【技术实现步骤摘要】
本专利技术涉及仿真建模，具体涉及一种云仿真自动建模方法、装置、设备及存储介质。
技术介绍
1、在传统的仿真建模过程中，通常需要专业的建模人员手动进行模型构建，这不仅需要大量的时间和精力，而且对建模人员的专业知识和技能要求较高，此外，传统的建模方法往往存在建模效率低、准确性不高、难以适应复杂系统等问题。
技术实现思路
1、本专利技术的目的是为了解决上述问题，设计了一种云仿真自动建模方法、装置、设备及存储介质。
2、本专利技术第一方面提供一种云仿真自动建模方法，所述云仿真自动建模方法包括：
3、从各种来源获取原始信号，并对所述原始信号进行预处理操作，对预处理后的原始信号进行特征提取，得到目标信号，其中预处理操作至少包括清洗、整理和归一化；
4、基于所述目标信号采用对抗神经网络gans训练进行建模，得到生成式ai模型，其中所述生成式ai模型至少包括信号层、信息层、单元层、模块层、装备层、系统层、流程层、网络层、体系层；
5、采用vv&a策略对所述生成式ai模型中各层进行验证，并根据验证结果不断调整所述生成式ai模型的参数；
6、将调优后得到的生成式ai模型部署到云端平台上，以供用户通过api接口访问并运行仿真任务。
7、可选的，在本专利技术第一方面的第一种实现方式中，所述从各种来源获取原始信号，并对所述原始信号进行预处理操作，对预处理后的原始信号进行特征提取，得到目标信号，包括：
8、从各种来源获
9、对所述原始信号去除噪声和填补缺失值处理，对清洗处理后的原始信号数据进行格式转换及归一化处理，得到初步处理信号；
10、利用减法平均优化算法优化的变分模态分解对所述初步处理信号进行分解，利用峭度准则筛选imf分量；
11、对筛选后的imf分量进行提取，得到时域特征、频域特征、时频域特征，将提取的特征向量进行融合得到目标信号。
12、可选的，在本专利技术第一方面的第二种实现方式中，所述利用减法平均优化算法优化的变分模态分解对所述初步处理信号进行分解，包括：
13、获取初步处理信号，初始化vmd参数，计算减法平均优化算法中每个搜索代理的新位置，
14、
15、式中，xi表示个体，表示[0,1]之间的随机数，n表示个体总数，v表示缩放因子，xj表示第j个搜索代理的位置，xi表示当前搜索代理的位置，表示更新后的新位置；
16、如果更新后的位置更优则替换原来的位置，否则保持原状：
17、
18、式中，和fi分别表示搜索代理和xi的目标函数值；
19、在优化过程中，计算适应度函数根据当前的vmd参数进行信号分解，得到各模态分量，采用包络熵作为优化vmd参数的适应度函数：
20、
21、式中，pj表示模态信号归一化后的包络熵值，imfee(k)表示k个模态信号的包络熵；
22、基于计算得到的适应度函数值来更新vmd的参数，判断是否达到预设的最大迭代次数，若否则继续使用减法平均优化算法优化vmd参数，若是则输出优化后的vmd参数；
23、使用经过减法平均优化算法得到的vmd参数对所述初步处理信号进行变分模态分解，得到各imf分量。
24、可选的，在本专利技术第一方面的第三种实现方式中，所述利用峭度准则筛选imf分量，包括：
25、计算经过减法平均优化算法优化的变分模态分解得到的每个imf分量的峭度值和与所述初步处理信号的相关系数：
26、
27、式中，r表示相关系数，用于衡量两个变量p和q之间的线性相关性，取值范围为[-1,1]，pi表示第i个观测值的p变量，qi表示第i个观测值的q变量，表示p变量的平均值，表示q变量的平均值，n表示观测值的总数；
28、根据计算得到的相关系数筛出与所述初步处理信号差别大的分量，再根据计算得到的峭度值筛选峭度值前三的分量作为代表；
29、将峭度和相关系数相结合作为imf分量筛选的判别标准，根据计算得到的峭度值和相关系数，筛选出具有特征信息的imf分量。
30、可选的，在本专利技术第一方面的第四种实现方式中，所述基于所述目标信号采用对抗神经网络gans训练进行建模，得到生成式ai模型，包括：
31、将所述目标信号划分为训练集、验证集和测试集，构建包含生成器和判别器的对抗神经网络gans，初始化生成器和判别器的参数，采用训练集交替训练生成器和判别器；
32、在对抗神经网络gans的生成器中采用深度可分离卷积并引入残差连接，设生成器其中一层的输入为e，经过变换后的输出为f(e)，则带有残差连接的输出为d＝f(e)+e；
33、在对抗神经网络gans中构建多个不同尺度的判别器，并进行特征匹配，计算生成特征和真实特征在多个中间特征层之间的距离；
