CN110889207A - 一种基于深度学习的体系组合模型可信度智能评估方法 - Google Patents
一种基于深度学习的体系组合模型可信度智能评估方法 Download PDFInfo
- Publication number
- CN110889207A CN110889207A CN201911088404.XA CN201911088404A CN110889207A CN 110889207 A CN110889207 A CN 110889207A CN 201911088404 A CN201911088404 A CN 201911088404A CN 110889207 A CN110889207 A CN 110889207A
- Authority
- CN
- China
- Prior art keywords
- learning sample
- model
- sample set
- simulation
- evaluating
- 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.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于深度学习的体系组合模型可信度智能评估方法,包括以下步骤:获取参考学习样本集‑获取参考学习样本集‑评估不确定性影响程度‑评估噪声影响程度‑评估可信度。本发明应用深度学习方法,综合考虑不确定性和噪声的影响,对待检验模型的可信度评估更加可靠,并通过应用从仿真学习样本(待检验模型)到参考学习样本(参考模型)到逆向映射关系,避免正向映射时可能出现的模糊现象,提高可信度评估的准确性,通过深度学习方法和基于损失函数的优化模型,降低体系作战仿真可信度评估的实施难度,实现自适应智能评估和模型筛选。
Description
技术领域
本发明涉及一种基于深度学习的体系组合模型可信度智能评估方法,属于体系作战仿真建模技术领域。
背景技术
随着战场环境、对抗博弈行为日益复杂多变,建模与仿真在复杂大系统和复杂体系研究的地位越来越重要,但也使得体系作战仿真的可信度难以定量分析、计算和评价,特别是在体系及复杂系统的前期概念论证、开发阶段,为满足方案的快速迭代,大多采用面向作战任务、以设计指标为主的粗颗粒度、功能级仿真模型,使得仿真结果的可信度不高,如何构建高可信度的功能级仿真模型成为制约体系作战建模与仿真的关键因素。
随着云仿真技术的研究与应用,可从云端获得大量的系统/子系统/组件的功能级模型,并通过组合方式形成复杂装备模型,但是难以解决复杂大系统及复杂体系内部子系统之间的交互关系问题,且由于体系攻防对抗场景下装备之间的交互事件、交互行为复杂,通过传统的输出结果、静态交互关系检测难以衡量组合模型的可信度,且评估效率较低,难以通过传统方法实现仿真模型验证的自动化。体系作战仿真所需的深度学习方法通过智能学习准确度较高的精细粒度模型、功能级组合模型的大量输入-输出序列,建立各自输出集合的特征表示,将功能级组合模型的可信度评估问题转换成两个特征表示的相似性问题,降低了评估难度,提高评估效率。目前,已有将人工神经网络方法用于单个组件模型单可信度评估,但侧重于可信度评估指标体系层次聚合过程中的权重确定,尚未见到本申请中涉及的方法。
发明内容
为解决上述技术问题,本发明提供了一种基于深度学习的体系组合模型可信度智能评估方法,该基于深度学习的体系组合模型可信度智能评估方法解决了功能级装备模型的可信度不高的问题,应用深度学习方法和自适应优化方法,将组合模型的可信度问题转换成特征表示的关联概率问题,实现组合模型的可信度智能评估,在提高评估效率的同时,降低了组合模型的不确定性和噪声因素的影响。
本发明通过以下技术方案得以实现。
本发明提供的一种基于深度学习的体系组合模型可信度智能评估方法,包括以下步骤:
①获取参考学习样本集:选取经过校验的最高精度模型作为参考模型,获取参考模型在不同输入条件下的输出,组成参考学习样本集;
②获取仿真学习样本集:从云端选取不同颗粒度、不同应用场景的待检验模型,获取待检验模型在不同输入条件下的输出,组成仿真学习样本集;
③评估一致程度:将参考学习样本集和仿真学习样本集输入深度学习模型,获取特征矩阵,并通过相似性度量法,获取参考学习样本集和仿真学习样本集的一致程度;
④评估不确定性影响程度:通过交叉损失函数和交叉熵,计算从第i个参考学习样本表示向量到第j个仿真学习样本表示向量,再正确返回到第i个参考学习样本表示向量的关联概率,评估仿真学习样本集的不确定性对可信度评估的影响;
⑤评估噪声影响程度:通过计算目标均匀分布和影响概率之间的交叉熵,评估仿真学习样本的噪声因素对可信度评估的影响;
⑥评估可信度:采用多目标优化算法实现待检验模型的可信度动态智能评估。
