CN110362879B - 二层及多层结构的先验融合与更新方法及先验补充方法 - Google Patents

二层及多层结构的先验融合与更新方法及先验补充方法 Download PDF

Info

Publication number
CN110362879B
CN110362879B CN201910552411.4A CN201910552411A CN110362879B CN 110362879 B CN110362879 B CN 110362879B CN 201910552411 A CN201910552411 A CN 201910552411A CN 110362879 B CN110362879 B CN 110362879B
Authority
CN
China
Prior art keywords
prior
fusion
layer
layer structure
priori
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.)
Active
Application number
CN201910552411.4A
Other languages
English (en)
Other versions
CN110362879A (zh
Inventor
周炜恩
姚雯
陈小前
李献斌
郭鹏宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National Defense Technology Innovation Institute PLA Academy of Military Science
Original Assignee
National Defense Technology Innovation Institute PLA Academy of Military Science
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National Defense Technology Innovation Institute PLA Academy of Military Science filed Critical National Defense Technology Innovation Institute PLA Academy of Military Science
Priority to CN201910552411.4A priority Critical patent/CN110362879B/zh
Publication of CN110362879A publication Critical patent/CN110362879A/zh
Application granted granted Critical
Publication of CN110362879B publication Critical patent/CN110362879B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种二层结构的先验融合与更新方法，包括：设置样本数初始值为S(0)和样本增加步长为b；获取更新的系统先验P(0)；设置样本数S(1)，并令S(1)＝S(0)+b；获取更新的系统先验P(1)；计算系统先验P(1)和P(0)间的对称相对熵D(1)；定义循环次数为i，并令i＝1；设置样本数S(i+1)，并令S(i+1)＝S(i)+b；获取更新的系统先验P(i+1)；计算系统先验P(i+1)和P(i)间的对称相对熵D(i+1)；检查对称相对熵D(i+1)和D(i)的数值是否均不大于设定值e，若是，输出更新的系统先验P(i+1)；否则，令i＝i+1，返回步骤7。本发明还公开了一种多层结构的先验融合与更新方法，以及还公开了一种先验补充方法。

