一种复杂仿真系统可信度评估方法与流程

本申请涉及仿真技术领域，特别涉及一种复杂仿真系统可信度评估方法。

背景技术：

对于小规模仿真系统的可信度评估，如果仿真系统所模拟的原型系统是存在的，或者原型系统的运行试验数据是可获得的，可以通过分析仿真系统数据与原型系统数据的一致程度来获得仿真系统的可信度评估结果，常用的评估方法有谱分析法、数理统计法等。

但是对于复杂仿真系统，其所模拟的原型系统在研制初期通常没有实物系统，或者原型系统的数据样本量少，难以通过比较仿真系统数据和原型系统数据来评估其可信度。

技术实现要素：

为解决上述问题之一，本申请提供了一种复杂仿真系统可信度评估方法。

运行复杂仿真系统对多组实验数据序列进行仿真试验，得到多组仿真试验结果；

基于所述多组仿真试验结果，根据白化权函数评估所述复杂仿真系统的可信度定性评估指标；

根据预先建立的灰色预测模型对多组实验数据序列进行预测，得到多组预测序列；

计算每组仿真实验结果与对应预测序列之间的灰色关联度，根据各组灰色关联度的均值评估所述复杂仿真系统的可信度定量评估指标；

根据所述可信度定性评估指标与所述可信度定量评估指标加权后的和评估所述复杂仿真系统。

可选地，白化权函数为典型白化权函数，或者，白化权函数为下限测试白化权函数，或者，白化权函数为适当测试白化权函数，或者，白化权函数为上限测试白化权函数；

所述典型白化权函数

所述下限测试白化权函数

所述适当测试白化权函数

所述上限测试白化权函数

其中，m为评价标准的等级总数量，且等级m的可信度高于等级m+1的可信度，m为等级标识，1≤m≤m，g为专家基于所述多组仿真试验结果确定的可信等级评估值，t为可信度定量评估指标标识。

可选地，所述根据预先建立的灰色预测模型对多组实验数据序列进行预测，得到多组预测序列之前，还包括：

获取训练实验数据序列x⁽⁰⁾＝{x⁽⁰⁾(k1),x⁽⁰⁾(k2),…,x⁽⁰⁾(kn)}；

建立x⁽⁰⁾＝{x⁽⁰⁾(k1),x⁽⁰⁾(k2),…,x⁽⁰⁾(kn)}的灰色预测模型；

其中，n为训练实验数据总数量，kn为第n个训练实验数据，n为训练实验数据标识，1≤n≤n，x⁽⁰⁾(kn)为第n个训练实验数据的序列。

可选地，所述建立x⁽⁰⁾＝{x⁽⁰⁾(k1),x⁽⁰⁾(k2),…,x⁽⁰⁾(kn)}的灰色预测模型，包括：

计算x⁽⁰⁾＝{x⁽⁰⁾(k1),x⁽⁰⁾(k2),…,x⁽⁰⁾(kn)}的一次累加生成序列x⁽¹⁾＝{x⁽¹⁾(k1),x⁽¹⁾(k2),…,x⁽¹⁾(kn)}，其中，

建立x⁽¹⁾＝{x⁽¹⁾(k1),x⁽¹⁾(k2),…,x⁽¹⁾(kn)}的白化微分方程：其中，a为发展系数，b为灰作用量；

将的离散形式x⁽⁰⁾(kn+1)△kn+1+az⁽¹⁾(kn+1)＝b△kn+1确定为灰色微分方程，其中，z⁽¹⁾(kn+1)为灰色微分方程的背景值；

确定x⁽¹⁾(kn)＝ce^dkn时x⁽⁰⁾(kn+1)△kn+1+az⁽¹⁾(kn+1)＝b△kn+1的离散解：

其中c为预设常数；

根据确定x⁽⁰⁾＝{x⁽⁰⁾(k1),x⁽⁰⁾(k2),…,x⁽⁰⁾(kn)}的预测序列其中，

可选地，所述确定x⁽⁰⁾＝{x⁽⁰⁾(k1),x⁽⁰⁾(k2),…,x⁽⁰⁾(kn)}的灰色预测模型之后，还包括：

根据x⁽⁰⁾＝{x⁽⁰⁾(k1),x⁽⁰⁾(k2),…,x⁽⁰⁾(kn)}和确定残差序列e⁽⁰⁾＝{e⁽⁰⁾(k1),e⁽⁰⁾(k2),…,e⁽⁰⁾(kn)}，其中，

