CN105976127A - 综合电力推进***风险评估方法及装置 - Google Patents

Abstract

本发明属于综合电力推进***领域，提供一种综合电力推进***风险评估方法及装置，该综合电力推进***风险评估方法，通过采集子***层的指标的风险状态和单元层的指标的工作数据；针对单元层的每个单元，根据单元层的指标的工作数据和单元所属子***层的子***的指标的风险状态，采用特征权重算法，筛选出单元层的目标指标；根据目标指标作和单元所属子***层的子***的指标的风险状态，采用快速学习算法进行训练，获得每个单元的风险评估模型，形成风险评估模型组，进而获得综合电力推进***风险评估结果。本发明提供的综合电力推进***风险评估方法，能够快速准确地获得综合电力推进***风险评估结果。

Description

综合电力推进***风险评估方法及装置

技术领域

本发明属于综合电力推进***领域，尤其涉及一种综合电力推进***风险评估方法及装置。

背景技术

综合电力***从综合电力推进(IED)发展而来。综合电力推进装置由发电、推进、船用辅助电源等三部分组成。IED计划先期预研证明有许多优点，但不是最合理的方案，于是在1994年提出了综合电力***(IPS)的概念。即通过设备的通用性、实施的简易性和标准化来实现未来舰队高性能与低成本。随着研究的深入，根据水面战舰的需求情况和各舰种的推进功率与船用辅助功率的需求情况，确定该IPS***由一系列模块组成，设计者可通过合理地选用各种模块，构成适用于美海军各种水面战舰和军辅船的电力推进和辅助用电的所有需求。

电力***风险评估可分为确定性评估、概率评估和风险评估。确定性评估方法只重视最严重的事故如“N-1”事故检测，其确定的***运行点显得过于保守。概率评估方法考虑了事故发生的概率，但并未考虑事故造成的经济损失，没有很好地协调安全与经济二者的关系。风险评估方法的优势在于将事故发生的概率与产生的后果(如经济损失等)相结合，将风险与效益联系起来定量地反映了***的经济安全指标。并且，关于综合电力推进***的研究相对较少，现有一些关于陆地电网的风险评估的研究，但关于船舶综合电力推进***的风险评估却很少，尤其是船舶综合电力推进***的数据类型较多，处理难度较大，准确性差。

对船舶综合电力推进***的各项性能进行更准确的研究，能够为改善船舶电力推进***的各项性能奠定基础，所得船舶电力推进***的风险评估结果是人们正确分析和改善实船性能，保证综合电力推进***运行规划的合理性和计划的可行性的理论依据。最重要的是，所得到的***风险评估结果，直接影响着人们对于各种风险发生后的一系列决策分析，以及最佳风险对策组合的形成。因此，如何对综合电力推进***的各项指标进行综合分析，获得风险评估，是本领域技术人员亟需解决的问题。

发明内容

本发明旨在提供一种综合电力推进***风险评估方法及装置，结果准确可靠，处理方法快捷有效。

第一方面，本发明提供一种综合电力推进***风险评估方法，具体说明如下：

本发明提供一种综合电力推进***风险评估方法，具体包括如下步骤：

采集子***层的指标的风险状态和单元层的指标的工作数据，综合电力推进***自顶向下包括***层、子***层和单元层；

针对单元层的每个单元，根据每个单元的指标的工作数据和单元所属的子***层的子***的指标的风险状态，采用特征权重算法，筛选出单元层的目标指标；

根据单元层的目标指标和单元所属的子***层的子***的指标的风险状态，采用快速学习算法进行训练，获得每个单元的风险评估模型，形成风险评估模型组；

针对子***层和单元层的各个指标，采用风险评估模型组进行训练，获得综合电力推进***风险评估结果。

进一步地，采用特征权重算法，筛选出单元层的目标指标，具体包括：采用特征权重算法，计算出单元层的指标的权重，筛选出权重大于设定阈值的指标，作为单元层的目标指标。

基于上述任意综合电力推进***风险评估方法实施例，进一步地，针对子***层和单元层的各个指标，采用风险评估模型组进行训练，获得综合电力推进***风险评估结果，具体包括：

