CN113779893A - 基于回声状态网络的保障性仿真输出结果可信性评价方法 - Google Patents
基于回声状态网络的保障性仿真输出结果可信性评价方法 Download PDFInfo
- Publication number
- CN113779893A CN113779893A CN202111150161.5A CN202111150161A CN113779893A CN 113779893 A CN113779893 A CN 113779893A CN 202111150161 A CN202111150161 A CN 202111150161A CN 113779893 A CN113779893 A CN 113779893A
- Authority
- CN
- China
- Prior art keywords
- simulation
- output
- credibility
- input
- data
- 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
Classifications
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于回声状态网络的保障性仿真输出结果可信性评价方法,包括:S1,保障性仿真可信性影响因素分析;S2影响因素及对应仿真结果量化;S3设置因素组合生成数据集;S4构建回声状态网络;S5训练、测试和使用回声状态网络。本发明的优点是:避免了传统的基于相似度或置信度来评价仿真输出结果可信性时必须依赖与基准数据比较的限制;具有训练速度快、灵活性强、数据需求量小;为研究复杂装备保障性仿真的可信性提供了一种新方法,为型号研制中保障性仿真的应用提供了有力的支撑。
Description
技术领域
本发明涉及航空装备的综合保障仿真技术领域,特别涉及一种基于回声状态网络的保障性仿真输出结果可信性评价方法。
背景技术
保障性评估对于分析复杂产品的保障特性、权衡优化保障方案发挥着重要作用。由于航空装备产品的结构、功能及保障系统越来越复杂,使用传统的数学模型进行保障性评估的难度越来越大,因此工程实践中越来越多的使用基于离散事件仿真的保障性评估方法。在保障性评估仿真过程中受到建模粒度、仿真算法准确性、软件的可靠性等因素影响,仿真模型和结果不能完全准确地描述真实系统及其性能,因此需要进行保障性评估仿真可信度量化分析研究,以充分了解仿真工具的使用风险。
不论作为仿真的开发者还是仿真的最终用户,只要是把仿真作为一个工具而不是研究对象,他们关心的往往只是仿真输出结果与真实结果的偏离程度,因为这决定了仿真作为工具其本身的价值。而传统的仿真系统输出可信度评估的基本方法是考察在相同的输入条件下仿真模型的输出与实际系统输出是否一致及一致性的程度。而在很多情况下并不能获得真实的输出,所以需要提出一种在缺少基准数据的情况下评价保障性仿真输出结果可信性的方法。
随着近年来人工智能地再次兴起,以及神经网络本身对于仿真可信性评价这种不具有解析解问题有很强的适用性,所以可以运用神经网络模型求解仿真可信性的研究。但是因为BP神经网络模型理论成熟、实现简单,能满足该类仿真评估的基本需要,所以使用的模型多以BP网络模型为主。回声状态网络的研究及应用表明,其也能够适用于复杂系统仿真可信性评估这种多任务多层次多目标综合评估问题。因为神经元之间的连接可以在训练中改变,所以对于这种复杂非线性问题也有较为优秀的表现。但是目前其在仿真可信性评价上的应用还非常有限。
发明内容
本发明针对现有技术的缺陷,提供了一种基于回声状态网络的保障性仿真输出结果可信性评价方法。
为了实现以上发明目的,本发明采取的技术方案如下:
一种基于回声状态网络的保障性仿真输出结果可信性评价方法,包括以下步骤:
S1,保障性仿真可信性影响因素分析;
首先针对保障性仿真这种离散事件仿真特点,在仿真可信性影响因素分析理论的基础上,对数据、模型、仿真系统影响仿真结果可信性的因素细化和具体化。依据保障性仿真可信性影响因素对仿真结果可信性的影响方式和之后的量化方法不同,将保障性仿真可信性影响因素分为业务相关和仿真系统相关的两类。
S2影响因素及对应仿真结果量化;
针对部分分析出的可信性影响因素并非以数值形式表示,给出了S1中此类影响因素的量化方法;对于仿真输出结果的可信度量化,给出基于相似理论评判的方法:在相同的输入条件下仿真模型的输出与实际系统输出是否一致及一致性的程度。
S3设置因素组合生成数据集;
在完成了S1和S2之后,选择某一开源、可编辑的保障性仿真软件作为分析对象。构造数据集时,首先确定每个仿真影响因素的取值范围,并通过对影响因素进行修改编辑来实现其不同的取值。
S4构建回声状态网络;
在完成S3后,选择使用回声状态网络模型来实现多元回归的映射。
给出设定回声状态网络三层结构的方法,包括:输入层、储存池层、输出层。同时规定根据数据集的输入输出个数,确定回声状态网络输入层、储存池层、输出层的维度的步骤。对于回声状态网络的训练和使用过程,给出了初始化、训练与使用的具体过程。
S5训练、测试和使用回声状态网络
经过S4确定了回声状态网络结构后,需要对回声状态网络结构进行初始化、训练和测试,才能达到可以使用的状态。
