[發明專利]一種基于深度學習的體系組合模型可信度智能評估方法

有效

• 申請號: 201911088404.X
• 申請日: 2019-11-08
• 公開（公告）號: CN110889207B
• 公開（公告）日: 2023-08-22
• 發明（設計）人: 李興國;廖詠一;李延超;羅德智;楊榮強;汪正東;王海星;彭芳
• 申請（專利權）人: 江南機電設計研究所
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06F111/10
• 代理公司: 貴州派騰知識產權代理有限公司 52114
• 代理人: 宋妍麗

本發明提供一種基于深度學習的體系組合模型可信度智能評估方法，包括以下步驟：獲取參考學習樣本集?獲取參考學習樣本集?評估不確定性影響程度?評估噪聲影響程度?評估可信度。本發明應用深度學習方法，綜合考慮不確定性和噪聲的影響，對待檢驗模型的可信度評估更加可靠，并通過應用從仿真學習樣本(待檢驗模型)到參考學習樣本(參考模型)到逆向映射關系，避免正向映射時可能出現的模糊現象，提高可信度評估的準確性，通過深度學習方法和基于損失函數的優化模型，降低體系作戰仿真可信度評估的實施難度，實現自適應智能評估和模型篩選。

技術領域

本發明涉及一種基于深度學習的體系組合模型可信度智能評估方法，屬于體系作戰仿真建模技術領域。

背景技術

隨著戰場環境、對抗博弈行為日益復雜多變，建模與仿真在復雜大系統和復雜體系研究的地位越來越重要，但也使得體系作戰仿真的可信度難以定量分析、計算和評價，特別是在體系及復雜系統的前期概念論證、開發階段，為滿足方案的快速迭代，大多采用面向作戰任務、以設計指標為主的粗顆粒度、功能級仿真模型，使得仿真結果的可信度不高，如何構建高可信度的功能級仿真模型成為制約體系作戰建模與仿真的關鍵因素。

隨著云仿真技術的研究與應用，可從云端獲得大量的系統/子系統/組件的功能級模型，并通過組合方式形成復雜裝備模型，但是難以解決復雜大系統及復雜體系內部子系統之間的交互關系問題，且由于體系攻防對抗場景下裝備之間的交互事件、交互行為復雜，通過傳統的輸出結果、靜態交互關系檢測難以衡量組合模型的可信度，且評估效率較低，難以通過傳統方法實現仿真模型驗證的自動化。體系作戰仿真所需的深度學習方法通過智能學習準確度較高的精細粒度模型、功能級組合模型的大量輸入－輸出序列，建立各自輸出集合的特征表示，將功能級組合模型的可信度評估問題轉換成兩個特征表示的相似性問題，降低了評估難度，提高評估效率。目前，已有將人工神經網絡方法用于單個組件模型單可信度評估，但側重于可信度評估指標體系層次聚合過程中的權重確定，尚未見到本申請中涉及的方法。

發明內容

為解決上述技術問題，本發明提供了一種基于深度學習的體系組合模型可信度智能評估方法，該基于深度學習的體系組合模型可信度智能評估方法解決了功能級裝備模型的可信度不高的問題，應用深度學習方法和自適應優化方法，將組合模型的可信度問題轉換成特征表示的關聯概率問題，實現組合模型的可信度智能評估，在提高評估效率的同時，降低了組合模型的不確定性和噪聲因素的影響。

本發明通過以下技術方案得以實現。

本發明提供的一種基于深度學習的體系組合模型可信度智能評估方法，包括以下步驟：

①獲取參考學習樣本集：選取經過校驗的最高精度模型作為參考模型，獲取參考模型在不同輸入條件下的輸出，組成參考學習樣本集；

②獲取仿真學習樣本集：從云端選取不同顆粒度、不同應用場景的待檢驗模型，獲取待檢驗模型在不同輸入條件下的輸出，組成仿真學習樣本集；

③評估一致程度：將參考學習樣本集和仿真學習樣本集輸入深度學習模型，獲取特征矩陣，并通過相似性度量法，獲取參考學習樣本集和仿真學習樣本集的一致程度；

④評估不確定性影響程度：通過交叉損失函數和交叉熵，計算從第i個參考學習樣本表示向量到第j個仿真學習樣本表示向量，再正確返回到第i個參考學習樣本表示向量的關聯概率，評估仿真學習樣本集的不確定性對可信度評估的影響；

⑤評估噪聲影響程度：通過計算目標均勻分布和影響概率之間的交叉熵，評估仿真學習樣本的噪聲因素對可信度評估的影響；

⑥評估可信度：采用多目標優化算法實現待檢驗模型的可信度動態智能評估。

所述步驟①中，輸入條件在體系作戰仿真需求約束范圍內。

所述步驟①中，輸出包括在輸入條件下，參考模型的過程數據、信息交互和最終結果。