CN111143977A - 一种无人机仿真重用模型的可信度计算方法 - Google Patents
一种无人机仿真重用模型的可信度计算方法 Download PDFInfo
- Publication number
- CN111143977A CN111143977A CN201911285202.4A CN201911285202A CN111143977A CN 111143977 A CN111143977 A CN 111143977A CN 201911285202 A CN201911285202 A CN 201911285202A CN 111143977 A CN111143977 A CN 111143977A
- Authority
- CN
- China
- Prior art keywords
- model
- unmanned aerial
- aerial vehicle
- reuse
- input
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种无人机仿真重用模型的可信度计算方法。该方法为:获取无人机目标模型,确定目标模型的输入、输出及功能,目标模型的输入为无人机俯仰角及俯仰角速率,输出为俯仰角控制方向,功能为根据无人机的俯仰角及俯仰角速率对无人机俯仰角进行控制;在对比模型数据库中进行查找,匹配之后对目标模型进行拆分;依据无人机重用模型的规范结构,以流程图的形式对无人机重用模型结构进行建模,并关联子模型的可信度;依照无人机重用模型结构图,利用基于偏差传播的无人机重用模型可信度计算方法计算出无人机仿真重用模型的整体可信度。本发明能够通过子模型可信度计算无人机重用模型的整体可信度,提高了重用模型可信度计算的效率。
Description
技术领域
本发明涉及无人机仿真模型可信度计算技术领域,特别是一种无人机仿真重用模型的可信度计算方法。
背景技术
随着计算机技术与仿真技术的快速发展,仿真系统开始广泛应用于军事、航天、医学等方面,近年来无人机进入发展热潮,在对无人机进行控制研究时,研究人员经常利用仿真技术对无人机进行建模,并利用仿真技术对无人机控制系统进行控制研究。但是随着研究的深入,在建模期间很多模型的应用范围和功能有相似之处,大量的重复建模在浪费资源的同时,也增加了对模型和数据的管理难度。无人机仿真模型重用虽然在理论研究和工程实践上取得了一定的进展,但仍然是无人机仿真工程界和学术界关注的焦点问题。国际仿真界对无人机模型重用问题的研究已经有较长的历史,目前针对无人机模型重用有很多标准和工具,然而这些研究尚未对无人机模型重用形成统一的研究框架,没有形成对无人机模型重用的全生命周期的研究体系。
仿真可信度评估作为仿真系统是否成功应用的关键,在经历了几十年的研究铺垫之后,从上世界九十年代开始得到了快速发展,经典可信度评估算法也已经非常完善,并且国内外也开发出了很多可信度评估工具可供使用。模型可信度是基于仿真系统对真实世界复杂对象或系统实现正确的观察、分析与控制的保证,也是无人机模型重用的前提与基础,而在无人机仿真模型重用及多模型组件组合仿真情况下,这些无人机重用模型是否在新的交互特性及新的仿真环境下可信,是无人机模型能否实现有效重用的基本问题。但是现有研究仍处于起步阶段,特别是对无人机模型组合性质分析问题的研究不够深入,无人机仿真重用模型只有通过了数据类型验证,才有可能最终成为具有期望功能的无人机目标系统。
发明内容
本发明的目的在于提供一种能够通过无人机仿真系统子模型可信度计算无人机重用模型的整体可信度,计算效率高、使用方便、经济性强的无人机仿真重用模型的可信度计算方法。
实现本发明目的的技术解决方案为:一种无人机仿真重用模型的可信度计算方法,包括以下步骤:
步骤1、获取到能够利用重用模型进行组合的无人机目标模型后,确定目标模型的输入、输出及功能,在对比模型数据库中进行查找,匹配之后对目标模型进行拆分;
步骤2、依据无人机重用模型的规范结构,以流程图的形式对无人机重用模型结构进行建模,并关联子模型的可信度;
步骤3、依照无人机重用模型结构图,利用基于偏差传播的无人机重用模型可信度计算方法计算出无人机仿真重用模型的整体可信度。
进一步地,步骤1所述确定目标模型的输入、输出及功能,具体如下:
