本發(fā)明涉及信息技術(shù)領(lǐng)域，尤其是涉及流程模型可信度動態(tài)評估方法和系統(tǒng)。

背景技術(shù)：

流程是指定的活動順序，它主要基于定向圖表示了一個流程的規(guī)范，圖是有節(jié)點和轉(zhuǎn)換組成，圖中的每個節(jié)點都有其特定的類型，節(jié)點類型定義了運行時間的行為。流程定義有且只有一個開始狀態(tài)。流程模型主要用于仿真想定，是底層仿真模型的運行基礎(chǔ)，仿真過程推演的核心。流程模型系統(tǒng)仿真技術(shù)作為信息時代一種必不可少的手段在各種復(fù)雜系統(tǒng)的研制工作中起到了重要的作用，影響著人們的生活，它已經(jīng)成為了最為必要的技術(shù)方法和研究手段之一。對于一個仿真系統(tǒng)而言，它最基本的要求是建立一個可以滿足應(yīng)用目標(biāo)要求的可信仿真系統(tǒng)，而系統(tǒng)可信度是仿真試驗和結(jié)果是否能代表真實系統(tǒng)的性能重要的因素，可信度是系統(tǒng)進(jìn)行仿真的關(guān)鍵，缺乏足夠可信度的仿真是毫無意義的。因此，對流程模型系統(tǒng)的建模與仿真進(jìn)行可行性研究與可信度評估工作顯得尤為重要。

當(dāng)前面對仿真模型可信度評估的計算主要圍繞的方法主要在理論層面上，但針對流程模型來計算其可信度的相關(guān)研究不多。而流程模型的可信度評估又是系統(tǒng)模型可信度的關(guān)鍵，也是系統(tǒng)是否可以正常運轉(zhuǎn)的重要標(biāo)志。如何能夠快速準(zhǔn)確的計算出流程模型的可信度，是目前信息技術(shù)領(lǐng)域中一個亟待解決的問題。

技術(shù)實現(xiàn)要素：

有鑒于此，本發(fā)明的目的在于提供流程模型可信度動態(tài)評估方法和系統(tǒng)，支持仿真模型快速自動評估，可信度計算層次清晰，可信度值估計客觀性強(qiáng)，適用范圍廣。

第一方面，本發(fā)明實施例提供了流程模型可信度動態(tài)評估方法包括：

對流程模型進(jìn)行仿真測試，得到指標(biāo)數(shù)據(jù)；

將所述指標(biāo)數(shù)據(jù)導(dǎo)入到層次結(jié)構(gòu)模型中，并判斷所述指標(biāo)數(shù)據(jù)是否完整；

如果所述指標(biāo)數(shù)據(jù)完整，則利用客觀量化標(biāo)定方法計算所述流程模型的第一估計值；

利用專家定性打分方法計算所述流程模型的第二估計值；

對所述第一估計值和所述第二估計值進(jìn)行加權(quán)求和，得到第三估計值；

利用所述指標(biāo)數(shù)據(jù)和所述第三估計值對任意流程模型進(jìn)行評估。

結(jié)合第一方面，本發(fā)明實施例提供了第一方面的第一種可能的實施方式，其中，所述指標(biāo)數(shù)據(jù)包括系統(tǒng)指標(biāo)數(shù)據(jù)和補(bǔ)充指標(biāo)數(shù)據(jù)，所述系統(tǒng)指標(biāo)數(shù)據(jù)包括活動節(jié)點數(shù)量、邏輯節(jié)點數(shù)量、仿真平均執(zhí)行時間、平均實際執(zhí)行時間方差、超時活動數(shù)、實物子模型個數(shù)、虛擬子模型個數(shù)、人員面向自模型平均交互量、參數(shù)類型配置完整度、實物子模型平均失效率和虛擬子模型平均失效率；所述補(bǔ)充指標(biāo)數(shù)據(jù)包括外部激勵個數(shù)、預(yù)計執(zhí)行時間、預(yù)計執(zhí)行時間方差、依賴人員數(shù)量、人員面向自模型平均交互時間、外部激勵控制節(jié)點數(shù)、參數(shù)類型的吻合度和樣本數(shù)量。

結(jié)合第一方面的第一種可能的實施方式，本發(fā)明實施例提供了第一方面的第二種可能的實施方式，其中，所述層次結(jié)構(gòu)模型包括八大指標(biāo)，所述利用客觀量化標(biāo)定方法計算所述流程模型的第一估計值包括：

