CN111506877B - 基于贝叶斯框架下序贯网图检验的测试性验证方法及装置 - Google Patents
基于贝叶斯框架下序贯网图检验的测试性验证方法及装置 Download PDFInfo
- Publication number
- CN111506877B CN111506877B CN202010266656.3A CN202010266656A CN111506877B CN 111506877 B CN111506877 B CN 111506877B CN 202010266656 A CN202010266656 A CN 202010266656A CN 111506877 B CN111506877 B CN 111506877B
- Authority
- CN
- China
- Prior art keywords
- sequential
- bayesian
- tail
- inspection
- testability
- 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
Links
- 238000012795 verification Methods 0.000 title claims abstract description 60
- 238000007689 inspection Methods 0.000 title claims abstract description 59
- 238000010586 diagram Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012360 testing method Methods 0.000 claims abstract description 76
- 238000003780 insertion Methods 0.000 claims abstract description 34
- 230000037431 insertion Effects 0.000 claims abstract description 34
- 238000005520 cutting process Methods 0.000 claims abstract description 29
- 238000001514 detection method Methods 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明实施例提供一种基于贝叶斯框架下序贯网图检验的测试性验证方法及装置，该方法包括：对指标参数空间进行划分，将原始检验问题划分为m对假设检验问题；计算序贯网图的所有相关参数，所述相关参数是基于贝叶斯因子及对应的阈值、插入点位置选择策略以及截尾策略计算得到；根据所述序贯网图的所有相关参数，设计测试性验证方案，对所述假设检验问题进行验证。本发明实施例通过通过充分运用序贯网图检验方法的优点以及Bayes方法能够利用先验信息的特点，减少测试性试验最大样本量，得到更加合理准确的测试性验证方案。
Description
技术领域
本发明涉及检测技术领域，尤其涉及一种基于贝叶斯框架下序贯网图检验的测试性验证方法及装置。
背景技术
随着科技水平的不断提高，装备的功能也越来越先进，但同时也增加了其内部结构复杂度和生产研制费用，因此装备的使用样机数量很少，导致测试性试验样本量受到小子样条件的限制。
传统的测试性验证方法存在无法预测样本量，并且最终确定的最大样本量数值较大等缺点，而序贯网图检验能够有效减少试验样本量，同时能给出试验的最大样本量限制，克服了传统的测试性验证方法的不足。然而，目前的序贯网图检测方法虽然在一定程度上降低了试验样本量，但是该方法所确定的故障样本量仍然较大，导致双方风险值计算结果不准确，无法满足实际需求。
因此，现在亟需一种基于贝叶斯框架下序贯网图检验的测试性验证方法及装置来解决上述问题。
发明内容
针对现有技术存在的问题，本发明实施例提供一种基于贝叶斯框架下序贯网图检验的测试性验证方法及装置。
第一方面，本发明实施例提供了一种基于贝叶斯框架下序贯网图检验的测试性验证方法，包括：
对指标参数空间进行划分，将原始检验问题划分为m对假设检验问题；
计算序贯网图的所有相关参数，所述相关参数是基于贝叶斯因子及对应的阈值、插入点位置选择策略以及截尾策略计算得到；
根据所述序贯网图的所有相关参数，设计测试性验证方案，对所述假设检验问题进行验证。