Description

二层及多层结构的先验融合与更新方法及先验补充方法
技术领域
本发明涉及卫星系统建模技术领域，尤其涉及一种二层及多层结构的先验融合与更新方法及先验补充方法。
背景技术
在对卫星系统进行不确定性建模时，系统中往往存在着多种先验信息，这些先验信息主要为经验数据、先前实验数据和系统的理论分析结果；而如何对这些先验信息进行合理融合，对卫星系统进行不确定性建模有着重要影响。
现有的先验信息融合方法主要为贝叶斯融合方法(Bayesian Melding Method，BMM)和迭代先验融合与更新方法(Iterative updating procedure based on BayesianMelding Method，I-BMM)；其中，利用贝叶斯融合方法对系统进行不确定性建模时，先利用系统的结构关系，将系统层与子系统层的先验信息进行融合，从而得到更新的子系统层的先验信息；利用迭代先验融合与更新方法对系统进行不确定性建模时，在利用贝叶斯融合方法得到更新的子系统层的先验信息的基础上，再次利用系统的结构关系，得到更新的系统的先验信息，从而用更新后的子系统和系统的先验信息来代替初始先验信息进行迭代更新。
发明人发现现有技术至少存在以下问题：
迭代先验融合与更新方法不能改变更新的先验分布，且在不确定性传播过程中，误差会不断进行积累，导致更新后的先验分布精度不高；同时，由于I-BMM和BMM方法都涉及采样，在实际运用时，很难确定合适的采样数目以获得精度和效率的平衡；此外，BMM和I-BMM主要针对二层结构系统，不能用于对复杂的卫星系统进行多级先验融合与更新。
发明内容
为解决上述现有技术中存在的技术问题，本发明提供一种二层及多层结构的先验融合与更新方法及先验补充方法。
为此，本发明公开了一种二层结构的先验融合与更新方法，所述方法包括如下步骤：
1)定义样本数为S、系统先验为P、以及对称相对熵为D，设置样本数初始值为S(0)和样本增加步长为b；
2)基于样本数初始值S(0)，利用二层结构迭代先验融合与更新方法的单次融合过程，获取更新的系统先验P(0)；
3)设置样本数S(1)，并令S(1)＝S(0)+b；
4)基于样本数S(1)，利用二层结构迭代先验融合与更新方法的单次融合过程，获取更新的系统先验P(1)；
5)计算系统先验P(1)和P(0)间的对称相对熵D(1)；
6)定义循环次数为i，并令i＝1；
7)设置样本数S(i+1)，并令S(i+1)＝S(i)+b；
8)基于样本数S(i+1)，利用二层结构迭代先验融合与更新方法的单次融合过程，获取更新的系统先验P(i+1)；
9)计算系统先验P(i+1)和P(i)间的对称相对熵D(i+1)；
10)检查对称相对熵D(i+1)和D(i)的数值是否均不大于设定值e，若是，输出更新的系统先验P(i+1)；否则，令i＝i+1，返回步骤7。
进一步地，在所述二层结构的先验融合与更新方法中，所述样本数初始值S(0)和所述样本增加步长b根据二层结构的具体结构特征进行确定。
进一步地，在所述二层结构的先验融合与更新方法中，所述设定值e根据实际要求的系统先验的收敛条件具体给定。
进一步地，在所述二层结构的先验融合与更新方法中，所述对称相对熵D利用式6计算；
D＝(DKL(R|Q)+DKL(Q|R))/2 (6)
其中，
Figure BDA0002105871470000021
R(x)和Q(x)分别表示随机变量x的两个概率分布。
本发明还公开了一种多层结构的先验融合与更新方法，多层结构表示系统结构层数不小于三层，所述多层结构的先验融合与更新方法包括如下步骤：
A1)定义多层结构的层数为N，获取多层结构的所有节点的自然先验，定义层级数为k，并令k＝1；
A2)判断k≤N-1是否满足，若是，将k+1层的每一个父节点与其在k层的子节点组成一个二层结构单元，定义k层和k+1层间的二层结构单元总数为Mk，定义二层结构单元编号为j，令j＝1；否则，进入步骤A6；
A3)判断j≤Mk是否满足，若是，进入步骤A4；否则，令k＝k+1，返回步骤A2；
A4)运用上述的二层结构的先验融合与更新方法对第j个二层结构单元进行先验融合与更新处理，获取第j个二层结构单元的所有节点的更新先验，并用更新先验替换自然先验；
A5)令j＝j+1，返回步骤A3；
A6)定义层级数为n，并令n＝N-1；
A7)判断n≥2是否满足，若是，将n层的每一个父节点与其在n-1层的子节点组成一个二层结构单元，定义n-1层和n层间的二层结构单元总数为Mn-1，定义二层结构单元编号为m，令m＝1；否则，进入步骤A11；
A8)判断m≤Mn-1是否满足，若是，进入步骤A9；否则，令n＝n-1，返回步骤A7；
