CN103246762A - 一种电力推进***仿真可信度的综合评估方法 - Google Patents

Abstract

本发明涉及的是电力推进***和仿真评估领域，特别是涉及一种电力推进***仿真可信度的综合评估方法。本发明包括：将电力推进***分解为子***；对仿真***各准则下的子***进行分解，直至最小单元；获取指标以及子***相对于上一层节点的权重；获取子***的指标的可信度；得到子***的可信度；得到整个电力推进***仿真的可信度综合评估结果。本发明能够增强所建立仿真***输出结果的正确性，降低开发和应用仿真***所带来的风险；有效帮助了开发人员及时发现仿真***在设计过程中的不足，并进行相应修正；能够有效缩短仿真***的开发周期、降低开发成本，能够有效预防仿真***实际应用时的重大事故发生。

Description

一种电力推进***仿真可信度的综合评估方法

技术领域

本发明涉及的是电力推进***和仿真评估领域，特别是涉及一种电力推进***仿真可信度的综合评估方法。

背景技术

近年来，仿真技术作为最先进的科学技术，以其经济性好、安全性高和操作性强等优点，被广泛应用于各个研究领域，同时也带来了巨大的经济效益。仿真技术也被称之为除了理论研究与实物分析之外的又一种解剖现实世界的新方法，成为正确认识客观世界的又一技术手段。因此，采用仿真技术对实际***进行研究，不但可以有效降低科研成本、缩短研发周期，还能够加快改善实际***性能的步伐。

尽管仿真技术的应用有较多优越性，但也存在一定的风险。仿真技术是以相似理论为基础，对真实事物或虚拟事物进行构造和试验分析的。因此所建立的仿真***也不可能完全模拟真实事物本身。仿真***是否具有真实可信度、所得的仿真输出结果能否可用，与***开发全研发周期中依据仿真输出结果所展开的一系列实施步骤密切相关。因此，对实际***的仿真进行可信度评估是必要而迫切的。

通过对仿真***进行可信度分析，不但可以使所建立的仿真***与仿真输出结果的正确性得到增强，降低应用和开发仿真***所带来的一系列风险，而且还能够帮助开发人员发现仿真***在设计过程中存在的不足，并及时进行修正。通过对实际***的仿真进行可信度评估，不仅可以有效缩短仿真***的开发周期、降低***开发成本，还能够较好的预防重大事故发生。也就是说，只有保证了仿真***和仿真输出结果满足一定范围的可信度，对实际***所进行的一系列仿真活动才具有实际的意义和价值、所得的仿真***和仿真输出结果才具有可用性。

目前，国内外都没有关于电力推进***可信度评估方面的专利，与之最接近的是可信性分析。国外仅有几项关于实际设备的可信性分析的专利，均是采用对设备参数测试分析的方式进行可信性预测；而本发明则是针对仿真***进行可信度分析。国内仅有一项可信性评测的专利，即基于事件注入的计算机网络可信性评测装置，它是一种基于事件注入的计算机网络可信性评测装置，它的可信性评测是依靠造成目标***故障的事件模型库、目标***服务能力下降的事件模型库、***脆弱点库，通过***软件集测试数据加密存储、数据分析和输出功能，为目标计算机网络的可信性测评提供数据。而本发明则是采用层次分析和BP神经网络对仿真结果的每项指标可信度进行综合，得出的可信度分析结果，两者完全不同。