进一步地，所述对指标参数空间进行划分，将原始检验问题划分为m对假设检验问题，包括：
在给定的指标参数空间中插入m-1个点，以将原始检验问题划分为m对假设检验问题。
进一步地，所述计算序贯网图的所有相关参数，包括：
根据先验信息，计算贝叶斯因子及对应的阈值；
设置插入点位置选择策略；
设置截尾策略。
进一步地，所述根据先验信息，计算贝叶斯因子及对应的阈值，包括：
根据先验信息确定装备试验信息的先验分布，计算贝叶斯因子及其阈值。
进一步地，所述设置插入点位置选择策略，包括：
选取故障率检测率指标插入点，以使样本量的上界达到最小。
进一步地，所述设置截尾策略，包括：
基于使用方风险和承制方风险的约束条件，设置截尾策略，以得到截尾样本量和最大允许截尾检测失败数。
第二方面，本发明实施例提供了一种基于贝叶斯框架下序贯网图检验的测试性验证装置，包括：
空间划分模块，用于对指标参数空间进行划分，将原始检验问题划分为m对假设检验问题；
参数计算模块，用于计算序贯网图的所有相关参数，所述相关参数是基于贝叶斯因子及对应的阈值、插入点位置选择策略以及截尾策略计算得到；
验证模块，用于根据所述序贯网图的所有相关参数，设计测试性验证方案，对所述假设检验问题进行验证。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的一种基于贝叶斯框架下序贯网图检验的测试性验证方法及装置，通过充分运用序贯网图检验方法的优点以及Bayes方法能够利用先验信息的特点，减少测试性试验最大样本量，得到更加合理准确的测试性验证方案。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于贝叶斯框架下序贯网图检验的测试性验证方法的流程示意图；
图2是本发明实施例提供的序贯网图检验示意图；
图3是本发明实施例提供的考虑截尾样本量nt的序贯网图检验示意图；
图4是本发明实施例提供的一种基于贝叶斯框架下序贯网图检验的测试性验证装置的结构示意图；
图5为本发明实施例提供的电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
图1是本发明实施例提供的一种基于贝叶斯框架下序贯网图检验的测试性验证方法的流程示意图，如图1所示，本发明实施例提供了一种基于贝叶斯框架下序贯网图检测的测试性验证方法，包括：
步骤101，对指标参数空间进行划分，将原始检验问题划分为m对假设检验问题；
步骤102，计算序贯网图的所有相关参数，所述相关参数是基于贝叶斯因子及对应的阈值、插入点位置选择策略以及截尾策略计算得到；
步骤103，根据所述序贯网图的所有相关参数，设计测试性验证方案，对所述假设检验问题进行验证。
需要说明的是，本发明实施例的应用场景是在对装备的使用测试过程中，该过程中主要存在样本量数值较大导致测试不准的缺陷，针对此缺陷，本发明实施例提供一种基于贝叶斯框架下序贯网图检验的测试性验证方法。
具体的，在步骤101中，本发明实施例首先会对指标参数空间进行划分，目前的序贯网图检验方法在一定程度上降低了试验样本量，但是该方法所确定的故障样本量仍然较大，双方风险值计算结果也不够准确，无法满足实际需求。本发明实施例为了充分利用装备验证试验过程中的先验信息，减少最大样本量，首先在给定的指标参数空间中进行插入点，从而实现参数空间的重新划分，一般是插入m-1个点，使得原始检验问题划分为m对假设检验问题。
进一步的，在步骤102中，本发明实施例会计算序贯网图的所有相关参数，相关参数主要是根据贝叶斯因子及对应的阈值、插入点位置选择策略以及截尾策略三方面因素确定。具体地，在本发明实施例中，首先，根据装备各阶段或者历史试验数据等先验信息，确定装备试验信息的先验分布，计算Bayes因子及其阈值；然后，设置插入点的位置，给出测试性验证所需最大样本量；最后，在考虑使用方风险和承制方风险的基础上，设计Bayes框架下序贯网图检验的截尾策略，得到截尾样本量和最大允许截尾检测失败数，从而能够得到所有序贯网图的相关参数。
进一步地，在步骤103中，本发明实施例会综合序贯网图的所有相关参数，进行测试性方案设计，即综合考虑步骤102中所设计的各项策略以及策略的目标参数，从而得到最优的验证方案。
本发明实施例提供的一种基于贝叶斯框架下序贯网图检验的测试性验证方法，通过充分运用序贯网图检验方法的优点以及Bayes方法能够利用先验信息的特点，减少测试性试验最大样本量，得到更加合理准确的测试性验证方案。
在上述实施例的基础上，所述对指标参数空间进行划分，将原始检验问题划分为m对假设检验问题，包括：