A9)运用上述的二层结构的先验融合与更新方法对第m个二层结构单元进行先验融合与更新处理，获取第m个二层结构单元的所有节点的更新先验，并用更新先验替换原有先验；
A10)令m＝m+1，返回步骤A8；
A11)输出多层结构的所有节点的更新先验。
本发明还公开了一种先验补充方法，所述先验补充方法用于实现二层结构或多层结构中部分节点缺失的先验分布的补充和更新，所述先验补充方法包括如下步骤：
B1)利用均匀分布代替所述部分节点缺失的先验分布；
B2)针对二层结构，运用上述的二层结构的先验融合与更新方法进行先验融合与更新处理，获取所述部分节点的更新先验分布；
针对多层结构，运用上述的多层结构的先验融合与更新方法进行先验融合与更新处理，获取所述部分节点的更新先验分布；
B3)利用获取到的所述部分节点的更新先验分布替换相对应的所述部分节点的初始假定的先验分布，以作为所述部分节点的自然先验。
本发明的二层及多层结构的先验融合与更新方法及先验补充方法能够应用于二层结构系统及具有二层以上结构的复杂系统，在进行先验融合与更新的过程中能够充分考虑系统自身结构和层级耦合关系对不确定性的传递影响，能够将各层级的不确定性先验信息进行充分融合，有效地集成多源信息，实现各层级不确定性模型的一致性；同时，利用序贯增加样本点的方式来确定合理的采样数目，能够提升不确定性分布的建模准确性；此外，利用先验补充方法能够对缺失部分先验信息的系统进行缺失先验的补充更新，有助于提高系统可靠性或其他不确定性分析的精度。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本发明的一部分，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为现有技术的二层结构迭代先验融合与更新方法的单次融合过程示意图；
图2为本发明一个实施例的二层结构的先验融合与更新方法的流程图；
图3为本发明一个实施例的多层结构的先验融合与更新方法的流程图；
图4为多层结构的先验融合与更新方法中N层结构的二层结构单元构建方式示意图；
图5为本发明一个实施例的先验补充方法的流程图；
图6为本发明一个实施例的包含未知先验的二层结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
以下结合附图，详细说明本发明实施例提供的技术方案。
本发明中所提及的二层结构迭代先验融合与更新方法表示现有技术的迭代先验融合与更新方法(Iterative updating procedure based on Bayesian Melding Method，I-BMM)，该迭代先验融合与更新方法的具体步骤及原理如下所述。
具体地，二层结构迭代先验融合与更新方法的单次融合过程如附图1所示；定义二层结构为φ＝M(θ)，θ表示二层结构中子系统的可靠性向量，φ为二层结构系统的可靠性，M表示子系统与系统之间的可靠性关系；在不考虑系统结构的情况下，通过经验数据、先前实验数据和系统的理论分析结果获得的子系统或系统的先验称为自然先验，以q1(θ)和q2(φ)来分别表示子系统自然先验和系统自然先验；基于子系统自然先验q1(θ)和二层结构φ＝M(θ)，可计算得到一个诱导系统先验
Figure BDA0002105871470000051
若模型为可逆的，则诱导系统先验
Figure BDA0002105871470000052
可利用下述式1计算获取；若模型为不可逆的，则诱导系统先验
Figure BDA0002105871470000053
通过数值计算方法(如非参数密度估计)计算获取。
Figure BDA0002105871470000054
其中，J(φ)表示雅可比矩阵。
进一步地，由于诱导系统先验
Figure BDA0002105871470000055
和系统自然先验q2(φ)均与φ相关，且分别包含了不同的先验信息，基于几何融合方法，可以对诱导系统先验
Figure BDA0002105871470000056
和系统自然先验q2(φ)进行融合，以获取一个融合系统先验
Figure BDA0002105871470000057
融合系统先验
Figure BDA0002105871470000058
可利用下述式2计算。
Figure BDA0002105871470000059
对于连续变量，式2可转化为式3；对于离散变量，式2可转化为式4。
Figure BDA00021058714700000510
Figure BDA00021058714700000511
其中，kα表示归一化常数，α表示融合权重。
进一步地，由于φ通过二层结构φ＝M(θ)与θ相关联，基于子系统自然先验q1(θ)、诱导系统先验
Figure BDA00021058714700000512