针对单元层的各个指标，采用风险评估模型组进行训练，获得单元层的风险评估结果；

针对子***层的各个指标，采用风险评估模型组进行训练，获得子***层的风险评估结果；

针对单元层和子***层的风险评估结果进行综合分析，获得综合电力推进***风险评估结果。

进一步地，特征权重算法的具体计算公式为：

$\begin{array}{c}W\left(i\right)=W\left(i\right)-\underset{j=1}{\overset{k}{\Σ}}diff{(A,R,H_j)}^2/\left(mk\right)\\ +\underset{C\∈(D-class(R))}{\mathrm{\Σ}}\[\frac{p\left(C\right)}{1-P\left(class\right(R))}\underset{j=1}{\overset{k}{\Σ}}diff{(A,R,M_j(C\left)\right)}^2\]/\left(mk\right)\end{array}$

其中，D为单元层的指标的工作数据的样本集，R为单元层的指标的工作数据的样本，H_j为样本R的同类样本集中的第j个最近邻样本，M_j(C)为类C中的第j个最近邻样本，diff(A,R,H_j)为样本R和样本H_j在特征A上的差，类C为样本R的不同类样本，diff(A,R,M_j(C))为样本R和样本M_j(C)在特征A上的差，W(i)为第i个样本的权重，i＝1,2,…,m，

diff(A,R,H_j)的计算公式为：

diff(A,R,M_j(C))的计算公式为：

进一步地，快速学习算法的具体计算公式为：Hβ＝T，

其中，

且G(a，b，x)是目标指标随机生成的隐含层输出函数，是子***的指标的风险状态，β表示风险评估模型。

第二方面，本发明提供一种综合电力推进***风险评估装置，具体说明如下：

本发明提供一种综合电力推进***风险评估装置，该装置包括采集模块、筛选模块、训练模块和风险评估模块，采集模块用于采集子***层的指标的风险状态和单元层的指标的工作数据，所述综合电力推进***自顶向下包括***层、子***层和单元层；筛选模块用于针对单元层的每个单元，根据单元层的指标的工作数据和单元所属子***层的子***的指标的风险状态，采用特征权重算法，筛选出单元层的目标指标；训练模块用于根据所述目标指标和单元所属子***层的子***的指标的风险状态为输出量，采用快速学习算法进行训练，获得每个单元的风险评估模型，形成风险评估模型组；风险评估模块用于针对所述子***层和所述单元层的各个指标，采用所述风险评估模型组进行训练，获得所述综合电力推进***风险评估结果。

进一步地，在筛选目标指标时，所述筛选模块具体用于：针对单元层的每个单元，根据每个单元的指标的工作数据和单元所属子***层的子***的指标的风险状态为输出量，采用所述特征权重算法，计算出所述单元层的指标的权重，筛选出权重大于设定阈值的指标，作为目标指标。

基于上述任意综合电力推进***风险评估装置实施例，进一步地，在获得综合电力推进***风险评估结果时，风险评估模块具体用于：针对所述单元层的各个指标，采用所述风险评估模型组进行训练，获得单元层的风险评估结果；针对所述子***层的各个指标，采用所述风险评估模型组进行训练，获得子***层的风险评估结果；针对所述单元层和所述子***层的风险评估结果进行综合分析，获得所述综合电力推进***风险评估结果。

进一步地，所述筛选模块具体采用的特征权重算法计算公式为：

$\begin{array}{c}W\left(i\right)=W\left(i\right)-\underset{j=1}{\overset{k}{\Σ}}diff{(A,R,H_j)}^2/\left(mk\right)\\ +\underset{C\∈(D-class(R))}{\mathrm{\Σ}}\[\frac{p\left(C\right)}{1-P\left(class\right(R))}\underset{j=1}{\overset{k}{\Σ}}diff{(A,R,M_j(C\left)\right)}^2\]/\left(mk\right)\end{array}$

