买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京航空航天大学

摘要：本发明提出一种基于自适应共振拓扑网络的多目标测试数据生成方法，该方法将测试飞行器在什么样的外界干扰或自身系统故障条件下会同时接近不可靠或不安全状态的多个指标阈值视为黑盒优化测试问题，通过优化算法生成测试数据，测试在不同的干扰条件下飞行器的状态。该类黑盒优化问题属于多模态多目标优化问题，可利用基于自适应共振拓扑网络的多模态多目标粒子群优化算法解决该测试问题，将飞行器遭遇的外界干扰变量参数组合视为粒子位置，通过迭代更新粒子位置找出最优参数组合。本发明能够在某些测试次数有限或测试代价昂贵的条件下，利用更少的测试数据和更短的测试时间，快速找出区分飞行器可靠和不可靠状态的干扰变量取值边界。

主权项：1.一种基于自适应共振拓扑网络的多目标测试数据生成方法，其特征在于，包括如下步骤：步骤1、确定影响飞行状态的干扰变量及其取值范围和用于判别飞行状态的多个指标及其阈值；步骤2、将测试问题转换为多模态多目标黑盒优化测试问题并构建自动测试环境；忽略待测飞行器的结构与控制律，仅根据不同的输入观察其输出情况，输入为飞行器飞行时遭遇的各种干扰变量或系统故障的参数组合，输出为飞行状态的指标值，将受到什么程度的干扰或发生什么样的故障会导致飞行器不可靠或不安全状态视为黑盒优化测试问题，把令多个飞行状态指标同时接近各自的不可靠或不安全阈值设置为优化目标，干扰变量的取值设置为决策空间；自动测试环境由三部分组成：测试控制模块、测试执行模块和测试结果采集模块；步骤3、设置粒子群优化算法相关参数，初始化粒子群；粒子群优化算法的相关参数包括：粒子个数N，粒子维度D，惯性因子w，学习因子c1和c2；步骤4、构建测试数据档案TA、测试数据集TS、外部集EA、学习集LS和个体最优集Pbesti；步骤5、将学习集输入到自适应共振拓扑网络中，更新自适应共振网络的拓扑结构；自适应共振拓扑网络中输入数据的相似度是由相关熵诱导度量CIM来量化的，输入数据是粒子群迭代更新完位置后产生的新的帕累托最优解，两个输入数据a＝a1,a2,...,aD和b＝b1,b2,...,bD的相关熵诱导度量计算公式为： 其中，σ表示高斯核的核带宽，D代表输入数据的维度，相关熵诱导度量的值越小，代表两输入数据的相似度越高；步骤6、根据更新后的自适应共振网络拓扑结构更新粒子群位置，生成新的测试数据；包括：1将外部集映射到自适应共振拓扑网络中，找到每个外部集中的帕累托最优解所对应的节点；2将粒子映射到自适应共振拓扑网络中，找到每个粒子所属的节点，再根据自适应共振拓扑网络找到每个粒子所属节点的邻居节点；3每个粒子的所属节点和所属节点的邻居节点所包含的外部集的帕累托最优解共同组成邻域解集，根据粒子在决策空间和粒子对应的函数值在目标空间的拥挤程度对邻域解集中的解进行排序，排序第一位的即为该粒子的邻域最优解4对于该粒子的个体最优集中的解，根据拥挤程度进行排序，排序第一位的即为该粒子的个体最优解5根据每个粒子的个体最优解和邻域最优解更新粒子的速度和位置；步骤7、更新测试数据，将更新后测试数据集输入自动测试环境中，计算多目标函数值，更新测试数据档案；将上一代测试数据集TSt替换为更新后的粒子位置，求测试数据集与测试数据档案中的解的交集，然后删除测试数据集中的交集部分，剩下部分的即为更新后的测试数据集TSt+1；步骤8、根据更新后粒子的非支配关系更新外部集、学习集和个体最优集；步骤9、重复自适应共振网络、粒子群和外部集的更新过程直至满足终止条件；其中，在步骤5中，学习集用于存放粒子群迭代更新完位置后产生的新的帕累托最优解，令飞行器更接近可靠与不可靠临界状态的多个指标阈值的干扰变量参数组合，自适应共振拓扑网络的构建及更新过程包括以下步骤：1初始化：在自适应共振拓扑网络构建的初始阶段，由于网络中没有节点，输入网络中的前两个数据直接成为节点，输入数据即为学习集中的帕累托最优解，即令飞行器更接近可靠与不可靠临界状态的多个指标阈值的干扰变量参数组合；而其他新节点的产生需要通过计算输入数据与节点间相关熵诱导度量来决定；相关熵诱导度量的计算受核带宽σ的影响，核带宽是一个数据相关参数，由输入网络中的前H个数据估算得出： 其中，σd是第d维的核带宽，Sd表示输入到自适应共振拓扑网络中的H个数据点的第d维样本标准偏差，各维度核带宽所组成的数组的中位数即为节点的核带宽σ；2获胜节点选择：当数据点xi＝xi1,xi2,...,xiD被输入到自适应共振拓扑网络中时，首先计算其与已经存在的节点Y＝{y1,y2,...,yj}之间的相关熵诱导度量值，其中yj＝yj1,yj2,...,yjD，根据相关熵诱导度量值的大小选择获胜节点： 其中，w1和w2分别代表第一和第二获胜节点的索引，参数表示第一获胜节点；3警戒值测试：数据点与第一和第二获胜节点之间的相似度表示为： 其中，表示第二获胜节点；将相似度与预定义的警戒值V进行比较，将数据点与节点之间的关系分为以下三种情况：1数据点与获胜节点的相似度大于警戒值，即获胜节点与数据点不匹配，这时需要生成一个新节点，新节点表示为：yj+1＝xi2数据点匹配第一获胜节点，不匹配第二获胜节点；3数据点匹配第一和第二获胜节点，执行节点学习和边的连接过程；4节点学习和边的连接当数据点与节点相匹配时，更新该节点状态，如果第一和第二获胜节点满足情况2，则第一获胜节点的位置通过以下公式更新： 其中，是属于节点的数据点的数量，每当有新的数据点匹配节点通过以下公式更新： 当第一和第二获胜节点满足情况3，则节点和与情况2的更新方式相同，如果第一和第二获胜节点之间没有边连接的话，则新产生一条边连接第一和第二获胜节点，所有与第一获胜节点通过边连接的邻居节点yneighbor通过以下公式更新： 其中，Mneighbor表示属于节点yneighbor的数据点的数量。

全文数据：

权利要求：

百度查询： 北京航空航天大学 基于自适应共振拓扑网络的多目标测试数据生成方法