发明内容

本发明的目的在于提供一种电力推进***仿真可信度的综合评估方法。

本发明的目的是这样实现的：

本发明包括如下步骤：

（1）按照***级到单元级的顺序，将电力推进***分解为子***；

（2）自顶向下、逐层对仿真***各准则下的子***进行分解，直至最小单元；

（3）获取指标以及子***相对于上一层节点的权重；

（4）获取子***的指标的可信度；

（5）根据指标的可信度和权重得到子***的可信度；

（6）由子***逐层向上，综合子***的权重得到整个电力推进***仿真的可信度综合评估结果。

获取指标以及子***相对于上一层节点的权重的步骤包括：

（1）设置初始参数ω和θ，其中ω为初始权重．θ为临界值；

（2）将需要计算权重子***的实测数据样本加入BP神经网络，获取输出值y_j：

其中x_i为该节点的输入，i=1…m；ω_ij为从i到j的联接权，i=1…m,j=1…n，初始权重随机设为[0,1]；θ_j为临界值；

（3）按已知输出数据与输出值之差d_j-y_j调整权系数ω，调整量为：□ω_ij=ηδ_jx_j，其中η为比例系数，即学习率，范围为[0.01-0.1]，连续提高η值，直到达到设定的训练速度为止；x_j为隐节点的网络输入、输出节点为隐节点的输出，j=1…n；d_j为已知的输出数据；δ_j是一个与输出偏差相关的值，对于输出节点：δ_j=η_j(1-y_j)(d_j-y_j)对于隐层节点：各层神经元的权值调整后为：ω_ij(t)=ω_ij(t-1)+□ω_ij，其中t为学习次数；

（4）进行迭代，调整所有ω值，直到输出误差小于设定允许值，完成BP神经网络训练；

（5）对各神经元之间的权重进行分析处理，其中相关显著性系数

$r_{\mathrm{ij}}=\underset{k=1}{\overset{P}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{ki}}(1-e^{-{\mathrm{\ω}}_{\mathrm{jk}}})/(1+e^{-{\mathrm{\ω}}_{\mathrm{jk}}})$

相关指数

$R_{\mathrm{ij}}=|(1-e^{-r_{\mathrm{ij}}})/(1+e^{-r_{\mathrm{ij}}})|$

绝对影响系数

$S_{\mathrm{ij}}=R_{\mathrm{ij}}/\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{R}_{\mathrm{ij}}$

其中，i为神经网络输入单元，i=1…m；j为神经网络输出单元，j=1…n；k为神经网络的隐含单元，k=1…P；ω_ki为输入层神经元i和隐含层神经元k之间的权系数；ω_jk为输出层神经元j和隐含层神经元k之同的权系数；

（6）求绝对影响系数S_ij，即为所求子***中下一层节点相对于上一层节点的客观权重；

（7）将客观的指标权重转换成指标权重比值；

（8）提取子***的主观指标权重比值；

（9）对客观指标权重比值和主观指标权重比值求期望，获取综合权重比值；

（10）将综合权重比值排列成判断矩阵，其中C_ij为i指标相对于j指标的综合权重比值：

$\left[\begin{array}{ccccc}{C}_{11}& C_{12}& ......& C_{1(n-1)}& C_{1n}\\ C_{21}& C_{22}& ......& C_{2(n-1)}& C_{2n}\\ ......& ......& ......& ......& ......\\ C_{(n-1)1}& C_{(n-1)2}& ......& C_{(n-1)(n-1)}& C_{(n-1)n}\\ C_{n1}& C_{n2}& ......& C_{n(n-1)}& C_{\mathrm{nn}}\end{array}\right]$

（11）根据平均随机一致性指标RI值获取判断矩阵的一致性指标CI：其中λ_max为最大特征值，n为判断矩阵的阶数；随机一致性比率：如果满足一致性则执行步骤13，如果不满足一致性则返回步骤10重新排列，其中RI满足：

（12）计算每个指标的综合权重：

对构造的判断矩阵A做列归一化处理：

${\stackrel{\‾}{a}}_{\mathrm{ij}}=\frac{a_{\mathrm{ij}}}{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{a}_{\mathrm{ij}}},i,j=\mathrm{1,2},...,n;$

求取列归一化后的判断矩阵的各行元素之和：

$W_i=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\stackrel{\‾}{a}}_{\mathrm{ij}},i=\mathrm{1,2},...,n;$

对W_i进行归一化处理：

$W_i=\frac{{\stackrel{\‾}{W}}_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\stackrel{\‾}{W}}_j}i=\mathrm{1,2},\·\·\·,n,$ W_i即为每一个指标的权重值。

本发明方法的有益效果在于：

本发明能够增强所建立仿真***输出结果的正确性，降低开发和应用仿真***所带来的风险；有效帮助了开发人员及时发现仿真***在设计过程中的不足，并进行相应修正；能够有效缩短仿真***的开发周期、降低开发成本，能够有效预防仿真***实际应用时的重大事故发生。

