武器系统仿真技术(一):系统误差分析的蒙特卡洛算法
1.应用前景
可以用于航空武器系统的误差分析,特别是函数误差的计算。蒙特卡洛法和协方差法是武器系统误差分析中的两种常用方法。其基本思想是通过对随机变量的模拟,对模拟结果进行统计分析,最终给出问题数值解的估计值。
2.武器系统误差的(MonteCarlo)分析方法
设系统的输入与输出之间的关系为:
W=G(X)\mathbf{W}=\mathbf{G}(\mathbf{X}) W=G(X)
式子中X=(X1,X2,...Xn)T\mathbf{X}=(X_1,X_2,...X_n)^TX=(X1,X2,...Xn)T是系统输入变量,而W=(w1,w2,...wm)T\mathbf{W}=(w_1,w_2,...w_m)^TW=(w1,w2,...wm)T是系统输出变量,G(X)=(g1(x),g2(x),...g(x))TG(\mathbf{X})=(g_1(\mathbf{x}),g_2(\mathbf{x}),...g(\mathbf{x}))^TG(X)=(g1(x),g2(x),...g(x))T是系统输入与输出间的函数关系。而εX\varepsilon_XεX是输入系统误差,δX\delta_XδX是输入随机误差。
X=X0+ΔX=X0+δX+εX\mathbf X=\mathbf X_0+\Delta \mathbf{X}=\mathbf X_0+\mathbf{\delta_X}+\mathbf \varepsilon_X X=X0+ΔX=X0+δX+εX
其中有E(X)=X0+εX,E(δxδxT)=Cov(ΔX,ΔX)E(\mathbf X)=\mathbf X_0 + \varepsilon_X,E(\delta_x\delta_x^T)=Cov(\Delta X,\Delta X)E(X)=X0+εX,E(δxδxT)=Cov(ΔX,ΔX)。系统的输出误差为:
ΔW=G(X0+ΔX)−G(X0)\Delta \mathbf{W}=\mathbf{G}(\mathbf{X_0}+\Delta \mathbf X)-\mathbf G(\mathbf{X_0}) ΔW=G(X0+ΔX)−G(X0)
函数误差分析计算的目的是确定E(ΔW),Cov(ΔW,ΔW)E(\Delta\mathbf W),Cov(\Delta \mathbf W,\Delta \mathbf W)E(ΔW),Cov(ΔW,ΔW)。E(ΔW)E(\Delta\mathbf W)E(ΔW)描述了系统输出系统误差的大小,Cov(ΔW,ΔW)Cov(\Delta \mathbf W,\Delta \mathbf W)Cov(ΔW,ΔW)描述了系统输出随机误差的大小:
E(ΔW)=E(W)−G(X0),Cov(ΔW,ΔW)=Cov(W,W)E(\Delta \mathbf{W})=E(\mathbf W)-G(\mathbf X_0),Cov(\Delta \mathbf W,\Delta \mathbf W)=Cov( \mathbf W, \mathbf W) E(ΔW)=E(W)−G(X0),Cov(ΔW,ΔW)=Cov(W,W)
所以就要求出E(W)E(\mathbf{W})E(W)和Cov(W,W)Cov( \mathbf W, \mathbf W)Cov(W,W)即可。若能得到随机向量W\mathbf WW的NNN个抽样值{W(i)}i=1N\{\mathbf W^{(i)}\}_{i=1}^N{W(i)}i=1N,由大数定理有:
∀ϵ>0,limN→∞P{∣1N∑i=1NWi−EW∣<ϵ}=1\forall \epsilon>0,lim_{N\rightarrow \infty}P\{|\frac{1}{N}\sum_{i=1}^N\mathbf W_i-E\mathbf W|<\epsilon\}=1 ∀ϵ>0,limN→∞P{∣N1i=1∑NWi−EW∣<ϵ}=1
同样的中心极限定理(其中σW≈σW^=Sω\sigma_{\mathbf{W}} \approx \hat{\sigma_{\mathbf{W}}}=S_{\omega}σW≈σW^=Sω为ω\omegaω的标准差)也有:
limN→∞P{∣1N∑i=1NWi−EW∣<λασWN}=22π∫0λαe−t22dt=1−αlim_{N\rightarrow \infty}P\{|\frac{1}{N}\sum_{i=1}^N\mathbf W_i-E\mathbf W|<\frac{\lambda_{\alpha}\sigma_{\mathbf{W}}}{\sqrt{N}}\}=\frac{2}{\sqrt{2\pi}}\int_0^{\lambda_{\alpha}}e^{-\frac{t^2}{2}}dt=1-\alpha limN→∞P{∣N1i=1∑NWi−EW∣<NλασW}=2π2∫0λαe−2t2dt=1−α
设Wˉ=1N∑i=1NWi\bar{W}=\frac{1}{N}\sum_{i=1}^N\mathbf W_iWˉ=N1∑i=1NWi,那么输出的样本协方差矩阵为:
CW2=1N−1∑i=1N(W(i)−Wˉ)(W(i)−Wˉ)T={cjk}m×mC_{\mathbf{W}}^2=\frac{1}{N-1}\sum_{i=1}^N(\mathbf W^{(i)}-\bar{\mathbf W})(\mathbf W^{(i)}-\bar{\mathbf W})^T=\{c_{jk}\}_{m\times m} CW2=N−11i=1∑N(W(i)−Wˉ)(W(i)−Wˉ)T={cjk}m×m
函数误差分析计算的算法是蒙特卡洛方法,首先必须模拟产生输出随机向量W\mathbf WW的抽样值,进一步是要模拟得到输入值{X(i)}i=1N\{\mathbf X^{(i)}\}_{i=1}^N{X(i)}i=1N。“将对输出随机向量抽样值的模拟产生问题,转化为对输入随机向量抽样值的模拟产生问题”。所以,函数误差分析计算的蒙特卡洛法,关键问题是如何利用这些已知条件产生输入随机向量的抽样值。其特点有运算量大,精度不高,收敛速度慢,无法看出某个输入对总体影响程度的估计,但是具有一般性,适应面宽的特点。
武器系统仿真技术(一):系统误差分析的蒙特卡洛算法相关推荐
- 武器系统仿真技术(二):末端制导系统蒙特卡洛仿真法
1.蒙特卡洛仿真方法的统计特性 假设一个mmm个系统输出数据{yi}i=1m\{y_i\}_{i=1}^m{yi}i=1m,NNN次循环得到NNN组数据{{yi}i=1m}j=1N\{\{y_i\ ...