在给定的指标参数空间中插入m-1个点，以将原始检验问题划分为m对假设检验问题。
由上述实施例的内容可知，本发明实施例会对指标参数空间进行划分，将原始检验问题进行划分，具体的，首先在给定的指标参数空间中插入m-1个点，实现参数空间的重新划分，即Θ＝Θ0∪…∪Θi∪…∪Θ1，其中Θi＝{pi}，满足p0＞…＞pi＞…＞p1(i＝2,3,…,m)，则原检验问题：H0:p＝p0,H1:p＝p1，可以划分为如下m对假设检验问题：
在上述实施例的基础上，所述计算序贯网图的所有相关参数，包括：
根据先验信息，计算贝叶斯因子及对应的阈值；
设置插入点位置选择策略；
设置截尾策略。
由上述实施例的内容可知，本发明实施例需要计算序贯网图的所有相关参数，序贯网图的所有相关参数是根据三种计算策略确定的相应内容，主要包括贝叶斯因子及对应的阈值、设置插入点位置选择策略以及设置截尾策略。
在上述实施例的基础上，所述根据先验信息，计算贝叶斯因子及对应的阈值，包括：
根据先验信息确定装备试验信息的先验分布，计算贝叶斯因子及其阈值。
由上述实施例的内容可知，本发明实施例需要计算贝叶斯因子以及对应的阈值，具体的，考虑有现场试验数据序贯序列：X＝{X1,…,Xi,…,Xn}，由m对假设检验问题可得到m个方案，以式(1)中第j(j＝1,2,…,m)对假设检验问题H0j和H1j为例，则贝叶斯因子可表示为：
其中，和/>表示假设H0j和H1j成立的先验概率，且满足/>并有：
其中，当j＝1时，k1＝0，k2＝2；当j＝2,3,…,m-1时，k1＝j，k2＝j+1；当j＝m时，k1＝m，k2＝1。
设Lj和Uj为贝叶斯因子Λj(X)判决阈值的下界和上界，满足：
其中，和/>分别表示考虑先验分布式的承制方和使用方风险，满足：
其中，αj和βj分别表示式(1)中第j组假设检验问题的承制方和使用方风险值，由原假设检验问题给出的α和β决定。
为了得到序贯网图，做出如下推导：
当接受H0j时，有Λj(X)≥Uj，两边取对数即可得到一条边界线lj:c＝sjn+hj，边界线lj之下即为接受H0j的区域，其中：
当接受H1j时，有Λj(X)≤Lj，两边取对数即可得到一条与lj平行的边界线lj′:c＝sjn+hj′，边界线lj′之上即为接受H1j的区域，其中：
当Lj≤Λj(X)≤Dj时，即位于两条边界线lj和lj′之间的区域，为继续验证区域，不作出判决，需要开展下一次验证试验。
进一步的，利用贝叶斯小子样理论进行统计分析时，假设通过历史信息、仿真数据、专家经验信息以及各子系统信息等的分析，通过先验信息融合得到FDR的先验分布为π(p)，则先验概率和/>分别表示为对假设H0j和H1j的支持程度，公式为：
通过式(9)即可求取第2步中式(2)-式(8)，由m对假设检验问题即可以得到m组平行线，根据m组平行线的相对位置关系即可确定基于贝叶斯框架下序贯网图的验证试验判决边界。
确定和/>后，为了进一步得到/>和/>根据式(5)可知需要考虑式(1)中第j组假设检验问题的αj和βj如何确定。考虑插入点后各组假设检验问题的继续试验区宽度不变的原则，即：
hj′-hj≡C(常数) (10)
将式(7)和式(8)带入式(10)中便可以得到：
令则可以得到：
另外仍需再获取一个αj和βj的关系才能最终确定式(5)，为了兼顾先验概率以及承制方和使用方风险，考虑先验分布下的风险比和双方风险比α/β相当的原则，即满足：
由于Bj还可以表示为Bj＝Lj/Uj，而0＜Lj＜1＜Uj，故0＜Bj＜1，因此由式(12)和式(13)便可以得到αj和βj的计算表达式：
由于继续试验区宽度不变，根据p0、p1、α和β可以确定常数C为：
据此即建立起αj、βj与插入点pi以及先验概率和/>的关系。
在上述实施例的基础上，所述设置插入点位置选择策略，包括：
选取故障率检测率指标插入点，以使样本量的上界达到最小。
由上述实施例的内容可知，本发明实施例会设置插入点选择策略，该策略的目的是使得样本量的上界达到最小。
具体的，本发明实施例选取故障检测率指标插入点p2(p1＜p2＜p0)，则有如下假设检验问题：
由式(16)可确定两组平行线l1//l1′以及l2//l2′，图2是本发明实施例提供的序贯网图检验示意图，可参考图2所示。基于贝叶斯框架下序贯网图检验方法所确定的样本量的上界n0，满足：
对插入点的选取策略即保证选取合适的插入点p2，使得n0能达到最小值。这正是因为对于基于贝叶斯框架下序贯网图检验方法平均样本量和最大样本量均是需要考虑的因素，在平均样本量小的情况下，保证最大样本量也较小。