附图说明

图1是随机误差的正态分布图；

图2是中压电力推进***仿真的评价指标体系示意图。

具体实施方式

下面结合附图对本发明作进一步描述：

结合图2，以中压电力推进***仿真可信度综合评估框图为例，仿真***的可信度综合评估过程分为以下几个方面：

采用VV&A（校核、验证与确认）技术作为仿真***可信度评估原则，确保整个仿真***可信度综合评估过程都是以VV&A技术为基础完成的；根据电力推进***本身的特点，按照***级到单元级的顺序，将复杂***分解为若干个子***后再进行分析；针对仿真***的用户需求和影响***仿真可信度的因素，并通过电力推进领域的相关专家意见，依据电力推进***仿真的建立过程为评价准则，自顶向下、逐层对仿真***各准则下的子***进行分解，直至最小单元；采用多个BP神经网络对实际测量数据进行学习和训练得到各个指标或子***之间的多组客观权重；采用FDAHP（模糊动态层次分析法）对多组客观权重进行分析计算，得到评价指标体系的最终权重；针对影响仿真***指标的每个可信度因素，根据其输入数据的形式和采集数据的方式，选择不同的定性分析和定量分析方法进行可信度评估。将各指标的评估结果与权重综合起来，由下而上，层层计算，最终得到整个仿真***的可信度评估结果，形成电力推进***仿真可信度综合评估报告。

一、在权重计算中所用的两种主要算法为BP神经网络和AH，具体计算方法如下

1、设置初始参数ω和θ，ω为初始权重．θ为临界值，均随机设为较小的数。

2、将需要计算权重子***的多组实测数据样本加到网络上，利用下式算出它们的输出值y_j

$y_j={[1+e^{-(\underset{i}{\mathrm{\Σ}}{\mathrm{\ω}}_{\mathrm{ij}}{x}_i-{\mathrm{\θ}}_j)}]}^{-1}---\left(1\right)$

式中：x_i为该节点的输入(i=1…m)；ω_ij为从i到j的联接权(i=1…m,j=1…n)，初始权重随机设为[0,1]较小的数；θ_j为临界值；y_j为实际算出的输出数据。

3、按已知输出数据与上面算出的输出数据之差(d_j-y_j)调整权系数ω，调整量为：

ω_ij=ηδ_jx_j                                                  （2）

式中：η为比例系数，即学习率，在计算中设置为一较小的数[0,1]，在网络训练中以不引起振荡和能保证较好的精度为前提，逐步提高η值，直到认为达到满意的训练速度为止；x_j为在隐节点为网络输入，在输出节点则为下层(隐)节点的输出(j=1…n)；d_j为已知的输出数据(学习样本称训练数据)；δ_j是一个与输出偏差相关的值，对于输出节点来说有：

δ_j=η_j(1-y_j)(d_j-y_j)                                          （3）

对于隐层节点来说，由于它的输出无法进行比较．所以经过反向推算有：

${\mathrm{\δ}}_j=x_j(1-x_j)\underset{i}{\mathrm{\Σ}}{\mathrm{\δ}}_k{\mathrm{\ω}}_{\mathrm{jk}}---\left(4\right)$

其中k指要把上层(输出层)节点取遍，误差δ_j是从输出层反向逐层计算的。

各层神经元的权值调整后为：

ω_ij(t)=ω_ij(t-1)+□ω_ij                                       （5）

式中：t为学习次数。

4、使用这个算法进行迭代，每一轮将各ω值调整一遍．这样一直迭代下去，直到输出误差小于设定允许值，完成该BP神经网络训练。

5、对各神经元之间的权重加以分析处理，为此利用以下几项指标来描述输入因素和输出因素之间的关系。

①相关显著性系数

$r_{\mathrm{ij}}=\underset{k=1}{\overset{P}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{ki}}(1-e^{-{\mathrm{\ω}}_{\mathrm{jk}}})/(1+e^{-{\mathrm{\ω}}_{\mathrm{jk}}})---\left(6\right)$

②相关指数

$R_{\mathrm{ij}}=|(1-e^{-r_{\mathrm{ij}}})/(1+e^{-r_{\mathrm{ij}}})|---\left(7\right)$

③绝对影响系数

$S_{\mathrm{ij}}=R_{\mathrm{ij}}/\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{R}_{\mathrm{ij}}---\left(8\right)$

上述公式中：

i为神经网络输入单元，i=1…m；j为神经网络输出单元，j=1…n；k为神经网络的隐含单元，k=1…P；ω_ki为输入层神经元i和隐含层神经元k之间的权系数；ω_jk为输出层神经元j和隐含层神经元k之同的权系数。

