CN113887125A - 一种复杂仿真系统运行有效性评估方法 - Google Patents

一种复杂仿真系统运行有效性评估方法 Download PDF

Info

Publication number
CN113887125A
CN113887125A CN202111012271.5A CN202111012271A CN113887125A CN 113887125 A CN113887125 A CN 113887125A CN 202111012271 A CN202111012271 A CN 202111012271A CN 113887125 A CN113887125 A CN 113887125A
Authority
CN
China
Prior art keywords
data
simulation
simulation system
lstm
time
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
Application number
CN202111012271.5A
Other languages
English (en)
Other versions
CN113887125B (zh
Inventor
李伟
王语仑
杨明
李爽
马萍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202111012271.5A priority Critical patent/CN113887125B/zh
Publication of CN113887125A publication Critical patent/CN113887125A/zh
Application granted granted Critical
Publication of CN113887125B publication Critical patent/CN113887125B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种复杂仿真系统运行有效性评估方法，属于仿真系统运行有效性评估技术领域。复杂仿真系统运行有效性评估方法包括以下步骤：步骤一、针对复杂装备仿真系统的仿真运行历史数据进行数据预处理；步骤二、使用历史数据对LSTM进行建模；步骤三、将建好的神经网络参数进行保存，将实时仿真数据作为输入进行仿真运行有效性评估，得到评估分类结果。本发明通过LSTM有效挖掘时序数据之间的隐含关系从而进行预测，从而使对难以提供专家知识的仿真系统进行运行有效性评估难度减小，所需时间短，实时对仿真系统评估的速度快。