首先确定初始化时确定储备池的大小,并给出将训练集的数据依次加载到输入和输出后建立线性连接关系的回归公式;明确了训练回归权矩阵的方法,并给出了使用训练好的回声状态网络求解仿真输出结果可信度的方法。
进一步地,步骤S1中业务相关的影响因素指的是模型内容涉及到维修保障业务的因素:分为事件模型和事件调度模型两部分。仿真系统相关的因素指的是:随机数发生器、仿真次数、仿真时长、时钟步长。对于输入数据与输出处理,其与业务和仿真系统都相关,属于耦合因素;
进一步地,步骤S2具体包括以下步骤:
S21、对于仿真次数、仿真时长、时钟步长和采样间隔本身就是用数值表示的,属于无需量化的因素,直接用其本身的数值进行表示。
S22、输入数据完整性与正确性量化:对输入数据的完整性评价可以按照用户定义的参数数量与使用默认值参数数量的比值确定;对于正确性采用灰色理论判别法,在同一类数据中,查找有无异常值,以及根据异常值的异常程度对数据正确性进行量化。
S23、动态参数采样与参数处理方法量化:在仿真采样时,读取本时刻已经发生但还未进行时间统计和累计的事件所导致的时间偏差占装备总不可用时长的比例。
S24、随机数发生器量化:对生成的随机数看作是未知分布的数据检验,则使用K-S方法对不同随机数发生器均匀性、独立性、周期性进行检验,根据检验的结果评价不同随机数发生器生成的随机数的质量。
S25、事件子程序和调度子程序量化:首先将模型按层次进行分解,对于底层模型,采用三角模糊数方法、模糊评判法进行量化,然后使用层次分析法结合权重进行合成。
S26、仿真输出结果可信性量化:对于仿真输出结果的可信度采用相似理论方法:即在相同的输入条件下仿真模型的输出与实际系统输出是否一致及一致性的程度,也就是考察仿真模型的输出与实际系统的输出之间的相似度。
进一步地,步骤S3具体包括以下步骤:
S31、选择一个具体的保障性仿真软件,应当选取开源、可编辑的保障性仿真工具作为分析对象。
S32、依照S2中方法,确定事件子程序、调度子程序、动态参数处理、采样间隔、输入数据完整性、输入数据正确性、仿真次数、仿真时长、时钟步长因素的取值,并在仿真中进行对应修改。对于仿真次数、仿真时长和采样间隔,可以直接在仿真运行时进行自定义;对于具体的模型修改,仿真用到的随机数发生器的更换要针对开源的仿真工具进行。
S33、在不同因素取值下运行仿真,对输出结果进行可信性评价。采用S2中确定的相似理论方法,确定不同因素组合条件下仿真输出结果的可信性量化值。
进一步地,步骤S4具体包括以下步骤:
S41、确定回声状态网络结构:设定回声状态网络三层结构:输入层、储存池层、输出层。输入向量为u(n),维度是n×1,n为训练集数据中输入元素的个数。
S42、设定连接矩阵:从输入层到储备池层的连接矩阵是Win,维度是m×n,n为训练集数据中输入元素的个数,m为储备池的规模。从储备池层到输出层的连接矩阵是Wout,维度是l×m,m为储备池的规模,l为训练集数据中输出元素的个数。
S43、确定状态关系矩阵:储备池要接受两个方向的输入:一个来自于输入向量u(n),另外一个来自于储备池前一个状态的输出x(n-1),通过状态反馈权重矩阵W来表示。W与输入矩阵Win一样,均不需要训练,随机生成其初始状态即可。所以W应当为一个大型稀疏矩阵,其中的非零元素代表储备池中被激活的神经元。若选取双曲正切函数为激活函数,则状态关系为:
由储备池到输出层的连接关系是线性关系,表示如下:
进一步地,步骤S5具体包括以下步骤:
S51、确定储备池大小:储备池规模根据训练集数据量确定,选数据总量的一半作为储备池的规模。
S52、生成三个连接矩阵:对于储备池的反馈连接矩阵W应进行随机生成,不需要对其进行训练,但是应当计算反馈连接矩阵W的谱半径。如果反馈连接矩阵W的谱半径大于一应当对其进行缩放,以保证其谱半径小于一。然后也要把从输入层到储备池的输入连接矩阵Win以及从储备池到输出层的输出权值矩阵Wout先随机生成。
S53、加载数据并进行训练:将训练集的数据依次加载到输入和输出。使用稀疏贝叶斯回归训练连接权,方程如下:
x(n)=f(Winu(n)+Wx(n-1))
t(n)=y(n)+ε(n)=Wout(u(n),x(n))+ε(n)=WoutX(n)+ε(n)
式中u(n)∈RK,x(n)∈RN,y(n)∈RL分别为ESN的输入变量,状态变量和输出变量。Win,W,Wout分别表示输入权值矩阵、储备池权值矩阵、输出权值矩阵。
与现有技术相比,本发明的优点在于:
提出了通过保障性仿真可信性影响因素来评价仿真输出结果可信性的方法,避免了传统的基于相似度或置信度来评价仿真输出结果可信性时必须依赖与基准数据比较的限制;
回声状态网络神经元之间的连接是随机的,而且可以在训练中变换连接关系,仅把输出层作为激活模式的观测器。训练过程不仅能调整激活函数,还能调整结构。使用其求解各影响因素与仿真输出可信度之间的映射关系,具有训练速度快、灵活性强、数据需求量小等优点;
使用本发明构建出仿真可信性影响因素和输出结果可信性之间的数量关系后,可用于仿真可信性敏感因素分析;对于特定的输入,可以通过调整其他影响因素增加仿真输出结果的可信水平。为研究复杂装备保障性仿真的可信性提供了一种新方法,为型号研制中保障性仿真的应用提供了有力的支撑。
