一种基于序贯多层融合的复杂系统成功率评估法技术方案

本发明专利技术公开了一种基于序贯多层融合的复杂系统成功率评估法，包括如下步骤：根据先验信息给出复杂系统成功率所服从的先验分布密度函数，所述的先验信息包括数字仿真数据、半实物仿真数据和外场静态实验数据；引入继承因子和更新因子，当获取先验信息的条件与现场实验条件不一致时，将获取的先验信息进行折合修正，使得折合后的信息和现场实验信息近似服从同一总体，即将不同环境、不同实验条件的实验信息折合到标准实验状态下的实验信息，得到修正后的先验分布；基于序贯多层的Bayes融合，得到成功率的后验分布；通过损失函数和风险函数，在风险最小准则下得到成功率给出Bayes点估计。Bayes点估计。Bayes点估计。

【技术实现步骤摘要】
一种基于序贯多层融合的复杂系统成功率评估法


[0001]本专利技术涉及复杂系统数据融合估计领域，具体是一种基于序贯多层融合的复杂系统成功率评估法。

技术介绍

[0002]对复杂系统成功率评估的过程中，由于系统设备造价昂贵，真实实验成本高昂，系统在定型阶段无法做大量真实实验，小样本实验使得常用于评估系统性能的专家打分法和传统实验统计法无法满足鉴定要求。近年来，随着信息技术和计算机技术的发展，人们利用仿真技术设计了各类替代型实验，结合小样本理论，对复杂系统成功率进行综合评估。目前，在复杂系统成功率的评估中，一般需要进行四种实验：数字仿真、半实物仿真、外场静态实验、真实实验。实验条件越来越接近真实，实验数据逼真度越来越高，但受限于成本等条件，所能进行的实验次数越来越少。
[0003]采用多来源实验信息综合评估复杂系统成功率会带来两个主要问题：异总体、小样本。事实上，由于各种客观因素，如实验条件的不一致性、仿真参数设置的差异等，都使得各类实验数据不同程度上偏离同一总体。此外，由于各种实验手段的成本具有很大的差异，因此它们的实验次数也大不相同，甚至相差几个数量级，在这种情况下，若将各种实验数据进行简单混合，即认为完全来自同一总体，就很可能存在大样本“淹没”小样本现象，从而导致最终结果的不可靠性。因此，在对复杂系统成功率进行评估时，不能直接混合来自不同信息源的实验信息。
[0004]针对以上问题，我们提出了基于序贯多层融合的复杂系统成功率评估方法。该方法的核心思想是引入继承因子和更新因子，当三种仿真实验条件与真实实验条件有差异时，将获取的仿真实验信息进行折合修正，使得折合后的信息和真实实验信息近似服从同一总体，即将不同环境、不同实验条件的实验信息折合到同一实验状态下，减少异总体性对复杂系统成功率评估结果的影响。同时，针对四种实验逼真度逐步升高，而样本数逐渐减少的特点，采用按步骤分阶段的多层融合方法，更加有效的利用先验信息，获得更加精确的估计值。基于序贯多层融合的复杂系统成功率评估法可有效解决实验方式多、实验次数少的矛盾，并在很大程度上避免主观性，使评估结果更为客观，同时它也可以在一定程度上解决大样本“淹没”小样本问题，更能反映系统的真实性能。