其中，D为单元层的指标的工作数据的样本集，R为单元层的指标的工作数据的样本，H_j为样本R的同类样本集中的第j个最近邻样本，M_j(C)为类C中的第j个最近邻样本，diff(A,R,H_j)为样本R和样本H_j在特征A上的差，类C为样本R的不同类样本，diff(A,R,M_j(C))为样本R和样本M_j(C)在特征A上的差，W(i)为第i个样本的权重，i＝1,2,…,m，

diff(A,R,H_j)的计算公式为：

diff(A,R,M_j(C))的计算公式为：

进一步地，所述训练模块具体采用的快速学习算法公式为：Hβ＝T，

其中，

且G(a，b，x)是目标指标随机生成的隐含层输出函数，是子***的指标的风险状态，β表示风险评估模型。

本发明综合电力推进***风险评估方法及装置，采用特征权重算法，筛选出符合权重要求的特征，且该算法能够处理多种类型数据，对数据类型没有限制，运算效率高，处理结果可靠；采用快速学习算法处理筛选出来的目标指标进行训练，根据子***的指标的风险状态，获取风险评估模型，形成风险评估模型组，对各个指标进行训练，即可获得综合电力推进***的风险评估结果，采用快速学习算法能够降低冗余度，处理方法快捷、准确、可靠性高。

附图说明

图1是本发明提供的一个综合电力推进***风险评估方法流程图；

图2是本发明提供的另一个综合电力推进***风险评估方法流程图；

图3是本发明提供的一个综合电力推进***风险评估装置的结构图；

图4是本发明提供的一个综合电力推进***风险评估体系结构图；

图5是本发明提供的一个特征权重算法筛选结果示意图。

具体实施方式

下面通过具体的实施例进一步说明本发明，但是，应当理解为，这些实施例仅仅是用于更详细具体地说明之用，而不应理解为用于以任何形式限制本发明。

第一方面，本发明提供一种综合电力推进***风险评估方法，具体说明如下：

本实施例提供一种综合电力推进***风险评估方法，具体包括如下步骤：

步骤S1：采集子***层的指标的风险状态和单元层的指标的工作数据，综合电力推进***自顶向下包括***层、子***层和单元层；

步骤S2：针对单元层的每个单元，根据单元层的指标的工作数据和单元所属子***层的子***的指标的风险状态，采用特征权重算法，筛选出单元层的目标指标；

步骤S3：根据目标指标和单元所属子***层的子***的指标的风险状态，采用快速学习算法进行训练，获得每个单元的风险评估模型，形成风险评估模型组；

步骤S4：针对子***层和单元层的各个指标，采用风险评估模型组进行训练，获得综合电力推进***风险评估结果。

本实施例综合电力推进***风险评估方法，采用特征权重算法，筛选出符合权重要求的特征，且该算法能够处理多种类型数据，对数据类型没有限制，运算效率高，处理结果可靠；采用快速学习算法处理筛选出来的目标指标进行训练，根据目标指标和子***的指标的风险状态，获取风险评估模型，形成风险评估模型组，对各个指标进行训练，即可获得综合电力推进***的风险评估结果，采用快速学习算法能够降低冗余度，处理方法快捷、准确、可靠性高。具体地，在采用该风险评估模型组进行训练时，该算法定义三种决策域，分别为“可靠”、“不确定”和“不可靠”，其中，“可靠”表示为+1，“不确定”表示为0，“不可靠”表示为-1，其区域分别为[0.6,1]、(0.4,0.6)和[0,0.4]，即分类规则如下式：

$if\left\{\begin{array}{cc}0.6\&le;y_i\&le;1& y_i=1\\ 0\&le;y_i\&le;0.4& y_i=-1\\ 0.4<y_i<0.6& y_i=0\end{array}\right.$

其中，y_i为风险评估模型组的第i个风险评估模型的输出结果，i＝1,2,…,Q，Q为风险评估模型的个数。“不确定”的数量越多，这个风险评估模型组的可靠性就越低。假设，该风险评估模型组有Q个风险评估模型，输出结果包含m个“0”、s个“+1”和n个“-1”，m+s+n＝Q，如果m≥r，则这个风险评估模型组是不可用的。如果m<r，则根据单元层和子***层的各个指标进行训练的结果，则有：其中，r为用户定义的针对该风险评估模型组的不确定性阈值，Y为风险性评估结果。

本实施例综合电力推进***风险评估方法，采用特征权重算法筛选出目标指标，根据计算出的权重的大小，确定出单元层的目标指标，具体包括：采用特征权重算法，计算出单元层的指标的权重，筛选出权重大于设定阈值的指标，作为目标指标。权重数值越大，表示该指标对区分同类和不同类的最近邻是有益的，权重数值越小，表示该指标对区分同类和不同类的最近邻起到负面作用，采用特征权重算法即可根据权重的大小，筛选出符合要求的目标指标，且运算效率高，能够处理多种数据类型。具体地，特征权重算法的具体计算公式为：

