一种基于神经网络的复杂仿真模型验证方法技术
A complex simulation model verification method based on Neural Network
A complex simulation model verification method based on neural network, and the invention relates to the verification method of complex simulation model. The purpose of the invention is to solve the problem of low efficiency of existing traditional verification methods for large data sets, large number of verification indicators of complex simulation models, large amount of data and heavy workload of analysts and assessors. A: the establishment of a data set; two: to obtain objective similarity analysis results; three: get the similarity assessment based on rules and knowledge; four: a training set; five: training sample set is normalized; six: training the BP neural network, BP neural network training good; seven: Test on the test sample set of class labels, if the test result does not meet the requirement of design of the topological structure of BP neural network, the re implementation of six, until the test results are accurate to analyze the accuracy of the required date. The invention is used in the field of computer simulation model verification and reliability evaluation.
【技术实现步骤摘要】
一种基于神经网络的复杂仿真模型验证方法
本专利技术涉及复杂仿真模型验证方法。
技术介绍
仿真技术广泛应用于航天、航空、航海、电力、核能、通信等诸多领域。校核、验证与验收(Verification，ValidationandAccreditation，VV&A)贯穿于复杂仿真模型研发的全生命周期，模型验证能够确保对系统中缺陷与错误的早期检测，及时解决各研发阶段所暴露出的问题，从而保证仿真模型的可信性与正确性，降低仿真模型的应用风险。例如，飞行器仿真模型是一类典型的复杂仿真模型，在飞行器设计中，由于外场试验成本高，具有破坏性、不可重复等特点，很难大量的重复进行真实飞行试验进行方案优化、分析等，一般采用系统仿真技术进行辅助设计。开发六自由度的飞行器制导控制仿真模型，利用部分飞行器外场飞行试验数据对模型进行验证，在确认模型可信的前提下，即可利用仿真模型部分的代替外场飞行试验，进行系统分析、设计优化、性能评估等工作。从而极大的减少外场飞行试验的次数，提高设计研发进度，降低研发成本。早期的导弹研发中，美国奈基-I防空导弹研制进行了1000多次发射试验，苏联B-750防...
【技术保护点】
一种基于神经网络的复杂仿真模型验证方法，其特征在于：所述方法具体过程为：步骤一：建立数据样本集：每一个数据样本包含一个仿真时间序列和一个参考时间序列，仿真时间序列和参考时间序列二者的时序一一对应；参考时间序列来自真实物理系统的试验测试结果；仿真时间序列来自与真实物理系统对应的仿真模型的运行结果，仿真模型与真实物理系统的运行初始条件一致；仿真时间序列表示为Qsim＝{(t1,Qsim,1),(t2,Qsim,,2),…,(ti,Qsim,,i),…(tN,Qsim,,N)}，参考时间序列表示为Qobs＝{(t1,Qobs,1),(t2,Qobs,2),…,(ti,Qobs,i...
