CN116842683A - 无人机集群贮存可用度模型不确定性评估方法 - Google Patents
无人机集群贮存可用度模型不确定性评估方法 Download PDFInfo
- Publication number
- CN116842683A CN116842683A CN202310462903.0A CN202310462903A CN116842683A CN 116842683 A CN116842683 A CN 116842683A CN 202310462903 A CN202310462903 A CN 202310462903A CN 116842683 A CN116842683 A CN 116842683A
- Authority
- CN
- China
- Prior art keywords
- model
- evaluation
- factor
- uncertainty
- variable
- 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.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 claims abstract description 56
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims description 21
- 238000006243 chemical reaction Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000004088 simulation Methods 0.000 claims description 12
- 230000006399 behavior Effects 0.000 claims description 11
- 238000000556 factor analysis Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 230000008520 organization Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000013210 evaluation model Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000014509 gene expression Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000011161 development Methods 0.000 abstract description 3
- 238000011158 quantitative evaluation Methods 0.000 abstract description 2
- 238000001308 synthesis method Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013076 uncertainty analysis Methods 0.000 description 1
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
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及无人机集群技术领域，具体公开一种无人机集群贮存可用度模型不确定性评估方法，定量描述无人机集群贮存期状态建模环节中产生的不确定性问题，为无人机集群贮存可用度模型的发展提供更加准确的数据和分析方法。该方法从模型自身不确定性出发，梳理集群可用度评估中存在的模型信度问题。一方面提出模型不确定性评估指标体系以及对应指标的定量计算和综合方法，另一方面基于函数映射思想，将模型不确定性定量评价结果与可用度预测结果进行综合，从而为最终的无人机集群贮存期可用度评估结果提供更加科学的结果参考。
Description
技术领域
本发明属于无人机集群技术领域，特别是涉及一种无人机集群贮存可用度模型不确定性评估方法。
背景技术