根据上述分析，直线l1′为检验问题(16)中拒绝假设p＝p0的判决边界，直线l2为检验问题(16)中拒绝假设p＝p1的判决边界，故取直线l1′和l2作为原始假设检验问题的判断边界，则通过图1可以确定基于贝叶斯框架下序贯网图检验方法的判决区域为：(1)l1′以上区域为拒绝p＝p0的判断区域(即接受p＝p1的判断区域)；(2)l2以下区域为拒绝p＝p1的区域(即接受p＝p0的判断区域)。(3)直线l1′和l2之间的区域即为继续验证区域。
在上述实施例的基础上，所述设置截尾策略，包括：
基于使用方风险和承制方风险的约束条件，设置截尾策略，以得到截尾样本量和最大允许截尾检测失败数。
由上述实施例的内容可知，本发明实施例会设置一个截尾策略，目的是为了得到截尾样本量和最大允许截尾检测失败数等参数。
具体的，由于要对验证试验风险进行控制约束，根据最大样本量n0是否满足预期试验截尾数nE，需要考虑截尾样本量nt(nt＜n00。具体可分为以下几种情况进行分析：
第一种情况：通过本发明实施例提供的方法得到最大样本量n0满足预期试验截尾数nE要求，即n0≤nE，则序贯截尾策略即选用n0，则n≥0，c≥0，直线l1′和直线l2所围成的区域即为继续验证试验区，可参考图2所示；
第二种情况，最大样本量n0过大，即n0＞nE，需要考虑截尾样本量nt以及对应的最大允许接受值ct(ct1≤ct≤ct2)，(nt,ct)的确定原则是在满足承制方和使用方风险的前提下使得nt和ct最小，则0≤n≤nt，0≤c≤ct，直线l1′和直线l2所围成的区域表示截尾限制条件下的继续验证区域，如图3所示，图3是本发明实施例提供的考虑截尾样本量nt的序贯网图检验示意图。
进一步地，截尾样本量nt可以由一组优化问题进行确定：
在确定截尾样本量nt之后，确定最大允许截尾检测失败数ct的确定仍可通过优化问题决定：
进一步地，可以计算双方风险值。
实际的承制方风险即装备测试性水平p＝p0时，装备未能通过验证的所有拒收情形的概率之和，同理实际的使用方风险即为p＝p0时，装备通过验证的所有接受情形的概率值之和，具体可表示为：
式中，Nr表示确定序贯网图后所有拒收点的数量，Na表示所有接收点的数量，ci、cj表示到达当前拒收点以及接受点的检测失败数，ni、nj表示到达当前拒收点以及接受点的总样本量，Si、Sj则表示到达当前拒收点以及接受点的所有可能情况。将式(20)用序贯网图相关参数表述即为：
式中αr表示实际承制方风险，βr表示实际生产方风险，Pp0(·)表示在假设p＝p0成立条件下的概率，Pp1(·)表示在假设p＝p1成立条件下的概率。
综上，通过本发明实施例提供的方法，在Bayes框架下对序贯网图检验方法进行扩展，运用Bayes方法对装备各阶段的先验信息加以利用，并结合序贯网图检验方法，设计测试性验证方案。具体的实现步骤如下：对给定的指标参数空间进行指标参数空间划分；根据装备各阶段或者历史试验数据等先验信息确定装备试验信息的先验分布，计算Bayes因子及其阈值；设置插入点的位置，给出测试性验证所需最大样本量，在考虑使用方风险和承制方风险的基础上设计Bayes框架下序贯网图检验的截尾策略，得到截尾样本量和最大允许截尾检测失败数。最后根据序贯网图的所有相关参数，完成测试性验证方案设计。
图4是本发明实施例提供的一种基于贝叶斯框架下序贯网图检验的测试性验证装置的结构示意图，如图4所示，本发明实施例提供了一种基于贝叶斯框架下序贯网图检验的测试性验证装置，包括空间划分模块401、参数计算模块402和验证模块403，其中，空间划分模块401用于对指标参数空间进行划分，将原始检验问题划分为m对假设检验问题；参数计算模块402用于计算序贯网图的所有相关参数，所述相关参数是基于贝叶斯因子及对应的阈值、插入点位置选择策略以及截尾策略计算得到；验证模块403用于根据所述序贯网图的所有相关参数，设计测试性验证方案，对所述假设检验问题进行验证。
本发明实施例提供的一种基于贝叶斯框架下序贯网图检验的测试性验证装置，通过充分运用序贯网图检验方法的优点以及Bayes方法能够利用先验信息的特点，减少测试性试验最大样本量，得到更加合理准确的测试性验证方案。
在上述实施例的基础上，所述空间划分模块具体用于：
在给定的指标参数空间中插入m-1个点，以将原始检验问题划分为m对假设检验问题。
在上述实施例的基础上，所述参数计算模块具体包括：
贝叶斯计算单元，用于根据先验信息，计算贝叶斯因子及对应的阈值；
插入点策略单元，用于设置插入点位置选择策略；
截尾策略单元，用于设置截尾策略。
在上述实施例的基础上，所述贝叶斯计算单元具体用于：
根据先验信息确定装备试验信息的先验分布，计算贝叶斯因子及其阈值。