所述步骤①中,输入条件在体系作战仿真需求约束范围内。
所述步骤①中,输出包括在输入条件下,参考模型的过程数据、信息交互和最终结果。
所述步骤②中,输入条件与步骤①的输入条件,在参数类型、个数上相同。
所述步骤⑥中,采用自适应优化方法动态调整仿真学习样本集的不确定性和噪声因素的权重,获取仿真学习样本集和参考学习样本集一致性的最大值,评估待检验模型的可信度。
本发明的有益效果在于:
1、应用深度学习方法,综合考虑不确定性和噪声的影响,对待检验模型的可信度评估更加可靠;
2、通过应用从仿真学习样本(待检验模型)到参考学习样本(参考模型)到逆向映射关系,避免正向映射时可能出现的模糊现象,提高可信度评估的准确性;
3、通过深度学习方法和基于损失函数的优化模型,降低体系作战仿真可信度评估的实施难度,实现自适应智能评估和模型筛选。
具体实施方式
下面进一步描述本发明的技术方案,但要求保护的范围并不局限于所述。
一种基于深度学习的体系组合模型可信度智能评估方法,包括以下步骤:
①获取参考学习样本集:选取经过校验的最高精度模型作为参考模型,获取参考模型在不同输入条件下的输出,组成参考学习样本集;
②获取仿真学习样本集:从云端选取不同颗粒度、不同应用场景的待检验模型,获取待检验模型在不同输入条件下的输出,组成仿真学习样本集,即待检验模型学习样本集,因而待检验模型的可信度可定义为仿真学习样本集与参考学习样本集的一致性;
③评估一致程度:将参考学习样本集和仿真学习样本集输入深度学习模型,获取特征矩阵,并通过相似性度量法,获取参考学习样本集和仿真学习样本集的一致程度;
④评估不确定性影响程度:通过交叉损失函数和交叉熵,计算从第i个参考学习样本表示向量到第j个仿真学习样本表示向量,再正确返回到第i个参考学习样本表示向量的关联概率,评估仿真学习样本集的不确定性对可信度评估的影响;
⑤评估噪声影响程度:通过计算目标均匀分布和影响概率之间的交叉熵,评估仿真学习样本的噪声因素对可信度评估的影响;
⑥评估可信度:采用多目标优化算法实现待检验模型的可信度动态智能评估。
所述步骤①中,输入条件在体系作战仿真需求约束范围内。
所述步骤①中,输出包括在输入条件下,参考模型的过程数据、信息交互和最终结果,以实现对待检验模型的全面评估。
所述步骤②中,输入条件与步骤①的输入条件,在参数类型、个数上需严格相同,但取值不一定相同。
所述步骤⑥中,为准确评估待检验模型的可信度,采用自适应优化方法动态调整仿真学习样本集的不确定性和噪声因素的权重,获取仿真学习样本集和参考学习样本集一致性的最大值,评估待检验模型的可信度。
实施例
如上所述,针对体系作战背景下的雷达系统模型,给出在云仿真背景下,雷达组合模型基于深度学习方法的可信度评估流程,具体实施方法如下:
步骤1:获取参考学习样本集:以经过校验的信号级雷达模型或雷达模拟器为参考模型,若给定m个不同的输入条件,则可获得包含m个学习样本的参考学习样本集,每个学习样本包含p个输出;
步骤2:获取仿真学习样本集:与步骤1类似,对从云端获取的不同颗粒度的雷达功能级模型,若给定n个不同的输入条件,可获得包含n个学习样本的仿真学习样本集;
步骤3:将参考学习样本集和仿真学习样本集输入到深度学习模型中,可得到与之对应特征矩阵表示Am×p和Bn×p,并采用点积方式度量特征矩阵A和B的相似性,即:
M=Am×p·Bn×p
其中,A和B表示批数据的矩阵,m×p和n×p分别表示样本的索引。
步骤4:估计参考学习样本的不确定性对可信度评估的影响:
步骤4.1:定义从第i个参考学习样本表示向量到第k个仿真学习样本表示向量,再到第j个参考学习样本表示向量的关联概率:
其中,正确往返T定义为:
|class(Ai)|是样本表示Ai在A中出现的次数。
步骤6:采用多目标优化算法实现待检验模型的可信度动态智能评估,优化目标函数定义为:
其中,l(w)=||y-fw(x)||2为不确定性luncertainty的损失函数,fw(x)为仿真样本x在深度神经网络的输出,σ为深度神经网络学习后的噪声参数。
Claims (5)
1.一种基于深度学习的体系组合模型可信度智能评估方法,其特征在于:包括以下步骤:
①获取参考学习样本集:选取经过校验的最高精度模型作为参考模型,获取参考模型在不同输入条件下的输出,组成参考学习样本集;
②获取仿真学习样本集:从云端选取不同颗粒度、不同应用场景的待检验模型,获取待检验模型在不同输入条件下的输出,组成仿真学习样本集;
③评估一致程度:将参考学习样本集和仿真学习样本集输入深度学习模型,获取特征矩阵,并通过相似性度量法,获取参考学习样本集和仿真学习样本集的一致程度;
④评估不确定性影响程度:通过交叉损失函数和交叉熵,计算从第i个参考学习样本表示向量到第j个仿真学习样本表示向量,再正确返回到第i个参考学习样本表示向量的关联概率,评估仿真学习样本集的不确定性对可信度评估的影响;