目标模型的输入为无人机传感器模型数据,输出为无人机控制指令,功能为根据无人机模型传感器数据控制无人机模型飞行方式。
进一步地,步骤2中所述的重用模型的规范结构,分别为顺序模式、选择模式、并行模式、循环模式和嵌入模式;
所述顺序模式,是指子模型SM2是在子模型SM1执行完后就立即开始执行;
所述选择模式,是指子模型SM1和SM2根据前面的执行结果选择该执行的子模型,子模型SM1和SM2在重用模型只需要执行其中一个子模型;
所述并行模式,是指子模型SM1和子模型SM2的执行顺序是相互独立的,子模型SM1的执行环境不依赖于子模型SM2,而且子模型SM2的执行环境也不依赖于SM1,SM1和SM2在重用模型中都需要被执行一次;
所述循环模式,是指子模型SM1在重用模型中连续执行多次;
所述嵌入模式,是指子模型SM1首先运行,在运行过程中子模型SM1委托子模型SM2完成一部分计算任务,子模型SM1向子模型SM2提供输入参数,子模型SM2在计算完成后输出结果到子模型SM1,接着子模型SM1进行剩余的计算任务。
进一步地,步骤2中所述关联子模型的可信度,具体如下:
步骤2.1、查询模型数据库,若模型数据库中已存在此子模型可信度,则直接关联;
步骤2.2、若模型数据库中不存在此子模型可信度,则查询仿真资源库中此子模型仿真数据以及真实数据,并关联指标树;
步骤2.3、根据子模型数据分类选择相应的可信度计算方法,调用Matlab计算子模型可信度并关联。
进一步地,步骤3中所述的利用基于偏差传播的无人机重用模型可信度计算方法计算出无人机仿真重用模型的整体可信度,具体如下:
基于偏差传播的无人机仿真模型可信度计算的原理如下式所示:
A=1-|Y-Y0|/Y0 (I)
仿真模型输入为X,Y为仿真模型输出,Y0为真实数据输出;
根据无人机重用模型规范结构,分别采用以下五种不同组合方式下的重用模型可信度计算方法计算出仿真重用模型的整体可信度:
顺序模式:仿真模型SM1、SM2通过串联方式组成模型A,I1为模型SM1的输入,同时也是组合模型A的输入;O1是模型SM1的输出,同时也作为模型SM2的输入;O2是模型SM2和组合模型A的输出;
设定模型SM1,SM2的可信度分别为P1、P2,组合模型A的可信度PA未知,根据偏差传播计算方法,首先设定模型SM1的输入输出映射为f(x),模型SM2的输入输出映射为g(x),代入式(1)得模型SM1的输出为P1·f(I1),此时,P1·f(I1)等于真实世界的输入,即P1·x;然后再将其作为模型SM2的输入,此时模型SM2的可信度即为组合模型A的可信度,将P1·x作为输入代入式(1)即计算出组合模型A的可信度:
由式(2)看出,串联模型A的可信度与第一个模型SM1的映射公式无关,但与第二个模型SM2的映射公式有关;
选择模型:出现在判断语句之后,若满足条件1,则选择模型SM1,若满足条件2,则选择模型SM2,模型输入同为IA,模型SM1、SM2构成选择模型A,由于两个模型之间相互独立,且一次只会执行一个模型,设定模型SM1,SM2的可信度分别为P1、P2,则模型A的整体可信度PA为:
PA=P1orP2
若SM1执行,则PA=P1;若SM2执行,则PA=P2;
并行模式:并行模型存在多个输出,且这些输出相对独立,模型SM1、SM2并行构成并联模型A,且SM1、SM2之间独立;I1、O1分别为模型SM1的输入、输出,I2、O2为模型SM2的输入、输出;I1与I2也能够来自同一模型,即I1=I2;
由于模型SM1、SM2无关,设定模型SM1,SM2的可信度分别为P1、P2,则并联模型A的整体可信度PA为:
PA=Min(Pi,P2)
在并联模型中,拥有最低可信度的模型的可信度即为整体模型的可信度;
循环模式:用于包含反馈的控制模型,模型SM1通过循环形成迭代模型A,是模型A的第一次输入,经过模型A映射后,输出结果反馈控制对其进行判断,若满足循环条件,则将结果反馈,形成第二次输入,此时直到跳出循环为止;
由此,迭代模型能够分解成n个串联模型以求解整体可信度,设定模型SM1执行两次,则模型A的整体可信度为:
若执行n次,则以此类推;
嵌入模式:模型SM1内嵌模型SM2形成嵌入模型A,IA、OA分别为模型A的输入输出,当IA经过模型SM1映射后,是全部映射f(x),或者部分映射f′(x)输出为O′1,此时开始执行模型SM2,并输出O2并再次返回模型SM1执行,直到执行结束,输出OA;
