基于集成學習的復雜仿真模型驗證方法

周玉臣, 方 可, 馬 萍, 楊 明

(哈爾濱工業大學控制與仿真中心, 黑龍江 哈爾濱 150080)

0 引 言

校核、驗證與確認(verification, validation and accreditation, VV&A)貫穿于復雜仿真模型開發的全生命周期,模型驗證能夠確保對模型中缺陷與錯誤的早期檢測,及時解決各設計開發階段所暴露出的問題,從而保證仿真模型的可信性與正確性,降低應用風險。

復雜仿真模型驗證具有評估對象復雜、數據量大、組織實施困難等特點。文獻[1]指出為了保證模型在應用域內有效,需要對不同想定下獲得的仿真數據與參考數據進行比較,這一過程往往經濟成本與時間成本較高。

如何有效利用海量數據對復雜仿真模型進行驗證是目前模型驗證方法面臨的挑戰之一。相似性分析是復雜仿真模型驗證的主要手段,數據的多樣性導致驗證過程中需要使用不同的數據相似性分析方法。研究人員提出了大量的相似性分析方法對仿真時間序列與參考時間序列的相似性進行度量,文獻[2-4]對數據相似性分析方法進行了綜述。不同的相似性分析方法可以度量仿真模型輸出與參考系統輸出某一個或者某幾個方面的相似性程度,而無法全面的分析具有不同特征的時間序列間的相似性。文獻[5]提出了一種基于神經網絡的周期性時間序列相似性度量方法,該方法通過將數據進行頻域轉換,利用歐式距離度量時間序列在頻域的相似性程度。文獻[6]利用隨機神經網絡(probability neural network, PNN)對定量分析結果與專家主觀相似性評定結果的映射關系進行學習。……