6、通过上面三个相关系数求出的绝对影响系数S_ij，即为所求子***中下一层节点相对于上一层节点的客观权重。

7、通过改变BP神经网络和隐含节点的方式得到多组子***客观权重。

8、将客观的指标权重转换成指标权重比值；

9、通过咨询专家，得到该子***的主观指标权重比值；

10、对客观指标权重比值和主观的指标权重比值求期望，获取综合权重比值；

11、将综合权重比值排列成判断矩阵（C_ij为i指标相对于j指标的综合权重比值）：

$\left[\begin{array}{ccccc}{C}_{11}& C_{12}& ......& C_{1(n-1)}& C_{1n}\\ C_{21}& C_{22}& ......& C_{2(n-1)}& C_{2n}\\ ......& ......& ......& ......& ......\\ C_{(n-1)1}& C_{(n-1)2}& ......& C_{(n-1)(n-1)}& C_{(n-1)n}\\ C_{n1}& C_{n2}& ......& C_{n(n-1)}& C_{\mathrm{nn}}\end{array}\right]$

12、根据平均随机一致性指标RI值获取判断矩阵的一致性指标CI：

其中λ_max为最大特征值，n为判断矩阵的阶数；随机一致性比率：

如果满足一致性则执行步骤13，如果不满足一致性则返回步骤11重新排列，其中RI满足：

13、计算每个指标的综合权重：

对所构造的判断矩阵A做列归一化处理：

${\stackrel{\‾}{a}}_{\mathrm{ij}}=\frac{a_{\mathrm{ij}}}{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{a}_{\mathrm{ij}}},i,j=\mathrm{1,2},...,n;$

求取列归一化后的判断矩阵的各行元素之和：

$W_i=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\stackrel{\‾}{a}}_{\mathrm{ij}},i=\mathrm{1,2},\·\·\·,n;$

对W_i进行归一化处理：

$W_i=\frac{{\stackrel{\‾}{W}}_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\stackrel{\‾}{W}}_j},i=\mathrm{1,2}\·\·\·,n,$ W_i即为每一个指标的权重值。

指标可信度评估方法，针对不同的指标和子***数据类型，选取的步骤如下：

（1）对一个***中所有指标的数据类型进行分类；

（2）对于不可以量化、只能模糊给出评价的指标，可以采用模糊综合评判法；

（3）对于输出连续波形图像的数据类型，可以采用倒频谱分析法；

（4）对于可提供数据的指标多，但是单一指标数据少的情况，可以采用相似度分析；

（5）对于可以提供大量重复试验数据的指标，可以采用误差分析法；

（6）对于一些不能准确划分的指标，可以采用两种或多种方法相结合进行可信度评估。

三、在指标评估中所采用的算法为，定量评估采用了相似度法和误差分析法，定性评估采用了模糊综合评判和倒频谱分析，大致计算过程如下：

1、相似度法

为了分析仿真***和所研究的实际***之间的相似单元数目以及相似程度，常采用（15）式来计算二者之间的相似程度。

$q\left(u_i\right)=\frac{y_s-|y_s-y_f|}{y_s}---\left(15\right)$

式中，y_f表示仿真***的输出值，y_s表示与仿真***相对应的实际***输出值。q(u_i)的取值范围为{0，1}。q(u_i)=0表示仿真***与所研究的实际***之间相互独立，没有相似单元。q(u_i)=1表示仿真***与所研究的实际***完全相似。然而在实际生活中，不存在完全相似的两个***。也即q(u_i)的取值只能接近于1，不可能等于1。q(u_i)越小，说明仿真***与所研究的实际***的相似程度越低；反之则越高。

设仿真***A是由k个元素所组成的***，所研究的实际***B是由m个元素所组成的***，***A、B之间具有n个相似元素，构成n个相似元。假设***间的各相似元大小为q(u_i)，且各个相似元相对于***的权重大小为β_i。则仿真***与所研究的实际***之间的相似度大小为：

$Q(A,B)=\frac{n}{k+m-n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\β}}_{i}q\left(u_i\right)---\left(16\right)$