根據(jù)所述指標(biāo)數(shù)據(jù)計算所述八大指標(biāo)的特征量化值；

對所述特征量化值對應(yīng)的權(quán)值進(jìn)行賦值；

根據(jù)所述特征量化值和所述權(quán)值計算所述第一估計值。

結(jié)合第一方面的第二種可能的實施方式，本發(fā)明實施例提供了第一方面的第三種可能的實施方式，其中，所述特征量化值包括第一特征值、第二特征值、第三特征值、第四特征值、第五特征值、第六特征值、第七特征值和第八特征值，所述根據(jù)所述指標(biāo)數(shù)據(jù)計算特征量化值和所述特征量化值對應(yīng)的權(quán)值包括：

根據(jù)下式計算所述第一特征值：

其中，X₁為第一特征值，P_intergrity為參數(shù)類型配置完整度，P_fit為參數(shù)類型吻合度；

或者，

根據(jù)公式(2)計算第二特征值：

其中，X₂為第二特征值，T_p為預(yù)計執(zhí)行時間，T_ave為多次仿真平均執(zhí)行時間，B_overtime為超時活動數(shù)，B_total為活動節(jié)點數(shù)量；

或者，

根據(jù)公式(3)計算第三特征值：

其中，X₃為第三特征值，N_act為活動節(jié)點數(shù)量，N_logic為邏輯節(jié)點數(shù)量；

或者，

根據(jù)公式(4)計算第四特征值：

其中，X₄為第四特征值，d_p為預(yù)計執(zhí)行時間方差，d_ave為多次仿真的平均實際執(zhí)行時間方差；

或者，

根據(jù)公式(5)計算第五特征值：

其中，X₅為第五特征值，B_in為外部激勵個數(shù)，B_control為外部激勵控制節(jié)點數(shù)；

或者，

根據(jù)公式(6)計算第六特征值：

其中，X₆為第六特征值，Num為關(guān)聯(lián)樣本數(shù)量，即仿真流程執(zhí)行次數(shù)；

或者，

根據(jù)公式(7)計算第七特征值：

其中，X₇為第七特征值，C_ave,i,i∈[1,N_personnel]為單位時間內(nèi)人員i面向子模型平均交互量，Q_p,i,i∈[1,N_personnel]為依賴人員專業(yè)素質(zhì)評價，N_personnel為模型的依賴人員數(shù)量；

或者，

根據(jù)公式(8)計算第八特征值：

其中，X₇為第八特征值，N_Equip為實物子模型個數(shù)、N_sim為虛擬子模型個數(shù)、P_Equip為實物子模型平均失效率、P_sim為虛擬子模型平均失效率。

結(jié)合第一方面的第二種可能的實施方式，本發(fā)明實施例提供了第一方面的第四種可能的實施方式，其中，所述根據(jù)所述特征量化值和所述權(quán)值計算所述第一估計值包括：

根據(jù)下式計算所述第一估計值：

其中，E為所述第一估計值，X_i,i∈[1,8]為第i特征值，ω_i,i∈[1,8]為所述第i特征值對應(yīng)的權(quán)值。

結(jié)合第一方面，本發(fā)明實施例提供了第一方面的第五種可能的實施方式，其中，所述利用專家定性打分方法計算所述流程模型的第二估計值包括：

專家對所述八項指標(biāo)的重要性關(guān)系和可信值進(jìn)行逐項打分；

根據(jù)所述八項指標(biāo)的重要性關(guān)系，利用層析分析法得到所述八項指標(biāo)對應(yīng)的權(quán)值；

對所述可信值和所述權(quán)值進(jìn)行加權(quán)求和，得到第二估計值。

結(jié)合第一方面，本發(fā)明實施例提供了第一方面的第六種可能的實施方式，其中，所述利用所述指標(biāo)數(shù)據(jù)和所述第三估計值對任意流程模型進(jìn)行評估包括：

對所述指標(biāo)數(shù)據(jù)和所述第三估計值進(jìn)行存儲；

通過樣本分析和在線擬合算法計算所述任意流程模型的可信度。

第二方面，本發(fā)明實施例提供了流程模型可信度動態(tài)評估系統(tǒng)，包括：

獲取單元，用于對流程模型進(jìn)行仿真測試，得到指標(biāo)數(shù)據(jù)；

判斷單元，用于將所述指標(biāo)數(shù)據(jù)導(dǎo)入到層次結(jié)構(gòu)模型中，并判斷所述指標(biāo)數(shù)據(jù)是否完整；