在上述实施例的基础上，所述插入点策略单元具体用于：
选取故障率检测率指标插入点，以使样本量的上界达到最小。
在上述实施例的基础上，所述截尾策略单元具体用于：
基于使用方风险和承制方风险的约束条件，设置截尾策略，以得到截尾样本量和最大允许截尾检测失败数。
本发明实施例提供的装置是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。
图5为本发明实施例提供的电子设备结构示意图，参照图5，该电子设备可以包括：处理器(processor)501、通信接口(Communications Interface)502、存储器(memory)503和通信总线504，其中，处理器501，通信接口502，存储器503通过通信总线504完成相互间的通信。处理器501可以调用存储器503中的逻辑指令，以执行如下方法：对指标参数空间进行划分，将原始检验问题划分为m对假设检验问题；计算序贯网图的所有相关参数，所述相关参数是基于贝叶斯因子及对应的阈值、插入点位置选择策略以及截尾策略计算得到；根据所述序贯网图的所有相关参数，设计测试性验证方案，对所述假设检验问题进行验证。
此外，上述的存储器503中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的基于贝叶斯框架下序贯网图检验的测试性验证方法，例如包括：对指标参数空间进行划分，将原始检验问题划分为m对假设检验问题；计算序贯网图的所有相关参数，所述相关参数是基于贝叶斯因子及对应的阈值、插入点位置选择策略以及截尾策略计算得到；根据所述序贯网图的所有相关参数，设计测试性验证方案，对所述假设检验问题进行验证。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以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 (7)
1.一种基于贝叶斯框架下序贯网图检验的测试性验证方法，其特征在于，包括：
对指标参数空间进行划分，将原始检验问题划分为m对假设检验问题；
计算序贯网图的所有相关参数，所述相关参数是基于贝叶斯因子及对应的阈值、插入点位置选择策略以及截尾策略计算得到；
根据所述序贯网图的所有相关参数，设计测试性验证方案，对所述假设检验问题进行验证；
所述对指标参数空间进行划分，将原始检验问题划分为m对假设检验问题，包括：
在给定的指标参数空间中插入m-1个点，以将原始检验问题H0:p＝p0,H1:p＝p1划分为m对假设检验问题：
其中，p0＞…＞pi＞…＞p1(i＝2,3,…,m)；
所述计算序贯网图的所有相关参数，包括：
根据先验信息，计算贝叶斯因子及对应的阈值，所述贝叶斯因子及对应的阈值通过以下公式计算得到：
其中，Λj(X)为第j对假设检验问题H0j和H1j对应的贝叶斯因子，j(j＝1,2,…,m)；X＝{X1,…,Xi,…,Xn}，为现场试验数据序贯序列；和/>表示假设H0j和H1j成立的先验概率，且满足/>
其中，当j＝1时，k1＝0，k2＝2；当j＝2,3,…,m-1时，k1＝j，k2＝j+1；当j＝m时，k1＝m，k2＝1；
其中，Lj和Uj为贝叶斯因子Λj(X)判决阈值的下界和上界；和/>分别表示考虑先验分布式的承制方风险和使用方风险；
其中，αj和βj分别表示第j组假设检验问题的承制方风险值和使用方风险值，由原始假设检验问题给出的α和β确定；
序贯网图通过以下公式推导：
hj′-hj≡C；
其中，C为常数，π(p)为通过先验信息融合得到FDR的先验分布；
令得到：
其中，Bj＝Lj/Uj，0＜Lj＜1＜Uj，0＜Bj＜1；
设置插入点位置选择策略；
设置截尾策略。
2.根据权利要求1所述的基于贝叶斯框架下序贯网图检验的测试性验证方法，其特征在于，所述根据先验信息，计算贝叶斯因子及对应的阈值，包括：
根据先验信息确定装备试验信息的先验分布，计算贝叶斯因子及其阈值。
3.根据权利要求1所述的基于贝叶斯框架下序贯网图检验的测试性验证方法，其特征在于，所述设置插入点位置选择策略，包括：
选取故障率检测率指标插入点，以使样本量的上界达到最小。
4.根据权利要求1所述的基于贝叶斯框架下序贯网图检验的测试性验证方法，其特征在于，所述设置截尾策略，包括：
基于使用方风险和承制方风险的约束条件，设置截尾策略，以得到截尾样本量和最大允许截尾检测失败数。
5.一种基于贝叶斯框架下序贯网图检验的测试性验证装置，其特征在于，包括：
空间划分模块，用于对指标参数空间进行划分，将原始检验问题划分为m对假设检验问题；