式中，

表示组成***A、B的元素数目以及两***间的相似元数目对***相似度的影响。β_iq(u_i)表示***中的相似元数目和各相似元在***中的权重大小对***的相似度大小产生的影响。

在计算***的相似度大小时，假设所研究的实际***是由许多特征所组成的模糊集合，各个特征的隶属度为1，仿真***与所研究的实际***之间的各个特征都具有相似现象，即k=m=n。

因此，式(14)可简化为：

$Q(A,B)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\β}}_{i}q\left(u_i\right)---\left(17\right)$

对式(15)作等式变换，得：

$1-Q(A,B)=1-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\β}}_{i}q\left(u_i\right)---\left(18\right)$

由于β_i是归一化的，则：

$1-Q(A,B)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\β}}_i[1-q\left(u_i\right)]---\left(19\right)$

式(17)等式右边的式子表示所研究的实际***与仿真***之间的加权海明距离。利用模糊数学领域中的贴近度概念，可知：

$Q(A,B)=1-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\β}}_i[1-q\left(u_i\right)]=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\β}}_{i}q\left(u_i\right)---\left(20\right)$

由式(18)可知，仿真***与所研究的实际***之间的相似度与加权海明距离互补。也就是说，如果两***间的贴近度越小，则二者之间的相似度越大；反之则越小。从某种意义上说，研究***间的相似度大小可以确定被研究***的可信度大小。

2、误差分析法

误差分析法是通过比较仿真***与实际***之间的测量数据，对误差进行数据分析。本文中采用的是±3δ判断法，它能够准确科学的分析误差；±3δ判断法是在相同条件下，仿真***进行多次测量得到的值X₁，X₂……X_n，如果某个测量值X_i与标准平均值的误差U_i满足

|U_i|=|X_i-X|>3δ                                            （21）

则认为测量值X_i含有很大误差，δ是标准误差，是一组随机测量误差，而随机误差的规律又服从于正态分布，如图1所示。

正态分布曲线的计算公式如下：

$y=\frac{1}{\mathrm{\δ}\sqrt{2\mathrm{\π}}}{e}^{-\frac{X^2}{2{\mathrm{\δ}}^2}}---\left(22\right)$

式中，π为圆周率，e为自然对数的底（常数），δ为标准误差，X为测量值，Y为标准值。

Y与X的关系仅与δ有关系，δ值越小，曲线中部越高，曲线越陡，说明测量值越密集，随机误差就小，仿真***可信度就高；δ值越大，曲线越平缓，说明测量值越分散，随机误差就越大，仿真***的可信度就低。

这里可以把x轴以上的图形面积视为100%，在±δ范围内的面积占68.26%，说明在这种条件下，测量100次，大约有68次的检验误差值落在±δ范围内，约有32次的测量值超出±δ范围，仿真***的可信度为68%左右。在±2δ范围内的面积占95.44%，说明在这种条件下，每进行22次测量，大约有1次的测量值超出±2δ范围，仿真***的可信度为95%左右。在±3δ范围内的面积占99.73%，说明每测量370次，约有1次的测量值超出±3δ范围，仿真***的可信度为99%以上。

3、模糊综合评判法

模糊综合评判法是综合考虑影响***可信度的所有因素后，利用模糊评判矩阵的方法，对***进行整体评价，下面以二级模糊综合评判为例：

设因素集为U={U₁,U₂,…，U_m}，依据评价体系的建立准则将因素集中的元素分为t个子集，即U_i={U_i1,U_i2,…，U_it}，其中U_i中有t个元素。

设所建立因素集的评判集为V={V₁,V₂，…，V_n}，其中子因素集U_i的评判集为V_i={V_i1,V_i2,…，V_in}。

对子因素集U_i中的t个元素进行单级模糊综合评判。设其权重向量为A_i=(A_i1,A_i2,…，A_it)，所给的模糊评判矩阵为R_i，则子因素集U_i最终所得的评判结果为：

将上述所得子因素集U_i的评判结果记为U中子集的模糊评判矩阵，即R=B_i。设U中各因素集的权重向量为A=(a₁,a₂,…，a_m)，则最终所得的二级模糊综合评判结果为：

