基于时序神经网络的动态测量系统不确定度的评定方法技术方案

本发明专利技术公开了基于神经网络方法对动态测量系统进行不确定度评定的方法，包括了以下步骤：建立数据集，神经网络建模，利用神经网络架构对数据集进行建模，利用集成神经网络的方法，实现测量不确定度的传播规律辨识，利用贝叶斯方法建模得到的损失函数提高模型的性能和可实现性，基于集成神经网络，预测模型的输出和不确定度。本发明专利技术通过可处理时序信号的神经网络对动态测量系统的建模，对比传统的动态测量系统测量不确定度方法，可以将模型不确定度和数据不确定度独立评定，模型预测更加精准，不确定度评定结果更加符合工程应用实。不确定度评定结果更加符合工程应用实。不确定度评定结果更加符合工程应用实。

【技术实现步骤摘要】
基于时序神经网络的动态测量系统不确定度的评定方法


[0001]本专利技术属于可靠性分析
，具体涉及基于神经网络的动态测量系统不确定度的评定方法。

技术介绍

[0002]GUM《Guide to the Expression of Uncertainty in Measurement》建立了不确定度表示体系，对静态测量不确定度的评定已经有了一个很完整的测量框架。但对于动态测量系统，由于系统状态随时间发生变化，被测量也随着时间不断变化，不再满足使用GUM作为评定不确定度方式的条件。于是推出的补充版《GUM
‑
S1》和《GUM
‑
S2》解决了不确定度表示指南在动态测量不确定度量化方面的难题，通过概率密度函数的引入还避免了对模型是线性还是非线性的讨论。
[0003]在此基础上，研究人员推出了一些动态不确定度的表示方法，比如贝叶斯方法、滤波器方法等。贝叶斯方法可以根据先验分布得到后验分布，结合各种因素，包括当前的动态测量数据、专家意见等预测未来某时刻的数据。但难点在于先验分布难以得到，并且后验分布通常难以计算，通常利用似然函数来逼近后验分布。研究人员提出了多种逼近贝叶斯分布的方法，比如dropout、变分分布等，这些方法大多计算量非常大。而线性滤波器方法难以处理动态测量系统中最为常见的非线性系统问题。
[0004]近年来，神经网络展现了在建模计算方面的强大映射能力，可以用来建模逼近任何线性以及非线性系统，但其可信赖程度依然值得考究。现有的神经网络不确定度评定方式主要有网络集成方法、贝叶斯方法、测试时间数据增强法、单一确定性方法等。本专利技术将神经网络强大的建模能力和量化不确定度能力应用到动态测量系统中，补充了动态测量系统不确定度利用神经网络建模的空缺。

技术实现思路

[0005]本专利技术旨在补充利用时序神经网络方法对动态测量系统不确定度建模量化的空缺。
[0006]本专利技术解决其技术问题是通过以下方法解决的：
[0007]基于时序神经网络的动态测量系统不确定度的评定方法，包括以下步骤：
[0008]步骤S1，样本数据采集，基于已知的动态测量系统模型参数和建模过程，将动态测量系统的输入数据、输出数据作为训练数据；
[0009]步骤S2，数据处理，对训练数据进行预处理，调整每组输入和对应的输出数据为相同的维度和大小，对长序列输入信号进行时间维度切片重构；
[0010]步骤S3，神经网络建模；
[0011]在单个网络中构建两个独立的前馈神经网络结构，其中一个前馈神经网络结构为可处理时序信息的神经网络，用来输出估计值均值x
n
；另一个前馈神经网络为线性前馈神经网络，用来输出估计值方差σ2；
[0012]步骤S4，损失函数计算及网络训练；
[0013]采用MSE损失函数，计算神经网络输出x
n
与真值x
t
的loss，将误差反向传递，利用随机梯度下降法进行优化逼近，通过最大化估计均值的后验分布训练单个网络；
[0014]步骤S5：神经网络集成；
[0015]将测试数据输入训练好的集成网络，分别量化数据不确定度和模型不确定度。
[0016]本专利技术提供的优选技术方案是：
[0017]所述的步骤S1具体为，批量采集M组动态时间相关信号X1、X2、X3...X
M
，每组时间相关的动态信号的频率相同，峰值不同，峰值出现的时间不同，作为动态测量系统的输入信号x
t
(t＝1,2,...N)是时间t的函数，时序长度为N；
[0018]在输入信号下，动态测量系统生成M组对应的系统输出信号Y1、Y2、Y3...Y
M
，每组输出信号为y
t
(t＝1,2,..,.N)；每个时间t的输出y
t
都服从正态分布，概率密度函数为η
t
(t＝1,2,...,N)，整个时间序列的联合概率密度函数编码为则动态测量系统输出序列的概率密度函数为：
[0019][0020]匹配每组输入和输出信号作为样本数据集，其中K(K<M)组作为训练数据，其余作为测试数据；
[0021]本专利技术提供的另外的优选技术方案是：其中，
[0022]步骤S3中，利用可处理时序信息的神经网络对步骤S1的动态测量系统的反测量过程进行建模，动态测量系统的输出信号y
t
作为神经网络的输入信号y
n
(n＝1,2,...,N)，神经网络输出x
n
(n＝1,2,...,N)作为反测量动态测量系统的输入估计值，步骤S1动态测量系统的输入信号x
t
作为神经网络的输出真值。
[0023]本专利技术提供的进一步的优选技术方案是：其中，
[0024]所述的步骤S4具体为：
[0025]由于动态测量系统每个时间t的输出y
t
都服从正态分布，概率密度函数为η
t
(t＝0,1,2,...,N)，整个时间序列的联合概率密度函数编码为则动态测量系统输出的概率密度函数
[0026][0027]作为神经网络的数据先验分布P(y
n
)；
[0028](1)利用MSE函数计算x
n
和x
t
的损失loss1；
[0029](2)根据贝叶斯定理，输入输出服从正态分布，且输入y
n
和θ都为变量，步骤S1的概率密度函数P(Y|X)作为神经网络输入y
n
的已知数据先验分布，采用为y
n
附加高斯噪声的方案代替P(Y|X)；
[0030]神经网络建模为：
[0031]P(x
t
|y
n
,θ)＝N(x
t
；x
n
,σ2)
ꢀꢀꢀ
(2)
[0032]目的是得到真值x
t
的估计均值x
n
和方差σ2。最大化后验预测分布的似然函数：
[0033][0034]其中N为时间序列长度，取似然函数的自然对数的负值作为loss2：
[0035][0036]最后的总loss为：
[0037]loss＝loss1+loss2
ꢀꢀꢀ
(5)
[0038]对样本进行1000次训练或目标函数梯度不再下降则停止训练。
[0039]本专利技术提供的最优选技术方案是：其中，
[0040]所述的步骤S5具体为：
[0041]输入测试数据，对步骤S5的每一个网络的输出进行保存并求样本均值和方差s2：
[0042][0043]模型不确定度为总体方差：
[0044][0045]根据GUM以置信区间方法表示集成方法的模型不确定度，模型的不确定性主要是由模型的体系结构、训练过程和训练数据中代表本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于时序神经网络的动态测量系统不确定度的评定方法，其特征在于，包括以下步骤：步骤S1，样本数据采集，基于已知的动态测量系统模型参数和建模过程，将动态测量系统的输入数据、输出数据作为训练数据；步骤S2，数据处理，对训练数据进行预处理，调整每组输入和对应的输出数据为相同的维度和大小，对长序列输入信号进行时间维度切片重构；步骤S3，神经网络建模；在单个网络中构建两个独立的前馈神经网络结构，其中一个前馈神经网络结构为可处理时序信息的神经网络，用来输出估计值均值x
n
；另一个前馈神经网络为线性前馈神经网络，用来输出估计值方差σ2；步骤S4，损失函数计算及网络训练；采用MSE损失函数，计算神经网络输出x
n
与真值x
t
的loss，将误差反向传递，利用随机梯度下降法进行优化逼近，通过最大化估计均值的后验分布训练单个网络；步骤S5，网络集成；将测试数据输入训练好的集成网络，分别量化数据不确定度和模型不确定度。2.根据权利要求1所述的一种基于神经网络的动态测量系统不确定度的评定方法，其特征在于，所述的步骤S1具体为，批量采集M组动态时间相关信号X1、X2、X3...X
M
，每组时间相关的动态信号的频率相同，峰值不同，峰值出现的时间不同，作为动态测量系统的输入信号x
t
(t＝1,2,...N)是时间t的函数，时序长度为N；在输入信号下，动态测量系统生成M组对应的系统输出信号Y1、Y2、Y3...Y
M
，每组输出信号为y
t
(t＝1,2,..,.N)；每个时间t的输出y
t
都服从正态分布，概率密度函数为η
t
(t＝1,2,...,N)，整个时间序列的联合概率密度函数编码为则动态测量系统输出序列的概率密度函数为：匹配每组输入和输出信号作为样本数据集，其中K(K<M)组作为训练数据，其余作为测试数据。3.根据权利要求1所述的一种基于神经网络的动态测量系统不确定度的评定方法，其特征在于，步骤S3中，利用可处理时序信息的神经网络对步骤S1的动态测量系统的反测量过程进行建模，动态测量系统的输出信号y
t
作为神经网络的输入信号y
n
(n＝1,2,...,N)，神经网络输出x
n
(n＝1,2,...,N)作为反测量动态测量系统的输入估计值，步骤S1动态测量系统的输入信号x
t
作为神经网络的输出真值。4.根据权利要求1所述的一种基于神经网络的动态测量系统不确定度的评定方法，其特征在于，所述的步骤S4具体为：由于动态测量系统每个时间t的输出...

【专利技术属性】
技术研发人员：夏豪杰，陈文浩，宋仁成，潘成亮，张进，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：