Description

一种复杂仿真系统运行有效性评估方法
技术领域
本发明涉及一种复杂仿真系统运行有效性评估方法，属于仿真系统运行有效性评估技术领域。
背景技术
仿真系统评估是检验仿真系统设计是否合理的重要手段，根据评价对象的不同，可分为对仿真模型的评价和对仿真运行过程的评价。首先，利用模型可信度来评价实际系统与仿真系统的一致性是仿真的前提，也是仿真领域的关键问题。其次，在仿真执行过程中，为避免仿真结果与仿真设计不一致，保证仿真执行过程准确有效，应提出一种通用的方法来评估运行有效性。
在仿真开发过程中，仿真专家起着重要的作用。专家在仿真评估中应用的层次分析法等评估方法也需要专家进行打分、赋权等操作。在对仿真系统的运行过程进行实时评估时，仿真专家也可以借助其经验对实时数据进行观察，从而得到运行有效性评估结果。但随着仿真系统的复杂程度逐步上升，所获取的海量仿真数据的数量级不断增加，导致专家在对仿真系统提供专家知识的难度也会逐渐变大，再加上采用启发式规则来进行评估结果推理的所需时间会逐渐增长，会严重影响实时对仿真系统评估的速度。由此也要考虑其他方式来进行优化。从本质上讲可以将此类评估问题归结为分类问题，而机器学习或深度学习是解决分类问题的最好方式，因此考虑采用机器学习或深度学习的方式对仿真系统运行有效性进行评估。
发明内容
本发明的目的在于提出一种复杂仿真系统运行有效性评估方法，以解决现有技术中存在的对仿真系统提供专家知识的难度越来越大，所需时间逐渐增长，严重影响实时对仿真系统评估的速度的问题。
一种复杂仿真系统运行有效性评估方法，复杂仿真系统运行有效性评估方法包括以下步骤：
步骤一、针对复杂装备仿真系统的仿真运行历史数据进行数据预处理；
步骤二、使用历史数据对LSTM进行建模；
步骤三、将建好的神经网络参数进行保存，将实时仿真数据作为输入进行仿真运行有效性评估，得到评估分类结果。
进一步的，在步骤一中，具体的，
步骤一一、对样本数据进行处理，转换为数值型变量；
步骤一二、将转换为数据值变量的样本数据的值都规范至同一个范围内；
步骤一三、使用z-score方法，将样本数据标准化，公式如下：
Figure RE-GDA0003388409760000021
其中，
Figure RE-GDA0003388409760000022
为样本数据中的该变量所有取值的均值，σ为该变量所有取值的标准差，x'为该数据标准化后的新值；
步骤一四、对样本数据中的字符串数据进行处理，采用标签编码的方式，对不连续的数字变量或者是文本进行编号；
步骤一五、对样本数据的分类标签进行处理，首先同样计算样本数据中全部不重复的分类结果，设分类结果有n种，利用n阶单位矩阵对编码进行表示，第k类标签对应的表示形式由下式给出，
Figure RE-GDA0003388409760000023
分类标签包括“完全有效”、“较有效”和“基本无效”，分别对分类标签的三种情况标号为0、1、2，则“完全有效”对应标签为[1,0,0]、“较有效”对应标签为[0,1,0]、“基本无效”对应标签为[0,0,1]。
进一步的，在步骤二中，说是LSTM包括输入层、两个LSTM隐含层和softmax分类器输出层，其中，具体的，将原始的历史数据先经过归一化预处理后，给定时间步长并将样本数据处理为多维变量的固定长度的时序数据作为输入经过隐含层，共包含了K个前后连接的同构LSTM单元，进行深度特征提取，并将第一个LSTM隐含层的信息输入至第二个 LSTM隐含层继续学习，不断迭代优化参数后，由于需要解决分类的问题，在最后通过 softmax预测层对运行有效性结果进行预测。
进一步的，在步骤三中，在进行实时仿真运行有效性评估时，利用滑动窗口法对采集到的数据进行实时更新，时间步长需要与训练网络时设置的步长相同，将相邻的数据界定为一个窗口，当得到新数据的时候，将新数据添加进滑动窗口内，并剔除较老的数据，作为测试集数据输入得到仿真运行有效性评估结果。
本发明的有以下有益效果：本发明通过LSTM有效挖掘时序数据之间的隐含关系从而进行预测，从而使对仿真系统提供专家知识的难度减小，所需时间短，实时对仿真系统评估的速度快。本发明提出基于LSTM的运行有效性评估方法并实例验证、开发相关辅助软件协助评估进行，为复杂仿真系统运行有效性评估提供合理有效的方法。同时能够丰富对仿真运行过程中评估手段，并且利用软件来模拟复杂系统运行过程，可以在保证仿真设计合理的同时缩短系统测试时间，大大降低成本。在仿真运行过程中一旦发现不合理的问题出现，可以选择立即停止仿真运行，提高仿真运行的灵活度和仿真运行效率，对复杂仿真系统评估方法和工具具有重要意义。
附图说明
图1为LSTM结构图；
图2为LSTM总体训练结构图；
图3为滑动窗口法输入形式图；
图4为timestep＝1，epoch＝300，cellnum＝128下的训练集结果，其中，图4(a)为混淆矩阵，图4(b)为ROC曲线图；
图5为timestep＝30，epoch＝300，cellnum＝128下的训练集结果，其中，图5(a)为混淆矩阵，图5(b)为ROC曲线图；