和融合系统先验
Figure BDA00021058714700000513
可获取一个更新的子系统先验qθ(θ)，更新的子系统先验qθ(θ)可利用下述式5计算获取。
Figure BDA0002105871470000061
对于二层结构φ＝M(θ)，由于φ对应的更新先验可以通过θ的更新先验得到，基于θ的更新先验，可得到更新的系统先验qφ(φ)；从而用更新的子系统先验qθ(θ)和系统先验qφ(φ)代替原有的子系统自然先验q1(θ)和系统自然先验q2(φ)，以形成迭代更新；由于现有的二层结构迭代先验融合与更新方法不能改变子系统和系统的更新先验分布，由此只需一次更新过程即可形成更新的子系统先验和系统先验，完成先验融合更新。可知，现有技术的迭代先验融合与更新方法只能适用于二层结构，且难以确定合理的样本数，更新的先验精度较低。
如附图2所示，本发明实施例提供了一种二层结构的先验融合与更新方法，该方法包括如下步骤：
1)定义样本数为S、系统先验为P、以及对称相对熵为D，设置样本数初始值为S(0)和样本增加步长为b；
2)基于样本数初始值S(0)，利用二层结构迭代先验融合与更新方法(I-BMM)的单次融合过程，获取更新的系统先验P(0)；
3)设置样本数S(1)，并令S(1)＝S(0)+b；
4)基于样本数S(1)，利用二层结构迭代先验融合与更新方法(I-BMM)的单次融合过程，获取更新的系统先验P(1)；
5)计算系统先验P(1)和P(0)间的对称相对熵D(1)；
6)定义循环次数为i，并令i＝1；
7)设置样本数S(i+1)，并令S(i+1)＝S(i)+b；
8)基于样本数S(i+1)，利用二层结构迭代先验融合与更新方法(I-BMM)的单次融合过程，获取更新的系统先验P(i+1)；
9)计算系统先验P(i+1)和P(i)间的对称相对熵D(i+1)；
10)检查对称相对熵D(i+1)和D(i)的数值是否均不大于设定值e，若是，输出更新的系统先验P(i+1)；否则，令i＝i+1，返回步骤7。
其中，样本数初始值S(0)和样本增加步长b根据二层结构的具体结构特征进行确定。
设定值e根据实际要求的系统先验的收敛条件具体给定。
由于在二层结构的先验融合与更新过程中，采样是一个重要的影响因素，采样数越大，所获得的更新先验的精度越高，但同时会造成计算成本增大；本发明实施例中，为了实现效率和精度的平衡，根据上述阐述可知，本发明实施例提供的二层结构的先验融合与更新方法通过利用序贯增加样本点的方式，来实现系统和子系统层的先验更新，直到更新的先验的收敛性满足设定要求。具体地，先通过设置的一个适中的样本数开始并以设置的一定的样本步长序贯增加样本数，随着样本数的不断增加，子系统先验和系统先验会被不断更新；在初始阶段，由于样本数的基数相对较小，样本数的增加变化较大，更新的子系统先验和系统先验由于样本数的增加会产生较大变化；当样本数增加到一定程度时，更新先验会逐渐趋于稳定，此时更新先验受样本数的影响小，当更新先验受样本数的影响小于一定程度时，即可确定最终的更新先验。
其中，为了便于判断逐步增加样本数获得的更新先验的收敛性是否满足设定要求，本发明实施例利用对称相对熵(symmetric Kullback-Leibler Divergence，SKLD)对相邻两次序贯加点过程获得的更新先验的一致性进行比较，当对称相对熵满足要求时，表明更新先验的收敛性满足设定要求。
对称相对熵D利用式6计算；
D＝(DKL(R|Q)+DKL(Q|R))/2(6)
其中，
Figure BDA0002105871470000071
R(x)和Q(x)分别表示随机变量x的两个概率分布。
如此，当连续两次的相邻两次序贯加点过程获得的对应的更新先验的对称相对熵小于或等于设定值e时，表明更新先验间的差异很小，即随着样本数的增加基本上不再发生变化，更新先验稳定收敛，已达到较高精度。
在实际工程应用中，系统结构为多层结构的情况更为常见，为了实现对多层结构的先验信息的融合与更新，如附图3所示，本发明实施例还提供了一种多层结构的先验融合与更新方法，多层结构表示系统结构层数不小于三层，该多层结构的先验融合与更新方法包括如下步骤：
A1)定义多层结构的层数为N，获取多层结构的所有节点的自然先验，定义层级数为k，并令k＝1；
A2)判断k≤N-1是否满足，若是，将k+1层的每一个父节点与其在k层的子节点组成一个二层结构单元，定义k层和k+1层间的二层结构单元总数为Mk，定义二层结构单元编号为j，令j＝1；否则，进入步骤A6；
A3)判断j≤Mk是否满足，若是，进入步骤A4；否则，令k＝k+1，返回步骤A2；
A4)运用上述的二层结构的先验融合与更新方法对第j个二层结构单元进行先验融合与更新处理，获取第j个二层结构单元的所有节点的更新先验，并用更新先验替换自然先验；