附图说明
图1是本发明实施例保障性仿真输出结果可信性评价方法流程图;
图2是本发明实施例保障性仿真可信性影响因素图;
图3是本发明实施例回声状态网络训练和使用流程图;
图4是本发明实施例模型量化流程图;
图5是本发明实施例回声状态网络结构图;
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下根据附图并列举实施例,对本发明做进一步详细说明。
如图1所示,一种基于回声状态网络的保障性仿真输出结果可信性评价方法,通过以下步骤实现:
S1,保障性仿真可信性影响因素分析;
在仿真可信性影响因素分析相关理论中,对仿真可信性的侧面描述划分为四大类:模型的可信性、数据的可信性、仿真系统的可信性、仿真结果的可信性。
S11、因素分类;
针对保障性仿真这种离散事件仿真特点,在仿真可信性影响因素分析理论的基础上,对数据、模型、仿真系统影响仿真结果可信性的因素细化和具体化。依据其对仿真结果可信性的影响方式和之后的量化方法不同,将其分为业务相关和仿真系统相关的两部分。
S12、因素分析结果;
步骤S1中业务相关的影响因素指的是模型内容涉及到维修保障业务的因素:分为事件模型和事件调度模型两部分。仿真系统相关的因素指的是:随机数发生器、仿真次数、仿真时长、时钟步长。对于输入数据与输出处理,其与业务和仿真系统都相关,属于耦合因素;具体的仿真可信性影响因素如图2所示。
S2、影响因素及对应仿真结果量化;
针对部分分析出的可信性影响因素并非以数值形式表示,给出了S1中此类影响因素的量化方法;对于仿真输出结果的可信度量化,给出了基于相似理论评判的方法:即在相同的输入条件下仿真模型的输出与实际系统输出是否一致及一致性的程度。
S21、对于仿真次数、仿真时长、时钟步长和采样间隔本身就是用数值表示的,属于无需量化的因素,直接用其本身的数值进行表示,具体如表1所示:
表1数值型影响因素量化表
数据项 | 仿真次数 | 仿真时长 | 时钟步长 | 采样间隔 |
量化单位 | 次 | 小时 | 小时 | 小时 |
S22、输入数据完整性与正确性量化
对输入数据的完整性评价可以按照用户定义的参数数量与使用默认值参数数量的比值确定;对于正确性采用灰色理论判别法,在同一类数据中,查找有无异常值,以及根据异常值的异常程度对数据正确性进行量化。
在复杂装备保障性仿真中对于用户未输入的一些数据会设置默认值(具体如表2所示),如分布参数和运行比、严酷度等,所以对输入数据的完整性评价可以按照用户定义的参数数量与使用默认值参数数量的比值确定。
即:
表2保障性仿真输入数据完整性评价参数
涉及参数 | 默认值 |
1.部件运行比 | 1 |
2.部件运行严酷度 | 1 |
3.任务最迟开始时间 | 与任务开始时间同 |
4.最小装备数量 | 与装备数量同 |
5.继续任务装备数量 | 与最小装备数量同 |
6.部件自身更换维修时间 | 无(可不填) |
根据灰色理论,确定的标准量可以视为一个白色量,而由于测量结果的不确定性,测量结果表现为在一定程度范围内的灰色量。所以可以选取一组经过验证的,正确性没有任何问题的输入数据作为标准输入数据。把需要评价的输入数据作为测量数据,按类别(故障率类别、周转时间类别等)分别划定允许的偏差程度,并按类别查找有无异常值,最后对输入数据的正确性进行量化。参数的参考值范围如表3所示:
表3保障性仿真输入数据正确性评价参数
涉及参数 | 参考值范围(数量级) |
1.故障率类别 | 10<sup>-2</sup>-10<sup>-3</sup> |
2.产品树类别 | 10<sup>0</sup>-10<sup>1</sup> |
3.订购时间类别 | 10<sup>3</sup>-10<sup>4</sup> |
4.维修保障时间类别 | 10<sup>0</sup>-10<sup>2</sup> |
5.剖面时长类别 | 10<sup>1</sup> |
6.资源数量类别(需求与部署) | 10<sup>1</sup>-10<sup>2</sup> |
S23、动态参数采样与参数处理方法量化
在仿真采样时,读取本时刻已经发生但还未进行时间统计和累计的事件所导致的时间偏差占装备总不可用时长的比例。
在保障性仿真中像使用可用度这样的综合参数都是由底层基础参数合成计算的,使用可用度的一种度量方法为:装备的能工作时间与能工作时间、不能工作时间的和之比。
计算使用可用度就需要对时间进行统计,而在仿真的各种事件中,往往在事件完成时才能确定本次事件消耗的时间并进行记录。而当用下列公式计算使用可用度时就会带来偏大的情况:
式中,Ao——单个装备使用可用度;TCM——总修复性维修时间;TPM——总预防性维修时间;TSim——仿真时长;NSim——仿真次数;NAircraft——基本作战单元中装备数。
即:装备在维修送达时才会统计严酷故障时间,如果采样点在装备发生严酷故障后且送修到达前,则不会统计到这段时间。同理,修复性维修和预防性维修都是在维修活动完成后才会统计本次维修所消耗的时间,如果采样点在装备送修到达后且维修完成前,则不会统计到这段时间。