无人机集群贮存期可用度模型是可用度评估的理论基础，以数学物理模型和计算机仿真系统作为评估工具，可对实际的或假设的人物场景进行分析和研究，其本质上是实际参考系统的抽象和简化。然而贮存期剖面的复杂性以及贮存期内工作状态集群的涌现性特性会给无人机集群贮存期可用度模型带来不确定性，而这种不确定性会随着贮存期的延长呈现阶梯式传递和增长，进而影响集群贮存状态评估的准确性。因此，评估模型是否可信对集群贮存状态评估具有重要意义。
传统的不确定性分析方法更多关注模型的参数以及自身误差的传递机制，很少会从模型本身出发研究。无论如何避免参数设置和传递机制带来的结果误差，都无法修正模型自身所带来的不确定性风险。有关模型的可信度研究也都集中在定性分析上，缺乏相关规范化分析方法。因此，从模型自身角度出发，建立有效、定量的模型不确定性评估方法是目前急需解决的问题。
由于无人机集群贮存可用度评估结果为点估计值，不能提供估计参数的估计误差大小，主要为定性研究提供一定的参考数据，或在对总体参数要求不精确时使用。区间估计则是通过大量样本数据估计未知参数在置信水平下最可能存在的区间，能得到总体参数的一个范围，反映了总体参数落在这一区间的可能性大小。因此，有必要将集群贮存可用度模型不确定性的评估结果从点估计转变为区间估计。
因此，亟需一种能够评估无人机集群贮存可用度模型不确定性的方法，以解决上述问题。
发明内容
提供了本发明以解决现有技术中存在的上述问题。因此，需要一种无人机集群贮存可用度模型不确定性评估方法，定量描述无人机集群贮存期状态建模环节中产生的不确定性问题，为无人机集群贮存可用度模型的发展提供更加准确的数据和分析方法。该方法从模型自身不确定性出发，梳理集群可用度评估中存在的模型信度问题。一方面提出模型不确定性评估指标体系以及对应指标的定量计算和综合方法，另一方面基于函数映射思想，将模型不确定性定量评价结果与可用度预测结果进行综合，从而为最终的无人机集群贮存期可用度评估结果提供更加科学的结果参考。
根据本发明的第一方案，提供了一种无人机集群贮存可用度模型不确定性评估方法，所述方法包括：根据无人机集群贮存期可用度评估模型中存在的实体对象以及所述实体对象对应的组织关系和实体行为的序列过程，构建模型不确定性评估框架；基于所述模型不确定性评估框架，从校核、校准、验证、应用四个维度建立完整的评估指标体系；基于因子分析对所述评估指标体系进行定量赋权，所述因子包括符合性、正确性、精准性、完备性、重用性和测试性；利用因子载荷矩阵的变量共同度和公共因子方差贡献两个统计量，建立评估指标体系的综合计算公式；在得到评估指标体系的点估计值后，将模型不确定性评估结果带入函数进行映射，以其结果作为区间估计的置信度，实现不确定性预测结果从点估计到区间估计的转换。
根据本发明的第二技术方案，提供一种无人机集群贮存可用度模型不确定性评估装置，所述装置包括：框架构建模块，被配置为根据无人机集群贮存期可用度评估模型中存在的实体对象以及所述实体对象对应的组织关系和实体行为的序列过程，构建模型不确定性评估框架；体系建立模块，被配置为基于所述模型不确定性评估框架，从校核、校准、验证、应用四个维度建立完整的评估指标体系；定量赋权模块，被配置为基于因子分析对所述评估指标体系进行定量赋权，所述因子包括符合性、正确性、精准性、完备性、重用性和测试性；综合计算模块，被配置为利用因子载荷矩阵的变量共同度和公共因子方差贡献两个统计量，建立评估指标体系的综合计算公式；结果转换模块，被配置为在得到评估指标体系的点估计值后，将模型不确定性评估结果带入函数进行映射，以其结果作为区间估计的置信度，实现不确定性预测结果从点估计到区间估计的转换。
根据本发明的第三技术方案，提供一种存储有指令的非暂时性计算机可读存储介质，当所述指令由处理器执行时，执行如上所述的方法。
根据本发明各个方案的无人机集群贮存可用度模型不确定性评估方法，其至少具有以下技术效果：
(1)从模型自身不确定性的角度切入，能够定量描述无人机集群贮存期状态建模环节中产生的不确定性问题，避免随集群规模、复杂程度和维度叠加而导致的预测结果偏差，进而保证无人机集群贮存期状态评估的准确性。
(2)可用度结果从点估计转变为区间估计，为最终的无人机集群贮存期可用度提供更加科学的结果参考，也为其他类似的模型信度分析问题提供了理论依据和工程实例，提升了决策的可信性。
附图说明
在不一定按比例绘制的附图中，相同的附图标记可以在不同的视图中描述相似的部件。具有字母后缀或不同字母后缀的相同附图标记可以表示相似部件的不同实例。附图大体上通过举例而不是限制的方式示出各种实施例，并且与说明书以及权利要求书一起用于对所发明的实施例进行说明。在适当的时候，在所有附图中使用相同的附图标记指代同一或相似的部分。这样的实施例是例证性的，而并非旨在作为本装置或方法的穷尽或排他实施例。