34、使用训练集进行多次迭代训练，同时使用验证集评估模型性能，调整超参数以优化模型，得到生成式ai模型。
35、可选的，在本专利技术第一方面的第五种实现方式中，在对抗神经网络gans中添加梯度惩罚项约束判别器的行为，设是真实特征x和生成特征g(z)之间的线性插值，即其中∈～u(0,1)；
36、梯度惩罚项为判别器的损失函数为：
37、
38、对抗神经网络gans的生成器损失函数为：
39、
40、式中，ld表示判别器的损失函数，lg表示生成器的损失函数，表示判别器对真实特征的判别结果的期望，x表示真实特征样本，pr表示真实特征分布，d(x)表示判别器对真实特征的判别结果，表示判别器对生成特征的判别结果的期望，z表示生成器的输入噪声，pz表示生成器输入噪声的分布，g(z)表示生成器生成的特征，d(g(z))表示判别器对生成特征的判别结果，λ表示梯度惩罚项的权重，表示判别器在处的梯度。
41、可选的，在本专利技术第一方面的第六种实现方式中，所述采用vv&a策略对所述生成式ai模型中各层进行验证，并根据验证结果不断调整所述生成式ai模型的参数，包括：
42、当验证结果中生成式ai模型的输出与预期输出存在误差，则根据误差计算梯度，再按照梯度的反方向调整模型参数：
43、wl＝wl-αδl(xl)t
44、bl＝bl-αδl
45、式中，wl表示第l层的权重矩阵，bl表示第l层的偏置向量，α表示学习率用于控制参数更新的步长，δl表示第l层的误差项，xl表示第l层的输入向量，(xl)t表示第l层输入向量的转置。
46、本专利技术第二方面提供了一种云仿真自动建模装置，所述云仿真自动建模装置包括：
47、特征提取模块，用于从各种来源获取原始信号，并对所述原始信号进行预处理操作，对预处理本文档来自技高网...
【技术保护点】
1.一种云仿真自动建模方法，其特征在于，所述云仿真自动建模方法包括：
2.如权利要求1所述的一种云仿真自动建模方法，其特征在于，所述从各种来源获取原始信号，并对所述原始信号进行预处理操作，对预处理后的原始信号进行特征提取，得到目标信号，包括：
3.如权利要求2所述的一种云仿真自动建模方法，其特征在于，所述利用减法平均优化算法优化的变分模态分解对所述初步处理信号进行分解，包括：
4.如权利要求2所述的一种云仿真自动建模方法，其特征在于，所述利用峭度准则筛选IMF分量，包括：
5.如权利要求1所述的一种云仿真自动建模方法，其特征在于，所述基于所述目标信号采用对抗神经网络GANs训练进行建模，得到生成式AI模型，包括：
6.如权利要求5所述的一种云仿真自动建模方法，其特征在于，所述将所述目标信号划分为训练集、验证集和测试集，构建包含生成器和判别器的对抗神经网络GANs，初始化生成器和判别器的参数，采用训练集交替训练生成器和判别器，包括：
7.如权利要求1所述的一种云仿真自动建模方法，其特征在于，所述采用VV&
8.一种云仿真自动建模装置，其特征在于，所述云仿真自动建模装置包括：
9.一种云仿真自动建模设备，其特征在于，所述云仿真自动建模设备包括存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述云仿真自动建模设备执行如权利要求1-7中任一项所述的云仿真自动建模方法的各个步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述云仿真自动建模方法的各个步骤。
...【技术特征摘要】
1.一种云仿真自动建模方法，其特征在于，所述云仿真自动建模方法包括：
2.如权利要求1所述的一种云仿真自动建模方法，其特征在于，所述从各种来源获取原始信号，并对所述原始信号进行预处理操作，对预处理后的原始信号进行特征提取，得到目标信号，包括：
3.如权利要求2所述的一种云仿真自动建模方法，其特征在于，所述利用减法平均优化算法优化的变分模态分解对所述初步处理信号进行分解，包括：
4.如权利要求2所述的一种云仿真自动建模方法，其特征在于，所述利用峭度准则筛选imf分量，包括：
5.如权利要求1所述的一种云仿真自动建模方法，其特征在于，所述基于所述目标信号采用对抗神经网络gans训练进行建模，得到生成式ai模型，包括：
6.如权利要求5所述的一种云仿真自动建模方法，其特征在于，所述将所述目标信号划分为训练集、验证集和测试集，构建包含生成器和判别...
【专利技术属性】
技术研发人员：罗祥麟，王心醉，孔飞，岳月，李鹏飞，
申请(专利权)人：季华实验室，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。