因此,应当在仿真采样时,读取本时刻已经发生但还未进行时间统计和累计的事件所导致的时间偏差占装备总不可用时长的比例。为了便于计算,可以依据仿真完成后的使用可用度曲线,在仿真初期(非稳态阶段)和仿真中后期(稳态阶段)各抽取一部分采样点,依据基本作战单元中装备的状态逐步寻找出此刻的时间误差值。再根据时间误差的平均值求出其所导致的时间偏差占装备总不可用时长的比例。
S24、随机数发生器量化
对生成的随机数可以看作是未知分布的数据检验,则可以使用K-S方法对其均匀性、独立性、周期性进行检验,根据检验的结果评价其随机数的质量。
目前计算机产生均匀分布的随机数是借助确定的递推算法实现的,这种随机数只有近似相互独立和在给定区间分布的特征,所以是伪随机数,因此需要对随机数的均匀性、随机性、特征值和组和规律性进行检验。
使用K-S方法对其均匀性、独立性、周期性进行检验步骤如下:
首先提出假设:生成的随机数据符合[0,1]区间内的均匀分布。然后将要评价的随机数序列与从U[0,1]分布中抽样的序列进行比较,将求得的接受概率作为该随机数发生器的量化得分。
本专利示例的的开源保障性仿真工具中,选取下表中几种常用的随机数构造工具进行检验,其结果为表4所示:
表4 C#中构造随机数方法的得分
生成方法 | 评分 |
Random | 0.1523 |
Guid(截取4位) | 0.2057 |
Guid(截取6位) | 0.4284 |
RNGCryptoServiceProvider | 0.2025 |
其中:
Random为递推随机数发生器,无参数时,以系统时钟作为随机种子;
Guid生成的是16进制的32位数,因为数值太大,可以截取(分成4位和6位两种)其一部分转化为十进制数,再缩放至[0,1]范围内。
RNGCryptoServiceProvider采用系统当前的硬件信息、进程信息、线程信息、系统启动时间和当前精确时间作为填充因子,将这些ID信息转化生成高质量的随机数。
S25、事件子程序和调度子程序量化
首先将模型按层次进行分解,对于底层模型,采用三角模糊数方法、模糊评判法进行量化,然后使用层次分析法结合权重进行合成。
对仿真模型的校核,首先将仿真模型分解为事件的具体执行内容与事件之间的触发关系两部分。对于底层模型,可以采用三角模糊数方法、模糊评判法进行量化,然后使用层次分析法结合权重进行合成。
模糊评判法首先需要对模型进行基于模糊集的评估意见获取,对于定性指标,通常依赖专家给出一个评估意见,常采用大致、可能等模糊词语。而模糊集理论能够有效处理这样的专家评估意见。模糊词语的定义如表5所示。
表5模糊词语的定义
模糊词语 | 模糊词语的取值 |
肯定P | [0.875,1] |
很可能H | [0.625,0.875] |
可能M | [0.375,0.625] |
不可能L | [0.125,0.375] |
绝对不可能N | [0,0.125] |
然后利用粗集理论处理不一致评估意见和简化评估意见:
(1)对初始的决策表进行编码,主要是对表5进行编码;
(2)对决策表进行属性约简,并粗略的分析决策表的不一致;
(3)利用粗集理论的规则获取方法,对每个信息源分别导出规则进行比较分析,发现并解释信息源之间一致和不一致的地方,从而采用适当措施对其进行处理。
最后,对评估意见和指标采用基于证据理论的评估意见和评估指标合成方法。利用证据理论的合成法则,可实现评估意见和评估指标的有效合成。
对模型进行量化的具体流程如图4所示。
S26、仿真输出结果可信性量化
对于仿真输出结果的可信度采用相似理论方法:即在相同的输入条件下仿真模型的输出与实际系统输出是否一致及一致性的程度,也就是考察仿真模型的输出与实际系统的输出之间的相似度。
相似理论中假设系统A、B间存在n个相似要素,构成n个相似元,每个相似元的值记为q(ui)。每一相似元对相似系统相似程度的影响权重为βi,则系统A与B的相似度可以定义为:
对于静态数据,可以直接计算。对于动态数据可以将权重分解,根据动态数据的采样数量分配权重。
若A、B均为n元素的使用可用度序列,则每个相似元q(ui)表达为:
S3设置因素组合生成数据集;
在完成了S1和S2两部分之后,选择某一开源、可编辑的保障性仿真软件作为分析对象。构造数据集时,首先确定每个仿真影响因素的取值范围,并通过对影响因素进行修改编辑来实现其不同的取值。
S31、选择一个具体的保障性仿真软件;
构造数据集需要先确定每个仿真影响因素的取值范围,并通过对影响因素进行修改编辑来实现其不同的取值,所以应当选取开源、可编辑的保障性仿真工具作为分析对象。
S32、确定因素取值,并在仿真中进行对应修改;
对于仿真次数、仿真时长、采样间隔等参数,大多数保障性仿真工具中是可以进行自定义的,但是对于具体的模型修改,仿真用到的随机数发生器的更换,则必须要针对开源的仿真工具才可以进行。
以与仿真系统相关的影响因素:仿真次数、采样间隔、仿真时长、随机数发生器、输入数据完整性、输入数据正确性六个因素为例进行分析,其取值如表所示:
表6因素组合取值表
(1)仿真次数、采样间隔、仿真时长;
对仿真次数、采样间隔、仿真时长的调整,可直接通过在仿真前进行参数配置时进行修改。
(2)随机数发生器:
对于随机数发生器,目前只选取了四个伪随机数发生器
D1——0.1523——Random