将SM1分解成SM2执行前与执行后两部分,并与SM2看成三个串联模型,由此计算整体可信度,设定模型SM1的可信度为P1,模型SM2的可信度为P2,映射关系为g(x),则模型A的可信度为:
本发明与现有技术相比,其显著优点为:(1)通过设计基于偏差传播的无人机重用模型可信度计算方法,解决了无法在短时间内完成无人机仿真重用模型整体可信度的评估的问题;(2)通过设计无人机重用模型规范结构,规范了无人机重用模型建模过程,解决了无人机仿真重用模型系统建模混乱的问题;(3)能够通过无人机仿真系统子模型可信度计算无人机重用模型的整体可信度,计算效率高、使用方便、经济性强。
附图说明
图1是本发明一种无人机仿真重用模型的可信度计算方法的流程示意图。
图2是本发明中顺序模式的结构示意图。
图3是本发明中选择模式的结构示意图。
图4是本发明中并行模式的结构示意图。
图5是本发明中循环模式的结构示意图。
图6是本发明中嵌入模式的结构示意图。
图7是本发明中无人机重用仿真系统的结构示意图。
具体实施方式
一种无人机仿真重用模型的可信度计算方法,包括以下步骤:
步骤1、获取到能够利用重用模型进行组合的无人机目标模型后,确定目标模型的输入、输出及功能,在对比模型数据库中进行查找,匹配之后对目标模型进行拆分;
步骤2、依据无人机重用模型的规范结构,以流程图的形式对无人机重用模型结构进行建模,并关联子模型的可信度;
步骤3、依照无人机重用模型结构图,利用基于偏差传播的无人机重用模型可信度计算方法计算出无人机仿真重用模型的整体可信度。
进一步地,步骤1所述确定目标模型的输入、输出及功能,具体如下:
目标模型的输入为无人机传感器模型数据,输出为无人机控制指令,功能为根据无人机模型传感器数据控制无人机模型飞行方式。
进一步地,步骤2中所述的重用模型的规范结构,分别为顺序模式、选择模式、并行模式、循环模式和嵌入模式;
所述顺序模式,是指子模型SM2是在子模型SM1执行完后就立即开始执行;
所述选择模式,是指子模型SM1和SM2根据前面的执行结果选择该执行的子模型,子模型SM1和SM2在重用模型只需要执行其中一个子模型;
所述并行模式,是指子模型SM1和子模型SM2的执行顺序是相互独立的,子模型SM1的执行环境不依赖于子模型SM2,而且子模型SM2的执行环境也不依赖于SM1,SM1和SM2在重用模型中都需要被执行一次;
所述循环模式,是指子模型SM1在重用模型中连续执行多次;
所述嵌入模式,是指子模型SM1首先运行,在运行过程中子模型SM1委托子模型SM2完成一部分计算任务,子模型SM1向子模型SM2提供输入参数,子模型SM2在计算完成后输出结果到子模型SM1,接着子模型SM1进行剩余的计算任务。
进一步地,步骤2中所述关联子模型的可信度,具体如下:
步骤2.1、查询模型数据库,若模型数据库中已存在此子模型可信度,则直接关联;
步骤2.2、若模型数据库中不存在此子模型可信度,则查询仿真资源库中此子模型仿真数据以及真实数据,并关联指标树;
步骤2.3、根据子模型数据分类选择相应的可信度计算方法,调用Matlab计算子模型可信度并关联。
进一步地,步骤3中所述的利用基于偏差传播的无人机重用模型可信度计算方法计算出无人机仿真重用模型的整体可信度,具体如下:
基于偏差传播的无人机仿真模型可信度计算的原理如下式所示:
A=1-|Y-Y0|/Y0 (1)
仿真模型输入为X,Y为仿真模型输出,Y0为真实数据输出;
根据无人机重用模型规范结构,分别采用以下五种不同组合方式下的重用模型可信度计算方法计算出仿真重用模型的整体可信度:
顺序模式:仿真模型SM1、SM2通过串联方式组成模型A,I1为模型SM1的输入,同时也是组合模型A的输入;O1是模型SM1的输出,同时也作为模型SM2的输入;O2是模型SM2和组合模型A的输出;
设定模型SM1,SM2的可信度分别为P1、P2,组合模型A的可信度PA未知,根据偏差传播计算方法,首先设定模型SM1的输入输出映射为f(x),模型SM2的输入输出映射为g(x),代入式(1)得模型SM1的输出为P1·f(I1),此时,P1·f(I1)等于真实世界的输入,即P1·x;然后再将其作为模型SM2的输入,此时模型SM2的可信度即为组合模型A的可信度,将P1·x作为输入代入式(1)即计算出组合模型A的可信度:
由式(2)看出,串联模型A的可信度与第一个模型SM1的映射公式无关,但与第二个模型SM2的映射公式有关;
选择模型:出现在判断语句之后,若满足条件1,则选择模型SM1,若满足条件2,则选择模型SM2,模型输入同为IA,模型SM1、SM2构成选择模型A,由于两个模型之间相互独立,且一次只会执行一个模型,设定模型SM1,SM2的可信度分别为P1、P2,则模型A的整体可信度PA为:
PA=P1orP2
若SM1执行,则PA=P1;若SM2执行,则PA=P2;
并行模式:并行模型存在多个输出,且这些输出相对独立,模型SM1、SM2并行构成并联模型A,且SM1、SM2之间独立;I1、O1分别为模型SM1的输入、输出,I2、O2为模型SM2的输入、输出;I1与I2也能够来自同一模型,即I1=I2;
由于模型SM1、SM2无关,设定模型SM1,SM2的可信度分别为P1、P2,则并联模型A的整体可信度PA为:
PA=Min(Pi,P2)
在并联模型中,拥有最低可信度的模型的可信度即为整体模型的可信度;
循环模式:用于包含反馈的控制模型,模型SM1通过循环形成迭代模型A,是模型A的第一次输入,经过模型A映射后,输出结果反馈控制对其进行判断,若满足循环条件,则将结果反馈,形成第二次输入,此时直到跳出循环为止;
由此,迭代模型能够分解成n个串联模型以求解整体可信度,设定模型SM1执行两次,则模型A的整体可信度为:
若执行n次,则以此类推;
嵌入模式:模型SM1内嵌模型SM2形成嵌入模型A,IA、OA分别为模型A的输入输出,当IA经过模型SM1映射后,是全部映射f(x),或者部分映射f′(x)输出为O′1,此时开始执行模型SM2,并输出O2并再次返回模型SM1执行,直到执行结束,输出OA;
将SM1分解成SM2执行前与执行后两部分,并与SM2看成三个串联模型,由此计算整体可信度,设定模型SM1的可信度为P1,模型SM2的可信度为P2,映射关系为g(x),则模型A的可信度为:
下面结合附图和具体实施例对本发明作进一步详细说明。
结合图1,本发明一种无人机仿真重用模型的可信度计算方法,包括以下步骤:
步骤1、获取到可以利用重用模型进行组合的无人机目标模型后,确定无人机目标模型的输入、输出及功能,在对比模型数据库中进行查找,匹配之后对目标模型进行拆分,若输入为无人机俯仰角及俯仰角速率,输出为俯仰角控制方向,功能为根据无人机的俯仰角及俯仰角速率对无人机俯仰角进行控制,则依据此对比模型数据库查找,若已存在模型输入输出及功能与此目标模型相近,则选定此模型;
步骤2、依据无人机重用模型的规范结构,以流程图的形式对无人机重用模型结构进行建模,并关联子模型的可信度;
无人机重用模型的规范结构具体为:
对无人机仿真重用模型的分析汇总及查阅资料,总结出以下5种重用模型结构,分别为顺序模式、选择模式、并行模式、循环模式和嵌入模式;
所述顺序模式,是指子模型SM2是在子模型SM1执行完后就立即开始执行;
所述选择模式,是指子模型SM1和SM2根据前面的执行结果选择该执行的子模型,子模型SM1和SM2在重用模型中只需要执行其中一个子模型;
所述并行模式,是指子模型SM1和子模型SM2的执行顺序是相互独立的,子模型SM1的执行环境不依赖于子模型SM2,而且子模型SM2的执行环境也不依赖于SM1,SM1和SM2在重用模型中都需要被执行一次;
所述循环模式,是指子模型SM1在重用模型中可以被连续执行多次;
所述嵌入模式,是指子模型SM1首先运行,在运行过程中子模型SM1会委托子模型SM2完成一部分计算任务,子模型SM1向子模型SM2提供输入参数,子模型SM2在计算完成后输出结果到子模型SM1,接着子模型SM1进行剩余的计算任务。
关联子模型可信度的具体步骤为:
步骤2.1、查询模型数据库,若模型数据库中已存在此子模型可信度,则直接关联;
步骤2.2、若模型数据库中不存在此子模型的可信度,则查询仿真资源库中此子模型仿真数据以及真实数据,并关联指标树;
步骤2.3、根据数据分类选择相应的可信度计算方法,如静态数据算法、动态数据算法,调用Matlab计算子模型可信度并关联。
步骤3、依照无人机重用模型结构图,利用基于偏差传播的无人机重用模型可信度计算方法计算出无人机仿真重用模型的整体可信度,具体如下:
基于偏差传播的无人机仿真模型可信度计算的原理如下式所示:
A=1-|Y-Y0|/Y0 (I)