图1为无人机集群贮存可用度模型不确定性评估方法的设计思路示意图。
图2为基于模型的VV&UQ不确定性评估框架示意图。
图3为指标体系综合步骤示意图。
图4为符合性指标体系示意图。
图5为正确性指标体系示意图。
图6为精准性指标体系示意图。
图7为完备性指标体系示意图。
图8为重用性指标体系示意图。
图9为测试性指标体系示意图。
图10为基于物理意义的模型不确定性结果与置信水平转化示意图。
图11为基于惩戒思想的模型不确定性结果与置信水平转化示意图。
图12为基于改进sigmoid函数的模型不确定性结果与置信水平转化关系图。
图13为无人机集群贮存可用度模型不确定性评估装置的结构图。
具体实施方式
为使本领域技术人员更好的理解本发明的技术方案，下面结合附图和具体实施方式对本发明作详细说明。下面结合附图和具体实施例对本发明的实施例作进一步详细描述，但不作为对本发明的限定。本文中所描述的各个步骤，如果彼此之间没有前后关系的必要性，则本文中作为示例对其进行描述的次序不应视为限制，本领域技术人员应知道可以对其进行顺序调整，只要不破坏其彼此之间的逻辑性导致整个流程无法实现即可。
本发明实施例提供一种无人机集群贮存可用度模型不确定性评估方法，设计思路如图1所示，包括如下步骤：(1)基于VV&UQ理论构建模型不确定性评估框架(2)建立评估指标体系(3)基于因子分析对指标赋权(4)指标综合(5)评估结果转换。
具体来说，步骤(1)梳理无人机集群贮存期可用度评估模型中存在的实体对象，以及实体对象对应的大量组织关系和实体行为的序列过程，基于VV&UQ理论，构建模型不确定性评估框架如图2所示。
步骤(2)在基于模型的VV&UQ不确定性评估框架的基础上，从校核、校准、验证、应用四个维度建立完整的评估指标体系。在该指标体系内，符合性和正确性为覆盖校核维度的重要顶层指标，精准性为描述校准维度的顶层指标，完备性为描述验证维度的顶层指标，最后由重用性和测试性两个顶层指标覆盖应用维度的评估需求。其中，符合性指标细化为需求符合程度、通用标准符合程度和专用标准符合程度；正确性细化为结构正确性、数据正确性和行为正确性；精准性细化为仿真结果一致性与仿真流程一致性；完备性细化为覆盖度与颗粒度；重用性细化为跨领域重用能力与专用领域重用能力；测试性细化为可理解性、可观察性和测试支撑能力。
步骤(3)选择构建的指标体系即符合性、正确性、精准性、完备性、重用性和测试性作为六个因子，对模型不确定性评估指标体系进行定量赋权，并验证已分类的维度是否有效，效检验模型不确定性评估指标体系的科学性，指标体系综合步骤如图3所示。
步骤(4)利用因子载荷矩阵的变量共同度和公共因子方差贡献两个统计量，建立模型不确定性指标体系的综合计算公式。
步骤(5)在得到模型不确定性综合评价指标的点估计值后，基于函数模型映射思想，通过对比不同激活函数和惩戒系数，确定不确定性综合评价结果的合理映射形式，以其结果作为区间估计的置信度，实现不确定性预测结果从点估计到区间估计的转换。
下面本发明实施例将对步骤(1)-(5)进行进一步详细地描述。
步骤(1)基于VV&UQ理论构建模型不确定性评估框架：
梳理模型不确定性评估的过程，构建基于模型的VV&UQ不确定性评估框架如图2所示。该框架包括四个不同的维度，每个维度都从不同的角度切入基于模型的“验证、确认和量化”活动过程：
①校核维度：验证是否准确表示开发人员对模型的概念描述的过程；
②校准维度：调整计算模型中的参数以提高与实验数据的一致性的过程；
③验证维度：从用户的角度确定模型符合真实世界程度的过程；
④应用维度：在用例环境中，对模型进行插值或外推的过程。
步骤(2)建立评估指标体系：
上述框架从①到④的进行流转，构建评估指标体系。在该指标体系内，符合性和正确性作为覆盖校核维度的重要顶层指标，精准性作为描述校准维度的顶层指标，完备性作为描述验证维度的顶层指标，最后由重用性和测试性两个顶层指标覆盖应用维度的评估需求。
符合性评估指标应该包括：
1)模型是否依据权威的建模指南进行构建；
2)是否有与MBSE建模与仿真指南相关的错误和/或遗漏；
3)是否适当地使用了领域的标准本体。
符合性指标体系的结构如图4所示，涵盖了模型是否适当且完全符合相关指南、是否符合利益相关方的预期建模目标等内容。具体地，将符合性指标细化为需求符合程度、通用标准符合程度、专用标准符合程度三个方面。
