基于數(shù)據(jù)增強(qiáng)的仿真模型驗(yàn)證方法

聶 凱，欒瑞鵬

(中國(guó)人民解放軍92124部隊(duì)，遼寧 大連 116023)

1 仿真模型VV&A

隨著仿真技術(shù)的迅速發(fā)展，仿真試驗(yàn)已逐漸成為飛行器定型試驗(yàn)中不可缺少的試驗(yàn)手段，與外場(chǎng)試驗(yàn)有機(jī)結(jié)合，推動(dòng)著飛行器試驗(yàn)與鑒定技術(shù)的發(fā)展。仿真試驗(yàn)最重要的是仿真系統(tǒng)的可信性，仿真系統(tǒng)的校核、驗(yàn)證與確認(rèn)(Verification，Validation and Accreditation，VV&A)日益成為人們研究的熱點(diǎn)[1]。通過(guò)靜態(tài)、動(dòng)態(tài)數(shù)據(jù)驗(yàn)證飛行數(shù)據(jù)與仿真數(shù)據(jù)的一致性，是目前飛行器仿真模型驗(yàn)證過(guò)程中最常用、最重要的方法[2]。通過(guò)驗(yàn)證飛行數(shù)據(jù)與仿真數(shù)據(jù)的一致性，進(jìn)而確定仿真系統(tǒng)的可信度對(duì)仿真系統(tǒng)來(lái)說(shuō)非常重要。

靜態(tài)數(shù)據(jù)的驗(yàn)證方法一般包括圖示法、統(tǒng)計(jì)分析法、假設(shè)檢驗(yàn)法等，動(dòng)態(tài)數(shù)據(jù)的驗(yàn)證方法分為相似比較方法(誤差分析法、灰色關(guān)聯(lián)分析法、相關(guān)系數(shù)法)、特征比較方法(時(shí)域分析、頻域分析)等[3]，已成功應(yīng)用于各種仿真試驗(yàn)?zāi)Ｐ万?yàn)證。受飛行器實(shí)際試驗(yàn)成本限制，實(shí)際飛行數(shù)據(jù)呈現(xiàn)小樣本特性，而仿真結(jié)果樣本量不受限制，會(huì)造成驗(yàn)前大容量仿真信息“淹沒(méi)”飛行小樣本試驗(yàn)信息問(wèn)題[4]。針對(duì)飛行數(shù)據(jù)小樣本問(wèn)題，人們通過(guò)研究提出了很多解決方法，如貝葉斯估計(jì)、Bootstrap方法[5]、主從一體化檢驗(yàn)[6]等，但依然會(huì)增加決策風(fēng)險(xiǎn)[7]。

近年來(lái)，以深度學(xué)習(xí)為代表的人工智能技術(shù)迅速發(fā)展，人們研究了多種數(shù)據(jù)增強(qiáng)方法來(lái)滿足其訓(xùn)練時(shí)對(duì)大樣本數(shù)據(jù)量的需求[8]。當(dāng)飛行器實(shí)際飛行數(shù)據(jù)小樣本無(wú)法滿足仿真模型驗(yàn)證需求時(shí)，可以通過(guò)采用生成式對(duì)抗網(wǎng)絡(luò)(Generative Adversarial Nets，GAN)等深度學(xué)習(xí)新技術(shù)生成逼真數(shù)據(jù)，擴(kuò)大數(shù)據(jù)子樣[9]。GAN通過(guò)非線性變換和迭代對(duì)抗訓(xùn)練而具備擬合高度復(fù)雜分布的能力，因此增強(qiáng)后的數(shù)據(jù)與原飛行數(shù)據(jù)在相容性上保持高度一致。文獻(xiàn)[10]提出了一種離散序列生成式對(duì)抗網(wǎng)絡(luò)(Sequence Generative Adversarial Nets，SeqGAN)，在語(yǔ)音、詩(shī)詞和音樂(lè)生成方面超過(guò)了傳統(tǒng)方法，也適合離散的實(shí)際飛行數(shù)據(jù)。