仿真模型输入为X,Y为仿真模型输出,Y0为真实数据输出;
根据无人机重用模型规范结构,分别采用以下五种不同组合方式下无人机重用模型可信度计算方法计算出无人机仿真重用模型的整体可信度:
顺序模式:顺序模式是重用模型中最常见的模型组合方式,如图2所示,仿真模型SM1、SM2通过串联方式组成模型A,I1为模型SM1的输入,同时也是组合模型A的输入;O1是模型SM1的输出,同时也作为模型SM2的输入;O2是模型SM2和组合模型A的输出;
设定模型SM1,SM2的可信度已知,分别为P1、P2,组合模型A的可信度PA未知,根据偏差传播计算方法,首先设定模型SM1的输入输出映射为f(x),模型SM2的输入输出映射为g(x),代入式(1)得模型SM1的输出为P1·f(I1),此时,认为P1·f(I1)等于真实世界的输入,即P1·x;然后再将其作为模型SM2的输入,此时模型SM2的可信度就是组合模型A的可信度,将P1·x作为输入代入式(1)即可计算出组合模型A的可信度:
由上式可以看出,串联模型A的可信度与第一个模型SM1的映射公式无关,但与第二个模型SM2的映射公式有关;
选择模型:一般出现在判断语句之后,如图3所示,若满足条件1,则选择模型SM1,若满足条件2,则选择模型SM2,模型输入同为IA,模型SM1、SM2构成选择模型A,由于两个模型之间相互独立,且一次只会执行一个模型,假设模型SM1,SM2的可信度已知,分别为P1、P2,则模型A的整体可信度PA为:
PA=P10rP2
若SM1执行,则PA=P1;若SM2执行,则PA=P2;
并行模式:并行模型存在多个输出,且这些输出相对独立,如图4所示,模型SM1、SM2并行构成并联模型A,且SM1、SM2之间独立;I1、O1分别为模型SM1的输入、输出,I2、O2为模型SM2的输入、输出;I1与I2也可以来自同一模型,即I1=I2;
由于模型SM1、SM2无关,假设定模型SM1,SM2的可信度已知,分别为P1、P2,则并联模型A的整体可信度PA为:
PA=Min(Pi,P2)
在并联模型中,拥有最低可信度的模型的可信度即为整体模型的可信度;
循环模式在各类仿真中也非常常见,在包含反馈的控制模型里尤为突出,如图5所示,模型SM1通过循环形成迭代模型A,是模型A的第一次输入,经过模型A映射后,输出结果反馈控制对其进行判断,若满足循环条件,则将结果反馈,形成第二次输入,此时直到跳出循环为止;
由此可见,迭代模型可分解成n个串联模型并以此求解整体可信度,设定模型SM1执行两次,则模型A的整体可信度为:
若执行n次,则以此类推;
嵌入模式:类似于在一个方法A中,内嵌另一个方法B,在输入初始数据后,方法A执行一部分代码后跳转方法B继续执行,待B执行完毕后,值返回到方法A执行剩余代码,如图6所示,模型SM1内嵌模型SM2形成嵌入模型A,IA、OA分别为模型A的输入输出,当IA经过模型SM1映射后,可以是全部映射f(x),也可以是部分映射f′(x)输出为O′1,此时开始执行模型SM2,并输出O2并再次返回模型SM1执行,直到执行结束,输出OA;
将SM1分解成SM2执行前与执行后两部分,并将其与SM2看成三个串联模型,由此计算整体可信度;设定模型SM1的可信度为P1,模型SM2的可信度为P2,映射关系为g(x),则型A可信度为:
本发明选用无人机系统中传感器模块、飞控模块为例,介绍其基于偏差传播的可信度评估过程。
无人机系统分为传感器模块,飞控模块以及指控模块,传感器模块中包含许多的传感器模型,他们的工作方式为并联方式,之后传感器模块传出的数据经过飞控模块处理之后,发送给指控模块,这三种关系可看作串联关系。这里取传感器模型中俯仰角传感器与俯仰角速率传感器,两者为并联关系,再取飞控模型中俯仰角控制模型,与传感器模型形成串联关系。具体结构如图7所示:
俯仰角控制模型中,俯仰角控制率表达式为:
δ=Kθ(θq-θ)+Kiθ∫(θq-θ)dt-Kqq
其中θ为俯仰角,q为俯仰角速率,θq为给定俯仰角,Kq,Kθ分别为俯仰角速率和俯仰角误差增益,Kiθ为舵回路传递函数,主要是提高系统稳定性,在这里忽略不计,本发明选定Kq=2.38,Kθ=10。