模型正确性评估的主要内容包括：
1)模型是否恰当且充分地代表了仿真对象的内部结构，逻辑关系等；
2)是否使用了正确的数学模型对物理世界对象进行抽象(包括建模过程中所作假的合理性)；
3)是否使用了正确的外部数据对模型参数进行赋值；
4)是否设置了正确的数值算法对数学模型进行求解。
正确性指标体系的结构如图5所示，从内部数据、自身结构和内部运行行为来共同描述模型的正确性。
模型精准性评估的主要内容包括：
1)模型是否精确的表达了现实对象的动态/静态物理特性，
2)模型计算结果与现实结果是否有显著的误差。
与正确性不同，精准性指标能够确定仿真系统代表真实世界的准确程度，反映了模型本身和仿真结果与真值的偏差程度。精准性指标体系的结构如图6所示，主要从仿真结果与仿真流程两个方面描述数学物理模型的精准性程度。
模型完备性评估的主要内容包括：1)是否表达了现实对象在实际工作情况中的全部行为(模型与使用场景是否匹配)；
2)模型是否全面覆盖了现实对象在整个参数空间的特征属性。
完备性指标体系的结构如图7所示。
模型重用性的评估内容包括：
1)模型的开发是否采用从以前的模型重用的模型元素；
2)模型是否向库提供元素以供重用。
如图8所示，根据重用架构、模块的原始领域，可以将重用性分为跨领域重用能力与专用领域重用能力。
模型测试性的具体表现为：
1)是模型提供了可执行的行为表示，并为设计选项的测试优先/测试探索提供了有用的指导；
2)模型可以输出定量的、可被实验验证的结果数据。
如图9所示，主要包括可理解性、可观察性和测试支撑能力三个方面。
步骤(3)基于因子分析对指标赋权：
向量X(x1,x2,x3…xp)是可被直接观测的随机变量即底层指标计算结果，在因子分析方法中被称为原始观测变量，F(f1,f2,f3,…fn)是X(x1,x2,x3…xp)各个观测变量的表达式中共同出现的公共因子，即底层指标的上一层指标，是相互独立的不可观测变量。无人机集群贮存可用度模型的公共因子包含符合性、正确性、精准性、完备性、重用性和测试性6个，底层指标包含需求符合程度、通用标准符合程度、专用标准符合程度、结构正确性、数据正确性、行为正确性、仿真结果一致性、仿真流程一致性、覆盖度、颗粒度、跨领域重用能力、专用领域重用能力、可理解性、可观察性和测试支撑能力15个。因子分析法的数学表示为矩阵：X＝AF+B：
A(aij)是公共因子F(f1,f2,f3,…fn)的系数，称为因子载荷矩阵，因子载荷aij(i＝1,2,3,…,p；j＝1,2,3,…,k)指第i个原有变量在第j个因子上的负荷，或可将aij看作第i个变量在第j个公共因子上的权重。aij既是xi与fj的协方差，也是xi与fj的相关系数，表示xi对fj的依赖程度或者相关程度。aij的绝对值越大代表公共因子fj对xi的载荷量越大。B(β1,β2,β3,…,βp)是X(x1,x2,x3…xp)的特殊因子，是不能被前k个公共因子包含的部分，该项因子也是不可被观测的。
步骤(4)指标综合：
因子载荷矩阵有两个统计量对于指标体系的综合评价具有重要作用，即的变量共同度和公共因子方差贡献。
①变量共同度
变量共同度是衡量全部公共因子对xi的方差所作出的贡献，反映全部公共因子对变量xi的影响。变量共同度是因子载荷矩阵A(aij)第i行的元素平方和，记为：
变量共同度越大代表变量xi对于F的每一分量的依赖程度越大，对式(2)等号两侧取方差，得：
如果的结果接近Var(xi)，且/>非常小，则因子分析的效果较好，即从原变量空间到公共因子空间的转化性质较好。
②公共因子方差
公共因子方差反映了公共因子的相对重要程度，式(4)中，记为公共因子fj对X的方差贡献，表示第j个公共因子fj对于X的每一个分量xi(i＝1,2,…,p)所提供的方差总和，记为：
对式(3)进行变化，得：
越大，表明公共因子fj对X(x1,x2,x3…xp)的贡献越大，即对X(x1,x2,x3…xp)的影响越大。将因子载荷矩阵的所有/>均计算出来，即可获得公共因子的影响力排序。
在变量共同度和公共因子方差贡献这两个统计量的基础上，可以获得模型不确定性指标体系的综合计算公式。旋转后的载荷矩阵的变量共同度即是公共因子得分公式系数：
使用各因子累计方差贡献率为其赋权，构建指标与体系的最终得分总公式：
步骤(5)评估结果转换：
在得到模型不确定性综合评价指标的点估计值后，可将模型不确定性评估结果带入函数进行映射，以其结果作为区间估计的置信度，从而实现从点估计到区间估计的合理转换，包括物理意义法、惩戒模型法和激活函数法等。