根据e⁽⁰⁾＝{e⁽⁰⁾(k1),e⁽⁰⁾(k2),…,e⁽⁰⁾(kn)}，确定校正残差序列e'⁽⁰⁾＝{e'⁽⁰⁾(k1),e'⁽⁰⁾(k2),…,e'⁽⁰⁾(kn)}；

计算e'⁽⁰⁾＝{e'⁽⁰⁾(k1),e'⁽⁰⁾(k2),…,e'⁽⁰⁾(kn)}的预测序列

根据对灰色预测模型进行校正。

可选地，所述根据e⁽⁰⁾＝{e⁽⁰⁾(k1),e⁽⁰⁾(k2),…,e⁽⁰⁾(kn)}，确定校正残差序列e'⁽⁰⁾＝{e'⁽⁰⁾(k1),e'⁽⁰⁾(k2),…,e'⁽⁰⁾(kn)}，包括：

若e⁽⁰⁾＝{e⁽⁰⁾(k1),e⁽⁰⁾(k2),…,e⁽⁰⁾(kn)}中存在非正直，则将所述e⁽⁰⁾＝{e⁽⁰⁾(k1),e⁽⁰⁾(k2),…,e⁽⁰⁾(kn)}向右平移，直至平移后的残差序列无非正直，将平移后的残差序列确定为e'⁽⁰⁾＝{e'⁽⁰⁾(k1),e'⁽⁰⁾(k2),…,e'⁽⁰⁾(kn)}；

所述根据对灰色预测模型进行校正，包括：

校正后的灰色预测模型其中，

可选地，所述根据e⁽⁰⁾＝{e⁽⁰⁾(k1),e⁽⁰⁾(k2),…,e⁽⁰⁾(kn)}，确定校正残差序列，包括：

若e⁽⁰⁾＝{e⁽⁰⁾(k1),e⁽⁰⁾(k2),…,e⁽⁰⁾(kn)}中不存在非正直，则将e⁽⁰⁾＝{e⁽⁰⁾(k1),e⁽⁰⁾(k2),…,e⁽⁰⁾(kn)}确定为e'⁽⁰⁾＝{e'⁽⁰⁾(k1),e'⁽⁰⁾(k2),…,e'⁽⁰⁾(kn)}；

所述根据对灰色预测模型进行校正，包括：

将e⁽⁰⁾＝{e⁽⁰⁾(k1),e⁽⁰⁾(k2),…,e⁽⁰⁾(kn)}作为校正后的灰色预测模型。

可选地，计算e'⁽⁰⁾＝{e'⁽⁰⁾(k1),e'⁽⁰⁾(k2),…,e'⁽⁰⁾(kn)}的预测序列包括：

计算e'⁽⁰⁾＝{e'⁽⁰⁾(k1),e'⁽⁰⁾(k2),…,e'⁽⁰⁾(kn)}的一次累加生成序列e⁽¹⁾＝{e⁽¹⁾(k1),e⁽¹⁾(k2),…,e⁽¹⁾(kn)}，其中，