A5)令j＝j+1，返回步骤A3；
A6)定义层级数为n，并令n＝N-1；
A7)判断n≥2是否满足，若是，将n层的每一个父节点与其在n-1层的子节点组成一个二层结构单元，定义n-1层和n层间的二层结构单元总数为Mn-1，定义二层结构单元编号为m，令m＝1；否则，进入步骤A11；
A8)判断m≤Mn-1是否满足，若是，进入步骤A9；否则，令n＝n-1，返回步骤A7；
A9)运用上述的二层结构的先验融合与更新方法对第m个二层结构单元进行先验融合与更新处理，获取第m个二层结构单元的所有节点的更新先验，并用更新先验替换原有先验；
A10)令m＝m+1，返回步骤A8；
A11)输出多层结构的所有节点的更新先验。
具体地，对于如何在多层结构中构建二层结构单元，以下进行示例说明。
如附图4所示，对于N层结构，按升序从底层至顶层对系统层级进行编号，底层为最小的组件层，编号1，顶层为系统层，编号为N，中间层编号为2至N-1；设定第k层(2≤k≤N)的第j个节点为Nodekj。则与节点Nodekj有关的第k-1层的节点为节点Nodekj的子节点，节点Nodekj为这些子节点的父节点；对于第一层至第N-1层的所有节点，每个节点有且仅有一个父节点，k层的每一个父节点与其在k-1层的子节点组成一个二层结构单元；因此，二层结构单元从底层至顶层逐步形成，直至包含所有的子系统层节点及系统层节点。
本发明实施例提供的多层结构的先验融合与更新方法通过将多层结构划分为多个二层结构单元，在每一个二层结构单元上运用上述的二层结构的先验融合与更新方法来实现先验融合与更新。其中，利用步骤A2至A5的循环过程，使二层结构单元从底层至顶层进行更新，以使先验信息从底层组件层自下而上逐层传播至顶层系统层，并充分融合；在顶层系统层更新完成后，利用步骤A6至A10的循环过程，使二层结构单元从顶层至底层进行更新，以使高层级的先验信息自上而下逐层传播至底层组件层；能够实现多层结构的先验信息的充分融合与更新，提高更新先验的精度。
在实际工程应用中，某些系统中可能由于信息或者知识的缺乏，很难获得系统中所有节点的先验信息，为了降低缺失的节点的先验信息的影响，如附图5所示，本发明实施例还提供了一种先验补充方法，该先验补充方法用于实现二层结构或多层结构中部分节点缺失的先验分布的补充和更新，该先验补充方法包括如下步骤：
B1)利用均匀分布代替上述部分节点缺失的先验分布；
B2)针对二层结构，运用上述的二层结构的先验融合与更新方法进行先验融合与更新处理，获取上述部分节点的更新先验分布；
针对多层结构，运用上述的多层结构的先验融合与更新方法进行先验融合与更新处理，获取上述部分节点的更新先验分布；
B3)利用获取到的上述部分节点的更新先验分布替换相对应的部分节点的初始假定的先验分布，以作为上述部分节点的自然先验。
具体地，本发明实施例提供的先验补充方法先利用“模糊”的分布(如均匀分布)来表示缺失的先验分布，利用系统层级间的关系，将信息通过层级结构进行传递，从而将“模糊”的分布更新为包含其他层级信息的分布，再利用更新的先验分布来代替“模糊”的分布，以实现缺失的先验分布的补充和更新。
以下以二层结构为例，具体说明本发明实施例提供的先验补充方法。
如附图6所示，设定子系统2的自然先验未知，其他子系统1和3、以及系统的自然先验已知，定义系统的自然先验为SP，子系统1的自然先验为P1，子系统3的自然先验为P3；对于子系统2的自然先验，先利用“模糊”的分布表示，如均匀分布，定义为U，利用上述的二层结构的先验融合与更新方法融合其他子系统和系统的自然先验，获取子系统2的更新先验分布，定义子系统2的更新先验为P2，将P2作为子系统2的自然先验。
可见，本发明实施例提供的二层及多层结构的先验融合与更新方法及先验补充方法能够应用于二层结构系统及具有二层以上结构的复杂系统，在进行先验融合与更新的过程中能够充分考虑系统自身结构和层级耦合关系对不确定性的传递影响，能够将各层级的不确定性先验信息进行充分融合，有效地集成多源信息，实现各层级不确定性模型的一致性；同时，利用序贯增加样本点的方式来确定合理的采样数目，能够提升不确定性分布的建模准确性；此外，利用先验补充方法能够对缺失部分先验信息的系统进行缺失先验的补充更新，有助于提高系统可靠性或其他不确定性分析的精度。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。此外，本文中“前”、“后”、“左”、“右”、“上”、“下”均以附图中表示的放置状态为参照。
最后应说明的是：以上实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (5)