①物理意义法
记不确定性综合结果为x，x∈[0,1]，根据实际物理意义，模型不确定性越大，其置信水平会越低。考虑取1-x作为置信水平结果，记置信水平为p,p∈[0,1]，如11所示，此时模型不确定性评估结果与区间估计中置信水平大小呈线性相关。
②惩戒模型法
当模型的不确定性越大，可以对模型增加惩戒，使得模型不定性结果越大时，置信水平随之下降速度越快。记不确定性综合结果为x，x∈[0,1]，考虑取置信水平为p,p＝(1-x)a,0＜a＜1。在实际应用时，可根据决策者的风险接受水平对惩戒水平进行调整，如图11所示，不同的惩戒水平使得模型不确定性结果与置信水平的映射关系不同，当a越趋近于0，置信度曲线下降越快，即决策者对风险把控更加严格。
③激活函数法
激活函数(又称激励函数)常被用来传递多层网络中的信息，常见的激活函数又分为饱和激活函数：sigmoid、tanh；非饱和激活函数:ReLU、PReLU等。利用激活函数，可根据决策者的不同需求对模型不确定性评估结果进行更为灵活的映射，从而实现从无人机集群贮存期可用度结果的点估计值到区间结果的转换。以sigmoid为例，sigmoid函数数学形式如下：
记不确定综合结果为x，x∈[0,1]，为避免分母为零，设
令：m＝y-1，则有m∈(0,+∞)，此时：
取对数：
z＝lnm-1,z∈(-∞,+∞) (10)
sigmoid函数将z∈(-∞,+∞)映射到(0,1)的范围内，即可得置信水平p，p∈[0,1]：
最终得到的模型不确定性指标与置信水平的映射关系见图12。
本发明实施例还提供一种无人机集群贮存可用度模型不确定性评估装置，请参阅图13，图13示出了根据本发明实施例的一种无人机集群贮存可用度模型不确定性评估装置的结构图。所述装置1300包括：
框架构建模块1301，被配置为根据无人机集群贮存期可用度评估模型中存在的实体对象以及所述实体对象对应的组织关系和实体行为的序列过程，基于VV$UQ构建模型不确定性评估框架；
体系建立模块1302，被配置为基于所述模型不确定性评估框架，从校核、校准、验证、应用四个维度建立完整的评估指标体系；
定量赋权模块1303，被配置为基于因子分析对所述评估指标体系进行定量赋权，所述因子包括符合性、正确性、精准性、完备性、重用性和测试性；
综合计算模块1304，被配置为利用因子载荷矩阵的变量共同度和公共因子方差贡献两个统计量，建立评估指标体系的综合计算公式；
结果转换模块1305，被配置为在得到评估指标体系的点估计值后，将模型不确定性评估结果带入函数进行映射，以其结果作为区间估计的置信度，实现不确定性预测结果从点估计到区间估计的转换。
所述模型不确定性评估框架包括如下四个维度：
校核维度：验证是否准确表示开发人员对模型的概念描述的过程；
校准维度：调整计算模型中的参数以提高与实验数据的一致性的过程；
验证维度：从用户的角度确定模型符合真实世界程度的过程；
应用维度：在用例环境中，对模型进行插值或外推的过程。
在一些实施例中，所述评估指标体系中：符合性和正确性作为覆盖校核维度的重要顶层指标，精准性作为描述校准维度的顶层指标，完备性作为描述验证维度的顶层指标，由重用性和测试性两个顶层指标覆盖应用维度的评估需求。
在一些实施例中，通过如下公式对所述评估指标体系进行定量赋权：
式中，A(aij)是公共因子F(f1,f2,f3,…fn)的系数，称为因子载荷矩阵，F(f1,f2,f3,…fn)是向量X(x1,x2,x3…xp)各个观测变量的表达式中共同出现的公共因子，向量X(x1,x2,x3…xp)是底层指标计算结果，因子载荷aij(i＝1,2,3,…,p；j＝1,2,3,…,k)指第i个原有变量在第j个因子上的负荷，或将aij看作第i个变量在第j个公共因子上的权重，aij既是xi与fj的协方差，也是xi与fj的相关系数，表示xi对fj的依赖程度或者相关程度；aij的绝对值越大代表公共因子fj对xi的载荷量越大；B(β1,β2,β3,…,βp)是X(x1,x2,x3…xp)的特殊因子，是不能被前k个公共因子包含的部分，该项因子不可被观测。
在一些实施例中，所述变量共同度是衡量全部公共因子对xi的方差所作出的贡献，反映全部公共因子对变量xi的影响；变量共同度是因子载荷矩阵A(aij)第i行的元素平方和，记为：
变量共同度越大代表变量xi对于公共因子F的每一分量的依赖程度越大；
对式(2)等号两侧取方差，得：