第一計算單元，用于在所述指標(biāo)數(shù)據(jù)完整的情況下，利用客觀量化標(biāo)定方法計算所述流程模型的第一估計值；

第二計算單元，用于利用專家定性打分方法計算所述流程模型的第二估計值；

第三計算單元，用于根據(jù)所述第一估計值和所述第二估計值進(jìn)行加權(quán)求和計算第三估計值；

評估單元，用于利用所述指標(biāo)數(shù)據(jù)和所述第三估計值對任意流程模型進(jìn)行評估。

結(jié)合第二方面，本發(fā)明實施例提供了第二方面的第一種可能的實施方式，其中，所述第一計算單元包括：

根據(jù)所述指標(biāo)數(shù)據(jù)計算八大指標(biāo)的特征量化值；

對所述特征量化值對應(yīng)的權(quán)值進(jìn)行賦值；

根據(jù)所述特征量化值和所述權(quán)值計算所述第一估計值。

結(jié)合第二方面，本發(fā)明實施例提供了第二方面的第二種可能的實施方式，其中，所述評估單元包括：

對所述指標(biāo)數(shù)據(jù)和所述第三估計值進(jìn)行存儲；

通過樣本分析和在線擬合算法計算所述任意流程模型的可信度。

本發(fā)明提供了流程模型可信度動態(tài)評估方法和系統(tǒng)，首先，對流程模型進(jìn)行仿真測試，得到指標(biāo)數(shù)據(jù)，將指標(biāo)數(shù)據(jù)導(dǎo)入到層次結(jié)構(gòu)模型中，并判斷指標(biāo)數(shù)據(jù)是否完整，如果指標(biāo)數(shù)據(jù)完整，則利用客觀量化標(biāo)定方法計算流程模型的第一估計值，然后，利用專家定性打分方法計算流程模型的第二估計值，最后，對第一估計值和第二估計值進(jìn)行加權(quán)求和，得到第三估計值，本發(fā)明的重點在于，在利用指標(biāo)數(shù)據(jù)和第三估計值對任意流程模型進(jìn)行評估，即在樣本收集基礎(chǔ)上，采用極限學(xué)習(xí)機(jī)方法對樣本進(jìn)行增量分析和在線擬合，根據(jù)歷史數(shù)據(jù)擬合計算當(dāng)前仿真流程模型的可信度，以達(dá)到模型可信度快速評估目的。本發(fā)明支持仿真模型快速自動評估，可信度計算層次清晰，可信度值估計客觀性強(qiáng)，適用范圍廣。

本發(fā)明的其他特征和優(yōu)點將在隨后的說明書中闡述，并且，部分地從說明書中變得顯而易見，或者通過實施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點在說明書、權(quán)利要求書以及附圖中所特別指出的結(jié)構(gòu)來實現(xiàn)和獲得。

為使本發(fā)明的上述目的、特征和優(yōu)點能更明顯易懂，下文特舉較佳實施例，并配合所附附圖，作詳細(xì)說明如下。

附圖說明

為了更清楚地說明本發(fā)明具體實施方式或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對具體實施方式或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實施方式，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實施例提供的流程模型可信度動態(tài)評估方法流程圖；

圖2為本發(fā)明實施例提供的流程模型可信度動態(tài)評估方法的另一流程圖；

圖3為本發(fā)明實施例提供的飛行器著陸流程模型圖例；

圖4為本發(fā)明實施例提供的飛行器著陸流程層次結(jié)構(gòu)模型；

圖5為本發(fā)明實施例提供的非線性擬合算法流程。

圖6為本發(fā)明實施例提供的流程模型可信度動態(tài)評估系統(tǒng)結(jié)構(gòu)示意圖。

圖標(biāo)：

10-獲取單元；20-判斷單元；30-第一計算單元；40-第二計算單元；50-第三計算單元；60-評估單元。

具體實施方式

為使本發(fā)明實施例的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合附圖對本發(fā)明的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護(hù)的范圍。

目前，如何能夠快速準(zhǔn)確的計算出流程模型的可信度，是信息技術(shù)領(lǐng)域中一個亟待解決的問題，基于此，本發(fā)明實施例提供的流程模型可信度動態(tài)評估方法和系統(tǒng)，支持仿真模型快速自動評估，可信度計算層次清晰，可信度值估計客觀性強(qiáng)，適用范圍廣。

為便于對本實施例進(jìn)行理解，首先對本發(fā)明實施例所公開的流程模型可信度動態(tài)評估方法進(jìn)行詳細(xì)介紹，如圖3所示，本發(fā)明實施例采用飛行器著陸流程模型為例進(jìn)行方法介紹。

