[发明专利]一种基于元模型的装备效能评估结果快速分析方法

权利要求书

1.一种基于元模型的装备效能评估结果快速分析方法，其特征在于，构建数据驱动的武器装备作战效能评估元模型以实现效能评估结果的快速分析，具体包括如下基本步骤：

步骤1、评估指标体系构建：依托对抗仿真推演系统分析效能评估任务需求，构建层次化的评估指标体系；

步骤2、仿真实验设计：基于评估指标体系，采用拉丁超立方实验设计算法获取实验方案样本，运行对抗仿真推演系统，采集仿真数据样本X；

步骤3、元模型拟合：将仿真数据样本X分为训练样本和测试样本，利用粒子群优化算法(PSO)优化BP神经网络权值W和阈值B,然后进行回归分析，拟合出满足误差E要求的效能评估元模型；

步骤4、灵敏度分析：在效能评估元模型的基础上，采用扩展傅里叶变换EFAST全局灵敏度分析算法对效能评估问题进行快速分析，得出评价指标的灵敏度指数S_i的排序。

2.根据权利要求1所述的基于元模型的装备效能评估结果分析方法，其特征在于，步骤1中，所述层次化评估指标体系，具体可表示为：

式中，I,I_i,I_ij分别代表层次化指标体系的一级、二级和三级指标集合；L,M,N分别代表一级、二级、三级指标的数目；i,j,k分别代表第i个/第j/第k个一级/二级/三级指标。

3.根据权利要求1所述的基于元模型的装备效能评估结果分析方法，其特征在于，步骤2中，所述拉丁超立方实验设计算法，具体可表示为：

式中，X为实验方案样本数值集合；(i₁,i₂,…,i_n),(j₁,j₂,…,j_n),(k₁,k₂,…,k_n)代表对应评价指标n个水平数值的随机全排列；m代表评价指标因子数目；n代表样本方案总数；a_pq代表第q个指标因子的第p个水平值。

4.根据权利要求1所述的基于元模型的装备效能评估结果分析方法，其特征在于，步骤3中，所述BP算法的权重调量具体可表示为：

式中Δv_ij代表神经网络输入层第i各神经元到隐层第j个神经元的权重调整系数；Δw_jk代表神经网络隐层第j个神经元到输出层第k个神经元的权重调整系数；d_k为输出层第k个神经元期望输出；o_k为输出层第k个神经元实际输出样本值；y_j为隐层第j个神经元的输出值；x_i为输入层第i个神经元的输入值；η为BP算法的学习效率；

所述PSO优化BP初始权值W及阈值B的过程可表示为：

式中，X＝(X₁,X₂,…,X_n)表示由待优化的权值和阈值组成的n个粒子的种群，表示第k代种群中的第i个粒子的的第d个权值/阈值；V＝(V₁,V₂,…,V_n)表示种群中每个粒子V_i的调整速度，表示第k代种群中第i个粒子的第d个待优化权值/阈值的调整速度；P_g＝(P_g1,P_g2,…,P_gD)^T为种群的全局最优解，表示第k代种群中的第d个权值/阈值的最优解；ω为惯性权重；d＝1,2,…,D；i＝1,2,…,n；k为PSO当前迭代次数；c₁,c₂为非负的加速度常数因子；r₁,r₂为分布在[0,1]之间的随机数；

所述误差要求E具体可表示为：

式中，d为神经网络期望输出值；O为神经网络实际输出值；ε为设定的误差要求常数。

5.根据权利要求1所述的基于元模型的装备效能评估结果分析方法，其特征在于，步骤4中，所述评估指标灵敏度指数S_i具体求解过程如下：

根据步骤3得到的效能评估元模型y＝f(x₁,x₂,…,x_n)，选择Saltelli搜索函数g_i(sinw_is)，将该模型表达式转化为y＝f(s)。于是，模型的总方差：

对y进行傅里叶变换得

其中：

定义傅里叶级数的频谱曲线为其中，A_-j＝A_j，B_-j＝-B_j，Λ_-j＝Λ_j。则因子x_i不确定性对模型输出的方差

其中，Z⁰＝Z-{0}＝{-∞,…,-1,1,…,+∞}；

输出的总方差V为：

其中，由Parseva定理得，

式A_j,B_j可由蒙特卡罗积分法求解，先在区间[-π,π]内对参数s等间隔k次采样，将获得样本作为模型的输入，经模型的多次运行得到输出结果，计算得到A_j和B_j：

中，N为样本数，(N为奇数)；

将计算得到的A_j,B_j结果代入V_i，V_j表达式，求得单个参数x_i对模型输出的方差V_i及模型的总方差V为：

其中p∈Z⁰＝Z-{0}＝{-∞,…,-1,1,…,+∞}，N为样本数，

其中j∈Z＝{-∞,…,-1,0,1,…,+∞}，s_k表示对区间s∈[-π,π]的k次等间隔采样值，根据V_i，V_j结果求得各评价指标的灵敏度S_i：