⑤评估噪声影响程度:通过计算目标均匀分布和影响概率之间的交叉熵,评估仿真学习样本的噪声因素对可信度评估的影响;
⑥评估可信度:采用多目标优化算法实现待检验模型的可信度动态智能评估。
2.如权利要求1所述的基于深度学习的体系组合模型可信度智能评估方法,其特征在于:所述步骤①中,输入条件在体系作战仿真需求约束范围内。
3.如权利要求1所述的基于深度学习的体系组合模型可信度智能评估方法,其特征在于:所述步骤①中,输出包括在输入条件下,参考模型的过程数据、信息交互和最终结果。
4.如权利要求1所述的基于深度学习的体系组合模型可信度智能评估方法,其特征在于:所述步骤②中,输入条件与步骤①的输入条件,在参数类型、个数上相同。
5.如权利要求1所述的基于深度学习的体系组合模型可信度智能评估方法,其特征在于:所述步骤⑥中,采用自适应优化方法动态调整仿真学习样本集的不确定性和噪声因素的权重,获取仿真学习样本集和参考学习样本集一致性的最大值,评估待检验模型的可信度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911088404.XA CN110889207B (zh) | 2019-11-08 | 2019-11-08 | 一种基于深度学习的体系组合模型可信度智能评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911088404.XA CN110889207B (zh) | 2019-11-08 | 2019-11-08 | 一种基于深度学习的体系组合模型可信度智能评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110889207A true CN110889207A (zh) | 2020-03-17 |
CN110889207B CN110889207B (zh) | 2023-08-22 |
Family
ID=69747150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911088404.XA Active CN110889207B (zh) | 2019-11-08 | 2019-11-08 | 一种基于深度学习的体系组合模型可信度智能评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110889207B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112749516A (zh) * | 2021-02-03 | 2021-05-04 | 江南机电设计研究所 | 适应多类型数据特征的体系组合模型可信度智能评估方法 |
CN114279557A (zh) * | 2022-03-02 | 2022-04-05 | 山东卓朗检测股份有限公司 | 一种分布式声学检测设备及其检测方法 |
CN116187034A (zh) * | 2023-01-12 | 2023-05-30 | 中国航空发动机研究院 | 基于不确定度量化的压气机仿真可信度评估方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006138543A1 (en) * | 2005-06-16 | 2006-12-28 | Core-Microsolutions, Inc. | Biosensor detection by means of droplet driving, agitation, and evaporation |
US20090248175A1 (en) * | 2008-03-28 | 2009-10-01 | Toru Eguchi | Plant control system and thermal power generation plant control system |
US20140100832A1 (en) * | 2012-10-09 | 2014-04-10 | The Boeing Company | Methods and systems for structural health monitoring |
CN106951611A (zh) * | 2017-03-07 | 2017-07-14 | 哈尔滨工业大学 | 一种基于使用者行为的严寒地区建筑节能设计优化方法 |
CN106971077A (zh) * | 2017-03-30 | 2017-07-21 | 中国人民解放军国防科学技术大学 | 一种基于时间片段参数辨识的动态仿真模型验证方法 |