图6为timestep＝1，epoch＝300，cellnum＝128下的测试集结果，其中，图6(a)为混淆矩阵，图6(b)为ROC曲线图；
图7为timestep＝30，epoch＝300，cellnum＝128下的测试集结果，其中，图7(a)为混淆矩阵，图7(b)为ROC曲线图。
具体实施方式
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，所描述的实施例仅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做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。
本发明提出了一种复杂仿真系统运行有效性评估方法，复杂仿真系统运行有效性评估方法包括以下步骤：
步骤一、针对复杂装备仿真系统的仿真运行历史数据进行数据预处理；
步骤二、使用历史数据对LSTM进行建模；
步骤三、将建好的神经网络参数进行保存，将实时仿真数据作为输入进行仿真运行有效性评估，得到评估分类结果。
进一步的，在步骤一中，具体的，
步骤一一、对样本数据进行处理，转换为数值型变量；
步骤一二、将转换为数据值变量的样本数据的值都规范至同一个范围内；
步骤一三、使用z-score方法，将样本数据标准化，公式如下：
Figure RE-GDA0003388409760000041
Figure RE-GDA0003388409760000042
Figure RE-GDA0003388409760000043
其中，
Figure RE-GDA0003388409760000044
为样本数据中的该变量所有取值的均值，σ为该变量所有取值的标准差，x为该数据标准化后的新值；
步骤一四、对样本数据中的字符串数据进行处理，采用标签编码的方式，对不连续的数字变量或者是文本进行编号；
步骤一五、对样本数据的分类标签进行处理，首先同样计算样本数据中全部不重复的分类结果，设分类结果有n种，利用n阶单位矩阵对编码进行表示，第i类标签对应的表示形式由下式给出，
Figure RE-GDA0003388409760000051
分类标签包括“完全有效”、“较有效”和“基本无效”，分别对分类标签的三种情况标号为 0、1、2，则“完全有效”对应标签为[1,0,0]、“较有效”对应标签为[0,1,0]、“基本无效”对应标签为[0,0,1]。
具体的，仿真系统中得到的大部分数据为可以正常参与计算的浮点数外，部分仿真实体变量为字符串类型，分类标签也为“完全有效”、“较有效”、“基本无效”的字符串标签，在将样本数据作为训练集数据之前需要对其进行处理，转换为数值型变量。同时由于不同变量数据量纲不同、数量级不同，如果不加处理就直接输入神经网络会造成优化网络参数时的梯度下降缓慢等缺点。将数据规范到同一个固定的区间能够令量纲不同、特点不同的变量都有同样的变换尺度，可以将数据的值都规范至同一个范围内。使用z-score方法：z-score方法是最常见的数据标准化方法，又叫标准差标准化，该方法基于原始数据的均值和标准差来对数据进行标准化处理，适用于该变量最大值和最小值未知、或者含有超出取值范围的离群数据等情况，具体公式由式(1)给出，
Figure RE-GDA0003388409760000052
为样本数据中的该变量所有取值的均值，σ为该变量所有取值的标准差。x'为该数据标准化后的新值。
接下来对字符串类型数据进行处理，采用LabelEncoder(标签编码)方式，对不连续的数字变量或者是文本进行编号。其主要原理是先计算出该变量值中所有不重复的取值个数，并按照出现的顺序对其进行编号(0，1，2…)，最后将原样本数据中的取值替换为其对应编号，这样可以将非连续或者文本变量转化为可以进行计算的数字变量。
最后是对分类标签进行处理。由于本发明的研究是将运行有效性的评估结果分为“完全有效”、“较有效”、“基本无效”三种情况，因此不能在对网络进行训练时直接输入字符串作为样本数据，需要将文本转化成数字或矩阵等形式，本发明采用OneHot编码形式，也是机器学习中用于解决分类问题的基本形式。首先同样计算样本数据中全部不重复的分类结果，假设有n种，那么利用n阶单位矩阵来对编码进行表示，第k类标签对应的表示形式由公式(2)给出。
例如本发明为3种，分别对其标号为0，1，2，分别对应“完全有效”、“较有效”、“基本无效”三种情况。完全有效对应标签为[1,0,0]、较有效对应标签[0,1,0]、基本无效对应[0,0,1]。
进一步的，在步骤二中，说是LSTM包括输入层、两个LSTM隐含层和softmax分类器输出层，其中，具体的，将原始的历史数据先经过归一化预处理后，给定时间步长并将样本数据处理为多维变量的固定长度的时序数据作为输入经过隐含层，共包含了K个前后连接的同构LSTM单元，进行深度特征提取，并将第一个LSTM隐含层的信息输入至第二个LSTM隐含层继续学习，不断迭代优化参数后，由于需要解决分类的问题，在最后通过 softmax预测层对运行有效性结果进行预测。