技术实现思路

[0005]本专利技术的目的在于克服现有技术的不足，提供一种基于序贯多层融合的复杂系统成功率评估法，包括如下步骤：步骤一，先验分布的估计；根据先验信息给出复杂系统成功率所服从的先验分布密度函数，所述的先验信息包括数字仿真数据、半实物仿真数据和外场静态实验数据；步骤二，先验分布的修正；引入继承因子和更新因子，当获取先验信息的条件与现场实验条件不一致时，将获取的先验信息进行折合修正，使得折合后的信息和现场实验信
息近似服从同一总体，即将不同环境、不同实验条件的实验信息折合到标准实验状态下的实验信息，得到修正后的先验分布；步骤三，基于序贯多层的Bayes融合，得到各层下的复杂系统成功率的先验分布，与逼真度较高的真实实验数据相结合，得到成功率的后验分布；步骤四，通过损失函数和风险函数，在风险最小准则下得到成功率给出Bayes点估计。
[0006]进一步的，所述的先验分布的估计包括如下过程：假定成功率为, 则其失败的概率为,先验信息对应的先验分布为，次重复试验中的成功次数服从以为参数的二项分布：成功率的共轭先验分布为分布，即：其中，为超参数，设表示每种实验的实验次数为，其中失败次，则超参数计算公式如下：次，则超参数计算公式如下：次，则超参数计算公式如下：。
[0007]进一步的，所述的先验分布的修正，包括如下过程：先验分布为，引入继承因子，得到修正后的先验分布， 每一种先验子样引入相应的继承因子，为更新因子，得到修正后的先验分布：假设先验子样来自总体,其中为试验数, 为成功数, 为失败数；现场子样来自总体,其中为试验数, 为成功数, 为失败数；作统计假设：和有相同的总体；令
由上式定义的是一个 皮尔逊统计量，它依分布收敛到自由度为1的分布，给定显著水平,得到：对的一个修正：令为该检验的拟合优度，其中为分布密度函数；和之间具有函数关系：对于函数，一定存在一个多项式列，使得。
[0008]进一步的，所述的基于序贯多层的Bayes融合，包括如下步骤：第一层：确定第一个阶段的超参数，得如下共轭先验分布，，计算继承因子，得出修正后的：，利用Bayes公式，并结合当前现场实验信息即半实物仿真实验数据得到成功率的后验分布：
其中其中其中，为半实物仿真实验的实验次数，为半实物仿真实验的失败次数；计算继承因子，得出修正后的：第二层：将第一层计算得到的后验分布作为第二层中的先验分布，并结合离散处理后的外场静态实验数据,利用Bayes公式同理得到成功率的后验分布：的后验分布：故
其中其中其中计算继承因子，得出修正后的：第三层：最后与真实实验数据相结合，得到成功率的后验分布：的后验分布：因此其中
。
[0009]进一步的，所述的通过损失函数和风险函数，在风险最小准则下得到成功率给出Bayes点估计，包括如下过程：采用平方损失函数对成功率进行Bayes点估计，风险函数即损失函数的统计平均，即表示用估计时引起的平均损失；在风险最小准则下对成功率给出Bayes点估计，由于是的函数，而参数还是一个随机变量，它有先验分布，于是的损失应由来衡量，将上述积分记为， 为Bayes解，即由于由于所以。
[0010]本专利技术的有益效果是：引入继承因子和更新因子将实验数据的来源条件统一；对先验信息进行了折合修正，降低了异总体性对评估的影响；提出了序贯分层Bayes融合的融合方式，更加有效的利用先验信息，提高了估计的稳健性与准确度；避免了真实小样本实验成功率的大波动性对估计值造成的不稳定性，更好地反映了系统的真实性能。
附图说明
[0011]图1为一种基于序贯多层融合的复杂系统成功率评估法的流程示意图；图2为基于序贯多层融合的复杂系统成功率评估模型；图3为基于序贯多层的Bayes融合示意图；图4为蒙特卡洛仿真试验。
具体实施方式
[0012]下面结合附图进一步详细描述本专利技术的技术方案，但本专利技术的保护范围不局限于以下所述。
[0013]为了使本专利技术的目的，技术方案及优点更加清楚明白，结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术，即所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。
[0014]因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于序贯多层融合的复杂系统成功率评估法，其特征在于，包括如下步骤：步骤一，先验分布的估计；根据先验信息给出复杂系统成功率所服从的先验分布密度函数，所述的先验信息包括数字仿真数据、半实物仿真数据和外场静态实验数据；步骤二，先验分布的修正；引入继承因子和更新因子，当获取先验信息的条件与现场实验条件不一致时，将获取的先验信息进行折合修正，使得折合后的信息和现场实验信息近似服从同一总体，即将不同环境、不同实验条件的实验信息折合到标准实验状态下的实验信息，得到修正后的先验分布；步骤三，基于序贯多层的Bayes融合，得到各层下的复杂系统成功率的先验分布，与逼真度较高的真实实验数据相结合，得到成功率的后验分布；步骤四，通过损失函数和风险函数，在风险最小准则下得到成功率给出Bayes点估计。2.根据权利要求1所述的一种基于序贯多层融合的复杂系统成功率评估法，其特征在于，所述的先验分布的估计包括如下过程：假定成功率为, 则其失败的概率为,先验信息对应的先验分布为，次重复试验中的成功次数服从以为参数的二项分布：成功率的共轭先验分布为分布，即：其中，为超参数，设表示每种实验的实验次数为，其中失败次，则超参数计算公式如下：次，则超参数计算公式如下：次，则超参数计算公式如下：。3.根据权利要求2所述的一种基于序贯多层融合的复杂系统成功率评估法，其特征在于，所述的先验分布的修正，包括如下过程：先验分布为，引入继承因子，得到修正后的先验分布， 每一种先验子样引入相应的继承因子，为更新因子，得到修正后的先验分布：假设先验子样来自总体,其中为试验数, 为成功数, 为失败
数；现场子样来自总体,其中为试验数, 为成...

【专利技术属性】
技术研发人员：杨杉，李宝林，任芮彬，邓科，
申请(专利权)人：成都信息工程大学，
类型：发明
国别省市：