4、倒频谱分析法

倒频谱分析法是“功率谱密度对数的功率谱密度”，即由振动信号进行时域分析和傅立叶变换后转换成频率函数或功率谱密度函数，如果频谱图上呈现出复杂的周期信号难以分辨时，再对周期结构的信号进行一次傅立叶积分变换，使周期结构的信号成谱线形式。第二次傅立叶变换的平方根就是倒功率谱。倒功率谱的开方就是倒频谱。

本文中采用的是复倒频谱，设时间信号x(t)的傅立叶变换为X(f)，则复倒频谱为：

C_e(q)=F^-1|lgX(f)|                                     （25）

接下来，对仿真***的随机信号进行谱分析，将随机信号看成为T→∞的周期信号，那么ω就是无穷小ω→dω，则有：

$x\left(t\right)=\underset{-\∞}{\overset{\∞}{\mathrm{\Σ}}}\frac{\mathrm{d\ω}}{2\mathrm{\π}}{\∫}_{-\∞}^{\∞}x\left(t\right)e^{-\mathrm{j\ωt}}\mathrm{dt}{e}^{\mathrm{j\ωt}}---\left(26\right)$

若设

$A\left(\mathrm{\ω}\right)=\frac{1}{2\mathrm{\π}}{\∫}_{-\∞}^{\∞}x\left(t\right)e^{-\mathrm{j\ωt}}\mathrm{dt}---\left(27\right)$

则将式（25）代入式（24）得

$x\left(t\right)={\∫}_{-\∞}^{\∞}A\left(\mathrm{\ω}\right)e^{\mathrm{j\ωt}}\mathrm{d\ω}---\left(28\right)$

即，傅立叶变换后的随机信号变成了连续频率值的正弦信号之和。

再对实际***的信号进行谱变换，将x(t)表示为以频率为横坐标，以振幅为纵坐标，即为功率谱图，每个分量距离为f，即为谐波，各次谐波的能量为功率谱。进行傅立叶变换，对于一个振动信号当以x(t)经截断采样后，得到一个离散度信号x(nΔ)，n=1,2,3....,N-1；记为：x(t)=x(nΔ)则其频谱为：

$X_{\mathrm{\Δ}}\left(f\right)=\mathrm{\Δ}\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}x\left(\mathrm{n\Δ}\right)e^{-j2\mathrm{\πfn\Δ}}---\left(29\right)$

用频率间隔

在[0,2f_n]区间对X_Δ(f)采样，得到离散信号X_Δ(kh)=X_Δ(f)|_f=kh。因为 $\frac{2f_n}{h}=\frac{1}{\mathrm{\Δ}}/\frac{1}{T}=N,$ 则

$X_{\mathrm{\Δ}}\left(\mathrm{kh}\right)=\mathrm{\Δ}\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}{x}_n{e}^{-j2\mathrm{\π}\frac{\mathrm{nk}}{N}}---\left(30\right)$

若定义：X_k=hX_Δ(kh)，则有

$X_k=\frac{1}{N}\mathrm{\Δ}\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}{x}_n{e}^{-j2\mathrm{\π}\frac{\mathrm{nk}}{N}},(k=\mathrm{0,1,2},...,N-1)$

称X_k为x_n的离散谱。

最后将仿真***离散信号的频率谱与实际***信号的频率谱进行比较分析，得出仿真***定性的可信度分析结果。

Claims (3)

1.一种电力推进***仿真可信度的综合评估方法，其特征在于，包括如下步骤：

（1）按照***级到单元级的顺序，将电力推进***分解为子***；

（2）自顶向下、逐层对仿真***各准则下的子***进行分解，直至最小单元；

（3）获取指标以及子***相对于上一层节点的权重；

（4）获取子***的指标的可信度；

（5）根据指标的可信度和权重得到子***的可信度；

（6）由子***逐层向上，综合子***的权重得到整个电力推进***仿真的可信度综合评估结果。

2.根据权利要求1所述的一种电力推进***仿真可信度的综合评估方法，其特征在于，所述的获取指标以及子***相对于上一层节点的权重的步骤包括：

（1）设置初始参数ω和θ，其中ω为初始权重．θ为临界值；

（2）将需要计算权重子***的实测数据样本加入BP神经网络，获取输出值y_j：

其中x_i为该节点的输入，i=1…m；ω_ij为从i到j的联接权，i=1…m,j=1…n，初始权重随机设为[0,1]；θ_j为临界值；

（3）按已知输出数据与输出值之差d_j-y_j调整权系数ω，调整量为：□ω_ij=ηδ_jx_j，其中η为比例系数，即学习率，范围为[0.01-0.1]，连续提高η值，直到达到设定的训练速度为止；x_j为隐节点的网络输入、输出节点为隐节点的输出，j=1…n；d_j为已知的输出数据；δ_j是一个与输出偏差相关的值，对于输出节点：δ_j=η_j(1-y_j)(d_j-y_j)对于隐层节点：