参数计算模块，用于计算序贯网图的所有相关参数，所述相关参数是基于贝叶斯因子及对应的阈值、插入点位置选择策略以及截尾策略计算得到；
验证模块，用于根据所述序贯网图的所有相关参数，设计测试性验证方案，对所述假设检验问题进行验证；
所述空间划分模块具体用于：
在给定的指标参数空间中插入m-1个点，以将原始检验问题H0:p＝p0,H1:p＝p1划分为m对假设检验问题：
其中，p0＞…＞pi＞…＞p1(i＝2,3,…,m)；
所述参数计算模块具体用于：
根据先验信息，计算贝叶斯因子及对应的阈值，所述贝叶斯因子及对应的阈值通过以下公式计算得到：
其中，Λj(X)为第j对假设检验问题H0j和H1j对应的贝叶斯因子，j(j＝1,2,…,m)；X＝{X1,…,Xi,…,Xn}，为现场试验数据序贯序列；和/>表示假设H0j和H1j成立的先验概率，且满足/>
其中，当j＝1时，k1＝0，k2＝2；当j＝2,3,…,m-1时，k1＝j，k2＝j+1；当j＝m时，k1＝m，k2＝1；
其中，Lj和Uj为贝叶斯因子Λj(X)判决阈值的下界和上界；和/>分别表示考虑先验分布式的承制方风险和使用方风险；
其中，αj和βj分别表示第j组假设检验问题的承制方风险值和使用方风险值，由原始假设检验问题给出的α和β确定；
序贯网图通过以下公式推导：
hj′-hj≡C；
其中，C为常数，π(p)为通过先验信息融合得到FDR的先验分布；
令得到：
其中，Bj＝Lj/Uj，0＜Lj＜1＜Uj，0＜Bj＜1；
设置插入点位置选择策略；
设置截尾策略。
6.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任一项所述贝叶斯框架下序贯网图检验的测试性验证方法的步骤。
7.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至4任一项所述贝叶斯框架下序贯网图检验的测试性验证方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010266656.3A CN111506877B (zh) | 2020-04-07 | 2020-04-07 | 基于贝叶斯框架下序贯网图检验的测试性验证方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010266656.3A CN111506877B (zh) | 2020-04-07 | 2020-04-07 | 基于贝叶斯框架下序贯网图检验的测试性验证方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111506877A CN111506877A (zh) | 2020-08-07 |
| CN111506877B true CN111506877B (zh) | 2023-12-08 |
Family
ID=71870910
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010266656.3A Active CN111506877B (zh) | 2020-04-07 | 2020-04-07 | 基于贝叶斯框架下序贯网图检验的测试性验证方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111506877B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115659702B (zh) * | 2022-12-13 | 2023-05-30 | 中国人民解放军63921部队 | 一种面向成败型在轨测试的最优截尾试验方案设计方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102779208A (zh) * | 2012-06-19 | 2012-11-14 | 北京航空航天大学 | 基于相对熵的序贯加速退化试验优化设计方法 |
| CN104462757A (zh) * | 2014-11-03 | 2015-03-25 | 南京航空航天大学 | 基于监测数据的Weibull分布可靠性序贯验证试验方法 |
| CN106407159A (zh) * | 2016-08-25 | 2017-02-15 | 中国人民解放军国防科学技术大学 | 一种减少试验样本量的指标鉴定方法 |
-
2020