利用时域分析算法中的TIC方法,计算得出俯仰角传感器模型与俯仰角速率传感器模型Theil不等式系数分别为0.035以及0.2104,飞控模型中俯仰角控制模型Theil不等式系数为0.0771,根据并联模型可信度计算方法,求得传感器模块仿真可信度为0.79,再依据串联模型可信度计算方法与俯仰角控制率表达式,求出最后模型整体可信度为0.734。系统给出模型可信度为0.75,由此可见,基于偏差传播的无人机组合模型可信度计算方法可用于计算无人机仿真重用模型可信度。
Claims (5)
1.一种无人机仿真重用模型的可信度计算方法,其特征在于,包括以下步骤:
步骤1、获取到能够利用重用模型进行组合的无人机目标模型后,确定目标模型的输入、输出及功能,在对比模型数据库中进行查找,匹配之后对目标模型进行拆分;
步骤2、依据无人机重用模型的规范结构,以流程图的形式对无人机重用模型结构进行建模,并关联子模型的可信度;
步骤3、依照无人机重用模型结构图,利用基于偏差传播的无人机重用模型可信度计算方法计算出无人机仿真重用模型的整体可信度。
2.根据权利要求1所述的无人机仿真重用模型的可信度计算方法,其特征在于,步骤1所述确定目标模型的输入、输出及功能,具体如下:
目标模型的输入为无人机传感器模型数据,输出为无人机控制指令,功能为根据无人机模型传感器数据控制无人机模型飞行方式。
3.根据权利要求1所述的无人机仿真重用模型的可信度计算方法,其特征在于,步骤2中所述的重用模型的规范结构,分别为顺序模式、选择模式、并行模式、循环模式和嵌入模式;
所述顺序模式,是指子模型SM2是在子模型SM1执行完后就立即开始执行;
所述选择模式,是指子模型SM1和SM2根据前面的执行结果选择该执行的子模型,子模型SM1和SM2在重用模型只需要执行其中一个子模型;
所述并行模式,是指子模型SM1和子模型SM2的执行顺序是相互独立的,子模型SM1的执行环境不依赖于子模型SM2,而且子模型SM2的执行环境也不依赖于SM1,SM1和SM2在重用模型中都需要被执行一次;
所述循环模式,是指子模型SM1在重用模型中连续执行多次;
所述嵌入模式,是指子模型SM1首先运行,在运行过程中子模型SM1委托子模型SM2完成一部分计算任务,子模型SM1向子模型SM2提供输入参数,子模型SM2在计算完成后输出结果到子模型SM1,接着子模型SM1进行剩余的计算任务。
4.根据权利要求1所述的无人机仿真重用模型的可信度计算方法,其特征在于,步骤2中所述关联子模型的可信度,具体如下:
步骤2.1、查询模型数据库,若模型数据库中已存在此子模型可信度,则直接关联;
步骤2.2、若模型数据库中不存在此子模型可信度,则查询仿真资源库中此子模型仿真数据以及真实数据,并关联指标树;
步骤2.3、根据子模型数据分类选择相应的可信度计算方法,调用Matlab计算子模型可信度并关联。
5.根据权利要求1所述的无人机仿真重用模型的可信度计算方法,其特征在于,步骤3中所述的利用基于偏差传播的无人机重用模型可信度计算方法计算出无人机仿真重用模型的整体可信度,具体如下:
基于偏差传播的无人机仿真模型可信度计算的原理如下式所示:
A=1-|Y-Y0|/Y0 (1)
仿真模型输入为X,Y为仿真模型输出,Y0为真实数据输出;
根据无人机重用模型规范结构,分别采用以下五种不同组合方式下的重用模型可信度计算方法计算出仿真重用模型的整体可信度:
顺序模式:仿真模型SM1、SM2通过串联方式组成模型A,I1为模型SM1的输入,同时也是组合模型A的输入;O1是模型SM1的输出,同时也作为模型SM2的输入;O2是模型SM2和组合模型A的输出;
设定模型SM1,SM2的可信度分别为P1、P2,组合模型A的可信度PA未知,根据偏差传播计算方法,首先设定模型SM1的输入输出映射为f(x),模型SM2的输入输出映射为g(x),代入式(1)得模型SM1的输出为P1·f(I1),此时,P1·f(I1)等于真实世界的输入,即P1·x;然后再将其作为模型SM2的输入,此时模型SM2的可信度即为组合模型A的可信度,将P1·x作为输入代入式(1)即计算出组合模型A的可信度:
由式(2)看出,串联模型A的可信度与第一个模型SM1的映射公式无关,但与第二个模型SM2的映射公式有关;
选择模型:出现在判断语句之后,若满足条件1,则选择模型SM1,若满足条件2,则选择模型SM2,模型输入同为IA,模型SM1、SM2构成选择模型A,由于两个模型之间相互独立,且一次只会执行一个模型,设定模型SM1,SM2的可信度分别为P1、P2,则模型A的整体可信度PA为:
PA=P1 or P2
若SM1执行,则PA=P1;若SM2执行,则PA=P2;
并行模式:并行模型存在多个输出,且这些输出相对独立,模型SM1、SM2并行构成并联模型A,且SM1、SM2之间独立;I1、O1分别为模型SM1的输入、输出,I2、O2为模型SM2的输入、输出;I1与I2也能够来自同一模型,即I1=I2;
由于模型SM1、SM2无关,设定模型SM1,SM2的可信度分别为P1、P2,则并联模型A的整体可信度PA为:
PA=Min(P1,P2)
在并联模型中,拥有最低可信度的模型的可信度即为整体模型的可信度;
循环模式:用于包含反馈的控制模型,模型SM1通过循环形成迭代模型A,是模型A的第一次输入,经过模型A映射后,输出结果反馈控制对其进行判断,若满足循环条件,则将结果反馈,形成第二次输入,此时直到跳出循环为止;
由此,迭代模型能够分解成n个串联模型以求解整体可信度,设定模型SM1执行两次,则模型A的整体可信度为:
若执行n次,则以此类推;
嵌入模式:模型SM1内嵌模型SM2形成嵌入模型A,IA、OA分别为模型A的输入输出,当IA经过模型SM1映射后,是全部映射f(x),或者部分映射f′(x)输出为O′1,此时开始执行模型SM2,并输出O2并再次返回模型SM1执行,直到执行结束,输出OA;
将SM1分解成SM2执行前与执行后两部分,并与SM2看成三个串联模型,由此计算整体可信度,设定模型SM1的可信度为P1,模型SM2的可信度为P2,映射关系为g(x),则模型A的可信度为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911285202.4A CN111143977B (zh) | 2019-12-13 | 2019-12-13 | 一种无人机仿真重用模型的可信度计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911285202.4A CN111143977B (zh) | 2019-12-13 | 2019-12-13 | 一种无人机仿真重用模型的可信度计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111143977A true CN111143977A (zh) | 2020-05-12 |
CN111143977B CN111143977B (zh) | 2022-10-14 |
Family
ID=70518361
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911285202.4A Active CN111143977B (zh) | 2019-12-13 | 2019-12-13 | 一种无人机仿真重用模型的可信度计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111143977B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102375937A (zh) * | 2011-10-20 | 2012-03-14 | 王钰 | 一种定量评估仿真模型可信度的方法 |
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 |
-
2019
- 2019-12-13 CN CN201911285202.4A patent/CN111143977B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102375937A (zh) * | 2011-10-20 | 2012-03-14 | 王钰 | 一种定量评估仿真模型可信度的方法 |
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 |
Non-Patent Citations (1)
Title |
---|