具体的，LSTM的原理如图1所示，增加了三种“门”的设置，分别是：遗忘门、输入门和输出门。本发明的LSTM总体训练结构如图2所示，包括输入层、两个LSTM隐含层，softmax分类器输出。其中：
(1)遗忘门：遗忘门主要通过激活函数对进入该时刻的上一时刻信息进行筛选。其输入是传入的上一时刻信息ht-1和当前时刻的输入向量xt，采用sigmoid激活函数进行归一化处理，将信息处理至[0,1]之间，1代表全部保留，0代表全部遗忘并与上一时刻的细胞状态 ct-1进行
Figure RE-GDA0003388409760000062
运算，要求两个矩阵同阶进行对应元素相乘，得到能够保留的信息。公式由(3) 与(4)给出，其中Wf为计算上一时刻信息和当前时刻输入到该时刻遗忘门的权重矩阵，bf为遗忘门的偏置项：
Figure RE-GDA0003388409760000061
ft＝σ(Wf·[ht-1,xt]+bf) (4)
(2)输入门：输入门也主要通过sigmoid函数计算出每个神经元保留信息的程度。利用sigmoid函数激活结果与利用tanh函数构建的当前时刻记忆向量进行对应元素相乘，来构成当前时刻需要保留的隐含层信息。同时，将遗忘门计算出的上一时刻状态的保留信息与这一时刻需要保留的隐含层信息相加，构成了这一时刻状态的保留信息ct。具体公式由 (5)、(6)、(7)给出。其中Wi为计算上一时刻信息和当前时刻输入到该时刻输入门的权重矩阵，bi为输入门的偏置。
Figure RE-GDA0003388409760000071
it＝σ(Wi·[ht-1,xt]+bi) (6)
ct＝tanh(Wc·[ht-1,xt]+bc) (7)
(3)单元状态：单元状态是用来存储当前时刻的全部保留信息，由两部分组成，分别是遗忘门的输入和输入门的输入，如公式(8)，将二者相加构成了每个时刻的单元状态。
Figure RE-GDA0003388409760000072
(4)输出门：顾名思义，输出门决定了当前时刻全部信息输出的比例，同样先通过sigmoid函数计算当前时刻信息需要输出的比例，再通过tanh函数构建当前信息的存储矩阵，最后进行
Figure RE-GDA0003388409760000073
运算，得到当前时刻单元的输出信息。具体计算由公式(9)与(10)给出。其中Wo表示计算隐含层到输出层权重，bo表示计算隐含层到输出层的偏置。
ot＝σ(Wo·[ht-1,xt]+bo) (9)
Figure RE-GDA0003388409760000074
进一步的，在步骤三中，在进行实时仿真运行有效性评估时，利用滑动窗口法对采集到的数据进行实时更新，时间步长需要与训练网络时设置的步长相同，将相邻的数据界定为一个窗口，当得到新数据的时候，将新数据添加进滑动窗口内，并剔除较老的数据，作为测试集数据输入得到仿真运行有效性评估结果。
以下为本发明申请的具体实施事例：
我们以基于某飞行装备仿真数据的仿真运行有效行评估为例，说明本发明的有效性。
1.数据介绍与数据预处理
Figure RE-GDA0003388409760000075
Figure RE-GDA0003388409760000081
表1
该飞行装备参与的仿真系统共涉及16个变量，分别代表着x、y、z方向速度，x、y、 z方向坐标等物理量，共涉及54736个时间点的数据。使用上述提到的z-score方法对本数据进行处理。
2.预测准确度评估方法介绍
采用混淆矩阵(Confusion Matrix)和ROC曲线来对分类任务的准确度进行评判。
混淆矩阵，又称为可能性表格或是错误矩阵。它能够将实际和预测结果进行可视化处理来展现预测准确度，通常是监督学习。其每一列填入预测结果，每一行填入的是实际标签。这个矩阵可以清晰的看出有多少被准确分类，有多少被混淆的分入其他类。表2为混淆矩阵表示形式。
Figure RE-GDA0003388409760000082
表2
ROC曲线中引入了两个计算指标来进行曲线绘制，分别是TPR(True PositiveRate) 真阳性率、FPR(False Positive Rate)假阳性率，两个准确率的计算方法由公式(11)给出。其中TP表示样本中的正样本被分类器预测成正样本的个数，对应混淆矩阵中的对角线元素值。P表示样本中正样本的个数，对应混淆矩阵中某个类别实际值下的所有数值总和。FP 表示样本中负样本被分类器预测成正样本的个数，对应混淆矩阵某个类别预测值的一行中除对角线外的个数之和。N代表真实负样本的个数，对应混淆矩阵除某类别实际值外的所有样本数总和。ROC曲线下方的面积的值称为AUC，是反映分类准确性的标志。
Figure RE-GDA0003388409760000091
3.LSTM建模与训练
