本發(fā)明涉及仿真，尤其涉及一種復(fù)雜仿真系統(tǒng)的逼真度預(yù)測(cè)方法。

背景技術(shù)：

1、在演化的過(guò)程中，體系對(duì)抗仿真系統(tǒng)的網(wǎng)絡(luò)需要不斷地觀(guān)察和收集數(shù)據(jù)，對(duì)環(huán)境變化做出定向，增加或刪除節(jié)點(diǎn)，因此系統(tǒng)網(wǎng)絡(luò)不斷變化，每個(gè)時(shí)刻系統(tǒng)的逼真度也會(huì)不斷變化，對(duì)系統(tǒng)的全過(guò)程網(wǎng)絡(luò)逼真度評(píng)估需要計(jì)算每個(gè)仿真時(shí)刻系統(tǒng)的逼真度，當(dāng)仿真系統(tǒng)復(fù)雜時(shí)計(jì)算量大，效率低。

技術(shù)實(shí)現(xiàn)思路

1、鑒于上述的分析，本發(fā)明實(shí)施例旨在提供一種復(fù)雜仿真系統(tǒng)的逼真度預(yù)測(cè)方法，用以解決現(xiàn)有方法的復(fù)雜仿真系統(tǒng)逼真度計(jì)算效率低問(wèn)題。

2、一方面，本發(fā)明實(shí)施例提供了一種復(fù)雜仿真系統(tǒng)的逼真度預(yù)測(cè)方法，包括以下步驟：

3、構(gòu)建復(fù)雜仿真系統(tǒng)每個(gè)歷史仿真時(shí)刻對(duì)應(yīng)的超網(wǎng)絡(luò)；基于所述超網(wǎng)絡(luò)計(jì)算每個(gè)歷史仿真時(shí)刻仿真系統(tǒng)的逼真度；提取所述復(fù)雜仿真系統(tǒng)的歷史仿真時(shí)序數(shù)據(jù)，基于所述時(shí)序數(shù)據(jù)和對(duì)應(yīng)的所述逼真度構(gòu)建訓(xùn)練樣本集；

4、構(gòu)建時(shí)序預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)模型，基于所述訓(xùn)練樣本集對(duì)所述時(shí)序預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練得到逼真度預(yù)測(cè)模型；

5、獲取待預(yù)測(cè)仿真系統(tǒng)的待預(yù)測(cè)時(shí)序數(shù)據(jù)輸入所述逼真度預(yù)測(cè)模型，預(yù)測(cè)得到復(fù)雜仿真系統(tǒng)的逼真度。

6、基于上述方法的進(jìn)一步改進(jìn)，所述時(shí)序預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)模型包括：

7、第一編碼模塊，用于對(duì)輸入的仿真時(shí)序數(shù)據(jù)進(jìn)行特征提取得到第一特征；

8、第二編碼模塊，用于對(duì)輸入的逼真度時(shí)序數(shù)據(jù)進(jìn)行特征提取得到第二特征；

9、特征融合模塊，用于將第一特征和第二特征融合得到融合特征；

10、預(yù)測(cè)單元，用于基于融合特征預(yù)測(cè)復(fù)雜仿真系統(tǒng)的逼真度值。

11、基于上述方法的進(jìn)一步改進(jìn)，所述第一編碼模塊包括多層門(mén)控循環(huán)單元；

12、每層門(mén)控循環(huán)單元用于基于輸入數(shù)據(jù)提取隱藏特征；第一層門(mén)控循環(huán)單元的輸入為仿真時(shí)序數(shù)據(jù)和上一個(gè)時(shí)間步最后一層門(mén)控循環(huán)單元輸出的隱藏特征；除最后一層外每一層門(mén)控循環(huán)單元提取的隱藏特征為下一層門(mén)控循環(huán)單元的輸入；最后一層門(mén)控循環(huán)單元輸出的隱藏特征為第一特征。

13、基于上述方法的進(jìn)一步改進(jìn)，所述第二編碼模塊包括單層門(mén)控循環(huán)單元，采用以下公式計(jì)算單層門(mén)控循環(huán)單元提取的隱藏特征：

14、

15、zt＝σ(xtwxz+ht-1whz+bz)

16、rt＝σ(xtwxr+ht-1whr+br)

17、其中，ht表示第t個(gè)時(shí)間步輸出的隱層特征，zt表示第t個(gè)時(shí)間步的更新門(mén)，ht-1表示第t-1個(gè)時(shí)間步輸出的隱層特征，表示第t個(gè)時(shí)間步的候選隱藏狀態(tài)，xt表示第t個(gè)時(shí)間步的輸入數(shù)據(jù)，rt表示第t個(gè)時(shí)間步的重置門(mén)，wxh、wxz和wxr均表示權(quán)重參數(shù)，bh、bz和br均表示偏置參數(shù)，σ(·)表示sigmoid函數(shù)，tanh(·)表示tanh激活函數(shù)。

18、基于上述方法的進(jìn)一步改進(jìn)，采用以下公式計(jì)算時(shí)序預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)模型的損失：

19、

20、其中，yi表示當(dāng)前訓(xùn)練批次中第i個(gè)樣本的逼真度值，表示模型預(yù)測(cè)的第i個(gè)樣本的逼真度值。

21、基于上述方法的進(jìn)一步改進(jìn)，基于所述超網(wǎng)絡(luò)計(jì)算每個(gè)歷史仿真時(shí)刻仿真系統(tǒng)的逼真度，包括：

22、計(jì)算每個(gè)歷史仿真時(shí)刻仿真系統(tǒng)中每個(gè)節(jié)點(diǎn)的重要度；

23、基于每個(gè)節(jié)點(diǎn)的重要度計(jì)算得到每個(gè)歷史仿真時(shí)刻仿真系統(tǒng)的逼真度。

24、基于上述方法的進(jìn)一步改進(jìn)，采用以下方式計(jì)算每個(gè)歷史仿真時(shí)刻仿真系統(tǒng)中每個(gè)節(jié)點(diǎn)的重要度：

25、基于每個(gè)歷史仿真時(shí)刻系統(tǒng)的超網(wǎng)絡(luò)搜索ooda環(huán)，計(jì)算每個(gè)ooda環(huán)的初始綜合對(duì)抗能力；

26、對(duì)于每個(gè)節(jié)點(diǎn)，將其作為失效節(jié)點(diǎn)，基于網(wǎng)絡(luò)級(jí)聯(lián)失效分析更新超網(wǎng)絡(luò)；基于更新后的超網(wǎng)絡(luò)計(jì)算每個(gè)ooda環(huán)的更新后的綜合對(duì)抗能力；

27、基于每個(gè)ooda環(huán)的初始綜合對(duì)抗能力和更新后的綜合對(duì)抗能力，得到所述失效節(jié)點(diǎn)的重要度。

28、基于上述方法的進(jìn)一步改進(jìn)，采用以下公式計(jì)算得到所述失效節(jié)點(diǎn)的重要度：

29、

30、其中，表示第j個(gè)ooda環(huán)的初始綜合對(duì)抗能力，第j個(gè)ooda環(huán)的更新后的綜合對(duì)抗能力，表示第j個(gè)ooda環(huán)的權(quán)重，value(v)表示節(jié)點(diǎn)v的重要性評(píng)估結(jié)果，nt表示仿真系統(tǒng)中目標(biāo)節(jié)點(diǎn)的數(shù)量，表示第i個(gè)目標(biāo)節(jié)點(diǎn)所在的ooda環(huán)的數(shù)量。

31、基于上述方法的進(jìn)一步改進(jìn)，采用以下方式計(jì)算每個(gè)ooda環(huán)的初始綜合對(duì)抗能力：

32、

33、其中，pop表示ooda環(huán)的目標(biāo)毀傷概率，qop表示ooda環(huán)拓?fù)浣Y(jié)構(gòu)的穩(wěn)定性，w1和w2分別表示ooda環(huán)的目標(biāo)毀傷概率和拓?fù)浣Y(jié)構(gòu)穩(wěn)定性的權(quán)重。

34、基于上述方法的進(jìn)一步改進(jìn)，采用以下公式計(jì)算ooda環(huán)的目標(biāo)毀傷概率：

35、

36、其中，pai表示ooda環(huán)中的第i個(gè)行動(dòng)節(jié)點(diǎn)對(duì)ooda環(huán)中的目標(biāo)節(jié)點(diǎn)的綜合毀傷概率，k表示ooda環(huán)中行動(dòng)節(jié)點(diǎn)的數(shù)量；

37、采用以下公式計(jì)算行動(dòng)節(jié)點(diǎn)對(duì)ooda環(huán)中的目標(biāo)節(jié)點(diǎn)的綜合毀傷概率：

38、pa＝ps→d×pd→a×ph×pd

39、其中，ps→d表示行動(dòng)節(jié)點(diǎn)接收到的目標(biāo)情報(bào)信息的質(zhì)量，pd→a表示行動(dòng)節(jié)點(diǎn)接收的指控信息的正確性，ph表示行動(dòng)節(jié)點(diǎn)命中ooda環(huán)中的目標(biāo)節(jié)點(diǎn)的概率，pd表示行動(dòng)節(jié)點(diǎn)對(duì)目標(biāo)節(jié)點(diǎn)的條件毀傷概率，pa表示行動(dòng)節(jié)點(diǎn)對(duì)ooda環(huán)中的目標(biāo)節(jié)點(diǎn)的綜合毀傷概率。

40、與現(xiàn)有技術(shù)相比，本發(fā)明通過(guò)計(jì)算每個(gè)歷史仿真時(shí)刻系統(tǒng)的逼真度并提取對(duì)應(yīng)的數(shù)據(jù)構(gòu)建訓(xùn)練樣本集，基于構(gòu)建的樣本集訓(xùn)練時(shí)序預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)模型，從而得到可以預(yù)測(cè)系統(tǒng)逼真度的逼真度預(yù)測(cè)模型，通過(guò)提取待預(yù)測(cè)時(shí)序數(shù)據(jù)輸入到訓(xùn)練好的逼真度預(yù)測(cè)模型中可快速得到系統(tǒng)的逼真度，避免了復(fù)雜的計(jì)算過(guò)程，從而提高了逼真度計(jì)算效率。

41、本發(fā)明中，上述各技術(shù)方案之間還可以相互組合，以實(shí)現(xiàn)更多的優(yōu)選組合方案。本發(fā)明的其他特征和優(yōu)點(diǎn)將在隨后的說(shuō)明書(shū)中闡述，并且，部分優(yōu)點(diǎn)可從說(shuō)明書(shū)中變得顯而易見(jiàn)，或者通過(guò)實(shí)施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點(diǎn)可通過(guò)說(shuō)明書(shū)以及附圖中所特別指出的內(nèi)容中來(lái)實(shí)現(xiàn)和獲得。

技術(shù)特征：

1.一種復(fù)雜仿真系統(tǒng)的逼真度預(yù)測(cè)方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的復(fù)雜仿真系統(tǒng)的逼真度預(yù)測(cè)方法，其特征在于，所述時(shí)序預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)模型包括：

3.根據(jù)權(quán)利要求2所述的復(fù)雜仿真系統(tǒng)的逼真度預(yù)測(cè)方法，其特征在于，所述第一編碼模塊包括多層門(mén)控循環(huán)單元；

4.根據(jù)權(quán)利要求2所述的復(fù)雜仿真系統(tǒng)的逼真度預(yù)測(cè)方法，其特征在于，所述第二編碼模塊包括單層門(mén)控循環(huán)單元，采用以下公式計(jì)算單層門(mén)控循環(huán)單元提取的隱藏特征：

5.根據(jù)權(quán)利要求1所述的復(fù)雜仿真系統(tǒng)的逼真度預(yù)測(cè)方法，其特征在于，采用以下公式計(jì)算時(shí)序預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)模型的損失：

6.根據(jù)權(quán)利要求1所述的復(fù)雜仿真系統(tǒng)的逼真度預(yù)測(cè)方法，其特征在于，基于所述超網(wǎng)絡(luò)計(jì)算每個(gè)歷史仿真時(shí)刻仿真系統(tǒng)的逼真度，包括：

7.根據(jù)權(quán)利要求5所述的復(fù)雜仿真系統(tǒng)的逼真度預(yù)測(cè)方法，其特征在于，采用以下方式計(jì)算每個(gè)歷史仿真時(shí)刻仿真系統(tǒng)中每個(gè)節(jié)點(diǎn)的重要度：

8.根據(jù)權(quán)利要求7所述的復(fù)雜仿真系統(tǒng)的逼真度預(yù)測(cè)方法，其特征在于，采用以下公式計(jì)算得到所述失效節(jié)點(diǎn)的重要度：

9.根據(jù)權(quán)利要求7所述的復(fù)雜仿真系統(tǒng)的逼真度預(yù)測(cè)方法，其特征在于，采用以下方式計(jì)算每個(gè)ooda環(huán)的初始綜合對(duì)抗能力：

10.根據(jù)權(quán)利要求8所述的復(fù)雜仿真系統(tǒng)的逼真度預(yù)測(cè)方法，其特征在于，采用以下公式計(jì)算ooda環(huán)的目標(biāo)毀傷概率：

技術(shù)總結(jié)
本發(fā)明涉及一種復(fù)雜仿真系統(tǒng)的逼真度預(yù)測(cè)方法，屬于仿真技術(shù)領(lǐng)域，解決了現(xiàn)有技術(shù)中復(fù)雜仿真系統(tǒng)逼真度計(jì)算效率低的問(wèn)題。方法包括以下步驟：構(gòu)建復(fù)雜仿真系統(tǒng)每個(gè)歷史仿真時(shí)刻對(duì)應(yīng)的超網(wǎng)絡(luò)；基于所述超網(wǎng)絡(luò)計(jì)算每個(gè)歷史仿真時(shí)刻仿真系統(tǒng)的逼真度；提取所述復(fù)雜仿真系統(tǒng)的歷史仿真時(shí)序數(shù)據(jù)，基于所述時(shí)序數(shù)據(jù)和對(duì)應(yīng)的所述逼真度構(gòu)建訓(xùn)練樣本集；構(gòu)建時(shí)序預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)模型，基于所述訓(xùn)練樣本集對(duì)所述時(shí)序預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練得到逼真度預(yù)測(cè)模型；獲取待預(yù)測(cè)仿真系統(tǒng)的待預(yù)測(cè)時(shí)序數(shù)據(jù)輸入所述逼真度預(yù)測(cè)模型，預(yù)測(cè)得到復(fù)雜仿真系統(tǒng)的逼真度。實(shí)現(xiàn)了復(fù)雜仿真系統(tǒng)全過(guò)程網(wǎng)絡(luò)逼真度的客觀(guān)高效評(píng)估。

技術(shù)研發(fā)人員：耿化品,史航,鎖斌,佟佳慧
受保護(hù)的技術(shù)使用者：北京機(jī)電工程研究所
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19