圖1為本發(fā)明實施例提供的流程模型可信度動態(tài)評估方法流程圖。

參照圖1，流程模型可信度動態(tài)評估方法，包括：

步驟S101，對流程模型進(jìn)行仿真測試，得到指標(biāo)數(shù)據(jù)；

具體地，指標(biāo)數(shù)據(jù)包括系統(tǒng)指標(biāo)數(shù)據(jù)和補(bǔ)充指標(biāo)數(shù)據(jù)，系統(tǒng)指標(biāo)數(shù)據(jù)是系統(tǒng)通過仿真測試以后跑出的實際值，不可更改。補(bǔ)充指標(biāo)數(shù)據(jù)為參照標(biāo)準(zhǔn)值，可以根據(jù)實際情況和具體要求來進(jìn)行修改。

步驟S102，將指標(biāo)數(shù)據(jù)導(dǎo)入到層次結(jié)構(gòu)模型中；

具體地，設(shè)計流程模型的層次結(jié)構(gòu)模型并導(dǎo)入流程模型指標(biāo)數(shù)據(jù)步驟包括，首先采用相應(yīng)的任務(wù)描述語言，對用戶提交的流程模型的文件進(jìn)行解析。設(shè)計流程模型的層次結(jié)構(gòu)模型，層次結(jié)構(gòu)模型的指標(biāo)數(shù)據(jù)分為系統(tǒng)指標(biāo)數(shù)據(jù)和補(bǔ)充指標(biāo)數(shù)據(jù)。仿真流程模型的層次結(jié)構(gòu)模型包括八大指標(biāo)，如圖4所示，這八大指標(biāo)分別體現(xiàn)出模型的完整性、模型的準(zhǔn)確性、模型輸入、結(jié)果的魯棒性、結(jié)果不確定性、歷史數(shù)據(jù)評價、人員評估、模型可靠性這八方面。八大指標(biāo)可以分別從模型的形式、內(nèi)容、功能和服務(wù)質(zhì)量要求、任務(wù)執(zhí)行策略、執(zhí)行過程等方面進(jìn)行提取，滿足相互獨立。

步驟S103，判斷指標(biāo)數(shù)據(jù)是否完整，如果完整，則執(zhí)行步驟S105，如果不完整，則執(zhí)行步驟S104。

具體地，判斷數(shù)據(jù)是否完整且符合評估要求的步驟，首先，要確認(rèn)是否系統(tǒng)指標(biāo)和補(bǔ)充指標(biāo)都填寫完整且正確，數(shù)據(jù)填寫精度符合要求。如不完整，則直接設(shè)置與該不完整數(shù)據(jù)相關(guān)聯(lián)的八大特征值的特征量化值為1，其對應(yīng)的權(quán)值為0.125，然后將與完整數(shù)據(jù)相對應(yīng)的權(quán)值和不完整數(shù)據(jù)相對應(yīng)的權(quán)值進(jìn)行等比例歸約，使得二者之和恒為1，最后進(jìn)行第一估計值的計算。該流程模型運行一次時，得到的仿真的指標(biāo)數(shù)據(jù)如表1所示。

表1

需要說明的是，指標(biāo)數(shù)據(jù)與可信度之間的非線性關(guān)系可由用戶給出或通過數(shù)值擬合標(biāo)定。我們即可由該流程模型的所有指標(biāo)以及所有指標(biāo)與流程模型可信度對應(yīng)的非線性關(guān)系，計算出流程模型的第一估計值。公式主要根據(jù)CAS的評估標(biāo)準(zhǔn)分為八個部分，八個部分分別有其相應(yīng)的權(quán)重值，該權(quán)重值由使用者給出。再根據(jù)每個指標(biāo)對可信度值影響程度的線性及比例關(guān)系設(shè)計得出。

步驟S105，利用客觀量化標(biāo)定方法計算流程模型的第一估計值；

步驟S106，利用專家定性打分方法計算流程模型的第二估計值；

步驟S107，對第一估計值和第二估計值進(jìn)行加權(quán)求和，得到第三估計值；

具體地，第三估計值為流程模型的最終可信度。指標(biāo)數(shù)據(jù)與可信度之間的非線性關(guān)系可由用戶給出或通過數(shù)值擬合標(biāo)定。我們即可由該流程模型的所有指標(biāo)以及所有指標(biāo)與流程模型可信度對應(yīng)的非線性關(guān)系，計算出流程模型的第一估計值。