CN107368659A (zh) * | 2017-07-24 | 2017-11-21 | 中国人民解放军国防科学技术大学 | 卫星导航系统高保真仿真模型的可信度验证方法 |
CN107490513A (zh) * | 2017-07-07 | 2017-12-19 | 中国航空工业集团公司西安飞机设计研究所 | 一种斜安装螺栓拉伸能力的试验方法及试验装置 |
US20180336300A1 (en) * | 2017-05-18 | 2018-11-22 | Koninklijke Philips N.V. | System and method for providing prediction models for predicting changes to placeholder values |
CN109960863A (zh) * | 2019-03-15 | 2019-07-02 | 北京航空航天大学 | 一种基于网络拓扑路径的复杂仿真系统可信度评估方法 |
CN109961229A (zh) * | 2019-03-28 | 2019-07-02 | 燕山大学 | 一种电源规划综合评估方法 |
CN110232678A (zh) * | 2019-05-27 | 2019-09-13 | 腾讯科技(深圳)有限公司 | 一种图像不确定度预测方法、装置、设备及存储介质 |
CN110245443A (zh) * | 2019-06-21 | 2019-09-17 | 中国人民解放军63892部队 | 一种基于映射函数的多类型输出仿真模型可信度综合评估方法 |
-
2019
- 2019-11-08 CN CN201911088404.XA patent/CN110889207B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006138543A1 (en) * | 2005-06-16 | 2006-12-28 | Core-Microsolutions, Inc. | Biosensor detection by means of droplet driving, agitation, and evaporation |
US20090248175A1 (en) * | 2008-03-28 | 2009-10-01 | Toru Eguchi | Plant control system and thermal power generation plant control system |
US20140100832A1 (en) * | 2012-10-09 | 2014-04-10 | The Boeing Company | Methods and systems for structural health monitoring |
CN106951611A (zh) * | 2017-03-07 | 2017-07-14 | 哈尔滨工业大学 | 一种基于使用者行为的严寒地区建筑节能设计优化方法 |
CN106971077A (zh) * | 2017-03-30 | 2017-07-21 | 中国人民解放军国防科学技术大学 | 一种基于时间片段参数辨识的动态仿真模型验证方法 |
US20180336300A1 (en) * | 2017-05-18 | 2018-11-22 | Koninklijke Philips N.V. | System and method for providing prediction models for predicting changes to placeholder values |
CN107490513A (zh) * | 2017-07-07 | 2017-12-19 | 中国航空工业集团公司西安飞机设计研究所 | 一种斜安装螺栓拉伸能力的试验方法及试验装置 |
CN107368659A (zh) * | 2017-07-24 | 2017-11-21 | 中国人民解放军国防科学技术大学 | 卫星导航系统高保真仿真模型的可信度验证方法 |
CN109960863A (zh) * | 2019-03-15 | 2019-07-02 | 北京航空航天大学 | 一种基于网络拓扑路径的复杂仿真系统可信度评估方法 |
CN109961229A (zh) * | 2019-03-28 | 2019-07-02 | 燕山大学 | 一种电源规划综合评估方法 |
CN110232678A (zh) * | 2019-05-27 | 2019-09-13 | 腾讯科技(深圳)有限公司 | 一种图像不确定度预测方法、装置、设备及存储介质 |