針對(duì)仿真模型驗(yàn)證中飛行數(shù)據(jù)小樣本問(wèn)題，采用離散序列生成式對(duì)抗網(wǎng)絡(luò)對(duì)飛行數(shù)據(jù)進(jìn)行增強(qiáng)，并對(duì)增強(qiáng)后飛行數(shù)據(jù)和仿真數(shù)據(jù)的一致性進(jìn)行驗(yàn)證，最后選取靜態(tài)數(shù)據(jù)脫靶量和動(dòng)態(tài)數(shù)據(jù)俯仰姿態(tài)角對(duì)某飛行器半實(shí)物制導(dǎo)仿真系統(tǒng)的相關(guān)仿真模型進(jìn)行驗(yàn)證測(cè)試。

2 仿真模型驗(yàn)證方法

2.1 仿真模型驗(yàn)證過(guò)程

仿真模型驗(yàn)證過(guò)程分為飛行數(shù)據(jù)預(yù)處理、飛行數(shù)據(jù)增強(qiáng)、仿真模型驗(yàn)證方法、實(shí)例驗(yàn)證測(cè)試等，具體過(guò)程如圖1所示。

圖1 仿真模型驗(yàn)證過(guò)程

仿真模型驗(yàn)證具體步驟為：

1)飛行數(shù)據(jù)預(yù)處理。通過(guò)時(shí)間配準(zhǔn)、野值識(shí)別與修復(fù)、平滑與去噪、重采樣等保持與仿真數(shù)據(jù)的一致性。

2)飛行數(shù)據(jù)增強(qiáng)。采用離散序列生成式對(duì)抗網(wǎng)絡(luò)SeqGAN對(duì)小樣本飛行數(shù)據(jù)進(jìn)行增強(qiáng)。

3)仿真模型驗(yàn)證方法。對(duì)于脫靶量等靜態(tài)數(shù)據(jù)采用假設(shè)檢驗(yàn)方法進(jìn)行驗(yàn)證，對(duì)于位置、速度、姿態(tài)角等動(dòng)態(tài)數(shù)據(jù)采用灰色關(guān)聯(lián)分析方法進(jìn)行驗(yàn)證。

4)實(shí)例驗(yàn)證測(cè)試。選取飛行器制導(dǎo)仿真系統(tǒng)中的脫靶量、俯仰姿態(tài)角等實(shí)際飛行數(shù)據(jù)進(jìn)行驗(yàn)證測(cè)試。

2.2 靜態(tài)數(shù)據(jù)驗(yàn)證方法

假設(shè)檢驗(yàn)方法是靜態(tài)數(shù)據(jù)驗(yàn)證中最常用的一類(lèi)方法，當(dāng)數(shù)據(jù)為小樣本時(shí)，通常使用秩和檢驗(yàn)、游程檢驗(yàn)等非參數(shù)檢驗(yàn)方法進(jìn)行檢驗(yàn)。文獻(xiàn)[11]采用秩和檢驗(yàn)對(duì)樣本數(shù)為1的極端情況進(jìn)行了驗(yàn)證，得出了結(jié)果，但決策風(fēng)險(xiǎn)高。當(dāng)實(shí)際飛行數(shù)據(jù)被增強(qiáng)后，數(shù)據(jù)樣本擴(kuò)大了，有可能滿足正態(tài)分布，就可以使用F檢驗(yàn)方法，即

令飛行數(shù)據(jù)和仿真數(shù)據(jù)的變量為X和Y，設(shè)其分布函數(shù)為F(x)和F(y)，下面判斷公式(1)是否成立：

H0:F(x)=F(y)

(1)

當(dāng)增強(qiáng)后數(shù)據(jù)滿足正態(tài)分布時(shí)，采用F檢驗(yàn)驗(yàn)證H0是否成立，F(xiàn)檢驗(yàn)的步驟和公式見(jiàn)文獻(xiàn)[12]。

2.3 動(dòng)態(tài)數(shù)據(jù)驗(yàn)證方法

近年來(lái)，灰色關(guān)聯(lián)分析方法、時(shí)域內(nèi)分析法、頻域內(nèi)分析法等動(dòng)態(tài)數(shù)據(jù)驗(yàn)證方法獲得迅速發(fā)展[13]，灰色關(guān)聯(lián)分析方法在序列一致性分析方面具有明顯優(yōu)勢(shì)，因此本文選用灰色關(guān)聯(lián)分析方法對(duì)動(dòng)態(tài)數(shù)據(jù)進(jìn)行驗(yàn)證，具體步驟為[14]：

1)若動(dòng)態(tài)數(shù)據(jù)較長(zhǎng)，則根據(jù)數(shù)據(jù)的特點(diǎn)和模型驗(yàn)證的需要對(duì)動(dòng)態(tài)數(shù)據(jù)進(jìn)行分段，段數(shù)為N；

2) 對(duì)于每段數(shù)據(jù)，通過(guò)灰色關(guān)聯(lián)度模型計(jì)算灰色關(guān)聯(lián)度γk，基于專(zhuān)家經(jīng)驗(yàn)為每個(gè)灰色關(guān)聯(lián)度確定權(quán)重ωk；

4)根據(jù)灰色關(guān)聯(lián)度與仿真系統(tǒng)可信度的映射關(guān)系，評(píng)估系統(tǒng)的可信度。

3 基于離散序列生成式對(duì)抗網(wǎng)絡(luò)的數(shù)據(jù)增強(qiáng)

無(wú)論靜態(tài)還是動(dòng)態(tài)飛行數(shù)據(jù)，都是離散的。因此，采用GAN的變型——離散序列生成式對(duì)抗網(wǎng)絡(luò)(Sequence GAN，SeqGAN)對(duì)飛行數(shù)據(jù)進(jìn)行增強(qiáng)。SeqGAN的生成器使用循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network，RNN)，判別器使用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNN)，并引入強(qiáng)化學(xué)習(xí)的獎(jiǎng)勵(lì)和蒙特卡洛搜索。判別器的輸出作為強(qiáng)化學(xué)習(xí)的獎(jiǎng)勵(lì)，采用獎(jiǎng)勵(lì)和梯度策略對(duì)生成器進(jìn)行更新，最后使用蒙特卡洛搜索評(píng)估中間狀態(tài)。SeqGAN很好地結(jié)合了GAN和強(qiáng)化學(xué)習(xí)，其計(jì)算流程和結(jié)構(gòu)如圖2所示。

圖2 SeqGAN的計(jì)算流程和結(jié)構(gòu)

離散序列生成式對(duì)抗網(wǎng)絡(luò)算法流程如表1所示。

表1 離散序列生成式對(duì)抗網(wǎng)絡(luò)算法流程

算法中用到的公式如下：

(2)

θ←θ+αhθJ(θ)

(3)

(4)

這里我們把SeqGAN的生成模型當(dāng)作一種非參數(shù)的產(chǎn)生式建模方法，它可以逐步逼近任何概率分布，如果判別器訓(xùn)練良好，生成器可以生成與真實(shí)樣本幾乎相同的分布，因此SeqGAN是漸進(jìn)一致的[15]。而其他生成模型如變分自動(dòng)編碼器會(huì)依賴(lài)預(yù)先假設(shè)的近似分布，而對(duì)近似分布的選擇需要一定的經(jīng)驗(yàn)信息，同時(shí)它還受變分方法本身的限制，生成的概率分布會(huì)存在偏差。

4 驗(yàn)證實(shí)例

4.1 飛行數(shù)據(jù)增強(qiáng)驗(yàn)證

在我們搭建的深度學(xué)習(xí)系統(tǒng)中，離散序列生成對(duì)抗網(wǎng)絡(luò)中的RNN與CNN模型的訓(xùn)練采用TensorFlow實(shí)現(xiàn)。RNN生成模型包含2層隱含層，每層包含200個(gè)長(zhǎng)短記憶網(wǎng)絡(luò)，其訓(xùn)練時(shí)采用了丟棄正則化方法，在預(yù)訓(xùn)練與對(duì)抗訓(xùn)練時(shí)初始丟棄率均為0.3。CNN判別模型分別采用窗長(zhǎng)為1，2，3，4，5的卷積核進(jìn)行卷積操作，每個(gè)窗長(zhǎng)分別使用40個(gè)不同的卷積核。此外，判別模型包含2層通道層，每層200節(jié)點(diǎn)。輸出層包含1個(gè)節(jié)點(diǎn)，表示輸入序列與真實(shí)數(shù)據(jù)相似程度。在訓(xùn)練過(guò)程中，也采取丟棄正則化技術(shù)防止模型過(guò)擬合，丟棄率為0.3。同時(shí)在輸出層采用L2范數(shù)正則化技術(shù)，正則項(xiàng)系數(shù)為0.15。

生成模型和判別模型的訓(xùn)練采用基于Adam算法的批量(Mini-batch)隨機(jī)梯度下降更新參數(shù)，輸入序列長(zhǎng)度為50，批量數(shù)目為分別為5000和400。生成模型的初始學(xué)習(xí)率為0.01，衰減速率為0.95，判別模型的學(xué)習(xí)率為 0.000 1。選擇靜態(tài)數(shù)據(jù)脫靶量和動(dòng)態(tài)數(shù)據(jù)俯仰姿態(tài)角進(jìn)行增強(qiáng)性能驗(yàn)證。某型號(hào)飛行器脫靶量實(shí)測(cè)數(shù)據(jù)只有9個(gè)，樣本量小，因此我們采用遷移學(xué)習(xí)的方法[16]，即將某艦炮5000發(fā)的脫靶量數(shù)據(jù)進(jìn)行學(xué)習(xí)，然后結(jié)合某飛行器脫靶量分布實(shí)際進(jìn)行遷移，發(fā)現(xiàn)學(xué)習(xí)效果較好。圖3為某飛行器的9次脫靶量結(jié)果，其增強(qiáng)后分布如圖4所示。

圖3 某飛行器脫靶量結(jié)果

圖4 某飛行器脫靶量增強(qiáng)后結(jié)果

我們對(duì)增強(qiáng)后的脫靶量數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，脫靶量數(shù)據(jù)已經(jīng)達(dá)到5000個(gè)，其服從均值為6，方差為1的正態(tài)分布，達(dá)到了數(shù)據(jù)增強(qiáng)目的。

圖5為某飛行器一次飛行俯仰姿態(tài)角數(shù)據(jù)，其增強(qiáng)后結(jié)果如圖6所示。

圖5 某飛行器一次飛行俯仰姿態(tài)角數(shù)據(jù)

圖6 某飛行器俯仰姿態(tài)角增強(qiáng)后數(shù)據(jù)

我們對(duì)增強(qiáng)后的俯仰姿態(tài)角數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，姿態(tài)角數(shù)據(jù)已經(jīng)達(dá)到400條，采用t-SNE算法[17]對(duì)原數(shù)據(jù)和生成數(shù)據(jù)的分布進(jìn)行可視化，映射到二維空間，結(jié)果顯示其分布與原數(shù)據(jù)的分布十分接近。

4.2 靜態(tài)數(shù)據(jù)驗(yàn)證

選擇某飛行器半實(shí)物制導(dǎo)仿真系統(tǒng)，采用靜態(tài)、動(dòng)態(tài)數(shù)據(jù)對(duì)仿真模型進(jìn)行驗(yàn)證，半實(shí)物制導(dǎo)仿真系統(tǒng)的組成如圖7所示。

圖7 某飛行器半實(shí)物制導(dǎo)仿真系統(tǒng)的組成圖

基于仿真系統(tǒng)和模型，通過(guò)仿真生成飛行器脫靶量數(shù)據(jù)記為Y，其分布函數(shù)為F(y)，服從正態(tài)分布，實(shí)際飛行脫靶量數(shù)據(jù)記為X，其分布函數(shù)為F(x)。

當(dāng)實(shí)際飛行脫靶量數(shù)據(jù)未增強(qiáng)，個(gè)數(shù)僅為9時(shí)，采用秩和檢驗(yàn)法[11]，不能通過(guò)一致性檢驗(yàn)。

4.3 動(dòng)態(tài)數(shù)據(jù)驗(yàn)證

基于灰色關(guān)聯(lián)分析方法的動(dòng)態(tài)數(shù)據(jù)驗(yàn)證，首先在時(shí)間[0，100]上以 0.05秒步長(zhǎng)仿真得到一組(400個(gè))關(guān)于俯仰姿態(tài)角的仿真數(shù)據(jù)，與飛行數(shù)據(jù)個(gè)數(shù)相等，時(shí)間一致。驗(yàn)證步驟為：

1)從400組數(shù)據(jù)中選擇一組數(shù)據(jù)，動(dòng)態(tài)數(shù)據(jù)長(zhǎng)達(dá)100 s，將時(shí)間序列分為N=2段，[0.02， 49.97][50.03， 99.97]；

2)采用鄧氏灰色關(guān)聯(lián)度模型計(jì)算灰色關(guān)聯(lián)度γk，并確定ω1=[0.4，0.6]，ω2=[0.7，0.3]，按照上述參數(shù)設(shè)置之后獲得的灰色關(guān)聯(lián)度結(jié)果為γ1=[0.835，0.918]，γ2=[0.931，0.886]；

4)對(duì)剩余399組數(shù)據(jù)進(jìn)行灰色關(guān)聯(lián)度計(jì)算，得到一組值，合起來(lái)記為矩陣A400x2。對(duì)固定的分辨系數(shù)ε，γ越大，表明兩組數(shù)據(jù)序列間的相關(guān)性就越強(qiáng)。相對(duì)于小樣本的計(jì)算結(jié)果，基于增強(qiáng)后的飛行俯仰姿態(tài)角數(shù)據(jù)，灰色關(guān)聯(lián)度計(jì)算結(jié)果矩陣A400x2包含的結(jié)果更多，對(duì)仿真模型的驗(yàn)證更有效。從A400x2中γ值的計(jì)算結(jié)果看，基本都在0.8以上，動(dòng)態(tài)飛行數(shù)據(jù)和仿真數(shù)據(jù)的一致性好。根據(jù)灰色關(guān)聯(lián)度與仿真系統(tǒng)可信度的映射關(guān)系，進(jìn)一步可以評(píng)估系統(tǒng)的可信度。

5 結(jié)束語(yǔ)

相對(duì)于仿真數(shù)據(jù)，大型飛行器的飛行結(jié)果數(shù)據(jù)呈現(xiàn)小樣本特性，在仿真試驗(yàn)時(shí)增加了仿真模型驗(yàn)證的決策風(fēng)險(xiǎn)。本文采用生成式對(duì)抗網(wǎng)絡(luò)GAN這一深度學(xué)習(xí)新技術(shù)生成逼真數(shù)據(jù)，擴(kuò)大飛行數(shù)據(jù)樣本。針對(duì)飛行數(shù)據(jù)的離散特性，在數(shù)據(jù)預(yù)處理的基礎(chǔ)上，采用離散序列生成式對(duì)抗網(wǎng)絡(luò)，對(duì)靜態(tài)結(jié)果數(shù)據(jù)(如脫靶量)和動(dòng)態(tài)數(shù)據(jù)(如俯仰姿態(tài)角)，進(jìn)行增強(qiáng)，然后采用假設(shè)檢驗(yàn)方法中的F檢驗(yàn)對(duì)靜態(tài)數(shù)據(jù)，采用灰色關(guān)聯(lián)分析方法對(duì)動(dòng)態(tài)數(shù)據(jù)分別進(jìn)行了驗(yàn)證。飛行數(shù)據(jù)增強(qiáng)后，F(xiàn)檢驗(yàn)將一致性從未通過(guò)變成通過(guò)，灰色關(guān)聯(lián)分析方法使一致性檢驗(yàn)通過(guò)，為仿真模型驗(yàn)證及其可信度評(píng)估提供了一種新方法。下一步，將結(jié)合深度學(xué)習(xí)研究更多的數(shù)據(jù)增強(qiáng)方法及其增強(qiáng)后與原數(shù)據(jù)兼容性的定量評(píng)價(jià)標(biāo)準(zhǔn)，進(jìn)一步提高仿真模型驗(yàn)證及其可信度評(píng)估的效率。