基于深度神经网络的复杂网络型系统签名指标评估方法技术方案

本发明专利技术公开了一种基于深度神经网络（DNN）的复杂网络型系统签名指标评估方法，包括：1、选取网络节点度序列和链路数作为系统结构特征的变量；2、基于仿真方法生成若干网络结构，提取各网络节点度序列和链路数，采用计算各网络签名向量，获得样本数据集；3、构建输入变量为网络节点度序列和链路数、输出变量为网络签名向量的DNN；4、基于训练集数据，使用Adam算法和贝叶斯优化算法开展DNN训练；5、基于测试集数据评估DNN精度。本发明专利技术只需要输入部分系统结构特征变量就可以进行签名评估，解决了当系统结构信息不足时，传统方法无法计算大型复杂系统签名指标的问题，具有原创性强、评估效率高以及适用性广的特点和优势。高以及适用性广的特点和优势。高以及适用性广的特点和优势。

【技术实现步骤摘要】
基于深度神经网络的复杂网络型系统签名指标评估方法


[0001]本专利技术属于系统可靠性理论与工程领域，具体涉及一种基于深度神经网络的复杂网络型系统签名指标评估方法。

技术介绍

[0002]系统签名（System Signature）是近年来在系统可靠性理论和工程中的重要概念和工具，在系统可靠性分析中扮演着重要角色。系统签名是系统结构和可靠性的概率化度量，相对于传统的结构函数、可靠性多项式等度量，签名能够提供更简洁和直观的系统结构与可靠性信息。同时，签名还能够建立n中取k系统到一般系统的纽带，为分析复杂系统可靠性提供了重要方法。在工程实际中，基于签名指标的系统优化设计也是系统优化设计的主要方法。
[0003]然而，随着系统的规模越来越大，传统的签名计算方法在系统结构复杂或者元件数目较多的情形下计算效率很低，甚至无法计算，导致签名的应用范围受限。传统的签名计算方法如群举法、Boland算法（R软件包已集成）等，一般用于结构简单或者规模较小的系统，在系统结构复杂且元件数目较多的情形下不适用。对于大型系统，常用的方法是蒙特卡洛仿真近似方法。然而本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度神经网络的复杂网络型系统签名指标评估方法，其特征在于，按如下步骤，训练获得DNN，将其应用于目标网络系统签名指标的评估；步骤1：基于仿真方法生成若干全连通网络结构，提取各网络节点度序列和链路数，采用蒙特卡洛算法计算各网络签名向量，获得样本数据集；步骤2：构建输入变量为网络节点度序列和链路数、输出变量为网络签名向量的DNN，包括一个输入层、若干隐藏层和一个输出层依次串联，采用Sigmoid函数作为输入层与隐藏层、各隐藏层之间神经元的激活函数，采用Softmax函数作为隐藏层与输出层之间神经元的激活函数；步骤3：将步骤1中获得的样本数据集划分为训练集和测试集，基于训练集对DNN进行训练，其中，采用均方根误差RMSE作为损失函数；采用Adam优化算法对神经元连接权重进行优化；设置模型超参数域空间采用贝叶斯优化算法对模型超参数进行确定；步骤4：基于测试集数据评估DNN精度，若模型不满足预设精度，返回步骤3，更新超参数域空间，重新训练模型；若模型满足预设精度，则获得最终的DNN。2.根据权利要求1所述基于深度神经网络的复杂网络型系统签名指标评估方法，其特征在于，步骤1具体包括：基于仿真生成节点数目为，链路数为到的若干全连通网络作为样本网络，并获取各个网络的节点度序列和链路数；通过蒙特卡洛仿真算法计算各个网络的签名向量。3.根据权利要求1所述基于深度神经网络的复杂网络型系统签名指标评估方法，其特征在于，步骤2具体包括如下步骤：步骤2.1：对于个节点的网络，设置D...

【专利技术属性】
技术研发人员：达高峰，何珍文，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：