[发明专利]飞行着陆引导系统可靠性定量分析模型建立方法

摘要

本发明涉及一种飞行着陆引导系统可靠性定量分析模型建立方法，首先针对同一个备选模型产生若干个变异模型，然后利用Boosting算法在失效数据集上对这些变异模型分别进行训练并动态赋予权重值，最终获得一个由多个变异模型组成的线性组合软件可靠性增长模型，该模型可针对飞行着陆引导系统软件的失效数据集进行训练学习，充分挖掘失效数据集中蕴含的飞行着陆引导系统软件失效机理，从而有效改进单个备选可靠性定量分析模型对可靠性参数的拟合性能以及预计性能，而不需要增加任何其它因素及假设。本发明提出可显著提升飞行着陆引导系统软件可靠性定量分析工作的效率和质量。

主权项

1.一种飞行着陆引导系统可靠性定量分析模型建立方法，其特征在于，它包括如下步骤：步骤101：准备n个飞行着陆引导系统软件初始失效数据序列D0：(t1,m1)...(ti,mi)...(tn,mn)；然后，选择已经存在的飞行着陆引导系统软件可靠性模型，作为Boosting算法中的弱学习器模型；设定Boosting算法中的学习训练次数T；步骤102：设定每个失效数据(ti,mi)的初始权重为K(i)＝1/n；然后设定初始机器学习的循环次数t＝1；步骤103：当t≤T时，t表示机器学习的循环次数，T表示Boosting算法中的学习训练次数，进行如下循环训练学习：针对选定的Boosting算法中的弱学习器模型，在Boosting算法的弱学习器模型M中，分别增加T1个不同的机器学习常数参数，T1等于Boosting算法中的学习训练次数T，从而共获得T1个新的Boosting算法弱学习器模型，将该T1个新的Boosting算法弱学习器模型记为M_j，j＝1,…,T1；将T1个新的Boosting算法弱学习器模型，以线性组合的方式组成Boosting算法中的强学习器模型M_ASCM，即其中，W_j表示第M_j个变异模型的权重值；在第t轮机器学习循环过程中，依据失效数据(ti,mi)的权重值Kt(i)，对飞行着陆引导系统软件初始失效数据序列D0进行随机抽样，从而产生第t次循环过程中的训练失效数据序列Dt；对于训练失效数据序列D_t的每个失效数据，计算每个失效数据的损失函数L_t(i)，并依据式计算训练失效数据序列的平均损失L_t’；同时，依据式β_t＝L_t’/(1‑L_t’)，计算训练失效数据序列在第t次循环过程中的权重更新系数β_t；同时，在每一次循环训练学习过程中，更新训练失效数据(t_i,m_i)，i＝1,…,n的权重为K_t+1(i)＝K_t(i)/β_t，其中K_t(i)表示第t次机器学习循环过程中，训练失效数据(t_i,m_i)的权重值；依据训练失效数据集D_t，借助最大似然估计法，对每个新的Boosting算法弱学习器模型M_j的参数值进行估计，获得第t次机器学习循环过程中，新的Boosting算法弱学习器模型M_j，记为j＝1,…,T1，第t次机器学习的循环过程中，获得相应的强学习器模型其中，W_j(t)表示第t次机器学习的循环过程中，第M_j个新的Boosting算法弱学习器模型的权重值，从而在每次机器学习的循环过程中，均可以获得不同的强学习器模型M_ASCM(t)，完成上述操作后，结束当前循环训练学习，开始下一次循环训练学习，即重新执行步骤103；步骤104：在每次机器学习循环后，循环次数t的取值都会自动加1，因此，当循环次数t的取值等于T时，停止步骤103中的循环训练学习过程，输出最后一次循环过程中的强学习器模型，即可获得基于Boosting算法的飞行着陆引导系统可靠性定量分析模型。