如圖2所示，利用指標(biāo)數(shù)據(jù)和第三估計值對任意流程模型進(jìn)行評估。

具體地，若對步驟S101至步驟S107重復(fù)執(zhí)行，隨著流程模型的指標(biāo)數(shù)據(jù)及其可信度值的數(shù)據(jù)量進(jìn)行不斷的存儲積累，當(dāng)已知數(shù)據(jù)庫的數(shù)據(jù)多于50條時，可以運用綜合性方法已達(dá)到快速計算流程模型的可信度的目的，繞過之前步驟S101至步驟S107的計算過程，直接得到結(jié)果。該步驟采用一種更簡便的增量樣本分析和在線擬合的算法，找出已有流程模型指標(biāo)與流程模型可信度的關(guān)系，以達(dá)到快速可信度評估的目的。常見的方法有：神經(jīng)網(wǎng)絡(luò)擬合算法、極限學(xué)習(xí)機(jī)算法、混合高斯算法、基于在線學(xué)習(xí)的模糊神經(jīng)網(wǎng)絡(luò)算法等等。極限學(xué)習(xí)機(jī)(Extreme learning machine,ELM)算法隨機(jī)給定神經(jīng)元權(quán)值中的輸入權(quán)值和閾值，利用正則化原則來計算輸出權(quán)值，使其可以無限的逼近一個連續(xù)系統(tǒng)。ELM算法尤其擅長解決高維非線性系統(tǒng)的問題。因此，我們可以通過ELM極限學(xué)習(xí)機(jī)算法可以找出已有流程模型指標(biāo)與流程模型可信度的關(guān)系，以達(dá)到快速可信度評估的目的。

根據(jù)本發(fā)明的示例性實施例，指標(biāo)數(shù)據(jù)包括系統(tǒng)指標(biāo)數(shù)據(jù)和補(bǔ)充指標(biāo)數(shù)據(jù)，系統(tǒng)指標(biāo)數(shù)據(jù)包括活動節(jié)點數(shù)量、邏輯節(jié)點數(shù)量、仿真平均執(zhí)行時間、平均實際執(zhí)行時間方差、超時活動數(shù)、實物子模型個數(shù)、虛擬子模型個數(shù)、人員面向自模型平均交互量、參數(shù)類型配置完整度、實物子模型平均失效率和虛擬子模型平均失效率，需要說明的是，以上若干系統(tǒng)指標(biāo)數(shù)據(jù)均不可修改；補(bǔ)充指標(biāo)數(shù)據(jù)包括外部激勵個數(shù)、預(yù)計執(zhí)行時間、預(yù)計執(zhí)行時間方差、依賴人員數(shù)量、人員面向自模型平均交互時間、外部激勵控制節(jié)點數(shù)、參數(shù)類型的吻合度和樣本數(shù)量，需要說明的是，以上若干補(bǔ)充指標(biāo)數(shù)據(jù)均可修改。

根據(jù)本發(fā)明的示例性實施例，層次結(jié)構(gòu)模型包括八大指標(biāo)，利用客觀量化標(biāo)定方法計算流程模型的第一估計值包括：

根據(jù)指標(biāo)數(shù)據(jù)計算八大指標(biāo)的特征量化值；

具體地，八大指標(biāo)的特征量化值的計算公式如式(1)至式(8)所示。

對特征量化值對應(yīng)的權(quán)值進(jìn)行賦值；

具體地，對特征量化值對應(yīng)的權(quán)值的數(shù)值設(shè)定由用戶自己完成，一般地，可設(shè)八個權(quán)值的大小均為0.125，如有其他設(shè)定方式，只需滿足八大權(quán)值的和為1即可。

根據(jù)特征量化值和權(quán)值計算第一估計值。

具體地，第一估計值的計算公式如式(9)所示。

根據(jù)本發(fā)明的示例性實施例，特征量化值包括第一特征值、第二特征值、第三特征值、第四特征值、第五特征值、第六特征值、第七特征值和第八特征值，根據(jù)指標(biāo)數(shù)據(jù)計算八大指標(biāo)的特征量化值包括：

具體地，第一特征值為模型完整性的特征量化值，第二特征值為模型準(zhǔn)確性的特征量化值、第三特征值為模型輸入的特征量化值、第四特征值為結(jié)果魯棒性的特征量化值、第五特征值為結(jié)果不確定性的特征量化值、第六特征值歷史數(shù)據(jù)評價的特征量化值、第七特征值為人員評估的特征量化值、第八特征值為模型可靠性的特征量化值。這八大指標(biāo)可以分別從模型的形式、內(nèi)容、功能和服務(wù)質(zhì)量要求、任務(wù)執(zhí)行策略、執(zhí)行過程等方面提取，各指標(biāo)之間應(yīng)相互獨立。