建立e⁽¹⁾＝{e⁽¹⁾(k1),e⁽¹⁾(k2),…,e⁽¹⁾(kn)}的白化微分方程：其中，a'为发展系数，b'为灰作用量；

将的离散形式e⁽⁰⁾(kn+1)△kn+1+a'z'⁽¹⁾(kn+1)＝b'△kn+1确定为灰色微分方程，其中，z'⁽¹⁾(kn+1)为灰色微分方程的背景值；

确定时e⁽⁰⁾(kn+1)△kn+1+a'z'⁽¹⁾(kn+1)＝b'△kn+1的离散解：

其中c'为预设常数；

根据确定其中，

可选地，所述根据预先建立的灰色预测模型对多组实验数据序列进行预测，得到多组预测序列，包括：

对于第l组实验数据序列其中，l为组标识，1≤l≤l，l为总组数，q为所述第l组实验数据总数量，若其预测序列为dl＝{dl(1),dl(2),…,dl(q)}，则，

计算第l组的距离空间△l＝{△l(q)}，其中，q为实验数据标识，1≤q≤q；

确定△l中的最大值△l(max)和最小值△l(min)；

根据△l(max)和△l(min)，确定第l组每个实验数据的灰色关联系数；

将第l组所有实验数据的灰色关联系数的均值确定为第l组仿真实验结果与对应实验数据之间的灰色关联度。

可选地，所述根据所述最大值和最小值，确定第l组每个实验数据的灰色关联系数，包括：

其中，为第l组第q个实验数据的灰色关联系数，ξ为预设权重。

本申请所述技术方案运行复杂仿真系统对多组实验数据序列进行仿真试验，得到多组仿真试验结果；基于多组仿真试验结果，根据白化权函数评估复杂仿真系统的可信度定性评估指标；根据预先建立的灰色预测模型对多组实验数据序列进行预测，得到多组预测序列；计算每组仿真实验结果与对应预测序列之间的灰色关联度，根据各组灰色关联度的均值评估复杂仿真系统的可信度定量评估指标；根据可信度定性评估指标与可信度定量评估指标加权后的和评估复杂仿真系统，可以从有限的试验数据中发现复杂仿真系统内在规律，提高典型复杂仿真系统的可信度评估水平。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1示出本发明一个实施例提供的一种复杂仿真系统可信度评估方法流程图。

具体实施方式

为了使本申请实施例中的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

对于复杂仿真系统的可信度评估，其原型系统试验数据样本量通常有限，导致评估信息存在不充分、不全面的情况；由于其系统复杂性，需要从定量和定性层面进行评估，定性评估通常由领域专家利用经验、知识等定性化的评估信息，参与评估过程，需要对定性和定量和评估信息进行综合处理。

针对上述问题，本发明提出一种复杂仿真系统可信度评估方法，利用灰色系统理论和方法从小样本的原型系统试验数据中获取定量评估信息，解决原型系统试验数据规模有限的问题，以及定量定性评估信息的融合问题，支撑复杂仿真系统的可信度评估。

实施例1

本实施例提供一种复杂仿真系统可信度评估方法，参见图1。

s101，建立灰色预测模型。

本步骤非每次执行本实施例的复杂仿真系统可信度评估方法均必须执行的步骤，仅首次执行本实施例的复杂仿真系统可信度评估方法，或者，之前建立的灰色预测模型准确性不佳，或者其他原因需要重新建立灰色预测模型时才执行本步骤。本实施例不对触发执行本步骤的原因进行限定。

本步骤利用gm(1,1)模型，根据建立训练试验数据建立灰色预测模型，设训练实验数据序列为x⁽⁰⁾＝{x⁽⁰⁾(k1),x⁽⁰⁾(k2),…,x⁽⁰⁾(kn)}，通过灰色预测模型可以得到训练实验数据序列的预测序列