D2——0.2025——RNGCryptoServiceProvider
D3——0.2057——Guid(截取4位)
D4——0.4284——Guid(截取6位)
(3)数据完整性;
数据完整性按照表2所示(1部件运行比、2部件运行严酷度、3任务最迟开始时间、4最小装备数量、5继续任务装备数量、6部件自身更换维修时间),选择1,0.8,0.4三个分值做为其在因素组合时的取值,为此需要对原始输入数据进行以下更改:
1-6全都是自定义数据。
1-6中选两个为使用默认值的数据;(3和4)(可以选3,5或4,5)
1-6中选四个为使用默认值的数据;(3、4、5、6)
(4)数据正确(精确)性
数据正确性按照表3所示(1故障率类别、2产品树类别、3订购时间类别、4维修保障时间类别、5剖面时长类别、6资源数量类别),选择1,0.9,0.8三个分值作为其在因素组合时的取值,为此需要对原始输入数据进行以下更改:
所有数据均在合理范围。
数据偏离初始值90%;
数据偏离初始值80%;
S33、在不同因素取值下运行仿真,对输出结果进行可信性评价;
采用S2中确定的相似理论方法,确定不同因素组合条件下仿真输出结果的可信性量化值。
S4构建回声状态网络;
在完成S3后,选择使用回声状态网络模型来实现多元回归的映射。
以下步骤给出了设定回声状态网络三层结构的方法,即:输入层、储存池层、输出层。同时规定了根据数据集的输入输出个数,确定回声状态网络输入层、储存池层、输出层的维度的步骤。对于回声状态网络的训练和使用过程,给出了初始化、训练与使用三部的具体过程。
S41、确定回声状态网络结构;
设定回声状态网络三层结构:输入层、储存池层、输出层。输入向量为u(n),它的维度是n×1,n为训练集数据中输入元素的个数。
回声状态网络可以看作一个三层结构的神经网络,即:输入层、储存池层、输出层,如图5所示,输入向量为u(n),它的维度是n×1,n为训练集数据中输入元素的个数。
S42、设定连接矩阵;
从输入层到储备池层的连接矩阵是Win,它的维度是m×n,n为训练集数据中输入元素的个数,m为储备池的规模。从储备池层到输出层的连接矩阵是Wout,它的维度是l×m,m为储备池的规模,l为训练集数据中输出元素的个数。
S43、确定状态关系矩阵:储备池要接受两个方向的输入:一个来自于输入向量u(n),另外一个来自于储备池前一个状态的输出x(n-1),通过状态反馈权重矩阵W来表示。W与输入矩阵Win一样,均不需要训练,随机生成其初始状态即可。所以W应当为一个大型稀疏矩阵,其中的非零元素代表储备池中被激活的神经元。若选取双曲正切函数为激活函数,则状态关系为:
由储备池到输出层的连接关系是线性关系,表示如下:
S5、训练、测试和使用回声状态网络,如图3所示;
确定了初始化时确定储备池的大小的方法,给出了将训练集的数据依次加载到输入和输出后建立线性连接关系的回归公式,明确了训练回归权矩阵的方法,并给出了使用训练好的回声状态网络求解仿真输出结果可信度的方法。
S51、确定储备池大小:首先要确定储备池的大小,也就是储备池神经元的个数,才能确定各权值矩阵的维度。储备池规模根据训练集数据量确定,因为回声状态网络只是通过调整输出权值矩阵Wout来拟合输出结果,所以需要的神经元数量远大于一般神经网络的节点数,一般选数据总量的一半作为储备池的规模。
S52、生成三个连接矩阵;
S521、通过计算谱半径迭代反馈矩阵:
对于储备池的反馈连接矩阵W应进行随机生成,不需要对其进行训练,但是应当计算其谱半径。如果其谱半径大于一应当对其进行缩放,以保证其谱半径小于一。
S522、随机生成输入和输出连接矩阵:
然后也要把从输入层到储备池的输入连接矩阵Win以及从储备池到输出层的输出权值矩阵Wout先随机生成。
S53、加载数据并进行训练
将训练集的数据依次加载到输入和输出。使用稀疏贝叶斯回归训练连接权,方程如下:
x(n)=f(Winu(n)+Wx(n-1))
t(n)=y(n)+ε(n)=Wout(u(n),x(n))+ε(n)=WoutX(n)+ε(n)
式中u(n)∈RK,x(n)∈RN,y(n)∈RL分别为ESN的输入变量,状态变量和输出变量。Win,W,Wout分别表示输入权值矩阵、储备池权值矩阵、输出权值矩阵。求解三个矩阵,即构造出了保障性仿真可信性影响因素与仿真输出结果可信性之间的量化关系,实现了无基准数据时评判保障性仿真输出结果可信性的功能。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的实施方法,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (6)
1.一种基于回声状态网络的保障性仿真输出结果可信性评价方法,其特征在于,包括以下步骤:
S1,保障性仿真可信性影响因素分析;
首先针对保障性仿真这种离散事件仿真特点,在仿真可信性影响因素分析理论的基础上,对数据、模型、仿真系统影响仿真结果可信性的因素细化和具体化;依据保障性仿真可信性影响因素对仿真结果可信性的影响方式和之后的量化方法不同,将保障性仿真可信性影响因素分为业务相关和仿真系统相关的两类;
S2影响因素及对应仿真结果量化;
针对部分分析出的可信性影响因素并非以数值形式表示,给出了S1中此类影响因素的量化方法;对于仿真输出结果的可信度量化,给出基于相似理论评判的方法:在相同的输入条件下仿真模型的输出与实际系统输出是否一致及一致性的程度;
S3设置因素组合生成数据集;
在完成了S1和S2之后,选择某一开源、可编辑的保障性仿真软件作为分析对象;构造数据集时,首先确定每个仿真影响因素的取值范围,并通过对影响因素进行修改编辑来实现其不同的取值;
S4构建回声状态网络;
在完成S3后,选择使用回声状态网络模型来实现多元回归的映射;
给出设定回声状态网络三层结构的方法,包括:输入层、储存池层、输出层;同时规定根据数据集的输入输出个数,确定回声状态网络输入层、储存池层、输出层的维度的步骤;对于回声状态网络的训练和使用过程,给出了初始化、训练与使用的具体过程;
S5训练、测试和使用回声状态网络
经过S4确定了回声状态网络结构后,需要对回声状态网络结构进行初始化、训练和测试,才能达到可以使用的状态;
首先确定初始化时确定储备池的大小,并给出将训练集的数据依次加载到输入和输出后建立线性连接关系的回归公式;明确了训练回归权矩阵的方法,并给出了使用训练好的回声状态网络求解仿真输出结果可信度的方法。
2.根据权利要求1所述的一种基于回声状态网络的保障性仿真输出结果可信性评价方法,其特征在于:步骤S1中业务相关的影响因素指的是模型内容涉及到维修保障业务的因素:分为事件模型和事件调度模型两部分;仿真系统相关的因素指的是:随机数发生器、仿真次数、仿真时长、时钟步长;对于输入数据与输出处理,其与业务和仿真系统都相关,属于耦合因素。
3.根据权利要求1所述的一种基于回声状态网络的保障性仿真输出结果可信性评价方法,其特征在于:步骤S2具体包括以下步骤:
S21、对于仿真次数、仿真时长、时钟步长和采样间隔本身就是用数值表示的,属于无需量化的因素,直接用其本身的数值进行表示;
S22、输入数据完整性与正确性量化:对输入数据的完整性评价可以按照用户定义的参数数量与使用默认值参数数量的比值确定;对于正确性采用灰色理论判别法,在同一类数据中,查找有无异常值,以及根据异常值的异常程度对数据正确性进行量化;
S23、动态参数采样与参数处理方法量化:在仿真采样时,读取本时刻已经发生但还未进行时间统计和累计的事件所导致的时间偏差占装备总不可用时长的比例;
S24、随机数发生器量化:对生成的随机数看作是未知分布的数据检验,则使用K-S方法对不同随机数发生器均匀性、独立性、周期性进行检验,根据检验的结果评价不同随机数发生器生成的随机数的质量;
S25、事件子程序和调度子程序量化:首先将模型按层次进行分解,对于底层模型,采用三角模糊数方法、模糊评判法进行量化,然后使用层次分析法结合权重进行合成;
S26、仿真输出结果可信性量化:对于仿真输出结果的可信度采用相似理论方法:即在相同的输入条件下仿真模型的输出与实际系统输出是否一致及一致性的程度,也就是考察仿真模型的输出与实际系统的输出之间的相似度。
4.根据权利要求3所述的一种基于回声状态网络的保障性仿真输出结果可信性评价方法,其特征在于:步骤S3具体包括以下步骤:
S31、选择一个具体的保障性仿真软件,应当选取开源、可编辑的保障性仿真工具作为分析对象;
S32、依照S2中方法,确定事件子程序、调度子程序、动态参数处理、采样间隔、输入数据完整性、输入数据正确性、仿真次数、仿真时长、时钟步长因素的取值,并在仿真中进行对应修改;对于仿真次数、仿真时长和采样间隔,可以直接在仿真运行时进行自定义;对于具体的模型修改,仿真用到的随机数发生器的更换要针对开源的仿真工具进行;
S33、在不同因素取值下运行仿真,对输出结果进行可信性评价;采用S2中确定的相似理论方法,确定不同因素组合条件下仿真输出结果的可信性量化值。
5.根据权利要求4所述的一种基于回声状态网络的保障性仿真输出结果可信性评价方法,其特征在于:步骤S4具体包括以下步骤:
S41、确定回声状态网络结构:设定回声状态网络三层结构:输入层、储存池层、输出层;输入向量为u(n),维度是n×1,n为训练集数据中输入元素的个数;
S42、设定连接矩阵:从输入层到储备池层的连接矩阵是Win,维度是m×n,n为训练集数据中输入元素的个数,m为储备池的规模;从储备池层到输出层的连接矩阵是Wout,维度是l×m,m为储备池的规模,l为训练集数据中输出元素的个数;
S43、确定状态关系矩阵:储备池要接受两个方向的输入:一个来自于输入向量u(n),另外一个来自于储备池前一个状态的输出x(n-1),通过状态反馈权重矩阵W来表示;W与输入矩阵Win一样,均不需要训练,随机生成其初始状态即可;所以W应当为一个大型稀疏矩阵,其中的非零元素代表储备池中被激活的神经元;若选取双曲正切函数为激活函数,则状态关系为:
由储备池到输出层的连接关系是线性关系,表示如下:
6.根据权利要求5所述的一种基于回声状态网络的保障性仿真输出结果可信性评价方法,其特征在于:步骤S5具体包括以下步骤:
S51、确定储备池大小:储备池规模根据训练集数据量确定,选数据总量的一半作为储备池的规模;
S52、生成三个连接矩阵:对于储备池的反馈连接矩阵W应进行随机生成,不需要对其进行训练,但是应当计算反馈连接矩阵W的谱半径;如果反馈连接矩阵W的谱半径大于一应当对其进行缩放,以保证其谱半径小于一;然后也要把从输入层到储备池的输入连接矩阵Win以及从储备池到输出层的输出权值矩阵Wout先随机生成;