首先选取两层LSTM单元内隐藏神经元的个数均为128，Dropout的概率为0.5，一次选取训练的样本数为149，将训练集数据分为训练数据和验证数据两部分，选取80％数据作为训练集，20％数据作为测试集，时间步长选为1，迭代次数定为300次，学习率选择 0.001。这一步由于选择了时间步长是1，那么一次输入的数据只包含了一个时刻，相当于没有体现出LSTM能够挖掘时间序列数据若干个步长之间隐含关系的特点，也就是说本次实验LSTM退化为一般的前馈神经网络，通过这样的设置来与后面更改大时间步长的训练结果做对比，证明采用LSTM进行建模能够比前馈神经网络更好地完成分类任务，也就能更好地进行仿真运行有效性评估。得到训练结果如图4所示。
接下来选取两层LSTM单元内隐藏神经元的个数均为128，Dropout的概率为0.5，一次选取训练的样本数为149，将训练集数据分为训练数据和验证数据两部分，选取80％数据作为训练集，20％数据作为测试集，时间步长选为30，迭代次数定为300次，学习率选择0.001。训练结果如图5所示。
可以看出两次训练结果效果很好而且相差不多。
4.测试集验证
接下来使用建立好的模型来对测试集的数据进行预测，并将预测准确率进行对比。时间步长为1的测试结果如图6所示。
图7则是时间步长为30的测试结果。
通过混淆矩阵和ROC曲线可以看出，测试集的AUC值表现均有5％左右的提高，通过计算，混淆矩阵中的判别准确率在70％左右，相比时间步长为1的训练结果提升了10％，说明LSTM能够有效挖掘时序数据之间的隐含关系从而进行预测，也就证明了基于LSTM 的仿真运行有效性评估方法是合理且有效的。
以上实施示例只是用于帮助理解本发明的方法及其核心思想，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1.一种复杂仿真系统运行有效性评估方法，其特征在于，所述复杂仿真系统运行有效性评估方法包括以下步骤：
步骤一、针对复杂装备仿真系统的仿真运行历史数据进行数据预处理；
步骤二、使用历史数据对LSTM进行建模；
步骤三、将建好的神经网络参数进行保存，将实时仿真数据作为输入进行仿真运行有效性评估，得到评估分类结果。
2.根据权利要求1所述的一种复杂仿真系统运行有效性评估方法，其特征在于，在步骤一中，具体的，
步骤一一、对样本数据进行处理，转换为数值型变量；
步骤一二、将转换为数据值变量的样本数据的值都规范至同一个范围内；
步骤一三、使用z-score方法，将样本数据标准化，公式如下：
Figure RE-FDA0003388409750000011
其中，
Figure RE-FDA0003388409750000012
为样本数据中的该变量所有取值的均值，σ为该变量所有取值的标准差，x'为该数据标准化后的新值；
步骤一四、对样本数据中的字符串数据进行处理，采用标签编码的方式，对不连续的数字变量或者是文本进行编号；
步骤一五、对样本数据的分类标签进行处理，首先同样计算样本数据中全部不重复的分类结果，设分类结果有n种，利用n阶单位矩阵对编码进行表示，第k类标签对应的表示形式由下式给出，
Figure RE-FDA0003388409750000013
所述分类标签包括“完全有效”、“较有效”和“基本无效”，分别对分类标签的三种情况标号为0、1、2，则“完全有效”对应标签为[1,0,0]、“较有效”对应标签为[0,1,0]、“基本无效”对应标签为[0,0,1]。
3.根据权利要求1所述的一种复杂仿真系统运行有效性评估方法，其特征在于，在步骤二中，说是LSTM包括输入层、两个LSTM隐含层和softmax分类器输出层，其中，具体的，将原始的历史数据先经过归一化预处理后，给定时间步长并将样本数据处理为多维变量的固定长度的时序数据作为输入经过隐含层，共包含了K个前后连接的同构LSTM单元，进行深度特征提取，并将第一个LSTM隐含层的信息输入至第二个LSTM隐含层继续学习，不断迭代优化参数后，由于需要解决分类的问题，在最后通过softmax预测层对运行有效性结果进行预测。
4.根据权利要求1所述的一种复杂仿真系统运行有效性评估方法，其特征在于，在步骤三中，在进行实时仿真运行有效性评估时，利用滑动窗口法对采集到的数据进行实时更新，时间步长需要与训练网络时设置的步长相同，将相邻的数据界定为一个窗口，当得到新数据的时候，将新数据添加进滑动窗口内，并剔除较老的数据，作为测试集数据输入得到仿真运行有效性评估结果。
CN202111012271.5A 2021-08-31 2021-08-31 一种复杂仿真系统运行有效性评估方法 Active CN113887125B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111012271.5A CN113887125B (zh) 2021-08-31 2021-08-31 一种复杂仿真系统运行有效性评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111012271.5A CN113887125B (zh) 2021-08-31 2021-08-31 一种复杂仿真系统运行有效性评估方法