1.一种二层结构的先验融合与更新方法，其特征在于，所述方法包括如下步骤：
1)设定：P表示卫星系统结构的系统先验、S表示系统先验的样本数、以及D表示对称相对熵，根据卫星系统结构的结构特征设定样本数初始值S(0)和样本增加步长b；
2)基于样本数初始值S(0)，利用二层结构迭代先验融合与更新方法的单次融合过程，获取更新的系统先验P(0)；
3)设置样本数S(1)，并令S(1)＝S(0)+b；
4)基于样本数S(1)，利用二层结构迭代先验融合与更新方法的单次融合过程，获取更新的系统先验P(1)；
5)计算系统先验P(1)和P(0)间的对称相对熵D(1)；
6)定义循环次数为i，并令i＝1；
7)设置样本数S(i+1)，并令S(i+1)＝S(i)+b；
8)基于样本数S(i+1)，利用二层结构迭代先验融合与更新方法的单次融合过程，获取更新的系统先验P(i+1)；
9)计算系统先验P(i+1)和P(i)间的对称相对熵D(i+1)；
10)检查对称相对熵D(i+1)和D(i)的数值是否均不大于设定值e，若是，输出更新的系统先验P(i+1)；否则，令i＝i+1，返回步骤7；
其中，卫星系统结构的系统先验为卫星系统的理论实验数据；
定义二层结构为φ＝M(θ)，θ表示二层结构中子系统的可靠性向量，φ为二层结构系统的可靠性，M表示子系统与系统之间的可靠性关系，q1(θ)和q2(φ)分别表示子系统自然先验和系统自然先验；二层结构迭代先验融合与更新方法的单次融合过程包括如下内容：
基于子系统自然先验q1(θ)和二层结构φ＝M(θ)，计算诱导系统先验
Figure FDA0002571442790000011
当二层结构模型为可逆时，利用公式
Figure FDA0002571442790000012
计算诱导系统先验
Figure FDA0002571442790000013
J(φ)表示雅可比矩阵，当二层结构模型为不可逆时，利用数值计算方法计算诱导系统先验
Figure FDA0002571442790000021
基于几何融合方法，利用公式
Figure FDA0002571442790000022
对诱导系统先验
Figure FDA0002571442790000023
和系统自然先验q2(φ)进行融合，以获取一个融合系统先验
Figure FDA0002571442790000024
kα表示归一化常数，α表示融合权重；
当子系统先验和系统先验为连续变量时，将公式
Figure FDA0002571442790000025
转化为
Figure FDA0002571442790000026
进行计算，当子系统先验和系统先验为离散变量时，将公式
Figure FDA0002571442790000027
转化为
Figure FDA0002571442790000028
进行计算；
基于子系统自然先验q1(θ)、诱导系统先验
Figure FDA0002571442790000029
和融合系统先验
Figure FDA00025714427900000210
利用公式
Figure FDA00025714427900000211
获取一个更新的子系统先验qθ(θ)；
基于二层结构φ＝M(θ)和更新的子系统先验qθ(θ)，确定更新的系统先验qφ(φ)，qφ(φ)＝P(i)。
2.根据权利要求1所述的二层结构的先验融合与更新方法，其特征在于，所述样本数初始值S(0)和所述样本增加步长b根据二层结构的具体结构特征进行确定。
3.根据权利要求2所述的二层结构的先验融合与更新方法，其特征在于，所述设定值e根据实际要求的系统先验的收敛条件具体给定。
4.根据权利要求3所述的二层结构的先验融合与更新方法，其特征在于，所述对称相对熵D利用式6计算；
D＝(DKL(R|Q)+DKL(Q|R))/2 (6)
其中，
Figure FDA00025714427900000212
R(x)和Q(x)分别表示随机变量x的两个概率分布。
5.一种多层结构的先验融合与更新方法，其特征在于，多层结构表示系统结构层数不小于三层，所述多层结构的先验融合与更新方法包括如下步骤：
A1)定义多层结构的层数为N，获取多层结构的所有节点的自然先验，定义层级数为k，并令k＝1；
A2)判断k≤N-1是否满足，若是，将k+1层的每一个父节点与其在k层的子节点组成一个二层结构单元，定义k层和k+1层间的二层结构单元总数为Mk，定义二层结构单元编号为j，令j＝1；否则，进入步骤A6；
A3)判断j≤Mk是否满足，若是，进入步骤A4；否则，令k＝k+1，返回步骤A2；
A4)运用权利要求1至4中任一项所述的二层结构的先验融合与更新方法对第j个二层结构单元进行先验融合与更新处理，获取第j个二层结构单元的所有节点的更新先验，并用更新先验替换自然先验；
A5)令j＝j+1，返回步骤A3；
A6)定义层级数为n，并令n＝N-1；
A7)判断n≥2是否满足，若是，将n层的每一个父节点与其在n-1层的子节点组成一个二层结构单元，定义n-1层和n层间的二层结构单元总数为Mn-1，定义二层结构单元编号为m，令m＝1；否则，进入步骤A11；
A8)判断m≤Mn-1是否满足，若是，进入步骤A9；否则，令n＝n-1，返回步骤A7；
A9)运用权利要求1至4中任一项所述的二层结构的先验融合与更新方法对第m个二层结构单元进行先验融合与更新处理，获取第m个二层结构单元的所有节点的更新先验，并用更新先验替换原有先验；
A10)令m＝m+1，返回步骤A8；
A11)输出多层结构的所有节点的更新先验；
其中，多层结构中，多层结构的底层由卫星的各个组件构成，为卫星的组件层，多层结构的顶层由卫星的系统构成，为卫星的系统层，底层与顶层之间为中间层，中间层由用于关联卫星的各个组件与卫星的系统的分系统构成。
CN201910552411.4A 2019-06-25 2019-06-25 二层及多层结构的先验融合与更新方法及先验补充方法 Active CN110362879B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910552411.4A CN110362879B (zh) 2019-06-25 2019-06-25 二层及多层结构的先验融合与更新方法及先验补充方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910552411.4A CN110362879B (zh) 2019-06-25 2019-06-25 二层及多层结构的先验融合与更新方法及先验补充方法