本步骤的具体实现过程如下：

步骤1.1，获取训练实验数据序列x⁽⁰⁾＝{x⁽⁰⁾(k1),x⁽⁰⁾(k2),…,x⁽⁰⁾(kn)}。

步骤1.2，建立x⁽⁰⁾＝{x⁽⁰⁾(k1),x⁽⁰⁾(k2),…,x⁽⁰⁾(kn)}的灰色预测模型。

其中，n为训练实验数据总数量，kn为第n个训练实验数据，n为训练实验数据标识，1≤n≤n，x⁽⁰⁾(kn)为第n个训练实验数据的序列。

具体的，步骤1.2的实现方式包括但不限于：

步骤1.2.1，计算x⁽⁰⁾＝{x⁽⁰⁾(k1),x⁽⁰⁾(k2),…,x⁽⁰⁾(kn)}的一次累加生成序列x⁽¹⁾＝{x⁽¹⁾(k1),x⁽¹⁾(k2),…,x⁽¹⁾(kn)}。

其中，

步骤1.2.2，建立x⁽¹⁾＝{x⁽¹⁾(k1),x⁽¹⁾(k2),…,x⁽¹⁾(kn)}的白化微分方程：

其中，a为发展系数，b为灰作用量；

步骤1.2.3，将的离散形式x⁽⁰⁾(kn+1)△kn+1+az⁽¹⁾(kn+1)＝b△kn+1确定为灰色微分方程。

其中，z⁽¹⁾(kn+1)为灰色微分方程的背景值。

步骤1.2.4，确定x⁽¹⁾(kn)＝ce^dkn时x⁽⁰⁾(kn+1)△kn+1+az⁽¹⁾(kn+1)＝b△kn+1的离散解：

求解背景值时，假设x⁽¹⁾(kn)满足指数形式则可得到灰色微分方程的离散解。

其中，c为预设常数。

步骤1.2.5，根据确定x⁽⁰⁾＝{x⁽⁰⁾(k1),x⁽⁰⁾(k2),…,x⁽⁰⁾(kn)}的预测序列

其中，

具体的，对灰色微分方程使用矩阵形式表示：

取则有

由此求得对于任意kn+1的值，经过累减得到的1-ago预测序列，即可得到训练实验数据序列的预测序列

其中，

至此，可以得到灰色预测模型，模型的输入为训练实验数据序列，模型测输出为训练实验数据序列的预测序列，模型的处理过程即为上述步骤1.2的过程。

s102，校正灰色预测模型。

为了提高灰色预测模型的拟合精度和预测精度，在得到灰色预测模型后，会执行s102对灰色预测模型进行校正。确定训练实验数据和当前灰色预测模型的预测值之间的残差建模，将得到的残差模型预测结果叠加至原来的预测结果之上，得到残差校正的灰色预测模型结果。

s102非每次执行每次执行本实施例的复杂仿真系统可信度评估方法均必须执行的步骤，仅首次执行本实施例的复杂仿真系统可信度评估方法，或者，s101被重新执行，或者，虽s101未重新执行，但当前的灰色预测模型精度不满足要求，或者，其他原因需要对灰色预测模型进行校对时才执行本步骤。本实施例不对触发执行本步骤的原因进行限定。

本步骤利用灰色预测模型获得试验数据预测序列，计算试验数据序列与预测序列之间的残差序列e⁽⁰⁾，对残差序列e⁽⁰⁾同样建立一个gm(1,1)预测模型，得到残差的预测序列若最初进行了平移操作，则需在预测结果中再减掉△e。将残差的预测结果补偿至原试验数据的预测结果序列，得到新的预测序列

本步骤实现过程为：

设训练实验数据为x⁽⁰⁾＝{x⁽⁰⁾(k1),x⁽⁰⁾(k2),…,x⁽⁰⁾(kn)}，其预测序列为计算残差数列e⁽⁰⁾＝{e⁽⁰⁾(k1),e⁽⁰⁾(k2),…,e⁽⁰⁾(kn)}，若残差中有非正值，则将整个序列向右平移△e，使得序列中每个元素均大于0。

具体的，

步骤2.1，根据x⁽⁰⁾＝{x⁽⁰⁾(k1),x⁽⁰⁾(k2),…,x⁽⁰⁾(kn)}和确定残差序列e⁽⁰⁾＝{e⁽⁰⁾(k1),e⁽⁰⁾(k2),…,e⁽⁰⁾(kn)}。

其中，

步骤2.2，根据e⁽⁰⁾＝{e⁽⁰⁾(k1),e⁽⁰⁾(k2),…,e⁽⁰⁾(kn)}，确定校正残差序列e'⁽⁰⁾＝{e'⁽⁰⁾(k1),e'⁽⁰⁾(k2),…,e'⁽⁰⁾(kn)}。

本步骤的具体实现过程为：

若e⁽⁰⁾＝{e⁽⁰⁾(k1),e⁽⁰⁾(k2),…,e⁽⁰⁾(kn)}中存在非正直，则将e⁽⁰⁾＝{e⁽⁰⁾(k1),e⁽⁰⁾(k2),…,e⁽⁰⁾(kn)}向右平移，直至平移后的残差序列无非正直，将平移后的残差序列确定为e'⁽⁰⁾＝{e'⁽⁰⁾(k1),e'⁽⁰⁾(k2),…,e'⁽⁰⁾(kn)}。

若e⁽⁰⁾＝{e⁽⁰⁾(k1),e⁽⁰⁾(k2),…,e⁽⁰⁾(kn)}中不存在非正直，则将e⁽⁰⁾＝{e⁽⁰⁾(k1),e⁽⁰⁾(k2),…,e⁽⁰⁾(kn)}确定为e'⁽⁰⁾＝{e'⁽⁰⁾(k1),e'⁽⁰⁾(k2),…,e'⁽⁰⁾(kn)}。

步骤2.3，计算e'⁽⁰⁾＝{e'⁽⁰⁾(k1),e'⁽⁰⁾(k2),…,e'⁽⁰⁾(kn)}的预测序列

本步骤的具体实现过程如下：

步骤2.3.1，计算e'⁽⁰⁾＝{e'⁽⁰⁾(k1),e'⁽⁰⁾(k2),…,e'⁽⁰⁾(kn)}的一次累加生成序列e⁽¹⁾＝{e⁽¹⁾(k1),e⁽¹⁾(k2),…,e⁽¹⁾(kn)}，其中，

步骤2.3.2，建立e⁽¹⁾＝{e⁽¹⁾(k1),e⁽¹⁾(k2),…,e⁽¹⁾(kn)}的白化微分方程：

其中，a'为发展系数，b'为灰作用量；

步骤2.3.3，将的离散形式e⁽⁰⁾(kn+1)△kn+1+a'z'⁽¹⁾(kn+1)＝b'△kn+1确定为灰色微分方程。

其中，z'⁽¹⁾(kn+1)为灰色微分方程的背景值。

步骤2.3.4，确定时e⁽⁰⁾(kn+1)△kn+1+a'z'⁽¹⁾(kn+1)＝b'△kn+1的离散解：

其中c'为预设常数。

步骤2.3.5，根据确定

其中，

具体的，对灰色微分方程使用矩阵形式表示：

取则有

由此求得对于任意kn+1的值，经过累减得到的1-ago预测序列，即可得到训练实验数据序列的预测序列

其中，

步骤2.4，根据对灰色预测模型进行校正。

如果在步骤2.2中，判断e⁽⁰⁾＝{e⁽⁰⁾(k1),e⁽⁰⁾(k2),…,e⁽⁰⁾(kn)}中存在非正直，则步骤2.2会将e⁽⁰⁾＝{e⁽⁰⁾(k1),e⁽⁰⁾(k2),…,e⁽⁰⁾(kn)}向右平移(假设平移了△e)，直至平移后的残差序列无非正直，将平移后的残差序列确定为e'⁽⁰⁾＝{e'⁽⁰⁾(k1),e'⁽⁰⁾(k2),…,e'⁽⁰⁾(kn)}。那么，本步骤中需在预测序列中减掉△e。