- 2020-04-07 CN CN202010266656.3A patent/CN111506877B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102779208A (zh) * | 2012-06-19 | 2012-11-14 | 北京航空航天大学 | 基于相对熵的序贯加速退化试验优化设计方法 |
| CN104462757A (zh) * | 2014-11-03 | 2015-03-25 | 南京航空航天大学 | 基于监测数据的Weibull分布可靠性序贯验证试验方法 |
| CN106407159A (zh) * | 2016-08-25 | 2017-02-15 | 中国人民解放军国防科学技术大学 | 一种减少试验样本量的指标鉴定方法 |
Non-Patent Citations (2)
| Title |
|---|
| 濮晓龙 ; 闫章更 ; 茆诗松 ; 张应山 ; 李艳 ; .计数型序贯网图检验.华东师范大学学报(自然科学版).2006,(第01期),全文. * |
| 黄寒砚 ; 王正明 ; .成败型试验的Bayes序贯网图检验法.系统工程与电子技术.2008,(第12期),第2429-2433页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111506877A (zh) | 2020-08-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3413221A1 (en) | Risk assessment method and system | |
| KR101985421B1 (ko) | 보안 위험 평가 기반 보안 투자 방법 및 장치 | |
| US11915311B2 (en) | User score model training and calculation | |
| CN111598457B (zh) | 一种电力无线网络质量的确定方法及装置 | |
| CN113689006A (zh) | 一种模型联合训练的方法和系统 | |
| CN111695624B (zh) | 数据增强策略的更新方法、装置、设备及存储介质 | |
| CN111506877B (zh) | 基于贝叶斯框架下序贯网图检验的测试性验证方法及装置 | |
| CN105548946A (zh) | 针对智能电能表的计量误差的多准则筛查方法和装置 | |
| CN114722585B (zh) | 一种用于方案推演分析的数据处理方法及装置 | |
| CN111860405A (zh) | 图像识别模型的量化方法、装置、计算机设备及存储介质 | |
| CN116739759A (zh) | 基于订单风险识别的资产资金匹配方法、装置及设备 | |
| CN111062524A (zh) | 基于优化遗传算法的景区短期客流量的预测方法及系统 | |
| CN108961071B (zh) | 自动预测组合业务收益的方法及终端设备 | |
| CN113965445B (zh) | 一种质差根因的定位方法、装置、计算机设备和存储介质 | |
| CN113592366A (zh) | 一种基于人工智能的业务策略制定方法及装置 | |
| CN113626242A (zh) | 一种数据处理方法、装置及电子设备 | |
| CN108599976B (zh) | 网络质量评估模型构建方法、装置及计算机设备 | |
| CN112668842A (zh) | 车险理赔风险因子评价方法及装置、电子设备、介质 | |
| CN117132176B (zh) | 基于预报因子筛选的径流预报模型构建和径流预报方法 | |
| CN111190800A (zh) | 预测主机的批量运行时长的方法、系统、装置及存储介质 | |
| CN117132177B (zh) | 基于多重假设检验的径流预报模型构建和径流预报方法 | |
| CN112883988B (zh) | 基于多数据集的特征提取网络的训练及特征提取方法 | |
| CN114022317B (zh) | 一种法律舆情预测方法、装置、计算机设备及存储介质 | |
| CN116051935B (zh) | 图像检测方法、深度学习模型的训练方法及装置 | |
| CN112132694B (zh) | 保单保全案件确认校验方法、装置、设备及存储介质 |
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 |