【技术特征摘要】
1.一种基于神经网络的复杂仿真模型验证方法，其特征在于：所述方法具体过程为：步骤一：建立数据样本集：每一个数据样本包含一个仿真时间序列和一个参考时间序列，仿真时间序列和参考时间序列二者的时序一一对应；参考时间序列来自真实物理系统的试验测试结果；仿真时间序列来自与真实物理系统对应的仿真模型的运行结果，仿真模型与真实物理系统的运行初始条件一致；仿真时间序列表示为Qsim＝{(t1,Qsim,1),(t2,Qsim,,2),…,(ti,Qsim,,i),…(tN,Qsim,,N)}，参考时间序列表示为Qobs＝{(t1,Qobs,1),(t2,Qobs,2),…,(ti,Qobs,i),…(tN,Qobs,N)}，其中Qsim,,i与Qobs,i分别表示仿真输出与参考输出在第i个时刻点ti的数值；1≤i≤N，N表示时间序列中数据的长度，共采集了N个时刻的数据；步骤二：采用相似性度量方法对步骤一数据样本集中每组仿真时间序列和参考时间序列的相似性进行分析，获得每组仿真时间序列和参考时间序列的客观相似性分析结果；相似性度量方法包括平均绝对误差、均方误差、相对均方根误差、相对平均绝对误差、夹角余弦、皮尔曼相关系数、灰色关联分析、Theil’s不等式系数法和切比雪夫距离；步骤三：采用群组决策方法对步骤一数据样本集中的每组仿真时间序列和参考时间序列进行分析，获得每组仿真时间序列和参考时间序列的基于规则与知识的相似性评估等级；步骤四：将步骤二得到的每组仿真时间序列和参考时间序列的客观相似性分析结果和步骤三得到的每组仿真时间序列和参考时间序列的基于知识与规则的相似性评估等级构成训练样本集，训练样本集表示为矩阵形式；步骤五：采用非线性归一化方法对训练样本集进行归一化处理，得到归一化处理后的训练样本集；步骤六：将归一化处理后的训练样本集中85％作为神经网络训练样本子集，剩余15％作为神经网络测试样本子集，将神经网络训练样本子集输入BP神经网络，利用误差反向传播算法对BP神经网络进行训练，得到训练好的BP神经网络；步骤七：利用训练好的BP神经网络对有类标签的测试样本子集进行测试，若测试结果无法达到分析准确率的要求，则重新对BP神经网络的拓扑结构进行设计，重新执行步骤六，直到BP神经网络对有类标签的测试集测试结果的准确率达到分析准确率的要求为止。2.根据权利要求1所述一种基于神经网络的复杂仿真模型验证方法，其特征在于：所述步骤二中平均绝对误差、均方误差、相对均方根误差、相对平均绝对误差、夹角余弦、皮尔曼相关系数、灰色关联分析、Theil’s不等式系数法和切比雪夫距离的具体表达式为：(1)平均绝对误差方法计算公式为：MAE为采用平均绝对误差对步骤一中数据样本集中的仿真数据和参考数据的相似性进行分析，获得的客观相似性分析结果；Qobs,i为仿真模型输出在第i个时刻点ti的数值，Qsim,i为真实物理系统验证输出在第i个时刻点ti的数值，N表示时间序列中数据的长度，共采集了N个时刻的数据；MAE取值范围最小值为0，最大值为+∞，最优值为0；最优值是指仿真时间序列与参考时间序列完全相同时，二者的计算结果；(2)均方误差方法计算公式为：MSE为采用均方误差对步骤一中数据样本集中的仿真数据和参考数据的相似性进行分析，获得的客观相似性分析结果；MSE取值范围最小值为0，最大值为+∞，最优值为0；最优值是指仿真时间序列与参考时间序列完全相同时，二者的计算结果；(3)相对平均绝对误差方法计算公式为：RMAE为采用相对平均绝对误差对步骤一中数据样本集中的仿真数据和参考数据的相似性进行分析，获得的客观相似性分析结果；为真实物理系统输出时间序列绝对值的均值；RMAE取值范围最小值为0，最大值为+∞，最优值为0；最优值是指仿真时间序列与参考时间序列完全相同时，二者的计算结果；(4)相对均方根误差方法计算公式为：RRMSE为采用相对均方根误差对步骤一中数据样本集中的仿真数据和参考数据的相似性进行分析，获得的客观相似性分析结果；RRMSE取值范围最小值为0，最大值为+∞，最优值为0；(5)夹角余弦方法计算公式为：cosθ为采用夹角余弦对步骤一中数据样本集中的仿真数据和参考数据的相似性进行分析，获得的客观相似性分析结果；cosθ取值范围最小值为0，最大值为1，最优值为0；(6)皮尔曼相关系数方法计算公式为：Sc为采用皮尔曼相关系数对步骤一中数据样本集中的仿真数据和参考数据的相似性进行分析，获得的客观相似性分析结果；为仿真时间序列Qsim的均值，为参考时间序列Qobs的均值，...
【专利技术属性】
技术研发人员：周玉臣，马萍，方可，杨明，赵开斌，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江,23
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。