根據(jù)公式(1)計算第一特征值：

其中，X₁為第一特征值，P_intergrity為參數(shù)類型配置完整度，P_fit為參數(shù)類型吻合度；

或者，

根據(jù)公式(2)計算第二特征值：

其中，X₂為第二特征值，T_p為預(yù)計執(zhí)行時間，T_ave為多次仿真平均執(zhí)行時間，B_overtime為超時活動數(shù)，B_total為活動節(jié)點數(shù)量；

或者，

根據(jù)公式(3)計算第三特征值：

其中，X₃為第三特征值，N_act為活動節(jié)點數(shù)量，N_logic為邏輯節(jié)點數(shù)量；

或者，

根據(jù)公式(4)計算第四特征值：

其中，X₄為第四特征值，d_p為預(yù)計執(zhí)行時間方差，d_ave為多次仿真的平均實際執(zhí)行時間方差；

或者，

根據(jù)公式(5)計算第五特征值：

其中，X₅為第五特征值，B_in為外部激勵個數(shù)，B_control為外部激勵控制節(jié)點數(shù)；

或者，

根據(jù)公式(6)計算第六特征值：

其中，X₆為第六特征值，Num為關(guān)聯(lián)樣本數(shù)量，即仿真流程執(zhí)行次數(shù)；

或者，

根據(jù)公式(7)計算第七特征值：

其中，X₇為第七特征值，C_ave,i,i∈[1,N_personnel]為單位時間內(nèi)人員i面向子模型平均交互量，Q_p,i,i∈[1,N_personnel]為依賴人員專業(yè)素質(zhì)評價，N_personnel為模型的依賴人員數(shù)量；

或者，

根據(jù)公式(8)計算第八特征值：

其中，X₇為第八特征值，N_Equip為實物子模型個數(shù)、N_sim為虛擬子模型個數(shù)、P_Equip為實物子模型平均失效率、P_sim為虛擬子模型平均失效率。

根據(jù)本發(fā)明的示例性實施例，根據(jù)特征量化值和權(quán)值計算第一估計值包括根據(jù)公式(9)計算第一估計值：

其中，E為第一估計值，X_i,i∈[1,8]為第i特征值，ω_i,i∈[1,8]為第i特征值對應(yīng)的權(quán)值。

具體地，基于本實施例根據(jù)以上公式可得到第一估計值為83.0996。

根據(jù)本發(fā)明的示例性實施例，利用專家定性打分方法計算流程模型的第二估計值包括：

專家對八項指標(biāo)的重要性關(guān)系和可信值進(jìn)行逐項打分；

具體地，根據(jù)CAS的評估標(biāo)準(zhǔn)，專家對八項指標(biāo)的重要性關(guān)系進(jìn)行打分，即是專家依據(jù)流程模型的所有指標(biāo)對建模仿真結(jié)果可信度影響的重要程度進(jìn)行一一對應(yīng)的打分，如表2所示；專家對八項指標(biāo)的可信值進(jìn)行打分如表3所示。

表2

表3

根據(jù)八項指標(biāo)的重要性關(guān)系，利用層析分析法得到八項指標(biāo)對應(yīng)的權(quán)值；

具體地，層次分析法(Analytic Hierarchy Process，AHP)是將與決策總是有關(guān)的元素分解成目標(biāo)、準(zhǔn)則、方案等層次，在此基礎(chǔ)之上進(jìn)行定性和定量分析的決策方法。按以上數(shù)據(jù)進(jìn)行分析計算，可得到八大指標(biāo)的特征向量為[0.1159,0.1125,0.1274,0.0998,0.1366,0.0818,0.1514,0.1746]，該向量即為八項指標(biāo)對應(yīng)的權(quán)值。

對可信值和權(quán)值進(jìn)行加權(quán)求和，得到第二估計值。

具體地，將權(quán)值與可信值加權(quán)相加，即可得到流程模型的第二估計值82.87849。將運用專家定性打分方法和客觀量化計算方法得到的流程模型可信度值進(jìn)行一定比例的加權(quán)，得到流程模型系統(tǒng)的第三估計值。在本實施例中，由專家打分計算得出的第二估計值和客觀量化標(biāo)定計算的第一估計值值一樣重要，所以對結(jié)果進(jìn)行1：1的加權(quán)。最終得到流程模型系統(tǒng)的第三估計值值為(82.87849+83.0996)/2＝83.589045。