式中，Var(xi)表示变量共同度的方差，Var(fk)表示公共因子的方差，Var(βi)表示特殊因子的方差；
根据变量共同度与Var(xi)的结果对比以及的大小，来判断从原变量空间到公共因子空间的转化性质。
在一些实施例中，所述公共因子方差反映了公共因子的相对重要程度，表示为：
式中，为公共因子fj对向量X的方差贡献，表示第j个公共因子fj对于x的每一个分量xi(i＝1,2,…,p)所提供的方差总和；
对公式(3)进行变化，得到：
越大，表明公共因子fj对X(x1,x2,x3…xp)的贡献越大，即对X(x1,x2,x3…xp)的影响越大，将因子载荷矩阵的所有/>均计算出来，获得公共因子的影响力排序。
在一些实施例中，对载荷矩阵的变量共同度进行旋转得到公共因子得分公式系数：
式中，Fj表示公共因子fj(j＝1，2，…，k)的得分公式系数，hi 2表示变量xi(i＝1，2，...，p)的变量共同度；
使用各因子累计方差贡献率进行赋权，构建指标与体系的最终得分总公式如下：
式中，F表示指标与体系的最终得分，表示公共因子fj的方差贡献。
需要注意，描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的模块也可以设置在处理器中。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定。
本发明实施例所提到的无人机集群贮存可用度模型不确定性评估装置与在先阐述的方法属于同一技术构思，其起到的技术效果基本一致，此处不赘述。
本发明实施例还提供一种无人机集群贮存可用度模型不确定性评估系统，所述系统包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序以实现本发明任一实施例的无人机集群贮存可用度模型不确定性评估方法。
本发明实施例还提供了一种存储有指令的非暂时性计算机可读介质，当指令由处理器执行时，执行根据本发明任一实施例所述的无人机集群贮存可用度模型不确定性评估方法。
此外，尽管已经在本文中描述了示例性实施例，其范围包括任何和所有基于本发明的具有等同元件、修改、省略、组合(例如，各种实施例交叉的方案)、改编或改变的实施例。权利要求书中的元件将被基于权利要求中采用的语言宽泛地解释，并不限于在本说明书中或本申请的实施期间所描述的示例，其示例将被解释为非排他性的。因此，本说明书和示例旨在仅被认为是示例，真正的范围和精神由以下权利要求以及其等同物的全部范围所指示。
以上描述旨在是说明性的而不是限制性的。例如，上述示例(或其一个或更多方案)可以彼此组合使用。例如本领域普通技术人员在阅读上述描述时可以使用其它实施例。另外，在上述具体实施方式中，各种特征可以被分组在一起以简单化本发明。这不应解释为一种不要求保护的发明的特征对于任一权利要求是必要的意图。相反，本发明的主题可以少于特定的发明的实施例的全部特征。从而，以下权利要求书作为示例或实施例在此并入具体实施方式中，其中每个权利要求独立地作为单独的实施例，并且考虑这些实施例可以以各种组合或排列彼此组合。本发明的范围应参照所附权利要求以及这些权利要求赋权的等同形式的全部范围来确定。
Claims (10)
1.无人机集群贮存可用度模型不确定性评估方法，其特征在于，所述方法包括：
根据无人机集群贮存期可用度评估模型中存在的实体对象以及所述实体对象对应的组织关系和实体行为的序列过程，基于VV&UQ理论构建模型不确定性评估框架；
基于所述模型不确定性评估框架，从校核、校准、验证、应用四个维度建立完整的评估指标体系；
基于因子分析对所述评估指标体系进行定量赋权，所述因子包括符合性、正确性、精准性、完备性、重用性和测试性；
利用因子载荷矩阵的变量共同度和公共因子方差贡献两个统计量，建立评估指标体系的综合计算公式；
在得到评估指标体系的点估计值后，将模型不确定性评估结果带入函数进行映射，以其结果作为区间估计的置信度，实现不确定性预测结果从点估计到区间估计的转换。
2.根据权利要求1所述的方法，其特征在于，所述模型不确定性评估框架包括如下四个维度：
校核维度：验证是否准确表示开发人员对模型的概念描述的过程；
校准维度：调整计算模型中的参数以提高与实验数据的一致性的过程；
验证维度：从用户的角度确定模型符合真实世界程度的过程；
应用维度：在用例环境中，对模型进行插值或外推的过程。