各层神经元的权值调整后为：ω_ij(t)=ω_ij(t-1)+□ω_ij，其中t为学习次数；

（4）进行迭代，调整所有ω值，直到输出误差小于设定允许值，完成BP神经网络训练；

（5）对各神经元之间的权重进行分析处理，其中相关显著性系数

$r_{\mathrm{ij}}=\underset{k=1}{\overset{P}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{ki}}(1-e^{-{\mathrm{\ω}}_{\mathrm{jk}}})/(1+e^{-{\mathrm{\ω}}_{\mathrm{jk}}})$

相关指数

$R_{\mathrm{ij}}=|(1-e^{-r_{\mathrm{ij}}})/(1+e^{-r_{\mathrm{ij}}})|$

绝对影响系数

$S_{\mathrm{ij}}=R_{\mathrm{ij}}/\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{R}_{\mathrm{ij}}$

其中，i为神经网络输入单元，i=1…m；j为神经网络输出单元，j=1…n；k为神经网络的隐含单元，k=1…P；ω_ki为输入层神经元i和隐含层神经元k之间的权系数；ω_jk为输出层神经元j和隐含层神经元k之同的权系数；

（6）求绝对影响系数S_ij，即为所求子***中下一层节点相对于上一层节点的客观权重；

（7）将客观的指标权重转换成指标权重比值；

（8）提取子***的主观指标权重比值；

（9）对客观指标权重比值和主观指标权重比值求期望，获取综合权重比值；

（10）将综合权重比值排列成判断矩阵，其中C_ij为i指标相对于j指标的综合权重比值：

$\left[\begin{array}{ccccc}{C}_{11}& C_{12}& ......& C_{1(n-1)}& C_{1n}\\ C_{21}& C_{22}& ......& C_{2(n-1)}& C_{2n}\\ ......& ......& ......& ......& ......\\ C_{(n-1)1}& C_{(n-1)2}& ......& C_{(n-1)(n-1)}& C_{(n-1)n}\\ C_{n1}& C_{n2}& ......& C_{n(n-1)}& C_{\mathrm{nn}}\end{array}\right]$

（11）根据平均随机一致性指标RI值获取判断矩阵的一致性指标CI：

其中λ_max为最大特征值，n为判断矩阵的阶数；随机一致性比率：

如果满足一致性则执行步骤13，如果不满足一致性则返回步骤10重新排列，其中RI满足：

（12）计算每个指标的综合权重：

对构造的判断矩阵A做列归一化处理：

${\stackrel{\‾}{a}}_{\mathrm{ij}}=\frac{a_{\mathrm{ij}}}{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{a}_{\mathrm{ij}}},i,j=\mathrm{1,2},...,n;$

求取列归一化后的判断矩阵的各行元素之和：

$W_i=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\stackrel{\‾}{a}}_{\mathrm{ij}},i=\mathrm{1,2},...,n;$

对W_i进行归一化处理：

$W_i=\frac{{\stackrel{\‾}{W}}_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\stackrel{\‾}{W}}_j},i=\mathrm{1,2},...,n,$ W_i即为每一个指标的权重值。

3.根据权利要求1所述的一种电力推进***仿真可信度的综合评估方法，其特征在于，所述的指标可信度评估方法，针对不同的指标和子***数据类型，选取的步骤如下：

（1）对一个***中所有指标的数据类型进行分类；

（2）对于不可以量化、只能模糊给出评价的指标，可以采用模糊综合评判法；

（3）对于输出连续波形图像的数据类型，可以采用倒频谱分析法；

（4）对于可提供数据的指标多，但是单一指标数据少的情况，可以采用相似度分析；

（5）对于可以提供大量重复试验数据的指标，可以采用误差分析法；

（6）对于一些不能准确划分的指标，可以采用两种或多种方法相结合进行可信度评估。

Images