Publications (2)

Publication Number Publication Date
CN113887125A true CN113887125A (zh) 2022-01-04
CN113887125B CN113887125B (zh) 2024-06-04

Family

ID=79011928

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111012271.5A Active CN113887125B (zh) 2021-08-31 2021-08-31 一种复杂仿真系统运行有效性评估方法

Country Status (1)

Country Link
CN (1) CN113887125B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116088349A (zh) * 2023-03-07 2023-05-09 东方空间技术(山东)有限公司 基于lstm的火箭半实物仿真数据异常评估方法及决策装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107766668A (zh) * 2017-10-31 2018-03-06 哈尔滨工业大学 一种基于神经网络的复杂仿真模型验证方法
US20180268298A1 (en) * 2017-03-15 2018-09-20 Salesforce.Com, Inc. Deep Neural Network-Based Decision Network
US20190034516A1 (en) * 2016-02-05 2019-01-31 Alibaba Group Holding Limited Method and apparatus for acquiring an evaluation index
CN109783843A (zh) * 2018-12-05 2019-05-21 交控科技股份有限公司 基于lstm的仿真系统车辆动力学模型速度预测方法
CN110994604A (zh) * 2019-12-12 2020-04-10 南京理工大学 基于lstm-dnn模型的电力系统暂态稳定评估方法
CN111353631A (zh) * 2019-11-26 2020-06-30 国网山东省电力公司电力科学研究院 基于多层lstm的火电厂凝汽器真空度预测方法
CN111401749A (zh) * 2020-03-17 2020-07-10 三峡大学 一种基于随机森林与极限学习回归的动态安全评估方法
CN112069723A (zh) * 2020-07-17 2020-12-11 中国电力科学研究院有限公司 一种用于评估电力系统暂态稳定的方法及系统
CN113221277A (zh) * 2021-05-14 2021-08-06 西安交通大学 一种基于数字孪生模型的轴承性能退化评估方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190034516A1 (en) * 2016-02-05 2019-01-31 Alibaba Group Holding Limited Method and apparatus for acquiring an evaluation index
US20180268298A1 (en) * 2017-03-15 2018-09-20 Salesforce.Com, Inc. Deep Neural Network-Based Decision Network
CN107766668A (zh) * 2017-10-31 2018-03-06 哈尔滨工业大学 一种基于神经网络的复杂仿真模型验证方法
CN109783843A (zh) * 2018-12-05 2019-05-21 交控科技股份有限公司 基于lstm的仿真系统车辆动力学模型速度预测方法
CN111353631A (zh) * 2019-11-26 2020-06-30 国网山东省电力公司电力科学研究院 基于多层lstm的火电厂凝汽器真空度预测方法
CN110994604A (zh) * 2019-12-12 2020-04-10 南京理工大学 基于lstm-dnn模型的电力系统暂态稳定评估方法
CN111401749A (zh) * 2020-03-17 2020-07-10 三峡大学 一种基于随机森林与极限学习回归的动态安全评估方法
CN112069723A (zh) * 2020-07-17 2020-12-11 中国电力科学研究院有限公司 一种用于评估电力系统暂态稳定的方法及系统
CN113221277A (zh) * 2021-05-14 2021-08-06 西安交通大学 一种基于数字孪生模型的轴承性能退化评估方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
周亚楠;聂帅;: "基于循环神经网络的飞行机动识别方法及仿真研究", 中国电子科学研究院学报, no. 06, 20 June 2020 (2020-06-20) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116088349A (zh) * 2023-03-07 2023-05-09 东方空间技术(山东)有限公司 基于lstm的火箭半实物仿真数据异常评估方法及决策装置

Also Published As

Publication number Publication date
CN113887125B (zh) 2024-06-04

Similar Documents

Publication Publication Date Title
CN112883738A (zh) 基于神经网络和自注意力机制的医学实体关系抽取方法
CN112989708B (zh) 一种基于lstm神经网络的测井岩性识别方法及系统
CN108879732B (zh) 电力系统暂态稳定评估方法及装置
Shen et al. Weighted nonlinear dynamic system for deep extraction of nonlinear dynamic latent variables and industrial application
CN101546290B (zh) 提高面向对象型软件中类阶层质量预测准确度的方法
CN113742733B (zh) 阅读理解漏洞事件触发词抽取和漏洞类型识别方法及装置
CN113449919B (zh) 一种基于特征和趋势感知的用电量预测方法及系统
CN110580213A (zh) 一种基于循环标记时间点过程的数据库异常检测方法
CN115758290A (zh) 一种基于lstm的风机齿轮箱高速轴温度趋势预警方法
CN112749757A (zh) 基于门控图注意力网络的论文分类模型构建方法及系统
CN110956309A (zh) 基于crf和lstm的流程活动预测方法
CN114548591A (zh) 一种基于混合深度学习模型和Stacking的时序数据预测方法及系统
CN112766603A (zh) 一种交通流量预测方法、系统、计算机设备及存储介质
CN115659244A (zh) 故障预测方法、装置及存储介质
CN111859814A (zh) 基于lstm深度学习的岩石时效变形预测方法及其系统
CN113887125B (zh) 一种复杂仿真系统运行有效性评估方法
CN115438897A (zh) 一种基于blstm神经网络的工业过程产品质量预测方法
Khodadadi Koodiani et al. Non-linear modeling parameters for new construction RC columns
CN112559741B (zh) 核电设备缺陷记录文本分类方法、系统、介质及电子设备
CN116303786B (zh) 一种基于多维数据融合算法的区块链金融大数据管理系统
US20230401454A1 (en) Method using weighted aggregated ensemble model for energy demand management of buildings
CN112232557B (zh) 基于长短期记忆网络的转辙机健康度短期预测方法
CN114187966A (zh) 一种基于生成对抗网络的单细胞rna序列缺失值填补方法
CN114841063A (zh) 一种基于深度学习的航空发动机剩余寿命预测方法
CN114881172A (zh) 一种基于加权词向量和神经网络的软件漏洞自动分类方法

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