$\begin{array}{c}W\left(i\right)=W\left(i\right)-\underset{j=1}{\overset{k}{\&Sigma;}}diff{(A,R,H_j)}^2/\left(mk\right)\\ +\underset{C\&Element;(D-class(R))}{\mathrm{\&Sigma;}}\&lsqb;\frac{p\left(C\right)}{1-P\left(class\right(R))}\underset{j=1}{\overset{k}{\&Sigma;}}diff{(A,R,M_j(C\left)\right)}^2\&rsqb;/\left(mk\right)\end{array}$

其中，D为单元层的指标的工作数据的样本集，R为单元层的指标的工作数据的样本，H_j为样本R的同类样本集中的第j个最近邻样本，M_j(C)为类C中的第j个最近邻样本，diff(A,R,H_j)为样本R和样本H_j在特征A上的差，类C为样本R的不同类样本，diff(A,R,M_j(C))为样本R和样本M_j(C)在特征A上的差，W(i)为第i个样本的权重，i＝1,2,…,m，

diff(A,R,H_j)的计算公式为：

diff(A,R,M_j(C))的计算公式为：

具体地，m为样本抽样次数，一般由单元层的指标的工作数据的样本集大小和训练精度决定，样本大且训练精度高，则m值大，样本小且训练精度低，则m值小。同类样本是指与所抽样本数据类型相同的样本，不同类样本就是与所抽样本数据不同的样本，以所抽样本集为推进电机电压的工作数据为例，同类样本就是推进电机电压，推进电机其他参数则为不同类样本，最近邻就是所抽取样本最接近的样本，k为指定参数，在此设定为100，推进电机电压有10000个数据，采样数据为第1000个，则最近邻样本为第950到999，第1001到1050个样本。

基于上述任意综合电力推进***风险评估方法实施例，为了进一步有效去除冗余指标，提高该方法的处理效率，针对子***层和单元层的各个指标，采用风险评估模型组进行训练，获得综合电力推进***风险评估结果，具体包括：

针对单元层的各个指标，采用风险评估模型组进行训练，获得单元层的风险评估结果；

针对子***层的各个指标，采用风险评估模型组进行训练，获得子***层的风险评估结果；

针对单元层和子***层的风险评估结果进行综合分析，获得综合电力推进***风险评估结果。具体地，快速学习算法的具体计算公式为：Hβ＝T，

其中，

且G(a，b，x)是目标指标随机生成的隐含层输出函数，是子***的指标的风险状态，β表示风险评估模型。N为单元层和子***层的指标数，L为快速学习算法的隐含层的节点数。

对于一个训练数据样本，如筛选出的目标指标，忽略输入层和隐含层之间的关系而只考虑隐含层神经元的输出与输出层，则神经网络的输出函数表达式为：

$f_L\left(x\right)=\underset{i=1}{\overset{L}{\&Sigma;}}{\mathrm{\&beta;}}_{i}G(a_i,b_i,x)$

其中,a_i和b_i是隐含层节点的参数，由目标指标随机生成，β_i表示第i个隐含层神经元和输出层神经元之间的连接权值，即一个m维的权值向量。

本实施例激励函数采用RBF型激励函数，针对RBF型隐含层节点：G(a_i，b_i，x)＝g(b_i||x-a_i||)，a_i和b_i分别表示了第i个径向基函数节点的中心和影响因子，代价函数为：J＝(Hβ-T)^T(Hβ-T)

接下来求解最优的权值向量，使得损失函数最小。

如果H是满秩的，那么可以通过最小二乘法找到最佳的权值，其解为：

$\widehat{\mathrm{\&beta;}}=\arg \underset{\mathrm{\&beta;}}{min}\left|\right|H\mathrm{\&beta;}-T\left|\right|=H^{+}T$