即校正后的灰色预测模型其中，

如果在步骤2.2中，判断e⁽⁰⁾＝{e⁽⁰⁾(k1),e⁽⁰⁾(k2),…,e⁽⁰⁾(kn)}中不存在非正直，则步骤2.2会将e⁽⁰⁾＝{e⁽⁰⁾(k1),e⁽⁰⁾(k2),…,e⁽⁰⁾(kn)}确定为e'⁽⁰⁾＝{e'⁽⁰⁾(k1),e'⁽⁰⁾(k2),…,e'⁽⁰⁾(kn)}。那么，本步骤中将e⁽⁰⁾＝{e⁽⁰⁾(k1),e⁽⁰⁾(k2),…,e⁽⁰⁾(kn)}作为校正后的灰色预测模型。

执行至此，灰色预测模型已建立完成。

若经过s102的校正，则后续会基于校正后的灰色预测模型进行灰色关联分析。若未经过s102的校正，则后续会基于当前的灰色预测模型进行灰色关联分析。本实施例仅以经过s102的校正为例进行说明，对于未经校正的情况，不再赘述。

s103，基于校正后的灰色预测模型进行灰色关联分析。

本步骤会运行复杂仿真系统进行多次仿真试验，得到多组仿真数据，针对每次仿真试验结果，利用灰色关联分析方法，计算仿真数据序列同灰色预测模型预测并校正后的预测数据序列之间的灰色关联度，作为对应的定量指标的可信度评估结果。

设共有l组数据，评估指标hr(r为评估指标标识)，下包含子评估指标hrw(w为评估指标r下的子评估指标标识)，同时也是底层评估指标。如果hrw是定量评估指标，假设其对应的试验数据序列为其灰色预测模型的预测序列dl＝{dl(1),dl(2),…,dl(q)}，其中l为组标识，1≤l≤l，表示数据是由第l组试验得到的数据。计算两个序列中每个数据点的数值差异信息和灰色关联系数，然后计算仿真数据序列与试验数据序列间的灰色关联度，反映仿真数据同试验数据间越接近，作为对该定量评估指标下的可信度评估结果。

具体的，

步骤3.1，运行复杂仿真系统对多组实验数据序列进行仿真试验，得到多组仿真试验结果。

在具体实现时，执行步骤3.1之后，可以直接执行s104，s104执行后，再执行步骤3.2和步骤3.3。也可以执行步骤3.1之后，同时直接执行s104，以及步骤3.2。还可以执行步骤3.1之后，执行步骤3.2，在执行步骤3.3的同时，执行s104。本实施例不对s104与步骤3.2之间的执行顺序进行限定。本实施例也不对s104与步骤3.3之间的执行顺序进行限定。

