CN112035948A - 一种应用于船模虚拟试验平台的可信度综合评估方法 - Google Patents

Abstract

本发明涉及计算机仿真技术领域，尤其涉及一种应用于船模虚拟试验平台的可信度综合评估方法。该方法包括以下步骤：S1、基于云模型，将底层指标的定性评价结果转化成定量评价结果；S2、基于方差最大化组合赋权法，对底层指标的定量评价结果进行权重计算，得到底层指标的权重系数；S3、基于底层指标的定量评价结果和权重系数，得到船模虚拟试验平台的可信度综合评价结果。解决了现有仿真试验平台评估准确性低的技术问题。

Description

一种应用于船模虚拟试验平台的可信度综合评估方法

技术领域

本发明涉及计算机仿真技术领域，尤其涉及一种应用于船模虚拟试验平台的可信度综合评估方法。

背景技术

可信度是仿真系统的使用者对应用仿真系统在一定环境、一定条件下仿真实验的结果，解决所定义问题正确性的信心程度。可信度评估是指对模型/仿真系统/仿真试验结果是否可信程度进行分析、计算和评价。

可信度评估的目的包括对仿真模型/系统的评价、选择修正等，通过可信度评估可以给出仿真模型/系统可信度的量化结果，进而对仿真系统进行判断和认定；可信度评估可对统一对象的多个仿真模型从可信度角度进行排序，进而选出最优的仿真模型进行使用；可信度评估能够给对仿真模型/系统的缺陷进行追溯和定位，进而辅助仿真系统设计与优化。

目前，仿真技术是以相似理论为基础的，对真实的事物或虚拟的事物进行构造和试验分析，其可信度的评估构造复杂，对其评估的系统难以获取其真实的评估值，不能保证其评估的准确性。

发明内容

(一)要解决的技术问题

鉴于现有技术的上述缺点、不足，本发明提供一种应用于船模虚拟试验平台的可信度综合评估方法，解决了现有仿真试验平台评估准确性低的技术问题。

(二)技术方案

为了达到上述目的，本发明采用的主要技术方案包括：

本发明实施例提供一种应用于船模虚拟试验平台的可信度综合评估方法，包括以下步骤：

S1、基于云模型，将底层指标的定性评价结果转化成定量评价结果；

底层指标为船模虚拟试验平台可信度评估体系中的底层指标；

S2、基于方差最大化组合赋权法，对底层指标的定量评价结果进行权重计算，得到底层指标的权重系数；

S3、基于底层指标的定量评价结果和权重系数，得到船模虚拟试验平台的可信度综合评价结果。

本发明实施例提出的应用于船模虚拟试验平台的可信度综合评估方法，在定性参数云化的基础上采用方差最大化的组合赋权方法，以主观赋权法与客观赋权法分别求出各因素的权重。既可以体现评分者对评估指标的主观喜好，又可以避免人为因素的影响，使指标赋权达到主观与客观的统一，提高评估结果的可靠性。

可选地，步骤S1包括：

S11、获取底层指标的定性评价结果；

底层指标的定性评价结果为专家针对船模虚拟试验平台可信度评估体系中底层指标进行定性评价得到的结果；

S12、对底层指标的定性评价结果进行赋值，得到评估区间；

S13、利用云模型算法，将评估区间转化为云模型参数，得到底层指标的定量评价结果。

可选地，步骤S2包括：

S21、基于客观权重向量和主观权重向量，将两种权重向量进行线性组合，得到集成权重向量；

S22、基于集成权重向量和方差最大化思想建立线性规划模型，得到集成权重向量的线性表示系数；

S23、基于集成权重向量的线性表示系数，对集成权重向量进行归一化处理，得到底层指标的权重系数。

可选地，在云模型中，假设云滴服从均匀分布U₁(α₁,β₁)，云厚度服从均匀分布U₂(α₂,β₂)，云模型参数为[Ex,En,He]，中间参数服从以En为期望、以He为标准差的均匀分布，满足以下公式：

式中，Ex为期望，En为熵，En'为中间参数，He为超熵；根据云滴得到样本平均值：

式中，

为样本均值，N为评估区间的个数，x_i为云滴；根据样本平均值得到估计值：

式中，

为Ex的估计值；

一阶样本绝对中心距

样本方差满足以下公式：

式中，S²为样本方差；

En的估计值满足以下公式：

式中，

为En的估计值；

He的估计值满足以下公式：

式中，

为He的估计值；

为对底层指标的定性评价结果转化成的定量评价结果。

可选地，步骤S21中，集成权重向量满足以下公式：

w＝αU+βV

式中，w为集成权重向量，w＝(w₁,w₂,...,w_n)；U为客观权重向量，U＝(u₁,u₂,...,u_m)，u_x≥0，

V为主观权重向量，V＝(v₁,v₂,...,v_m)，v_x≥0，

α、β分别为客观权重向量的线性表示系数和主观权重向量的线性表示系数，α≥0，β≥0，且α²+β²＝1。

可选地，步骤S22中，线性规划模型满足以下公式：

式中，Z为方差函数，c_ab为第b个底层指标在第a个决策中的指标得分，

为c_ab的平均值，w_b为第b个底层指标的集成权重向量，u_x为第b个底层指标的客观权重向量，v_x为第b个底层指标的主观权重向量。

可选地，为求解步骤S22中线性规划模型，构造lagrange函数，lagrange函数满足以下公式：

式中，L(α,β)为lagrange函数，λ为lagrange乘子；

令

则有：

又有α²+β²＝1，得到α、β值：

可选地，步骤S3中，船模虚拟试验平台的可信度综合评价结果满足以下公式：

式中，J为船模虚拟试验平台的可信度综合评价结果，w_ob为第b个底层指标的权重系数，

为第b个底层指标的定量评价结果。

可选地，底层指标包括专家知识库可信度、试验环境逼真度、试验有效性和试验结果的有效性。

(三)有益效果

本发明的有益效果是：本发明的应用于船模虚拟试验平台的可信度综合评估方法，利用云模型理论中期望Ex、熵En、超熵He的数字特征来进行定性与定量之间的不确定性转换，将概念中的模糊性和随机性完全集中在一起，构成定性概念和定量数据相互之间的转换。在定性参数云化的基础上采用方差最大化的组合赋权方法，以主观赋权法与客观赋权法分别求出各因素的权重，再利用最优组合赋权模型求解出最优组合权值。既可以体现评分者对评估指标的主观喜好，又可以避免人为因素的影响，使指标赋权达到主观与客观的统一，提高评估结果的可靠性。

附图说明

图1为本发明提供的应用于船模虚拟试验平台的可信度综合评估方法的流程图；

图2为本发明中船模虚拟试验平台可信度评估体系的结构框图。

具体实施方式

为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。

建模与仿真技术是目前人们认识和改造现实世界的一种重要手段。建模是建立系统模型的过程，是研究系统的重要手段和前提。按照系统的观点，模型是一个系统(实体、现象、过程)的物理的、数学的或其他逻辑的表现形式，以模型的形式不同可将其分为实体模型和数学模型。而仿真是在计算机上或实体上建立系统的有效模型并在模型上进行系统实验的过程。

仿真模型是建模者对建模对象为满足仿真应用需求而建立的、以某种形式(计算机语言、实体模型的物理实现)给出的描述。利用仿真模型代替被研究对象，在计算机或其他设备组成的环境中进行实验，则形成了仿真系统。

本发明实施例提出的应用于船模虚拟试验平台的可信度综合评估方法，利用云模型理论中期望Ex、熵En、超熵He的数字特征来进行定性与定量之间的不确定性转换，将概念中的模糊性和随机性完全集中在一起，构成定性概念和定量数据相互之间的转换。在定性参数云化的基础上采用方差最大化的组合赋权方法，综合主观赋权法与客观赋权法，得到最大偏差平方和的权重值。既考虑到评估专家的实践知识，又考虑到决策的客观性，使得最终决策的客观公正。

为了更好的理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更清楚、透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

实施例1

如图1所示，为本实施例提出一种应用于船模虚拟试验平台的可信度综合评估方法，包括以下步骤：

S1、基于云模型，将底层指标的定性评价结果转化成定量评价结果。具体地，包括以下步骤：

S11、获取底层指标的定性评价结果。底层指标的定性评价结果为专家针对船模虚拟试验平台可信度评估体系中底层指标进行定性评价得到的结果。

其中，如图2所示，为船模虚拟试验平台可信度评估体系的结构框图，底层指标包括：专家知识库可信度、试验环境逼真度、试验有效性和试验结果的有效性。

具体地，专家知识可信度包括三维模型库、推理规则库和专家评价库，是建立于船舶虚拟试验平台存储和管理专家系统的知识库，主要包括来自书本上的知识和各领域专家在长期的工作实践中所获得的经验知识，用户可以随机调用专家知识库的专家知识，并通过推理机评价对船舶虚拟仿真试验的结果进行评价。

试验环境逼真度包括海洋环境逼真度、模型逼真度和试验逼真度，主要是与物理试验环境进行对比，判断船模所处的海洋环境约束条件、物理仿真模型和仿真试验流程与实际是否相一致，主要从准确性和完整性两个方面进行评估。

试验有效性包括算法适用性、模型适用性和试验条件覆盖度，主要对仿真试验中所用到的计算方法、数学模型和试验条件的覆盖度进行评估，主要从有效性和准确性两方面进行评估。

试验结果的有效性包括评价方法可靠性、融合精度可信度和数据完整性，主要对仿真结果是否与实际结果相一致进行评估，主要从仿真结果的置信度和可比性两个方面进行评估。

S12、对底层指标的定性评价结果进行赋值，得到评估区间。

评估区间是基于专家对底层指标的定性评价结果的赋值，服从评估区间分布参数得到的云滴值。

S13、利用云模型算法，将评估区间转化为云模型参数，得到底层指标的定量评价结果。

云模型中，假设云滴服从均匀分布U₁(α₁,β₁)，云厚度服从均匀分布U₂(α₂,β₂)，云模型参数为[Ex,En,He]，中间参数服从以En为期望、以He为标准差的均匀分布，满足以下公式：

式中，Ex为期望，En为熵，En'为中间参数，He为超熵。

根据云滴得到样本平均值：

式中，

为样本均值，N为评估区间的个数，x_i为云滴。

根据样本平均值得到估计值：

式中，

为Ex的估计值。

一阶样本绝对中心距

样本方差满足以下公式：

式中，S²为样本方差。

En的估计值满足以下公式：

式中，

为En的估计值。

He的估计值满足以下公式：

式中，

为He的估计值。

即为专家对底层指标的定性评价结果转化成的定量评价结果。

S2、基于方差最大化组合赋权法，对底层指标的定量评价结果进行权重计算，得到底层指标的权重系数。

本发明中提出一种方差最大化组合赋权，在多属性决策中，如果第j个属性对所有决策方案而言均没有明显差别，那么，该属性对决策方案的排序将不起作用，从而该属性的权重可以定为0；反之，如果决策方案在某个属性上有较大的差异，则该属性将起到较大的作用。

包括以下步骤：

S21、基于客观权重向量和主观权重向量，将两种权重向量进行线性组合，得到集成权重向量。

集成权重向量满足以下公式：

w＝αU+βV

式中，w为集成权重向量，w＝(w₁,w₂,...,w_n)；U为客观权重向量，U＝(u₁,u₂,...,u_m)，u_x≥0，

V为主观权重向量，V＝(v₁,v₂,...,v_m)，v_y≥0，

α、β分别为客观权重向量的线性表示系数和主观权重向量的线性表示系数，α≥0，β≥0，且α²+β²＝1。

S22、基于集成权重向量和方差最大化思想建立线性规划模型，得到集成权重向量的线性表示系数。

为使得所有m个底层指标的评价结果对所有p个决策方案的总方差达到最大，建立如下线性规划模型：

式中，Z为方差函数，c_ab为第b个底层指标在第a个决策方案中的指标得分，

为c_ab的平均值，w_b为第b个底层指标的集成权重向量，u_x为第b个底层指标的客观权重向量，v_x为第b个底层指标的主观权重向量。

决策方案指的是不同的主观赋权法和客观赋权法。

为求解上述线性规划模型，构造lagrange函数如下：

式中，L(α,β)为lagrange函数，λ为lagrange乘子。

令

则有：

又有α²+β²＝1，得到α、β值：

S23、基于集成权重向量的线性表示系数，对集成权重向量进行归一化处理，得到底层指标的权重系数。

wo＝(w_o1,w_o2,...w_ot)

S3、基于底层指标的定量评价结果和权重系数，得到船模虚拟试验平台的可信度综合评价结果。

式中，J为船模虚拟试验平台的可信度综合评价结果，w_ob为第b个底层指标的权重系数，

为第b个底层指标的定量评价结果。

本发明提出的应用于船模虚拟试验平台的可信度综合评估方法，利用云模型理论中期望Ex、熵En、超熵He的数字特征来进行定性与定量之间的不确定性转换，将概念中的模糊性和随机性完全集中在一起，构成定性概念和定量数据相互之间的转换。在定性参数云化的基础上采用方差最大化的组合赋权方法，综合主观赋权法与客观赋权法，得到最大偏差平方和的权重值。既考虑到评估专家的实践知识，又考虑到决策的客观性，使得最终决策的客观公正。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例，或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。