唐猛: "用于袋式除尘器设计优化的CFD高逼真度仿真测试方法研究", 《中国优秀硕士学位论文全文数据库》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111143977B (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111340493B (zh) | 一种多维度分布式异常交易行为检测方法 | |
Liu et al. | Efficient kriging-based aerodynamic design of transonic airfoils: some key issues | |
CN108762221A (zh) | 含有不可控事件的自动制造系统的无死锁控制方法 | |
CN111325223A (zh) | 深度学习模型的训练方法、装置和计算机可读存储介质 | |
CN112733458A (zh) | 一种基于自适应变分模态分解的工程结构信号处理方法 | |
CN111428869A (zh) | 模型生成的方法、装置、计算机设备和存储介质 | |
CN111143977B (zh) | 一种无人机仿真重用模型的可信度计算方法 | |
CN103473599A (zh) | 一种基于遗传算法和卡尔曼滤波的rbfn组合训练方法 | |
Litvintseva et al. | Design of robust knowledge bases of fuzzy controllers for intelligent control of substantially nonlinear dynamic systems: II. A soft computing optimizer and robustness of intelligent control systems | |
Doroshenko et al. | Automated Software Design for FPGAs on an Example of Developing a Genetic Algorithm. | |
CN110728081B (zh) | 一种复合材料铺层次序优化系统 | |
CN1290874A (zh) | 基于对象特征模型描述的黄金分割智能控制方法 | |
Zhang et al. | A method of fault tree generation based on go model | |
Yao et al. | AI-enabled Automatic Molding Compound Selection for A Power Device with High Solder Joint Reliability | |
CN113761633A (zh) | 一种剪力墙结构优化设计方法 | |
Zhao et al. | Formal Synthesis of Neural Barrier Certificates for Continuous Systems via Counterexample Guided Learning | |
CN112394640A (zh) | 参数整定方法、装置、存储介质及参数整定单元 | |
CN117435308B (zh) | 一种基于并行计算算法的Modelica模型仿真方法及系统 | |
CN106202760B (zh) | 一种虚拟试验全系统参数优化方法 | |
CN103558762A (zh) | 基于图形化组态技术的免疫遗传pid控制器的实现方法 | |
CN106407600B (zh) | 一种基于流-固耦合及代理模型的入水仿真分析方法 | |
Fan et al. | Robot Navigation in Complex Polygonal Workspaces Using Conformal Navigation Transformations | |
Shi et al. | Aerodynamic force and heating optimization of HTV-2 typed vehicle | |
CN117933104B (zh) | 固体姿轨控发动机燃气调节阀压强修正方法 | |
CN117647934B (zh) | 一种基于大模型的无人集群编队控制算法智能生成方法 |
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 |