S53、加载数据并进行训练:将训练集的数据依次加载到输入和输出;使用稀疏贝叶斯回归训练连接权,方程如下:
x(n)=f(Winu(n)+Wx(n-1))
t(n)=y(n)+ε(n)=Wout(u(n),x(n))+ε(n)=WoutX(n)+ε(n)
式中u(n)∈RK,x(n)∈RN,y(n)∈RL分别为ESN的输入变量,状态变量和输出变量;Win,W,Wout分别表示输入权值矩阵、储备池权值矩阵、输出权值矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111150161.5A CN113779893B (zh) | 2021-09-29 | 2021-09-29 | 基于回声状态网络的保障性仿真输出结果可信性评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111150161.5A CN113779893B (zh) | 2021-09-29 | 2021-09-29 | 基于回声状态网络的保障性仿真输出结果可信性评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113779893A true CN113779893A (zh) | 2021-12-10 |
CN113779893B CN113779893B (zh) | 2023-06-16 |
Family
ID=78854337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111150161.5A Active CN113779893B (zh) | 2021-09-29 | 2021-09-29 | 基于回声状态网络的保障性仿真输出结果可信性评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113779893B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117574780A (zh) * | 2024-01-15 | 2024-02-20 | 华北电力大学 | 一种智能火电厂负荷在线建模方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003217061A (ja) * | 2002-01-23 | 2003-07-31 | Matsushita Electric Ind Co Ltd | 監視システムの中央処理装置 |
US20160337314A1 (en) * | 2015-05-11 | 2016-11-17 | Huawei Technologies Co., Ltd. | Firewall Authentication Of Controller-Generated Internet Control Message Protocol (ICMP) Echo Requests |
CN106599432A (zh) * | 2016-12-07 | 2017-04-26 | 广州供电局有限公司培训与评价中心 | 一种基于变权重理论的高压电缆施工作业3d仿真培训系统可信度评估方法 |
CN107145943A (zh) * | 2017-04-25 | 2017-09-08 | 南京信息工程大学 | 混沌背景中基于改进教学优化算法的检测回声状态网络微弱信号的方法 |
-
2021
- 2021-09-29 CN CN202111150161.5A patent/CN113779893B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003217061A (ja) * | 2002-01-23 | 2003-07-31 | Matsushita Electric Ind Co Ltd | 監視システムの中央処理装置 |
US20160337314A1 (en) * | 2015-05-11 | 2016-11-17 | Huawei Technologies Co., Ltd. | Firewall Authentication Of Controller-Generated Internet Control Message Protocol (ICMP) Echo Requests |
CN106599432A (zh) * | 2016-12-07 | 2017-04-26 | 广州供电局有限公司培训与评价中心 | 一种基于变权重理论的高压电缆施工作业3d仿真培训系统可信度评估方法 |
CN107145943A (zh) * | 2017-04-25 | 2017-09-08 | 南京信息工程大学 | 混沌背景中基于改进教学优化算法的检测回声状态网络微弱信号的方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117574780A (zh) * | 2024-01-15 | 2024-02-20 | 华北电力大学 | 一种智能火电厂负荷在线建模方法及系统 |
