象、社会现象、科学技术以及生产活动中，在实际中遇到的许多随机现象都服从或者近似服从正态分布。但是对于可信度评估过程中评估人员较少，产生的数据有时不能用正态分布来近似，因此需要选取合适的分布尽量减少评估误差。

首先对评估数据的平率分布图进行分析，三种计算方法经典性评估值的频率分布如图8所示。

由评估数据的频率分布可以看出方法二的数据分布与正态分布相差较大，接近于均匀分布，因此选取正态分布和均匀分布的概率密度曲线拟合评估数据的频率分布，以残差平方和度量数据分布形式，计算结果如表下2所示：

表2两种拟合方法的残差平方和

由残差平方和结果可知，方法一和方法三在正态分布拟合时残差平方和分别为0.003469和0.002814，远小于均匀分布拟合的残差平方和，因此方法一和方法三选用正态分布云模型，同理方法二选用均匀分布云模型对云参数进行估计。

(4)计算云模型参数

利用基于均匀分布的的逆向云算法和基于正态分布的逆向云算法对表1的专家评估数据进行计算，同时利用简单的加权平均方法进行求解作为对比数据，计算结果如表下3所示：

表3计算方法的经典型指标可信度

分析表3数据可以看出，云参数的期望与加权平均值基本一致，但是附加了评估数据的熵和超熵信息，对最终的可信度评估也有一定影响。云参数的熵值基本一致且在合理范围内，这说明评估值的分散性较好，进一步验证了评估数据的有效性。云参数的超熵比熵值低一个数量级，但是方法二的超熵较大，可能存在数据值出错的风险。进一步对方法二的原始数据频率分布进行分析如图9，可以看出评估数据分成两个相对分散的数据团，导致超熵较大，但是数据整体的熵值较小，数据相对集中，可以作为评估数据进行下一步评估。

同理采用上述经典性指标评估方法对有效性指标进行评估，计算结果如表下4所示：

表4计算方法的有效型指标可信度

(5)计算权重云模型

传统的权重确定方法可以实现对权重值的确定，但是存在很大的模糊性和随机性，为了解决这个问题提出了基于云模型的权重计算方法，它可以很好的减少评估过程中主观性和随意性。权重云模型的方法是在层次分析法的基础上，结合云模型的计算理论，引入了熵和超熵的概念，以此来对对传统数据进行软化。在实际应用中可根据具体研究的问题来对熵和超熵进行调节，下面主要介绍在抗干扰评估可信度分析指标体系中的指标权重的构建。

假设某一指标F含有n个分指标f，并且分指标属于同一层次互相区别，但是又属于同一上级指标，则权重云模型的具体构建步骤如下：

1、构造判断云矩阵

判断矩阵C中的每一个参数均为云模型的期望、熵和超熵，并且是一个n乘n方矩阵，其具体形式如下：

其中判断矩阵C中的每一个对角线元素c_ii的期望、熵、超熵为确定值 Ex_ii＝1,En_ii＝0,He_ii＝0，并且c_ik和c_ki满足如下关系：

2、确定判断云矩阵中的元素

为了确定判断云矩阵中的元素，首先建立类似于1～9标尺的云标尺，其次由相关领域的专家依据云标尺对判断云矩阵中的每一个元素进行评估，最后运用云模型的计算法则对专家评估结果进行综合得到判断云矩阵中的元素。具体实施步骤如下：

2.1、依据指标体系的复杂等级将云标尺分为不同等级，本发明中采用五个等级，同时确定每一个云标尺的期望值如表下5所示：

表5指标重要等级与云模型期望值的对应关系

2.2、依据以往研究基础给出不同重要等级的熵和超熵，具体值如表下6所示：

表6不同重要等级云模型参数

2.3、n个专家提出的n个云模型表示的定性变量可以采用一个综合云来表征，其数字特征可以用下式得出：

3、权重云模型的计算

权重云模型的计算方法以矩阵理论为基础来实现，具体实施步骤如下：

3.1、利用下列公式计算判断云矩阵中每一行元素的乘积

3.2、计算M_i(Ex_i,En_i,He_i)的n次方根W_i，得到向量W＝(W₁,W₂,…,W_n)