- 控制系统仿真技术(二)-连续系统的数字仿真二
太原理工大学控制系统仿真技术实验报告 连续系统的数字仿真 1.分别利用欧拉法和预估-校正法求下图所示系统的阶跃响应,并对其结果进行比较. %欧拉法求阶跃响应 r=2;num0=8;den0=[1 3 ...
- 基于MATLAB/Simulink的系统仿真技术与应用(PDF)
本书首先介绍了MATLAB语言的程序设计的基本内容,在此基础上系统介绍了系统仿真所必要的数值计算方法及MATLAB实现,并以Simulink为主要工具介绍了系统仿真方法与技巧,包括连续系统.离散系统. ...
- 系统技术方案 系统构架_构架系统时应注意的事项
系统技术方案 系统构架 by Ayelet Sachto 通过Ayelet Sachto 架构系统时要记住的6件事 (6 Things to keep in mind when architectin ...
- 海量数据处理_国家重点研发计划“面向异构体系结构的高性能分布式数据处理技术与系统”简介...
技术发展现状 近年来,数据规模快速增长,使得Hadoop.Spark等大数据批处理系统在现实中得到了广泛应用.同时,应用对数据处理时效性需求不断加强,促使诸如Flink的大数据流式处理系统应运而生.现 ...
- 最新开源:3TS腾讯事务处理技术验证系统(下)
作者:李海翔,腾讯TEG数据库技术专家 近日,中国人民大学-腾讯协同创新实验室正式举行揭牌仪式.据了解,双方已聚焦在数据库基础研究领域进行了多年的前沿产学研合作,以及数据库人才合作培养计划,在推进数据 ...
- 腾讯与中国人民大学开源最新研究成果:3TS腾讯事务处理技术验证系统
作者:李海翔,腾讯TEG数据库技术专家 一个是全球领先的科技公司,一个是中国数据库基础学术研究的摇篮,近日,中国人民大学-腾讯协同创新实验室正式举行揭牌仪式.据了解,双方已聚焦在数据库基础研究领域进行 ...
- 数平精准推荐 | OCR技术之系统篇
导语:如果说算法和数据是跑车的发动机和汽油,那么系统则是变速箱,稳定而灵活的变速箱,是图像识别服务向前推进的基础.算法.数据.系统三位一体,随着算法的快速发展和数据的日益积累,系统也在高效而稳定地升级 ...
- 学习笔记之搜索引擎—原理、技术与系统
搜索引擎 - 原理.技术与系统 Search Engine: Principle, Technology and Systems 李晓明 闫宏飞 王继民 著 by Li Xiaoming, Yan ...
最新文章
- VMware虚拟机安装WIN7
- Kaldi拜拜!PyTorch语音工具包SpeechBrain要来了,支持多种语音任务,实现最强水准...
- 后台getshell常用技巧总结
- ubuntu使用root权限登录的设置方法
- 手把手教你写一份优质的前端技术简历
- 重磅发布 | 阿里云视图计算,边缘计算的主“战”场
- centos7.4安装nginx1.8.1 php7.7.11 安装 MySQL5.7.20
- 20200601每日一句
- 使用SAP HANA ODBC驱动程序进行连接
- 用 Python 计算综合测评中的专业成绩加权平均分
- 候客点选在哪大数据说了算 申城推广简易出租车候客站点
- api工厂接口路径是什么_为什么(几乎)永远不要再使用绝对路径访问API
- MySQL sum()函数
- 参考文献的类型--参考文献里的J、M等字母都代表什么
- 异常:Subquery returns more than 1 row
- Java基础数据类型与运算符
- 蓝桥杯 分割项链 Java
- 51Nod - 1298
- stage.frameRate改变帧频
- python3-百度,360广告推广(url收集)
热门文章
- 创建tensor的几种常用方式
- C++多线程map读写加锁
- Pytorch中的train和eval模式详解
- tensorflow.python.framework.tensor_shape.TensorShape 类
- torch.nn.Module.eval
- python: os.walk() 相关操作
- 【pytest】命令行选项
- SES 之全局搜索小记
- hdu 1251 统计难题 (字典树入门题)
- a span等行内元素加margin属性后无效果解决方案