CN117574780B (zh) * | 2024-01-15 | 2024-03-29 | 华北电力大学 | 一种智能火电厂负荷在线建模方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113779893B (zh) | 2023-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Neumann | An enhanced neural network technique for software risk analysis | |
Kaminskyi et al. | Recovery Gaps in Experimental Data. | |
Lopez-Martin et al. | Software development effort prediction of industrial projects applying a general regression neural network | |
CN112116184A (zh) | 使用历史检验数据的工厂风险估计 | |
CN110888625B (zh) | 基于需求变更和项目风险对代码质量进行控制的方法 | |
US20210374634A1 (en) | Work efficiency evaluation method, work efficiency evaluation apparatus, and program | |
CN113779893B (zh) | 基于回声状态网络的保障性仿真输出结果可信性评价方法 | |
KR20220115357A (ko) | 어텐션 메커니즘 기반의 미래 수요 예측 데이터 생성방법 및 장치 | |
CN116702612A (zh) | 一种多维指标融合的cvt健康状态预测方法及系统 | |
US20110178948A1 (en) | Method and system for business process oriented risk identification and qualification | |
CN110533109A (zh) | 一种喷涂生产监测数据的存储及特征分析方法及其装置 | |
Chandler et al. | Discrimination of locally stationary time series based on the excess mass functional | |
GB2583176A (en) | Prediction device, prediction program, and prediction method for predicting human judgments | |
CN116739742A (zh) | 信贷风控模型的监控方法、装置、设备及存储介质 | |
KR101478935B1 (ko) | 리스크-프로파일 생성 장치 | |
CN113947309B (zh) | 基于建造大数据的盾构隧道施工标准工时测算及评分方法 | |
CN113779116B (zh) | 对象排序方法、相关设备及介质 | |
Giudici | Integration of qualitative and quantitative operational risk data: A Bayesian approach | |
CN113610266B (zh) | 汽车零件的故障预测方法、装置、计算机设备和存储介质 | |
Volochiy et al. | Safety estimation of critical NPP I&C systems via state space method | |
Tao et al. | Decomposition of attributes oriented software trustworthiness measure based on axiomatic approaches | |
CN114784795A (zh) | 风电功率预测方法、装置、电子设备及存储介质 | |
Zvyagin | Process of information processing when realizing the concept of “soft” measurements | |
Abdullah et al. | Algorithm for generating compound Poisson process which has nonhomogeneous Poisson process and exponential distribution components | |
Carvalho et al. | Firm dynamics and the granular hypothesis |
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 |