CN113837552B - 一种航天型号试验鉴定指标评估方法及装置 - Google Patents
一种航天型号试验鉴定指标评估方法及装置 Download PDFInfo
- Publication number
- CN113837552B CN113837552B CN202110998025.5A CN202110998025A CN113837552B CN 113837552 B CN113837552 B CN 113837552B CN 202110998025 A CN202110998025 A CN 202110998025A CN 113837552 B CN113837552 B CN 113837552B
- Authority
- CN
- China
- Prior art keywords
- index
- attribute
- information table
- decision information
- decision
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000002245 particle Substances 0.000 claims abstract description 58
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000011156 evaluation Methods 0.000 claims description 46
- 230000009467 reduction Effects 0.000 claims description 32
- 238000005259 measurement Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012797 qualification Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 15
- 238000004891 communication Methods 0.000 description 7
- 230000006978 adaptation Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011056 performance test Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000013095 identification testing Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000004940 nucleus Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
- G06F40/177—Editing, e.g. inserting or deleting of tables; using ruled lines
- G06F40/18—Editing, e.g. inserting or deleting of tables; using ruled lines of spreadsheets
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
- G06F40/183—Tabulation, i.e. one-dimensional positioning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种航天型号试验鉴定指标评估方法及装置,所述方法包括以下:获取航天型号试验鉴定的全部指标;对进行航天型号试验的航天型号提取各指标对应的指标值;构建决策信息表;确定所述决策信息表中的条件属性以及决策属性,对所述决策信息表中的试验鉴定的指标进行约简,所述决策信息表中的条件属性为航天型号试验鉴定的各指标,所述决策信息表中的决策属性为决策信息表中最后一列数据值;将约简后的指标集转化为二进制编码的形式,约简后保留的指标集作为属性集,基于所述属性集构建粒子,采用粒子群算法对所述指标集进行再次约简。该方法有针对性地优化精简试验鉴定指标,保证航天型号试验鉴定工作的质量与效率。
Description
技术领域
本发明涉及航天型号试验领域,尤其涉及一种航天型号试验鉴定指标评估方法及装置。
背景技术
随着我国航天事业的飞速发展,卫星已经成为我国航天型号中的重要力量组成,根据使命任务不同,划分为通信卫星、导航卫星、遥感卫星。航天型号是一项复杂的***工程,实施开展试验鉴定过程中,面临着指标繁多、体系庞杂、标准不统一的现状,为有效应对当前现状,节约试验成本,缩减研制周期,有必要在现有试验指标的基础上进行科学优化,对适用于当前航天型号试验的指标进行评估,以有效地对当前的航天型号进行试验。
目前,试验鉴定正处于不断摸索阶段,目前有关试验鉴定指标评估的研究尚不多见,在其他领域具有一些指标筛选的方法。当前,关于指标评估的方法主要可分为:一是统计分析方法,如回归分析、方差分析、判别分析、聚类分析、主成分分析法、因子分析法等,该类方法的优点和局限性都比较明显,优点是方法简单,工作量小;缺点是定额的准确性差,可靠性差。还有一类是基于知识发现的评估方法,如决策树和规则归纳、神经网络方法、粗糙集理论、遗传算法、模糊论方法、概念树方法等,它们分别从不同的角度进行数据挖掘和知识发现。其中,粗糙集理论是一种用来处理不完整性和不确定性数据的数学工具,该理论是波兰学者PawlakZ在1982年提出的,能有效地分析和处理不精确、不一致、不完整等各种不完备信息,并从中发现隐含的知识,揭示潜在的规律。
近几年来,粗糙集理论已被广泛地应用于机器学习、知识发现、决策支持与分析、专家***、智能控制、模式识别等领域。目前,粗糙集的理论研究主要集中在数学性质、模型拓展、有效性算法及与其它多种不确定智能分析方法的融合等方面。粗糙集理论认为知识是对被研究的对象进行分类的能力,不可分辨关系是粗糙集理论中的最基本概念,在此基础上,粗糙集理论引入上近似和下近似等概念来刻画知识的不确定性和模糊性,引入约简和求核来进行知识的化简等计算。
发明内容
为解决上述技术问题,本发明提出了一种航天型号试验鉴定指标评估方法及装置,所述方法及装置,用以解决现有技术中航天型号试验鉴定指标不准确的技术问题。
根据本发明的第一方面,提供一种航天型号试验鉴定指标评估方法,所述方法包括以下步骤:
步骤S101:获取航天型号试验鉴定的全部指标;对进行航天型号试验的航天型号提取各指标对应的指标值,所述全部指标包括卫星入轨精度、卫星钟误差、卫星时延误差、卫星轨道保持精度、卫星星历误差、空间信号广播轨道精度、空间信号广播钟差精度、空间信号测距误差、空间信号测距二阶变化率误差、空间信号可用性、空间信号连续性、协调世界时偏差误差、定位精度、测速精度、授时精度、POOP可用性、定位服务可用性;指标值来源于历史数据或建模仿真,各指标对应的指标值做为评估样本;
步骤S102:构建决策信息表,所述决策信息表为二维信息表,所述二维信息表中,横轴前n位为C1,C2,…,Cn,分别对应于试验鉴定的各指标,即表示条件属性;纵轴为x1,x2,…,xn,分别对应于各评估样本;由坐标点(Ci,xj)确定的值为指标Ci的评估样本xj的样本数据值;d为决策属性,对应于各指标的评估结果,以能够量化的数据值进行体现,d设置于决策信息表中的最后一列,即第n+1位,1≤i≤n;
步骤S103:确定所述决策信息表中的条件属性以及决策属性,对所述决策信息表中的试验鉴定的指标进行约简,所述决策信息表中的条件属性为航天型号试验鉴定的各指标,所述决策信息表中的决策属性为决策信息表中最后一列数据值;
步骤S104:将约简后的指标集转化为二进制编码的形式,约简后保留的指标集作为属性集,基于所述属性集构建粒子,采用粒子群算法对所述指标集进行再次约简。
根据本发明第二方面,提供一种航天型号试验鉴定指标评估装置,所述装置包括:
获取模块:配置为获取航天型号试验鉴定的全部指标;对进行航天型号试验的航天型号提取各指标对应的指标值,所述全部指标包括卫星入轨精度、卫星钟误差、卫星时延误差、卫星轨道保持精度、卫星星历误差、空间信号广播轨道精度、空间信号广播钟差精度、空间信号测距误差、空间信号测距二阶变化率误差、空间信号可用性、空间信号连续性、协调世界时偏差误差、定位精度、测速精度、授时精度、POOP可用性、定位服务可用性;指标值来源于历史数据或建模仿真,各指标对应的指标值做为评估样本;
决策信息表构建模块:配置为构建决策信息表,所述决策信息表为二维信息表,所述二维信息表中,横轴前n位为C1,C2,…,Cn,分别对应于试验鉴定的各指标,即表示条件属性;纵轴为x1,x2,…,xn,分别对应于各评估样本;由坐标点(Ci,xj)确定的值为指标Ci的评估样本xj的样本数据值;d为决策属性,对应于各指标的评估结果,以能够量化的数据值进行体现,d设置于决策信息表中的最后一列,即第n+1位,1≤i≤n;
约简模块:配置为确定所述决策信息表中的条件属性以及决策属性,对所述决策信息表中的试验鉴定的指标进行约简,所述决策信息表中的条件属性为航天型号试验鉴定的各指标,所述决策信息表中的决策属性为决策信息表中最后一列数据值;
二次约简模块:配置为将约简后的指标集转化为二进制编码的形式,约简后保留的指标集作为属性集,基于所述属性集构建粒子,采用粒子群算法对所述指标集进行再次约简。
根据本发明第三方面,提供一种航天型号试验鉴定指标评估***,包括:
处理器,用于执行多条指令;
存储器,用于存储多条指令;
其中,所述多条指令,用于由所述存储器存储,并由所述处理器加载并执行如前所述的航天型号试验鉴定指标评估方法。
根据本发明第四方面,提供一种计算机可读存储介质,所述存储介质中存储有多条指令;所述多条指令,用于由处理器加载并执行如前所述的航天型号试验鉴定指标评估方法。
根据本发明的上述方案,解决相关人员开展航天型号试验鉴定工作面临的指标难以聚焦的问题,有针对性地优化精简试验鉴定指标,保证航天型号试验鉴定工作的质量与效率。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明提供如下附图进行说明。在附图中:
图1为本发明一个实施方式的航天型号试验鉴定指标评估方法流程图;
图2为本发明一个实施方式的北斗导航卫星试验鉴定效能试验指标评估方法示意图;
图3为本发明一个实施方式的航天型号试验鉴定指标评估装置结构框图。
具体实施方式
北斗卫星导航***为陆、海、空、天等各类用户提供必要的服务,从服务功能特征层面来说,包括基本导航服务、位置报告与报文通信服务、星基增强服务类。具体可以归结为四大功能,分别是定位、导航、授时、通信。(1)定位功能。北斗卫星导航***是我国自主研发的导航***,定位误差不超过10米,某些应用场景的精度甚至可以达到毫米级,比美国GPS***定位误差还要低。用户终端可以按照北斗卫星导航***的实际授权情况完成位置汇报工作,方便指挥机构了解当前定位终端的动态。(2)导航功能。这是北斗卫星导航***最主要的功能,一台终端机可以接收来自不同***的定位信号,测速精度每秒可达0.2米。(3)授时功能。北斗卫星导航***在为用户提供定位服务的同时,也能够提供授时功能,测量精度可达到50ms,常用于极地探险、远洋考察等场景。(4)短报文通信功能。北斗卫星导航***向已授权的用户提供该功能,配属完成后移动终端可以和指挥机在不受距离约束的前提下进行信息传输。同时,移动终端也能完成点对点通信,将其用于抢险救灾中可以取得良好的效果。
卫星导航***实现服务功能的主要原理是利用卫星在空间的分布以及卫星与地球表面之间的距离交会坐标,算出地面点的具***置。从理论上讲,需要两个时钟,分别为:卫星钟、用户接收机钟。由于卫星钟与用户接收机钟存在时钟误差,因而距离测量值称为伪距。导航卫星***试验指标一般是围绕测量误差进行分析,从伪距的物理定义和梳理出来的各种误差源参数着手。时间基准和坐标基准是卫星导航的核心参考,也是用户定位的基础。用户导航定位的结果受卫星导航***信号测距精度的影响很大,导航信号测距精度越高,信号越稳定,用户就更容易接收和跟踪信号,***提供服务的连续性和完好性就越强,服务性能就相对较好。
首先结合图1说明本发明一个实施方式的航天型号试验鉴定指标评估方法流程。如图1所示,所述方法包括以下步骤:
步骤S101:获取航天型号试验鉴定的全部指标;对进行航天型号试验的航天型号提取各指标对应的指标值,所述全部指标包括卫星入轨精度、卫星钟误差、卫星时延误差、卫星轨道保持精度、卫星星历误差、空间信号广播轨道精度、空间信号广播钟差精度、空间信号测距误差、空间信号测距二阶变化率误差、空间信号可用性、空间信号连续性、协调世界时偏差误差、定位精度、测速精度、授时精度、POOP可用性、定位服务可用性;指标值来源于历史数据或建模仿真;
步骤S102:构建决策信息表,所述决策信息表为二维信息表,所述二维信息表中,横轴前n位为C1,C2,…,Cn,分别对应于试验鉴定的各指标,即表示条件属性;纵轴为x1,x2,…,xn,分别对应于各评估样本;由坐标点(Ci,xj)确定的值为指标Ci的评估样本xj的样本数据值;d为决策属性,对应于各指标的评估结果,以能够量化的数据值进行体现,d设置于决策信息表中的最后一列,即第n+1位;
步骤S103:确定所述决策信息表中的条件属性以及决策属性,对所述决策信息表中的试验鉴定的指标进行约简,所述决策信息表中的条件属性为航天型号试验鉴定的各指标,所述决策信息表中的决策属性为决策信息表中最后一列数据值;
一个***的知识是否可以约简,取决于***去除某属性后***知识是否协调,***知识的协调性又与***属性的依赖度有关,所以考察***属性之间的依赖度可以决定***的知识是否可以约简,而根据属性依赖度定义的属性重要度往往是属性约简的重要启发式信息基于可辨识矩阵的启发式约简算法,因此,我们需要确定所述决策信息表中的条件属性以及决策属性,对所述决策信息表中的试验鉴定的指标进行约简,本实施例中,利用可辨识矩阵的方法求得属性核,再对含有多个属性的元素项依次考虑,结合属性依赖度、属性重要度等启发式策略求得约简。
步骤S104:将约简后的指标集转化为二进制编码的形式,约简后保留的指标集作为属性集,基于所述属性集构建粒子,采用粒子群算法对所述指标集进行再次约简。
本实施例中,所述步骤S102:构建决策信息表的原理是:
集合U的元素为待处理的对象,集合U的子集称为U的概念,集合U的任意概念簇即为关于U的知识,所述概念簇为集合U的一个划分{X1,X2,…,Xi};
定义1:若Xi、Xj为U的子集,且Xi≠φ,Xi∩Xj=φ,则称{Xi|i≤k}为U的划分;划分即用于表征分类,即将集合U中的对象分成不同类,这些类之间互不相交,且任一对象均包含于某一类中,其中,i≤k,i≠j,i为任意子集的下角标,j为任意子集的下角标,k为不同子集的下角标的范围,为从i起始到k的子集。
定义2设R是U上的等价关系,称(U,R)为近似空间,由(U,R)产生的等价关系为U/R={[xi]R|xi∈U},其中[xi]R={xj|(xi,xj)∈R}。
定义3一个信息***可以用一个四元组S=(U,A,V,f)来表示,其中U为由对象组成的非空有限集合,称为论域;A={a1,a2,…,am}表示属性的非空有限集合;V表示属性值集合,V=∪Va,Va表示属性a的值域;f表示U×A→V的一个信息函数,它为每个对象的每个属性上赋予了一个信息值,即对于任意一个a∈A,x∈U,则有f(x,a)∈Va。
本实施例中,将论域U用信息表表示,它是描述知识的数据表格,一个信息表可以看作是定义的一个等价关系簇,即知识库。
当信息***中属性A=C∪D,且C∩D=φ,其中C={c1,c2,…,cn}为条件属性的非空有限集合,D={d}为决策属性集时,该信息***被称为决策信息***。
对每个属性子集B∈R,定义一个不可分辨的二元关系IND(B),即IND(B)={(x,y)|(x,y)∈U2,∨b∈B(b(x)=b(y))},IND(B)是一个等价关系,且IND(B)=∩b∈BIND({b}),其中,(x,y)为二元关系的任意元素,x为集合U的任意元素,y为集合U的任意元素,U2为U×U,即表示两集合的直积,b为属性条件,B(b(x)=b(y))为条件属性指标值一致,b(x)为属性条件的指标值,b(y)为属性条件的指标值。
本实施例中,以航天型号试验鉴定的各指标作为条件属性,指标的评估结果作为决策属性,构建试验鉴定指标评估决策信息***。该试验鉴定指标评估决策信息***可以用二维信息表的形式表示,也可称为决策信息表,表中C1,C2,…,Cn为纵轴条件属性,分别对应于试验鉴定的各指标,x1,x2,…,xn为横轴对应的各评估样本,即各指标对应的指标值,d为决策属性,对应于各指标的评估结果;指标数据来源于历史数据或建模仿真。
所述步骤S103:确定所述决策信息表中的条件属性以及决策属性,对所述决策信息表中的试验鉴定的指标进行约简,包括:
确定约简策略,所述约简策略包括:
设子集P和子集T是定义在论域集合U上的等价关系簇,C为条件属性集,D为决策属性集,且则T的P正域记作POSP(T)=∪P(X),其中X∈U/T。若POSP(T)=POS(P-{a}),则称子集P中的条件属性a为T可省略的,否则称子集P中条件属性a为T必要的,POS(P-{a})为删除属性a后的正域。
子集P中所有T的必要条件属性形成的集合,称为P的T核,记作CORET(P);若决策表中每个条件属性都是必要的,则称条件属性集C是相对D独立的;否则称C是相对D依赖的。
如果决策表中条件属性集C的子集B相对D独立,且POSB(D)=POSC(D),则称B是C的一个D相对约简,所有C的D约简构成的集合记作REDD(C)。由于CORET(P)=∩REDT(P),因此属性核是决策表中的重要组成部分,是属性约简时不能删除的属性;D的B正域记作POSB(D)D的B正域,D的C正域记作POSC(D)D的C正域,REDT(P)为所有P的T约简构成的集合。
在决策表中,不同指标可能有不同的重要性。令C和D分别为条件属性集和决策属性集,属性子集关于D的重要性定义为σCD(C’)=γC(D)-γC-C′(D),所以,当C′={a}时,属性a属于C关于D的重要性定义为σCD(a)=γC(D)-γC-{a}(D)。属性依赖度表示条件属性与决策属性之间关系的度量。设知识库K=(U,R),R表示一个等价关系,且知识当K=γ(P,Q)=γp(Q)=|POSP(Q)|/|U|,则称Q是P的K度依赖,γ(P,Q)为P,Q的依赖度,γp(Q)为Q对P的依赖度,POSP(Q)为P在U/IND(Q)中的正域,|POSP(Q)|为该POSP(Q)元素的个数,|U|为论域元素的个数。
根据上述公式使用MATLAB软件进行编译,程序如下:
利用一个简单的例子说明上述公式之间的关系:
假设下表包含三个L、M、N三个条件属性和一个决策属性D。
U | L | M | N | D |
X1 | 0 | 0 | 1 | 0 |
X2 | 1 | 0 | 0 | 1 |
X3 | 1 | 1 | 2 | 0 |
X4 | 0 | 2 | 1 | 1 |
X5 | 1 | 0 | 0 | 1 |
U/D={{X1,X3},{X2,X4,X5}};U/L={{X1,X4},{X2,X3,X5}};
U/M={{X1,X2,X5},{X3},{X4}};U/N={{X1,X4},{X2,X5},{X3}};
所以得到POSL(D)=φ;POSM(D)={X2,X3,X5};POSN(D)={X3,X4};
POS{L,M}(D)={{X2,X5},{X1},{X3}{X4}};
POS{L,N}(D)={{X2,X5},{X1,X4},{X3}};
POS{M,N}(D)={{X2,X5},{X1},{X3}{X4}};
POS{L,M,N}(D)={{X2,X5},{X1},{X3}{X4}};
因为POS{L,M}(D)=POS{M,N}(D)=POS{L,M,N}(D),所以{L,M}和{M,N}是该决策信息表的约简,进一步CORE(D)={L,M}∩{M,N}=M。
根据指标对于决策属性的重要性不同,运用前面提到的属性核、重要性的计算策略,先计算出各指标的属性核和属性重要性,以属性核为起点,依次添加属性重要性比较大的指标到属性核中,设定一个边界值,从而实现对一部分指标进行约简。
又一实施例中,从所述决策信息表中,读取各样本数据中该指标的数值,基于该指标对应的各样本数据的数值,求取该指标的期望值,作为该指标的预期期望值;基于所述决策信息表中的样本数据值及条件属性中各指标,通过可辨识矩阵的方法求得作为属性核的指标,以属性核为起点,预设一个边界值,依次添加预期期望值最大的指标,直至属性核中指标数大于或等于边界值;将属性核中的全部指标作为约简后的指标集。所述步骤S104:将约简后的指标集转化为二进制编码的形式,约简后保留的指标集作为属性集,基于所述属性集构建粒子,采用粒子群算法对所述指标集进行再次约简,其中:
约简后的决策信息表中,约简后保留的指标集合作为属性集,将约简后的属性集中的全部指标转化为二进制编码的形式,即基于所述属性集构建粒子。
采用粒子群算法对指标集进行再次约简,其中:
将约简后的指标转化为二进制编码的形式,具体方式如下:假设决策表的指标集为l={l1,l2,…,lm},基于二进制编码的思想,将属性集表示成二进制串p={e1,e2,…,ek,em},当ek=0时,表示未选择属性ek;当ek=1时,表示选择属性ek。
基于所述指标集构建粒子,粒子的长度表示指标集中所有指标的个数,粒子上每一位的取值为0或1,其中取值为0表示此粒子未选择相应位置的指标;取值为1表示此个体选择相应位置的指标。
例如,所述决策信息表中,约简后保留的指标集合包括如下指标{卫星入轨精度、卫星轨道保持精度、空间信号广播轨道精度、空间信号测距二阶变化率误差、空间信号可用性、空间信号连续性定位服务可用性},将约简后保留的指标设置编号,例如,卫星入轨精度编号为1、卫星轨道保持精度编号为2、空间信号广播轨道精度编号为3、空间信号测距二阶变化率误差编号为4、空间信号可用性编号为5、空间信号连续性定位服务可用性编号为6,则将数字1-6转化为二进制数据,001,010,011,100,101,110,则构建的粒子形式例如可以为{001,010,011,100,101,110}、{001,0,011,100,101,110}、{0,0,0,100,101,110}。
初始化粒子群,将属性核所包含的属性在初始化时,其对应的位置初始化为1。
粒子群初始化公式:
其中rand()生成0或1的随机数,γk(D)表示决策属性D对第k个条件属性依赖度的值。
本实施例中,适应度函数为
其中,f(p)为决策表中指标的二进制串的适应度函数,p为决策表中指标的二进制串,k1为适应度系数,γp为指标p的依赖度,γc为条件属性C的依赖度,k2为适应度系数,card(C)为条件属性C的元素个数,card(p)为指标p的元素个数,其中元素个数是指集合中单独存在的元素个数;
k1、k2的动态调节公式为
局部极值和全局极值公式为
其中f(i)表示第i个粒子的适应值,f(pbest(i))表示第i个例子的局部极值的适应值,f(gbest)表示此时全局极值的适应值。
更新粒子速度公式为
其中,c1、c2为学习因子或加速系数,c1表示粒子下一步动作来源于自己经验部分所占的权重,c2表示粒子下一步动作来源于其它粒子经验部分所占的权重,本实施例中取值为2;rand1()、rand2()为取值范围在[0,1]之间的随机数;ω为惯性权重,能够使粒子保持运动惯性,使其有搜索扩展空间的趋势,本实施例中取值为0.8;为第i个例子的粒子速度的k次方,为第i个例子的粒子速度的k+1次方,pbest(i)k为第i个例子的局部极值的k次方,为第i个例子的二进制的k次方,为全局极值的k次方。
通过阀值在[0,1]之间的函数实现连续值到离散值的转换。
进一步地,该粒子群算法中引入了交叉变异机制,采用具有交叉变异机制的粒子群算法,其中的交叉变异方式为:
选择操作,使用比较选择法,以当前种群的平均适应值Average进行评判,自身适应值高的粒子将被复制到下一代,甚至复制多次;自身适应值低的粒子将进行交叉和变异操作。
交叉运算,是产生新粒子的主要方法,一般采用随机单点交叉,通过两个相互配对的染色体依据交叉概率Pc相互交换其部分基因,从而形成两个新的个体。
变异运算,采用基本位变异方法。对个体的每一个基因组,依照变异概率Pm指定其为变异点,对每一个指定的变异点,基因核中属性对应的部分基因位进行“0”和“1”之间的翻转,从而产生出一个新的个体。
通过选择策略被复制的粒子与完成交叉变异后的粒子构成了全新种群。
所述粒子群算法的步骤包括:
步骤S1:通过计算各个属性的属性依赖度,以此计算属性核CORE(C);若γCORE(C)=γC,那么属性核CORE(C)就是最小相对约简Q,此时终止运行,方法结束;否则执行步骤S2;
步骤S2:初始化粒子群,计算各粒子的适应值,并初始化pbest(i)、gbest,t=1,设置最大迭代次数T;
步骤S3:更新粒子群,更新粒子的速度和位置;计算在t时刻,第i个粒子的适应值f(i)及当前种群的平均适应值Average;
步骤S4:依据比较选择法的方式进行粒子选择,视交叉概率Pc和变异概率Pm获得新一代种群;
步骤S5:如果连续N次迭代全局极值都没有改进或达到最大迭代次数T时,转步骤S6;否则转步骤S3。
步骤S6:终止运行,输出全局最优粒子gbest,即为所求的最小相对约简。
所述粒子群算法的输入为决策信息***S=(U,C∪D,V,f),即约简后的决策信息表,输出为决策信息***S的最小属性约简。
本实施例中,获得简化后的指标集。通过粗糙集和遗传粒子群算法进行属性约简,得到的集合即为航天型号试验鉴定指标集,用于对航天型号进行鉴定。
下面的实施例用于说明本发明的实现方式。
以北斗导航卫星试验鉴定中效能试验指标科目为例,运用前面提出的方法进行指标优化。从卫星使命任务及应用场景出发,分析其能力需求,构建北斗导航卫星试验鉴定试验指标集合,如下表1所示。
表1北斗导航卫星试验鉴定中效能试验指标集合
本实施例中,对各指标进行量化,该步骤为可选步骤,不是必须执行的。量化标准如表2。
表2指标量化标准
通过采集同类卫星历史数据,获取指标信息。以C1,C2,……,C18为条件属性,效能结果D为决策属性,选取20组评估样本,构建北斗导航卫星试验鉴定效能试验指标决策信息表,如表3所示。
U | C1 | C2 | C3 | C4 | C5 | C6 | C7 | C8 | C9 | C10 | C11 | C12 | C13 | C14 | C15 | C16 | C17 | C18 | D |
x<sub>1</sub> | 2 | 2 | 1 | 1 | 1 | 3 | 1 | 1 | 2 | 1 | 2 | 3 | 1 | 2 | 2 | 1 | 1 | 2 | 1 |
x<sub>2</sub> | 1 | 1 | 1 | 2 | 2 | 1 | 1 | 1 | 1 | 2 | 1 | 1 | 1 | 2 | 1 | 1 | 1 | 1 | 1 |
x<sub>3</sub> | 3 | 1 | 2 | 3 | 2 | 1 | 1 | 1 | 2 | 2 | 3 | 2 | 2 | 2 | 1 | 1 | 2 | 2 | 2 |
…… | |||||||||||||||||||
x<sub>18</sub> | 1 | 2 | 2 | 3 | 1 | 1 | 2 | 1 | 2 | 2 | 2 | 3 | 1 | 1 | 2 | 2 | 2 | 1 | 2 |
x<sub>19</sub> | 2 | 2 | 2 | 1 | 1 | 1 | 1 | 2 | 1 | 1 | 1 | 1 | 1 | 3 | 1 | 1 | 1 | 1 | 2 |
x<sub>20</sub> | 2 | 1 | 3 | 1 | 2 | 2 | 1 | 2 | 2 | 1 | 2 | 2 | 1 | 2 | 1 | 1 | 1 | 1 | 2 |
表3决策信息表
采用基于遗传粒子群算法的属性约简方法,对表3北斗导航卫星试验鉴定效能试验指标决策信息表进行属性约简。选取交叉概率Pc=0.25和变异概率Pm=0.9,可得到一个最优解为[001111111011011101],即可得到属性约简集为{C3,C4,C5,C6,C7,C8,C9,C11,C12,C14,C15,C16,C18}。因此,可得到优化的二级指标为13个:卫星时延误差、卫星轨道保持精度、卫星星历误差、空间信号广播轨道精度、空间信号广播钟差精度、空间信号测距误差、空间信号测距变化率误差、空间信号可用性、空间信号连续性、定位精度、测速精度、授时精度、定位服务可用性。
基于优化后的指标,试验需要重点关注的指标从18个减少到了13个,试验鉴定内容得到了简化。
本发明实施例进一步给出一种航天型号试验鉴定指标评估装置,如图3所示,所述装置包括:
获取模块:配置为获取航天型号试验鉴定的全部指标;对进行航天型号试验的航天型号提取各指标对应的指标值,所述全部指标包括卫星入轨精度、卫星钟误差、卫星时延误差、卫星轨道保持精度、卫星星历误差、空间信号广播轨道精度、空间信号广播钟差精度、空间信号测距误差、空间信号测距二阶变化率误差、空间信号可用性、空间信号连续性、协调世界时偏差误差、定位精度、测速精度、授时精度、POOP可用性、定位服务可用性;指标值来源于历史数据或建模仿真,各指标对应的指标值做为评估样本;
决策信息表构建模块:配置为构建决策信息表,所述决策信息表为二维信息表,所述二维信息表中,横轴前n位为C1,C2,…,Cn,分别对应于试验鉴定的各指标,即表示条件属性;纵轴为x1,x2,…,xn,分别对应于各评估样本;由坐标点(Ci,xj)确定的值为指标Ci的评估样本xj的样本数据值;d为决策属性,对应于各指标的评估结果,以能够量化的数据值进行体现,d设置于决策信息表中的最后一列,即第n+1位,1≤i≤n;
约简模块:配置为确定所述决策信息表中的条件属性以及决策属性,对所述决策信息表中的试验鉴定的指标进行约简,所述决策信息表中的条件属性为航天型号试验鉴定的各指标,所述决策信息表中的决策属性为决策信息表中最后一列数据值;
二次约简模块:配置为将约简后的指标集转化为二进制编码的形式,约简后保留的指标集作为属性集,基于所述属性集构建粒子,采用粒子群算法对所述指标集进行再次约简。
本发明实施例进一步给出一种航天型号试验鉴定指标评估***,包括:
处理器,用于执行多条指令;
存储器,用于存储多条指令;
其中,所述多条指令,用于由所述存储器存储,并由所述处理器加载并执行如前所述的航天型号试验鉴定指标评估方法。
本发明实施例进一步给出一种计算机可读存储介质,所述存储介质中存储有多条指令;所述多条指令,用于由处理器加载并执行如前所述的航天型号试验鉴定指标评估方法。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
在本发明所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如,多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机装置(可以是个人计算机,实体机服务器,或者网络云服务器等,需安装Ubuntu操作***)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(RandomAccessMemory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (6)
1.一种航天型号试验鉴定指标评估方法,其特征在于,所述方法包括以下步骤:
步骤S101:获取航天型号试验鉴定的全部指标;对进行航天型号试验的航天型号提取各指标对应的指标值,所述全部指标包括卫星入轨精度、卫星钟误差、卫星时延误差、卫星轨道保持精度、卫星星历误差、空间信号广播轨道精度、空间信号广播钟差精度、空间信号测距误差、空间信号测距二阶变化率误差、空间信号可用性、空间信号连续性、协调世界时偏差误差、定位精度、测速精度、授时精度、POOP可用性、定位服务可用性;指标值来源于历史数据或建模仿真,各指标对应的指标值做为评估样本;
步骤S102:构建决策信息表,所述决策信息表为二维信息表,所述二维信息表中,横轴前n位为C1,C2,…,Cn,分别对应于试验鉴定的各指标,即表示条件属性;纵轴为x1,x2,…,xn,分别对应于各评估样本;由坐标点(Ci,xj)确定的值为指标Ci的评估样本xj的样本数据值;d为决策属性,对应于各指标的评估结果,以能够量化的数据值进行体现,d设置于决策信息表中的最后一列,即第n+1位,1≤i≤n;
步骤S103:确定所述决策信息表中的条件属性以及决策属性,对所述决策信息表中的试验鉴定的指标进行约简,所述决策信息表中的条件属性为航天型号试验鉴定的各指标,所述决策信息表中的决策属性为决策信息表中最后一列数据值;
步骤S104:将约简后的指标集转化为二进制编码的形式,约简后保留的指标集作为属性集,基于所述属性集构建粒子,采用粒子群算法对所述指标集进行再次约简。
2.如权利要求1所述的航天型号试验鉴定指标评估方法,其特征在于,从所述决策信息表中,读取各样本数据中该指标的数值,基于该指标对应的各样本数据的数值,求取该指标的期望值,作为该指标的预期期望值;基于所述决策信息表中的样本数据值及条件属性中各指标,通过可辨识矩阵的方法求得作为属性核的指标,以属性核为起点,预设一个边界值,依次添加预期期望值最大的指标,直至属性核中指标数大于或等于边界值;将属性核中的全部指标作为约简后的指标集。
3.如权利要求2所述的航天型号试验鉴定指标评估方法,其特征在于,所述步骤S104:将约简后的指标集转化为二进制编码的形式,约简后保留的指标集作为属性集,基于所述属性集构建粒子,采用粒子群算法对所述指标集进行再次约简,其中:
将约简后的指标集中的全部指标转化为二进制编码的形式,即基于所述属性集构建粒子;
采用粒子群算法对指标集进行再次约简,其中:
将约简后的指标转化为二进制编码的形式,具体方式如下:指标集为l={l1,l2,…,lm},将属性集表示成二进制串p={e1,e2,…,em},m为约简后的指标集中指标的数量;当ek=0时,表示未选择属性ek;当ek=1时,表示选择属性ek;
初始化粒子群,粒子群初始化公式:
其中rand()生成0或1的随机数,γk(D)表示决策属性D对第k个条件属性依赖度的值。
4.一种航天型号试验鉴定指标评估装置,其特征在于,所述装置包括:
获取模块:配置为获取航天型号试验鉴定的全部指标;对进行航天型号试验的航天型号提取各指标对应的指标值,所述全部指标包括卫星入轨精度、卫星钟误差、卫星时延误差、卫星轨道保持精度、卫星星历误差、空间信号广播轨道精度、空间信号广播钟差精度、空间信号测距误差、空间信号测距二阶变化率误差、空间信号可用性、空间信号连续性、协调世界时偏差误差、定位精度、测速精度、授时精度、POOP可用性、定位服务可用性;指标值来源于历史数据或建模仿真,各指标对应的指标值做为评估样本;
决策信息表构建模块:配置为构建决策信息表,所述决策信息表为二维信息表,所述二维信息表中,横轴前n位为C1,C2,…,Cn,分别对应于试验鉴定的各指标,即表示条件属性;纵轴为x1,x2,…,xn,分别对应于各评估样本;由坐标点(Ci,xj)确定的值为指标Ci的评估样本xj的样本数据值;d为决策属性,对应于各指标的评估结果,以能够量化的数据值进行体现,d设置于决策信息表中的最后一列,即第n+1位,1≤i≤n;
约简模块:配置为确定所述决策信息表中的条件属性以及决策属性,对所述决策信息表中的试验鉴定的指标进行约简,所述决策信息表中的条件属性为航天型号试验鉴定的各指标,所述决策信息表中的决策属性为决策信息表中最后一列数据值;
二次约简模块:配置为将约简后的指标集转化为二进制编码的形式,约简后保留的指标集作为属性集,基于所述属性集构建粒子,采用粒子群算法对所述指标集进行再次约简。
5.一种航天型号试验鉴定指标评估***,包括:
处理器,用于执行多条指令;
存储器,用于存储多条指令;
其中,所述多条指令,用于由所述存储器存储,并由所述处理器加载并执行如权利要求1-3中任一项所述的航天型号试验鉴定指标评估方法。
6.一种计算机可读存储介质,所述存储介质中存储有多条指令;所述多条指令,用于由处理器加载并执行如权利要求1-3中任一项所述的航天型号试验鉴定指标评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110998025.5A CN113837552B (zh) | 2021-08-27 | 2021-08-27 | 一种航天型号试验鉴定指标评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110998025.5A CN113837552B (zh) | 2021-08-27 | 2021-08-27 | 一种航天型号试验鉴定指标评估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113837552A CN113837552A (zh) | 2021-12-24 |
CN113837552B true CN113837552B (zh) | 2022-11-29 |
Family
ID=78961323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110998025.5A Active CN113837552B (zh) | 2021-08-27 | 2021-08-27 | 一种航天型号试验鉴定指标评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113837552B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114638550B (zh) * | 2022-05-12 | 2022-10-11 | 国网江西省电力有限公司电力科学研究院 | 一种储能电站配置方案的指标筛选方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763529A (zh) * | 2010-01-14 | 2010-06-30 | 中山大学 | 基于遗传算法的粗糙集属性约简方法 |
CN111832949A (zh) * | 2020-07-17 | 2020-10-27 | 中国人民解放军战略支援部队航天工程大学 | 一种装备作战试验鉴定指标体系构建方法 |
-
2021
- 2021-08-27 CN CN202110998025.5A patent/CN113837552B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763529A (zh) * | 2010-01-14 | 2010-06-30 | 中山大学 | 基于遗传算法的粗糙集属性约简方法 |
CN111832949A (zh) * | 2020-07-17 | 2020-10-27 | 中国人民解放军战略支援部队航天工程大学 | 一种装备作战试验鉴定指标体系构建方法 |
Non-Patent Citations (2)
Title |
---|
基于决策树优化粗糙集的设备故障诊断指标集约简的方法研究;李晋等;《中国煤炭》;20160222(第02期);全文 * |
禁忌离散粒子群优化的粗糙集属性约简算法;张荣光等;《小型微型计算机***》;20170815(第08期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113837552A (zh) | 2021-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Milojevic-Dupont et al. | Learning from urban form to predict building heights | |
CN111667050B (zh) | 度量学习方法、装置、设备及存储介质 | |
CN108540988B (zh) | 一种场景划分方法及装置 | |
CN113360587B (zh) | 一种基于gis技术的土地测绘设备及测绘方法 | |
CN113723715A (zh) | 公交线网自动匹配道路网络方法、***、设备及存储介质 | |
CN116437291B (zh) | 一种基于手机信令的文化圈规划方法和*** | |
CN110889196A (zh) | 水环境承载力评估方法、装置及存储介质 | |
CN113837552B (zh) | 一种航天型号试验鉴定指标评估方法及装置 | |
Gervasoni et al. | Convolutional neural networks for disaggregated population mapping using open data | |
CN117252863B (zh) | 一种地理信息异常数据快速检测分析方法 | |
Wong et al. | Using geometry-based metrics as part of fitness-for-purpose evaluations of 3D city models | |
CN112148821B (zh) | 一种城市混合职住空间计算方法和*** | |
CN114281950B (zh) | 基于多图加权融合的数据检索方法与*** | |
RU2591239C1 (ru) | Системы и способы для оценивания возможности коллекторной системы | |
Du et al. | Similarity measurements on multi‐scale qualitative locations | |
Mosavi | An effective method for GPS GDOP clustering using ant colony optimization algorithm | |
Tibor | Visualization-based decision support for value-driven system design | |
CN116612421B (zh) | 一种融合多源空间数据的建成环境识别方法及设备 | |
JP2020035042A (ja) | データ判定装置、方法、及びプログラム | |
CN116452014B (zh) | 应用于城市规划的企业集群确定方法、装置及电子设备 | |
CN113220812B (zh) | 一种基于多源地图平台交叉验证的数据空间化方法及装置 | |
Abramova et al. | Towards the Unified Approach for Obtaining Hydro-Meteorological and Landscape Characteristics for River Catchments | |
Torres i Garzo | Implementing spatio-temporal GNN in IGNNITION | |
JP4384105B2 (ja) | 空間データマイニング装置、方法およびプログラム | |
Hassan et al. | Statistical inference and residual analysis for the evaluation of datum transformation models developed on 3D coordinate data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |