[发明专利]一种基于神经网络的复杂仿真模型验证方法

摘要

一种基于神经网络的复杂仿真模型验证方法，本发明涉及复杂仿真模型验证方法。本发明的目的是为了解决现有传统验证方法对于大数据集的处理效率低，复杂仿真模型的验证指标众多，数据量大以及分析评估人员的工作量大的问题。一：建立数据样本集；二：获得客观相似性分析结果；三：获得基于规则与知识的相似性评估等级；四：构成训练样本集；五：训练样本集归一化处理；六：对BP神经网络进行训练，得到训练好的BP神经网络；七：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要求，则重新对BP神经网络的拓扑结构进行设计，重新执行六，直到测试结果准确率达到分析准确率的要求为止。本发明用于计算机仿真模型验证与可信度评估领域。

主权项

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。