应当注意的是，在权利要求中，不应将位于括号之间的任何附图标记理解成对权利要求的限制。词语“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的词语“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的权利要求中，这些装置中的若干个可以是通过同一个硬件来具体体现。词语第一、第二、第三等的使用，仅是为了表述方便，而不表示任何顺序。可将这些词语理解为部件名称的一部分。

此外，需要说明的是，在本说明书的描述中，术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述，是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管已描述了本发明的优选实施例，但本领域的技术人员在得知了基本创造性概念后，则可对这些实施例作出另外的变更和修改。所以，权利要求应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也应该包含这些修改和变型在内。

Claims (9)

1.一种应用于船模虚拟试验平台的可信度综合评估方法，其特征在于，包括以下步骤：

S1、基于云模型，将底层指标的定性评价结果转化成定量评价结果；

所述底层指标为船模虚拟试验平台可信度评估体系中的底层指标；

S2、基于方差最大化组合赋权法，对底层指标的定量评价结果进行权重计算，得到底层指标的权重系数；

S3、基于底层指标的定量评价结果和权重系数，得到船模虚拟试验平台的可信度综合评价结果。

2.如权利要求1所述的可信度综合评估方法，其特征在于，所述步骤S1包括：

S11、获取底层指标的定性评价结果；

底层指标的定性评价结果为专家针对船模虚拟试验平台可信度评估体系中底层指标进行定性评价得到的结果；

S12、对底层指标的定性评价结果进行赋值，得到评估区间；

S13、利用云模型算法，将评估区间转化为云模型参数，得到底层指标的定量评价结果。

3.如权利要求2所述的可信度综合评估方法，其特征在于，所述步骤S2包括：

S21、基于客观权重向量和主观权重向量，将两种权重向量进行线性组合，得到集成权重向量；

S22、基于集成权重向量和方差最大化思想建立线性规划模型，得到集成权重向量的线性表示系数；

S23、基于集成权重向量的线性表示系数，对集成权重向量进行归一化处理，得到底层指标的权重系数。

4.如权利要求3所述的可信度综合评估方法，其特征在于，在云模型中，假设云滴服从均匀分布U₁(α₁,β₁)，云厚度服从均匀分布U₂(α₂,β₂)，云模型参数为[Ex,En,He]，中间参数服从以En为期望、以He为标准差的均匀分布，满足以下公式：

式中，Ex为期望，En为熵，En'为中间参数，He为超熵；

根据云滴得到样本平均值：

式中，

为样本均值，N为评估区间的个数，x_i为云滴；

根据样本平均值得到估计值：

式中，

为Ex的估计值；

一阶样本绝对中心距

样本方差满足以下公式：

式中，S²为样本方差；

En的估计值满足以下公式：

式中，

为En的估计值；

He的估计值满足以下公式：

式中，

为He的估计值；

为对底层指标的定性评价结果转化成的定量评价结果。

5.如权利要求4所述的可信度综合评估方法，其特征在于，所述步骤S21中，集成权重向量满足以下公式：

w＝αU+βV

式中，w为集成权重向量，w＝(w₁,w₂,...,w_n)；U为客观权重向量，U＝(u₁,u₂,...,u_m)，u_x≥0，

V为主观权重向量，V＝(v₁,v₂,...,v_m)，v_x≥0，

α、β分别为客观权重向量的线性表示系数和主观权重向量的线性表示系数，α≥0，β≥0，且α²+β²＝1。

6.如权利要求5所述的可信度综合评估方法，其特征在于，所述步骤S22中，线性规划模型满足以下公式：

式中，Z为方差函数，c_ab为第b个底层指标在第a个决策中的指标得分，

为c_ab的平均值，w_b为第b个底层指标的集成权重向量，u_x为第b个底层指标的客观权重向量，v_x为第b个底层指标的主观权重向量。

7.如权利要求6所述的可信度综合评估方法，其特征在于，为求解所述步骤S22中线性规划模型，构造lagrange函数，lagrange函数满足以下公式：

式中，L(α,β)为lagrange函数，λ为lagrange乘子；

令

则有：

又有α²+β²＝1，得到α、β值：

8.如权利要求7所述的可信度综合评估方法，其特征在于，所述步骤S3中，船模虚拟试验平台的可信度综合评价结果满足以下公式：

式中，J为船模虚拟试验平台的可信度综合评价结果，w_ob为第b个底层指标的权重系数，

为第b个底层指标的定量评价结果。

9.如权利要求1所述的可信度综合评估方法，其特征在于，所述底层指标包括专家知识库可信度、试验环境逼真度、试验有效性和试验结果的有效性。

Images