其中：H⁺＝(H^TH)^-1H^T

如果H是非列满秩的，则使用奇异值分解求解H的广义逆来计算最佳权值。

该ELM算法的训练速度非常快，在确定隐含层和输出层的权值的选取时，其采用的方法是最小二乘法。

ELM算法一般可以描述如下：

给定目标指标的样本集隐层输出函数G(a，b，x)和隐含层节点个数L。

a.随机生成隐层节点参数(a_i，b_i)，i＝1,2，…，L；

b.计算隐层输出矩阵H(确保H列满秩)；

c.输出：网络最优权β：β＝H⁺T。

本实施例提供另一种综合电力推进***风险评估方法，如图2所示，具体说明如下：

步骤S21：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；

步骤S22：针对影响***风险发生的因素，依据综合电力推进***的构建过程为评价准则，自顶向下、逐层对***下的子***进行分解，直至最小单元；

步骤S23：数据采集，采集子***的指标的风险状态和单元层的指标的工作参数；

步骤S24：指标筛选，针对每一层指标，根据单元层的指标的工作参数和单元所属子***层的子***的指标的风险状态，采用reliefF算法对指标进行权重分析，筛选出大于设定阈值的目标指标；

步骤S25：多ELM训练，根据筛选出来的目标指标和单元所属子***层的子***的指标的风险状态，采用ELM算法进行训练，得到每一层指标的ELM风险评估模型，针对每一层指标，形成多ELM风险评估模型。

步骤S26：所有指标完成训练，使用多ELM模型多子***层和单元层的各个指标进行训练，得到每一层指标的风险评估结果，进行综合分析，由下而上，层层计算，最终得到整个船舶综合电力推进***的风险评估结果，形成综合电力推进***风险评估报告，报告应包括评估时间、地点、环境、采用数据、各子***评估结果等，结束评估。

第二方面，本实施例提供一种综合电力推进***风险评估装置，具体说明如下：

本实施例提供一种综合电力推进***风险评估装置，结合图3，该装置包括采集模块1、筛选模块2、训练模块3和风险评估模块4，采集模块1用于采集子***层的指标的风险状态和单元层的指标的工作数据，综合电力推进***自顶向下包括***层、子***层和单元层；筛选模块2用于针对单元层的每个单元，根据每个单元的指标的工作数据和单元所属子***层的子***的指标的风险状态，采用特征权重算法，筛选出目标指标；训练模块3用于根据单元层的目标指标和单元所属的子***层的子***的指标的风险状态，采用快速学习算法进行训练，获得每个单元的风险评估模型，形成风险评估模型组；风险评估模块4用于针对子***层和单元层的各个指标，采用风险评估模型组进行训练，获得综合电力推进***风险评估结果。

本实施例综合电力推进***风险评估装置，通过筛选模块2获得目标指标，即可获得符合权重要求的目标指标，筛选模块2采用特征权重算法，即可提高该模块的的运算处理效率和可靠性，并且能够处理各种类型的数据。训练模块3采用快速学习算法，能够降低冗余度，根据筛选出来的目标指标和单元所属子***层的子***的指标的风险状态，获得最佳权值，即风险评估模型，形成风险评估模型组。风险评估模块4采用该风险评估模型获得该综合电力推进***的风险评估结果，处理方法快捷、准确、可靠性高。

在筛选目标底层指标时，筛选模块2根据各个单元层的指标的权重和预设的权重范围，进行筛选，筛选模块2具体用于：针对单元层的每个单元，根据单元层的指标的工作数据和单元所属子***层的子***的指标的风险状态，采用特征权重算法，计算出指标的权重，筛选出权重大于设定阈值的指标，作为目标指标。权重越大，表示该指标对区分同类和不同类的最近邻起到的作用越大，权重数值越小，表示该指标对区分同类和不同类的最近邻起到负面作用，且该筛选模块2的运算效率高，能够处理多种数据类型。具体地，筛选模块2具体采用的特征权重算法计算公式为：

$\begin{array}{c}W\left(i\right)=W\left(i\right)-\underset{j=1}{\overset{k}{\&Sigma;}}diff{(A,R,H_j)}^2/\left(mk\right)\\ +\underset{C\&Element;(D-class(R))}{\mathrm{\&Sigma;}}\&lsqb;\frac{p\left(C\right)}{1-P\left(class\right(R))}\underset{j=1}{\overset{k}{\&Sigma;}}diff{(A,R,M_j(C\left)\right)}^2\&rsqb;/\left(mk\right)\end{array}$

其中，D为单元层的指标的工作数据的样本集，R为单元层的指标的工作数据的样本，H_j为样本R的同类样本集中的第j个最近邻样本，M_j(C)为类C中的第j个最近邻样本，diff(A,R,H_j)为样本R和样本H_j在特征A上的差，类C为样本R的不同类样本，diff(A,R,M_j(C))为样本R和样本M_j(C)在特征A上的差，W(i)为第i个样本的权重，i＝1,2,…,m，

diff(A,R,H_j)的计算公式为：

diff(A,R,M_j(C))的计算公式为：

如图4所示，综合电力推进***风险评估体系，子***层的指标的风险状态是指是否发生风险，发生风险为1，未发生风险为0，以推进子***为例，单元层的指标的工作参数包括输入电压、输入电流、转速、转矩、频率、励磁电压、励磁电流等十个参数。采用特征权重算法筛选的结果，如图5所示，可以很明显的看出输入电压、输入电流、转速、转矩对推进子***风险状态具有很大的影响，相比较而言，其他参数则可以忽略。

基于上述任意综合电力推进***风险评估装置实施例，为了进一步有效去除冗余的目标指标，优选地，在获得综合电力推进***风险评估结果时，风险评估模块4具体用于：针对单元层的各个指标，采用风险评估模型组进行训练，获得单元层的风险评估结果；针对子***层的各个指标，采用风险评估模型组进行训练，获得子***层的风险评估结果；针对单元层和子***层的风险评估结果进行综合分析，获得综合电力推进***风险评估结果。具体地，训练模块3具体采用的快速学习算法公式为：Hβ＝T，

其中，

且G(a，b，x)是目标指标随机生成的隐含层输出函数，是子***的指标的风险状态，β表示风险评估模型。

尽管本实施例已进行了一定程度的描述，明显地，在不脱离本实施例的精神和范围的条件下，可进行各个条件的适当变化。可以理解，本实施例不限于所述实施方案，而归于权利要求的范围，其包括所述每个因素的等同替换。

Claims (10)

1.一种综合电力推进***风险评估方法，其特征在于，包括：

采集子***层的指标的风险状态和单元层的指标的工作数据，所述综合电力推进***自顶向下包括***层、子***层和单元层；

针对所述单元层的每个单元，根据每个单元的指标的工作数据和单元所属的子***层的子***的指标的风险状态，采用特征权重算法，筛选出单元层的目标指标；

根据所述单元层的目标指标和单元所属的子***层的子***的指标的风险状态，采用快速学习算法进行训练，获得每个单元的风险评估模型，形成风险评估模型组；

针对所述子***层和所述单元层的各个指标，采用所述风险评估模型组进行训练，获得所述综合电力推进***风险评估结果。

2.根据权利要求1所述综合电力推进***风险评估方法，其特征在于，

所述采用特征权重算法，筛选出单元层的目标指标，具体包括：

采用所述特征权重算法，计算出所述单元层的指标的权重，筛选出权重大于设定阈值的指标，作为单元层的目标指标。

3.根据权利要求1或2所述综合电力推进***风险评估方法，其特征在于，

所述针对子***层和单元层的各个指标，采用风险评估模型组进行训练，获得所述综合电力推进***风险评估结果，具体包括：

针对所述单元层的各个指标，采用所述风险评估模型组进行训练，获得单元层的风险评估结果；

针对所述子***层的各个指标，采用所述风险评估模型组进行训练，获得子***层的风险评估结果；

针对所述单元层和所述子***层的风险评估结果进行综合分析，获得所述综合电力推进***风险评估结果。

4.根据权利要求1或2所述综合电力推进***风险评估方法，其特征在于，

所述特征权重算法的具体计算公式为：

$\begin{array}{c}W\left(i\right)=W\left(i\right)-\underset{j=1}{\overset{k}{\&Sigma;}}diff{(A,R,H_j)}^2/\left(mk\right)\\ +\underset{C\&Element;(D-class(R\left)\right)}{\mathrm{\&Sigma;}}\&lsqb;\frac{p\left(C\right)}{1-P\left(class\right(R\left)\right)}\underset{j=1}{\overset{k}{\&Sigma;}}diff{(A,R,M_j(C\left)\right)}^2\&rsqb;/\left(mk\right)\end{array}$

其中，D为单元层的指标的工作数据的样本集，R为单元层的指标的工作数据的样本，H_j为样本R的同类样本集中的第j个最近邻样本，M_j(C)为类C中的第j个最近邻样本，diff(A,R,H_j)为样本R和样本H_j在特征A上的差，类C为样本R的不同类样本，diff(A,R,M_j(C))为样本R和样本M_j(C)在特征A上的差，W(i)为第i个样本的权重，i＝1,2,…,m，

diff(A,R,H_j)的计算公式为：

diff(A,R,M_j(C))的计算公式为：

5.根据权利要求1所述综合电力推进***风险评估方法，其特征在于，

所述快速学习算法的具体计算公式为：Hβ＝T，

其中,

且

G(a，b，x)是目标指标随机生成的隐含层输出函数，是子***的指标的风险状态，β表示风险评估模型。

6.一种综合电力推进***风险评估装置，其特征在于，包括：

采集模块，用于采集子***层的指标的风险状态和单元层的指标的工作数据，所述综合电力推进***自顶向下包括***层、子***层和单元层；

筛选模块，用于针对单元层的每个单元，根据每个单元的指标的工作数据和单元所属的子***层的子***的指标的风险状态，采用特征权重算法，筛选出单元层的目标指标；

训练模块，用于根据所述单元层的目标指标和单元所属的所述子***层的子***的指标的风险状态，采用快速学习算法进行训练，获得每个单元的风险评估模型，形成风险评估模型组；

风险评估模块，用于针对所述子***层和所述单元层的各个指标，采用所述风险评估模型组进行训练，获得所述综合电力推进***风险评估结果。

7.根据权利要求6所述综合电力推进***风险评估装置，其特征在于，

在筛选单元层的目标指标时，所述筛选模块具体用于：

针对单元层的每个单元，根据每个单元的指标的工作数据和单元所属的子***层的子***的指标的风险状态，采用所述特征权重算法，计算出所述单元层的指标的权重，筛选出权重大于设定阈值的指标，作为单元层的目标指标。

8.根据权利要求6或7所述综合电力推进***风险评估装置，其特征在于，

在获得综合电力推进***风险评估结果时，风险评估模块具体用于：

针对所述单元层的各个指标，采用所述风险评估模型组进行训练，获得单元层的风险评估结果；针对所述子***层的各个指标，采用所述风险评估模型组进行训练，获得子***层的风险评估结果；针对所述单元层和所述子***层的风险评估结果进行综合分析，获得所述综合电力推进***风险评估结果。

9.根据权利要求6或7所述综合电力推进***风险评估装置，其特征在于，

所述筛选模块具体采用的特征权重算法计算公式为：

$\begin{array}{c}W\left(i\right)=W\left(i\right)-\underset{j=1}{\overset{k}{\&Sigma;}}diff{(A,R,H_j)}^2/\left(mk\right)\\ +\underset{C\&Element;(D-class(R\left)\right)}{\mathrm{\&Sigma;}}\&lsqb;\frac{p\left(C\right)}{1-P\left(class\right(R\left)\right)}\underset{j=1}{\overset{k}{\&Sigma;}}diff{(A,R,M_j(C\left)\right)}^2\&rsqb;/\left(mk\right)\end{array}$

其中，D为单元层的指标的工作数据的样本集，R为单元层的指标的工作数据的样本，H_j为样本R的同类样本集中的第j个最近邻样本，M_j(C)为类C中的第j个最近邻样本，diff(A,R,H_j)为样本R和样本H_j在特征A上的差，类C为样本R的不同类样本，diff(A,R,M_j(C))为样本R和样本M_j(C)在特征A上的差，W(i)为第i个样本的权重，i＝1,2,…,m，

diff(A,R,H_j)的计算公式为：

diff(A,R,M_j(C))的计算公式为：

10.根据权利要求6所述综合电力推进***风险评估装置，其特征在于，

所述训练模块具体采用的快速学习算法公式为：Hβ＝T，

其中，

且

G(a，b，x)是目标指标随机生成的隐含层输出函数，是子***的指标的风险状态，β表示风险评估模型。