3.3、计算权重云向量

对应于矩阵的特征向量对向量W＝(W₁,W₂,...,W_n)归一化，权重的云模型表达形式，其中为同层之间对应于第 i个子指标的权重云模型。权重云模型的计算如式(16)所示：

其中的计算如式(17)所示：

此外式(17)也需要云模型的除法法则，借鉴实数的乘运算法则为，选取任意两个云模型C₁(Ex₁,En₁,He₁)和C₂(Ex₂,En₂,He₂)，云模型的除运算公式推导如下：

即可得到权重云模型

此处假设三种计算方法在经典性和有效性聚合时权重云参数均为(1/3,0,0)，利用式20和式21对各指标的云参数进行聚合，假设各云参数为R_i(Ex_i,En_i,He_i)(i＝1,2,...,n)，聚合公式如下：

(6)评估值聚合

权重W的计算方法采用基于云模型的权重计算方法，上一层指标可信度C_up就是将下一层指标可信度云向量R_down与权重云向量W_down相乘，一层一层聚合得到顶层可信度，计算按式(10)进行：

其中R_i为第i个指标可信度云向量，R_i为第i个指标的权重云向量。

最终计算方法经典性指标F₁₅₁云参数为(0.8250,0.0336,0.0163)，计算方法有效性指标F₁₅₂云参数为(0.8458,0.0375,0.0113)。在实际工程中，对图2中其余指标计算结果如下表7和表8所示：

表7数字仿真逼真度各指标可信度

表8数字仿真逼真度各指标权重

最终数字仿真逼真度F₁计算结果为(0.8769,0.1882,0.0123)，其中参数 0.8769即为数字仿真逼真度，参数0.1882和0.0123分别从不同层次表示逼真度的不确定度。通过和传统的评估方法相比，基于云模型的可信度评估方法可以不仅可以准确计算数据的期望值信息，而且在聚合过程中还将评估值数据的分散度信息和凝聚度信息纳入其中，综合考虑了评估值数据的完整信息。通过设计相应软件将每一个节点的云参数数据进行输出和判断，还可以对错误数据及时剔除并作进一步更高准确度的评估。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于云模型的仿真可信度评估方法，其特征在于，该方法包括以下步骤：

S1、深入分析某型装备系统和可信度分析方法，建立基于模型装备的可信度评估指标体系；

S2、提出基于均匀分布的一维逆向云算法，用于改进基于云模型的仿真可信度评估方法；

S3、将基于云模型的仿真可信度算法应用于仿真系统的可信度评估体系。

2.如权利要求1所述的基于云模型的仿真可信度评估方法，其特征在于，所述可信度评估指标体系包括环境逼真度、条件覆盖度和数据可信度，选取环境逼真度指标利用上述方法进行评估，涉及数字仿真、半实物仿真和实验环境逼真度的可信度评估。

3.如权利要求1所述的基于云模型的仿真可信度评估方法，其特征在于，所述可信度评估指标体系的可信度评估包括对底层指标和权重值的计算；所述底层指标的定量结果直接转化为云参数，定性结果利用云模型将其转化以云参数为特征的定性结果。

4.如权利要求3所述的基于云模型的仿真可信度评估方法，其特征在于，所述定性结果的量化包括以下步骤：

(1)确定评估人员的权重级别；

(2)利用评估区间值[a_i,b_i]或评估值分布参数[μ_i,σ_i]按照权重比随机产生一定数量的评估值数据；

(3)利用逆向云算法，将随机产生的评估值数据转化为云模型参数。

5.如权利要求1所述的基于云模型的仿真可信度评估方法，其特征在于，所述步骤S3中，基于云模型的仿真可信度算法包括以下步骤：

(1)数据采集；

(2)数据预处理；

(3)判定数据类型；

(4)计算云模型参数；

(5)计算权重云模型；

(6)评估值聚合。