根據(jù)本發(fā)明的示例性實施例，利用指標(biāo)數(shù)據(jù)和第三估計值對任意流程模型進(jìn)行評估包括：

對指標(biāo)數(shù)據(jù)和第三估計值進(jìn)行存儲；

通過樣本分析和在線擬合算法計算任意流程模型的可信度。

具體地，當(dāng)流程模型的指標(biāo)數(shù)據(jù)及其可信度值的數(shù)據(jù)量大于50條時，可以運用綜合性方法已達(dá)到快速計算流程模型的可信度的目的。采用更簡便的增量樣本分析和在線擬合的方法，找出已有流程模型指標(biāo)與流程模型可信度的關(guān)系，以達(dá)到快速可信度評估的目的。常見的方法有：神經(jīng)網(wǎng)絡(luò)擬合算法、極限學(xué)習(xí)機(jī)算法、混合高斯算法、基于在線學(xué)習(xí)的模糊神經(jīng)網(wǎng)絡(luò)算法等等。本發(fā)明采用了極限學(xué)習(xí)機(jī)的算法組為實例，依據(jù)問題描述的要求，實現(xiàn)智能算法的創(chuàng)建，訓(xùn)練及仿真測試，大體可以分為以下幾個步驟，如圖5所示。極限學(xué)習(xí)機(jī)算法訓(xùn)練結(jié)果相關(guān)數(shù)據(jù)結(jié)果如表4所示。

表4

從中我們可以看出，當(dāng)訓(xùn)練數(shù)據(jù)較多時，極限學(xué)習(xí)機(jī)算法表現(xiàn)出了良好的擬合效果且預(yù)測誤差小。當(dāng)訓(xùn)練數(shù)據(jù)較大時，測試數(shù)據(jù)的平均誤差百分比都維持在1％左右，具有較強(qiáng)的預(yù)測能力。綜上所述，極限學(xué)習(xí)機(jī)算法可以很好的簡化專家評分工作，以快速得到系統(tǒng)的可信度，并達(dá)到較高的可信度。

本發(fā)明提供了流程模型可信度動態(tài)評估方法和系統(tǒng)，首先，對流程模型進(jìn)行仿真測試，得到指標(biāo)數(shù)據(jù)，將指標(biāo)數(shù)據(jù)導(dǎo)入到層次結(jié)構(gòu)模型中，并判斷指標(biāo)數(shù)據(jù)是否完整，如果指標(biāo)數(shù)據(jù)完整，則利用客觀量化標(biāo)定方法計算流程模型的第一估計值，然后，利用專家定性打分方法計算流程模型的第二估計值，最后，對第一估計值和第二估計值進(jìn)行加權(quán)求和，得到第三估計值，本發(fā)明的重點在于，在利用指標(biāo)數(shù)據(jù)和第三估計值對任意流程模型進(jìn)行評估，即在樣本收集基礎(chǔ)上，采用極限學(xué)習(xí)機(jī)方法對樣本進(jìn)行增量分析和在線擬合，根據(jù)歷史數(shù)據(jù)擬合計算當(dāng)前仿真流程模型的可信度，以達(dá)到模型可信度快速評估目的。本發(fā)明支持仿真模型快速自動評估，可信度計算層次清晰，可信度值估計客觀性強(qiáng)，適用范圍廣。

圖6為本發(fā)明實施例提供的流程模型可信度動態(tài)評估系統(tǒng)結(jié)構(gòu)示意圖。

參照圖6，流程模型可信度動態(tài)評估系統(tǒng)包括：

獲取單元10，用于對流程模型進(jìn)行仿真測試，得到指標(biāo)數(shù)據(jù)；

判斷單元20，用于將指標(biāo)數(shù)據(jù)導(dǎo)入到層次結(jié)構(gòu)模型中，并判斷指標(biāo)數(shù)據(jù)是否完整；