本实施例仅以执行步骤3.1后执行步骤3.2、步骤3.3，然后再执行s104为例。其他情况本实施例不再赘述。

步骤3.2，根据预先建立的灰色预测模型对多组实验数据序列进行预测，得到多组预测序列。

本步骤是根据执行s101和s102之后得到的校正后的灰色预测模型对多组实验数据序列进行预测，得到多组预测序列。

步骤3.3，计算每组仿真实验结果与对应预测序列之间的灰色关联度，根据各组灰色关联度的均值评估复杂仿真系统的可信度定量评估指标。

具体的，本步骤实现方法包括但不限于：

步骤3.3.1，计算灰色关联差异信息空间。

对于第l组实验数据序列其中，l为组标识，1≤l≤l，l为总组数，q为第l组实验数据总数量，若其预测序列为dl＝{dl(1),dl(2),…,dl(q)}，则，

计算第l组的距离空间△l＝{△l(q)}。

其中，△l(q)为差异信息，q为实验数据标识，1≤q≤q。

确定△l中的最大值△l(max)和最小值△l(min)。

步骤3.3.2，计算仿真实验结果与对应预测序列中每个数据的灰色关联系数。

本步骤根据△l(max)和△l(min)，确定第l组每个实验数据的灰色关联系数。

其中，为第l组第q个实验数据的灰色关联系数，ξ为预设权重。

步骤3.3.3，计算仿真实验结果与对应实验数据之间的灰色关联度。

将第l组所有实验数据的灰色关联系数的均值确定为第l组仿真实验结果与对应实验数据之间的灰色关联度。

取值越大，反映仿真实验结果与对应预测序列间越接近，可以作为对该定量评估指标下的可信程度的反映。

s104，进行定性信息处理。

本步骤，基于多组仿真试验结果，根据白化权函数评估复杂仿真系统的可信度定性评估指标。

对于定性评估指标，由专家根据经验给出可信等级的评价，对专家的定性等级评价信息进行量化处理，使其能够同定量评估信息进行综合，选择合适的白化权函数，利用白化权函数对定性评估信息进行处理，转化为定性评估指标的定量化评估结果。

选择合适的白化权函数，常见的白化权函数有典型白化权函数、下限测试白化权函数、适当测试白化权函数、上限测试白化权函数，其函数形式分别如下：

典型白化权函数

下限测试白化权函数

适当测试白化权函数

上限测试白化权函数

其中，m为评价标准的等级总数量，且等级m的可信度高于等级m+1的可信度，m为等级标识，1≤m≤m，g为专家基于多组仿真试验结果确定的可信等级评估值，t为可信度定量评估指标标识。

即，本步骤中的白化权函数为典型白化权函数，或者，白化权函数为下限测试白化权函数，或者，白化权函数为适当测试白化权函数，或者，白化权函数为上限测试白化权函数。

s105，根据处理结果进行可信度综合评估。

复杂仿真系统的可信度评估要素众多，其评估指标体系通常是层次化的，由定性和定量评估指标组成的、具有权值的评估指标体系。对于每个定量评估指标，将相对应的多次仿真数据同扩充后的试验数据进行灰色关联度分析，将计算出的灰色关联度取平均值作为该评估指标的评估结果；对于每个定性评估指标，对专家给出的定性评价结果，利用灰色白化权函数转化为量化结果，作为该评估指标的评估结果。对定量指标和定性指标的可信度评估结果，利用权重进行加权后相加得出复杂仿真系统在评估指标体系下的可信度综合评估结果。

本实施例提供的方法针对复杂仿真系统可信度评估中原型系统数据规模受限的问题，利用灰色建模方法对试验数据进行建模和预测，引入残差对灰色预测模型进行校正，利用灰色关联分析方法获得定量指标的评估结果，利用白化权函数对专家的定性评价结果进行处理，最终通过层次化分析进行定性与定量的可信度综合评估。本方法可以从有限的试验数据中发现系统的内在规律，尽可能充分地利用小样本试验数据为评估工作提供可用信息，综合利用定量定性的异构评估信息，对提高典型复杂仿真系统的可信度评估水平具有现实的意义。

针对原型系统试验数据样本量有限，导致评估信息不充分、不全面的情况，以及定性、定量异构评估信息的综合利用问题，本方法方法，综合利用灰色预测模型建模、模型校正、基于灰色关联分析的定量评估、定性评估信息处理、定性定量综合可信度评估方法，实现从有限的试验数据中发现系统的内在规律，综合利用定量定性的异构评估信息，提高典型复杂仿真系统的可信度评估水平。

本实施例提供的方法运行复杂仿真系统对多组实验数据序列进行仿真试验，得到多组仿真试验结果；基于多组仿真试验结果，根据白化权函数评估复杂仿真系统的可信度定性评估指标；根据预先建立的灰色预测模型对多组实验数据序列进行预测，得到多组预测序列；计算每组仿真实验结果与对应预测序列之间的灰色关联度，根据各组灰色关联度的均值评估复杂仿真系统的可信度定量评估指标；根据可信度定性评估指标与可信度定量评估指标加权后的和评估复杂仿真系统，可以从有限的试验数据中发现复杂仿真系统内在规律，提高典型复杂仿真系统的可信度评估水平。。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。