CN110245443A (zh) * | 2019-06-21 | 2019-09-17 | 中国人民解放军63892部队 | 一种基于映射函数的多类型输出仿真模型可信度综合评估方法 |
Non-Patent Citations (1)
Title |
---|
俞昆 等: "基于多传感器信息融合的滚动轴承故障诊断研究" * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112749516A (zh) * | 2021-02-03 | 2021-05-04 | 江南机电设计研究所 | 适应多类型数据特征的体系组合模型可信度智能评估方法 |
CN112749516B (zh) * | 2021-02-03 | 2023-08-25 | 江南机电设计研究所 | 适应多类型数据特征的体系组合模型可信度智能评估方法 |
CN114279557A (zh) * | 2022-03-02 | 2022-04-05 | 山东卓朗检测股份有限公司 | 一种分布式声学检测设备及其检测方法 |
CN114279557B (zh) * | 2022-03-02 | 2022-05-17 | 山东卓朗检测股份有限公司 | 一种分布式声学检测设备及其检测方法 |
CN116187034A (zh) * | 2023-01-12 | 2023-05-30 | 中国航空发动机研究院 | 基于不确定度量化的压气机仿真可信度评估方法 |
CN116187034B (zh) * | 2023-01-12 | 2024-03-12 | 中国航空发动机研究院 | 基于不确定度量化的压气机仿真可信度评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110889207B (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109597043B (zh) | 基于量子粒子群卷积神经网络的雷达信号识别方法 | |
CN107247259B (zh) | 基于神经网络的k分布海杂波形状参数估计方法 | |
CN110889207B (zh) | 一种基于深度学习的体系组合模型可信度智能评估方法 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN113609596B (zh) | 一种基于神经网络的飞行器气动特性预测方法 | |
CN111539132B (zh) | 一种基于卷积神经网络的动载荷时域识别方法 | |
CN111900731B (zh) | 一种基于pmu的电力系统状态估计性能评价方法 | |
CN108664690A (zh) | 基于深度信念网络的多应力下长寿命电子器件可靠性寿命评估方法 | |
CN110632545A (zh) | 基于回归神经网络电子式互感器误差风险评估方法和装置 | |
CN112883497B (zh) | 基于多源信息融合的航天阀门可靠性评估方法 | |
CN108763828A (zh) | 一种基于统计分析的小样本数据模型验证方法 | |
CN114662414B (zh) | 一种基于图小波神经网络模型的油藏生产预测方法 | |
CN108879732A (zh) | 电力系统暂态稳定评估方法及装置 | |
CN107832789A (zh) | 基于平均影响值数据变换的特征加权k近邻故障诊断方法 | |
CN114266289A (zh) | 一种复杂装备健康状态评估方法 | |
CN113505477A (zh) | 一种基于svae-wgan的过程工业软测量数据补充方法 | |
CN115982141A (zh) | 一种针对时序数据预测的特征优化方法 | |
CN112947080B (zh) | 一种基于场景参数变换的智能决策模型性能评估系统 | |
CN115049026A (zh) | 基于gsnnr的空间非平稳性关系的回归分析方法 | |
CN115510915A (zh) | 一种基于门控循环网络原理的已知雷达信号分选方法 | |
CN112836274B (zh) | 一种隐蔽工程跟踪审计的数据融合方法 | |
CN110825583B (zh) | 一种针对云数据中心多指标融合的能效定性评估技术 | |
CN108053093A (zh) | 一种基于平均影响值数据变换的k-近邻故障诊断方法 | |
CN114139601A (zh) | 一种对电力巡检场景人工智能算法模型的评估方法及系统 | |
CN113051809A (zh) | 一种基于改进受限玻尔兹曼机的虚拟健康因子构建方法 |
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 |