第一計算單元30，用于在指標(biāo)數(shù)據(jù)完整的情況下，利用客觀量化標(biāo)定方法計算流程模型的第一估計值；

第二計算單元40，用于利用專家定性打分方法計算流程模型的第二估計值；

第三計算單元50，用于根據(jù)第一估計值和第二估計值進(jìn)行加權(quán)求和計算第三估計值；

評估單元60，用于利用指標(biāo)數(shù)據(jù)和第三估計值對任意流程模型進(jìn)行評估。

根據(jù)本發(fā)明的示例性實施例，第一計算單元30包括：

根據(jù)指標(biāo)數(shù)據(jù)計算八大指標(biāo)的特征量化值；

對特征量化值對應(yīng)的權(quán)值進(jìn)行賦值；

根據(jù)特征量化值和所述權(quán)值計算所述第一估計值。

根據(jù)本發(fā)明的示例性實施例，評估單元60包括：

對所述指標(biāo)數(shù)據(jù)和所述第三估計值進(jìn)行存儲；

通過樣本分析和在線擬合算法計算所述任意流程模型的可信度。

本發(fā)明實施例提供的流程模型可信度動態(tài)評估系統(tǒng)，與上述實施例提供的流程模型可信度動態(tài)評估方法具有相同的技術(shù)特征，所以也能解決相同的技術(shù)問題，達(dá)到相同的技術(shù)效果。具體來說是針對仿真流程模型的構(gòu)建過程與特征，結(jié)合客觀量化標(biāo)定、專家定性打分以及快速經(jīng)驗評估為一體的流程模型可信度動態(tài)評估方案。主要為了解決目前高復(fù)雜性及不確定性環(huán)境下仿真流程模型的評估與校準(zhǔn)問題，進(jìn)而保證以流程模型為核心的仿真想定和仿真過程的正確、合理運行。本發(fā)明包括一種面向仿真流程模型的可信度客觀評價體系及該體系下的動態(tài)評估步驟。面向仿真流程模型的可信度量化標(biāo)定與在線經(jīng)驗評估方法首先結(jié)合了定量方法(客觀量化標(biāo)定模型特征及量化可信度)和定性方法(專家定性逐項打分與分析)來計算模型的可信度，然后利用第一估計值和第二估計值加權(quán)平均作為模型第三估計值。由于仿真流程模型的結(jié)構(gòu)相似性，不同模型量化標(biāo)定數(shù)據(jù)及其可信度綜合指導(dǎo)值可作為一系列樣本數(shù)據(jù)。在樣本收集基礎(chǔ)上，其采用一種更為簡便的增量樣本分析和在線擬合的方法，根據(jù)歷史數(shù)據(jù)擬合計算當(dāng)前仿真流程模型的可信度，以達(dá)到模型可信度快速評估目的。本發(fā)明具有如下幾點：支持仿真模型快速自動評估，可信度計算層次清晰，可信度值估計客觀性強(qiáng)，適用范圍廣。

本發(fā)明實施例所提供的流程模型可信度動態(tài)評估方法和系統(tǒng)的計算機(jī)程序產(chǎn)品，包括存儲了程序代碼的計算機(jī)可讀存儲介質(zhì)，所述程序代碼包括的指令可用于執(zhí)行前面方法實施例中所述的方法，具體實現(xiàn)可參見方法實施例，在此不再贅述。

所屬領(lǐng)域的技術(shù)人員可以清楚地了解到，為描述的方便和簡潔，上述描述的系統(tǒng)和裝置的具體工作過程，可以參考前述方法實施例中的對應(yīng)過程，在此不再贅述。

所述功能如果以軟件功能單元的形式實現(xiàn)并作為獨立的產(chǎn)品銷售或使用時，可以存儲在一個計算機(jī)可讀取存儲介質(zhì)中?；谶@樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說對現(xiàn)有技術(shù)做出貢獻(xiàn)的部分或者該技術(shù)方案的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計算機(jī)軟件產(chǎn)品存儲在一個存儲介質(zhì)中，包括若干指令用以使得一臺計算機(jī)設(shè)備(可以是個人計算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個實施例所述方法的全部或部分步驟。而前述的存儲介質(zhì)包括：U盤、移動硬盤、只讀存儲器(ROM，Read-Only Memory)、隨機(jī)存取存儲器(RAM，Random Access Memory)、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。

此外，術(shù)語“第一”、“第二”、“第三”僅用于描述目的，而不能理解為指示或暗示相對重要性。

最后應(yīng)說明的是：以上所述實施例，僅為本發(fā)明的具體實施方式，用以說明本發(fā)明的技術(shù)方案，而非對其限制，本發(fā)明的保護(hù)范圍并不局限于此，盡管參照前述實施例對本發(fā)明進(jìn)行了詳細(xì)的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，其依然可以對前述實施例所記載的技術(shù)方案進(jìn)行修改或可輕易想到變化，或者對其中部分技術(shù)特征進(jìn)行等同替換；而這些修改、變化或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明實施例技術(shù)方案的精神和范圍，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)所述以權(quán)利要求的保護(hù)范圍為準(zhǔn)。