3.根据权利要求1所述的方法，其特征在于，所述评估指标体系中：符合性和正确性作为覆盖校核维度的重要顶层指标，精准性作为描述校准维度的顶层指标，完备性作为描述验证维度的顶层指标，由重用性和测试性两个顶层指标覆盖应用维度的评估需求。
4.根据权利要求1所述的方法，其特征在于，通过如下公式对所述评估指标体系进行定量赋权：
式中，A(aij)是公共因子F(f1,f2,f3,…fn)的系数，称为因子载荷矩阵，F(f1,f2,f3,…fn)是向量X(x1,x2,x3…xp)各个观测变量的表达式中共同出现的公共因子，包括符合性、正确性、精准性、完备性、重用性和测试性6个，向量X(x1,x2,x3…xp)是底层指标计算结果，包含需求符合程度、通用标准符合程度、专用标准符合程度、结构正确性、数据正确性、行为正确性、仿真结果一致性、仿真流程一致性、覆盖度、颗粒度、跨领域重用能力、专用领域重用能力、可理解性、可观察性和测试支撑能力15类，因子载荷aij(i＝1,2,3,…,p；j＝1,2,3,…,k)指第i个原有变量在第j个因子上的负荷，或将aij看作第i个变量在第j个公共因子上的权重，aij既是xi与fj的协方差，也是xi与fj的相关系数，表示xi对fj的依赖程度或者相关程度；aij的绝对值越大代表公共因子fj对xi的载荷量越大；B(β1,β2,β3,…,βp)是X(x1,x2,x3…xp)的特殊因子，是不能被前k个公共因子包含的部分，该项因子不可被观测。
5.根据权利要求4所述的方法，其特征在于，所述变量共同度是衡量全部公共因子对xi的方差所作出的贡献，反映全部公共因子对变量xi的影响；变量共同度是因子载荷矩阵A(aij)第i行的元素平方和，记为：
变量共同度越大代表变量xi对于公共因子F的每一分量的依赖程度越大；
对式(2)等号两侧取方差，得：
式中，Var(xi)表示变量共同度的方差，Var(fk)表示公共因子的方差，Var(βi)表示特殊因子的方差；
根据变量共同度与Var(xi)的结果对比以及的大小，来判断从原变量空间到公共因子空间的转化性质。
6.根据权利要求5所述的方法，其特征在于，所述公共因子方差反映了公共因子的相对重要程度，表示为：
式中，为公共因子fj对向量X的方差贡献，表示第j个公共因子fj对于X的每一个分量xi(i＝1,2,…,p)所提供的方差总和；
对公式(3)进行变化，得到：
越大，表明公共因子fj对X(x1,x2,x3…xp)的贡献越大，即对X(x1,x2,x3…xp)的影响越大，将因子载荷矩阵的所有/>均计算出来，获得公共因子的影响力排序。
7.根据权利要求6所述的方法，其特征在于，对载荷矩阵的变量共同度进行旋转得到fj的得分公式系数：
式中，Fj表示公共因子fj(j＝1，2，…，k)的得分公式系数，hi 2表示变量xi(i＝1，2，…，p)的变量共同度；
使用各因子累计方差贡献率进行赋权，构建指标与体系的最终得分总公式如下：
式中，F表示指标与体系的最终得分，gj 2表示公共因子fj的方差贡献。
8.根据权利要求1所述的方法，其特征在于，在得到评估指标体系的点估计值后，基于物理意义法、惩戒模型法以及激活函数法中的一种及其组合，实现不确定性预测结果从点估计到区间估计的转换。
9.一种无人机集群贮存可用度模型不确定性评估装置，其特征在于，所述装置包括：
框架构建模块，被配置为根据无人机集群贮存期可用度评估模型中存在的实体对象以及所述实体对象对应的组织关系和实体行为的序列过程，基于VV&UQ理论构建模型不确定性评估框架；
体系建立模块，被配置为基于所述模型不确定性评估框架，从校核、校准、验证、应用四个维度建立完整的评估指标体系；
定量赋权模块，被配置为基于因子分析对所述评估指标体系进行定量赋权，所述因子包括符合性、正确性、精准性、完备性、重用性和测试性；
综合计算模块，被配置为利用因子载荷矩阵的变量共同度和公共因子方差贡献两个统计量，建立评估指标体系的综合计算公式；
结果转换模块，被配置为在得到评估指标体系的点估计值后，将模型不确定性评估结果带入函数进行映射，以其结果作为区间估计的置信度，实现不确定性预测结果从点估计到区间估计的转换。
10.一种存储有指令的非暂时性计算机可读存储介质，当所述指令由处理器执行时，执行根据权利要求1至8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310462903.0A CN116842683A (zh) | 2023-04-26 | 2023-04-26 | 无人机集群贮存可用度模型不确定性评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310462903.0A CN116842683A (zh) | 2023-04-26 | 2023-04-26 | 无人机集群贮存可用度模型不确定性评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116842683A true CN116842683A (zh) | 2023-10-03 |
Family
ID=88164166
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310462903.0A Pending CN116842683A (zh) | 2023-04-26 | 2023-04-26 | 无人机集群贮存可用度模型不确定性评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116842683A (zh) |
-
2023
- 2023-04-26 CN CN202310462903.0A patent/CN116842683A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111143981B (zh) | 虚拟试验模型验证系统及方法 | |
| WO2021208079A1 (zh) | 获取动力电池寿命数据的方法、装置、计算机设备及介质 | |
| CN116150897A (zh) | 一种基于数字孪生的机床主轴性能测评方法及系统 | |
| CN110633859B (zh) | 一种两阶段分解集成的水文序列预测方法 | |
| Harrell et al. | Resampling, validating, describing, and simplifying the model | |
| CN111209316A (zh) | 一种信息素养数据挖掘方法、装置、电子设备及存储介质 | |
| Song | Web service reliability prediction based on machine learning | |
| CN113391216A (zh) | 基于响应曲面设计的铅酸电池可用容量估算方法和装置 | |
| CN115222081A (zh) | 学位资源预测方法、装置及计算机设备 | |
| CN112905435A (zh) | 基于大数据的工作量评估方法、装置、设备及存储介质 | |
| CN116842683A (zh) | 无人机集群贮存可用度模型不确定性评估方法 | |
| CN113890833B (zh) | 网络覆盖预测方法、装置、设备及存储介质 | |
| CN115048290A (zh) | 软件质量的评估方法、装置、存储介质及计算机设备 | |
| CN105160065A (zh) | 基于拓扑关系的遥感信息相似度评价方法 | |
| CN112581250B (zh) | 模型生成方法、装置、计算机设备和存储介质 | |
| CN114490412A (zh) | 基于自减逆向云发生器的三维cad软件性能度量方法及装置 | |
| KR102159574B1 (ko) | 인공지능 학습데이터 생성을 위한 크라우드소싱 기반 프로젝트의 작업 결과의 정확도 추정 및 관리 방법 | |
| CN114936281A (zh) | 基于大数据的试题动态分类方法、装置、设备及存储介质 | |
| CN116956642B (zh) | 一种威胁评估算法性能动态仿真验证方法 | |
| CN114626234B (zh) | 一种装备数字孪生组合模型可信度评估方法及系统 | |
| CN117473327B (zh) | 区域人口模型训练方法及区域人口预测方法 | |
| CN116110433A (zh) | 质量评估方法及电子设备 | |
| CN116955101A (zh) | 基于测试的校验方法及装置、设备、存储介质、程序产品 | |
| CN114611059A (zh) | 数字孪生可信评估方法的验证方法、系统及可存储介质 | |
| CN117951992A (zh) | 地球系统模式中次网格参数化方案替换方法、设备和介质 |
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 |