Publications (2)

Publication Number Publication Date
CN110362879A CN110362879A (zh) 2019-10-22
CN110362879B true CN110362879B (zh) 2020-09-04

Family

ID=68216834

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910552411.4A Active CN110362879B (zh) 2019-06-25 2019-06-25 二层及多层结构的先验融合与更新方法及先验补充方法

Country Status (1)

Country Link
CN (1) CN110362879B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111506984B (zh) * 2020-03-24 2021-03-02 中国人民解放军军事科学院国防科技创新研究院 多层卫星系统可靠性建模方法及设计优化方法
CN111506962B (zh) * 2020-03-30 2021-03-02 中国人民解放军军事科学院国防科技创新研究院 基于bn和ugf的复杂系统可靠性计算方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102411537A (zh) * 2011-09-02 2012-04-11 哈尔滨工程大学 一种基于混合贝叶斯先验分布的可靠性验证测试方法
CN102663234A (zh) * 2012-03-19 2012-09-12 中国科学院上海技术物理研究所 扫描机构基于综合可信度的多源先验信息融合方法
CN103546211A (zh) * 2013-10-31 2014-01-29 中国人民解放军国防科学技术大学 基于时空先验建链信息的空分时分星间链路快速建链方法
CN105426647A (zh) * 2016-01-18 2016-03-23 中国人民解放军国防科学技术大学 基于可靠度先验信息融合的冷备系统可靠度估计方法
CN107145627A (zh) * 2017-03-31 2017-09-08 南京航空航天大学 一种构建带约束最小二乘最大熵分位值函数模型的方法
CN108109162A (zh) * 2018-01-08 2018-06-01 中国石油大学(华东) 一种利用自适应特征融合的多尺度目标跟踪方法
CN109374532A (zh) * 2018-12-17 2019-02-22 杭州电子科技大学 基于传递熵和自适应融合的污染排放遥测误差补偿方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9639637B2 (en) * 2012-10-08 2017-05-02 Siemens Aktiengesellschaft Construction of entropy-based prior and posterior probability distributions with partial information for fatigue damage prognostics
US11556777B2 (en) * 2017-11-15 2023-01-17 Uatc, Llc Continuous convolution and fusion in neural networks

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102411537A (zh) * 2011-09-02 2012-04-11 哈尔滨工程大学 一种基于混合贝叶斯先验分布的可靠性验证测试方法
CN102663234A (zh) * 2012-03-19 2012-09-12 中国科学院上海技术物理研究所 扫描机构基于综合可信度的多源先验信息融合方法
CN103546211A (zh) * 2013-10-31 2014-01-29 中国人民解放军国防科学技术大学 基于时空先验建链信息的空分时分星间链路快速建链方法
CN105426647A (zh) * 2016-01-18 2016-03-23 中国人民解放军国防科学技术大学 基于可靠度先验信息融合的冷备系统可靠度估计方法
CN107145627A (zh) * 2017-03-31 2017-09-08 南京航空航天大学 一种构建带约束最小二乘最大熵分位值函数模型的方法
CN108109162A (zh) * 2018-01-08 2018-06-01 中国石油大学(华东) 一种利用自适应特征融合的多尺度目标跟踪方法
CN109374532A (zh) * 2018-12-17 2019-02-22 杭州电子科技大学 基于传递熵和自适应融合的污染排放遥测误差补偿方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《A Maximum Entropy Multisource Information Fusion Method to Evaluate the MTBF of Low-Voltage Switchgear》;Wang Jing-Qin等;《Discrete Dynamics in Nature and Society》;20181231;1-7 *
《基于信息熵的先验信息加权融合方法研究》;唐俊 等;《软件时空》;20091231;241-243 *

Also Published As

Publication number Publication date
CN110362879A (zh) 2019-10-22

Similar Documents

Publication Publication Date Title
Benzi et al. Multifractality in the statistics of the velocity gradients in turbulence
CN112287982A (zh) 一种数据预测方法、装置及终端设备
CN110490717A (zh) 基于用户会话及图卷积神经网络的商品推荐方法及系统
CN112184391A (zh) 一种推荐模型的训练方法、介质、电子设备和推荐模型
WO2015118686A1 (ja) 階層型ニューラルネットワーク装置、判別器学習方法および判別方法
CN110362879B (zh) 二层及多层结构的先验融合与更新方法及先验补充方法
Lange et al. A brief survey of modern optimization for statisticians
CN107590139B (zh) 一种基于循环矩阵翻译的知识图谱表示学习方法
CN110688585B (zh) 一种基于神经网络和协同过滤的个性化电影推荐方法
CN109800853B (zh) 融合卷积神经网络和显式反馈的矩阵分解方法、装置及电子设备
CN112182938A (zh) 基于迁移学习-多保真度建模的介观结构件力学性能预测方法
CN108764475A (zh) 遗传小波神经网络的陀螺随机误差补偿方法及系统
CN108805287A (zh) 遗传小波神经网络的陀螺随机误差补偿方法及系统
Allen et al. Uncertainty management in the integrated realization of materials and components
WO2012133941A1 (en) Method for matching elements in schemas of databases using bayesian network
Paul et al. Properties of attractors of canalyzing random Boolean networks
CN112052567B (zh) 卫星姿态控制系统的寿命信息融合更新方法
CN116821519A (zh) 一种基于图结构的系统过滤和降噪的智能推荐方法
Zhao et al. Sparse group variable selection based on quantile hierarchical lasso
CN111881990B (zh) 一种用于数字图像识别的构建型神经网络参数融合优化方法
CN111506984B (zh) 多层卫星系统可靠性建模方法及设计优化方法
Brethes et al. A mesh‐adaptative metric‐based full multigrid for the Poisson problem
Huang et al. Global robust stability of delayed neural networks with a class of general activation functions
CN109102010B (zh) 一种基于双向神经网络结构的图像分类方法
CN111563783B (zh) 一种物品推荐方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant