[发明专利]一种基于数据匹配的仿真回放方法

说明书

技术领域

本发明属于分布式仿真技术领域，具体涉及一种基于数据匹配的仿真回放方法。

背景技术

在分布式仿真系统的实际开发与应用过程中，准确的数据记录和回放是工程人员进行定量分析和可行性评估的重要基础，尤其是在实际应用仿真过程中，记录各个仿真对象在各个时刻的状态以及各个仿真对象之间的交互信息能够为VV&A(Verification，Validation and Accreditation)提供准确、细粒度的数据。记录的数据不仅能够在仿真系统的调试与纠正中产生重大作用，还能够对整个过程进行完整的重现、为工程人员进行参数分析，并对各个阶段工作的正确性、有效性进行全面的评估提供支撑。因此，数据记录与回放在仿真过程中占据很高的地位。

国内外对于仿真数据记录回放的研究大多集中于数据采集方法的研究，提高采集数据的效率，对于回放，只可以实现全景全过程回放，针对特定场景和特定片段的回放十分局限。尤其对于分布式仿真的大中型仿真系统，其仿真成员较多而且仿真结束后的数据量庞大，如果全过程的进行回放并不是一个高效率的方法，很多时候不能够直观反映仿真的实际情况。例如，一个包含八个联邦成员的HLA(High Level Architecture)仿真系统，每次仿真运行时间约长两个小时，但是其实际有效片段和关键事件只有若干，2小时的全过程回放并不是好的方案，浪费了资源和时间，回放效率较差。在类似仿真过程中，仿真运行时间长而有效事件较少，这就需要重新设计回放体系结构，且并非所有记录的数据对于回放和系统分析是必要的，从冗杂数据中掘取有效数据，针对整个回放过程中的关键事件和片段进行回放，为仿真系统的优化研究提供辅助决策支持。

发明内容

有鉴于此，本发明提供了一种基于数据匹配的仿真回放方法，整合分布式仿真系统运行结束后的存储数据，针对事件进行重演，缩短实际回放时间，提高仿真回放的效率。

为了达到上述目的，本发明针对基于高层体系结构HLA的分布式仿真系统进行仿真数据回放，技术方案为：

步骤1：在HLA的分布式仿真系统仿真运行结束后，从系统的数据库中选择并调用仿真方预案，读取关于该仿真方预案的原始数据。

步骤2：对步骤1所得到的原始数据进行整合，获得关于该仿真方预案的原始数据的N元并行数据集，每条N元并行数据包含N个元素分别为：仿真时间值、仿真对象类名、对象实例名、对象属性名、对象属性类型和对象属性值δ，对象属性值δ有k种类型。

步骤3：对N元并行数据集中各条N元并行数据中的对象属性值δ求均值对于每个对象属性值δ，计算从δ到的马哈拉诺比斯距离然后通过最大标准残差Grubb检验方法检测离群点；如果被确定为离群点，则该对象属性值所属的N元并行数据作为离群点从N元并行数据集中剔除；

步骤4：建立一个K×(2K+1)×M的三层神经网络结构，K个输入节点分别为N元并行数据的仿真时间值以及对象属性值，K＝k+1；中间层为(2K+1)个节点；该神经网络的输出状态即为该测试输入向量所属关键事件，则M为关键事件个数加1，即增加一个不属于任何关键事件的输出状态。

预先根据仿真系统的实际任务和目标确定关键事件数量，构造与关键事件匹配的样本数据，并使用样本数据对神经网络进行网络训练。

步骤5：将经步骤3剔除后的N元并行数据集中的各条N元并行数据依次输入训练后的神经网络，获得输出结果，根据输出结果可识别出N元并行数据属于哪个关键事件或不属于任何关键事件。

步骤6：筛选出属于关键事件的N元并行数据，并按照仿真时间值进行排序，得出回放方案。

步骤7：依据回放方案进行数据回放。

进一步地，步骤3中对N元并行数据集中各条N元并行数据中的对象属性值δ求均值时，仅采用对象属性值中的对象三维坐标值，求该三维坐标值中每一维坐标的均值得到均值三维坐标，并计算该三维坐标值到均值三维坐标的马哈拉诺比斯距离。

进一步地，关键事件类型包括：目标被发现、目标被拦截以及目标到达目的地三类，若有n个目标，则具体事件个数为2n+1。

进一步地，神经网络结构中，中间层神经元的传递函数为S型正切函数，输出神经元的传递函数为S型对数函数，选用Trainlm为网络的训练函数，学习函数取Learngdm，性能函数取Mse。

有益效果：