后处理Semi-Supervised自组织映射的意外情况

文摘

集成的确定性和概率安全分析(IDPSA)的动态系统要求意外场景生成发展的有效方法。必要的考虑时机和测序失败事件的场景需要生成场景的数量增加对传统PSA。因此,后处理获取安全相关信息关于系统行为产生的挑战,因为大量的场景,使场景后处理的计算成本巨大和难以解释的检索信息。IDPSA的上下文中,解释包括在生成的分类情况下是安全的,失败了,近距离脱靶(NMs),和'蕴含项(π)。为了解决这个问题,在本文中,我们提出了使用Semi-Supervised合奏的自组织映射(SSSOMs)的结果相结合的局部加权聚合两种策略:基于局部加权聚合和决策树聚合。在前,我们求助于当地的融合(低频)原则会计不同SSSOM分类器分类的可靠性,而在后者我们构建一个分类计划,选择适当的分类器(或系综分类器),对场景的类型分类。应用两种策略的后处理意外场景的动态u形管蒸汽发生器(UTSG)。

1。介绍

动态场景的数量被认为是在一个集成的确定性和概率安全分析(IDPSA)的动态系统增加而可能发生的故障事件的数量,以及考虑他们的时机和测序。这可以使场景后处理的计算成本巨大,检索到的信息很难解释1- - - - - -4]。后处理的主要目标是生成动态场景的分类是安全的,失败了,近距离脱靶(NM),主要蕴含项(π)集群。安全场景是那些,即使包含几个组件故障,使系统在安全的条件下工作。失败场景,相反,由于故障事件,导致系统的组合成一个失败的条件。在失败的情况下,π是那些场景包含事件代表组件失败系统所需的最小的组合(5(即。,the dynamic systems equivalent of Minimal Cut Sets (MCSs)). Among safe scenarios, NMs are dangerous sequences of events that lead the system to a quasi-fault state [6]。

提出了许多方法在文学的分类任务。第一步可以区分失败场景和安全的情况下,例如,通过一个模糊-——(FCM)分类器6),均值漂移方法(MSM) [7),或决策树8]。提出了方法的识别也π和近距离脱靶。例如,π识别执行了一个微分基于进化学的方法(9)或可视化交互式方法(10),其行为的组件的数量在事故中指定选择序列作为π标识最重要的功能:事故序列相关的文字选择成本最低的和存储为π(最减少序列,即。最小数量的事件,不能被任何其他蕴含项)。关于近距离脱靶的识别序列,一个无监督聚类问题算法和基于优化的包装器——提出了聚类算法(MacQueen, 1967)4]。综合意外的场景分类方法可以提供的自组织映射(索姆)[11),已被广泛应用于各种工程和物理应用程序,包括复杂系统的故障检测和诊断(12,13]。索姆捕捉非线性高维数据和可视化的关系在一个低维接口,通常2 d的结构,所谓的,神经元。在这种结构中,数据被分配到最相似的神经元称为最佳匹配单元(BMU)(通常是通过测量的最小欧氏距离),因此可用数据分为地区共同特征(即数据相似性高,BMU相互映射接近相同)。SOM存在的三种类型:非监督SOM (USOM) Semi-Supervised索玛(SSSOM),监督SOM (SSOM)。我们所示(14]SSSOM执行最佳识别安全,失败,NMs,π的场景。特别是,分配组离散变量(即。,the failure sequences) to a BMU, a SSSOM (implemented with a Manhattan distance as similarity measure) is particularly suitable to properly treat the MVL approximation needed for the representation of the dynamic scenarios (the usual binary variables representation used in Boolean Logic, in which the modeling is limited only to the occurrence or not of certain events [2- - - - - -4,6,9,10,15】,是不够的)。在这个工作,它将表明SSSOM性能分类不同组的场景的特性取决于SSSOM BMU用作选择鉴别特征的数据(例如,分配到集群的几何重心更类似于输入数据或集群的最大(最小)神经元(即。最大(最小)的重量),更类似于输入数据)。结果证实,根据这一点,一些分类器的独立SSSOM偏离剧本表演类,反之亦然。这表明采用一个方法改善分类的意外情况。

这项工作的主要目的是提出一个动态意外场景后处理工具,它利用分类器的一个整体。事实上,通过这样做,可以利用分类器互补的特点和提高总体分类精度(多目标精度的敏感性和特异性)(16]。一般来说,增加多样性策略包括(我)使用不同类型的分类器(这是我们采用的技术为我们的应用程序);(2)与不同的数据集训练个体分类器;(3)使用不同的特征子集。各种方法存在聚合的个体分类器的结果:多数投票(17],Borda数[18阈值),投票(Ho 1994),加权平均(19),模糊积分(20.),模糊模板(21[],Dempster-Shafer理论22]。此外,动态方法已经开发从一组可用的选择一个分类器,基于本地信息(23]:不同分类器在不同地区表现最好的和聚合会导致改善分类结果;在监管环境中,单个分类器性能可以根据历史数据与已知的校准目标值;每个分类器性能值反映了我们希望每个分类器的程度作出贡献的合奏聚合:对于一个给定的场景,表现最好的分类器类型应该贡献最16]。在这些前提,我们提出两种策略基于局部加权聚合SSSOMs结果:局部加权合奏和基于一个决策树。对于这两种策略,我们求助于当地的融合(低频)原则(19构建整体的结果,基于当地每个分类器的性能,分类精度测量的场景(即在附近。考虑测试场景,类似)。

局部加权整体策略,我们合奏的分类结果SSSOMs其作业BMU给出对不同的特征描述SSSOM(如均值量化误差(MQE) SSSOM为基础,基于重心的SSSOM,最低SSSOM神经元,神经元的最大SSSOM为基础,和独立SSSOM)。

不同,基于决策树的分类方案选择一个分类器(或系综分类器),基于当地的性能测试场景。这样,输入场景具有类似特征的处理同样的分类器(或系综分类器)的分支树是最有效的。

为后处理IDPSA场景相结合的可行性本地信息的分类到安全、失败,NMs,π,展示了对动态u形管蒸汽发生器(UTSG) NPP [24]。对于IDPSA场景生成,实现动态仿真模型仿真软件和多值逻辑(MVL)方案4)已经采用了描述场景的不同组件的操作状态。

本文组织如下。节2,UTSG及其仿真软件模型。节3,并给出了SSSOMs和不同特性视为歧视特征分类;还合奏的低频过程概述。节4的局部加权合奏SSSOMs SSSOMs的基于决策树的整体,并在案例研究结果报告。节5,给出了一些结论和最后的讲话。

2。案例研究

我们考虑的动态场景UTSG代核电站使用的场景。仿真软件模型被用来描述UTSG响应在不同功率水平(4]。组件失败考虑UTSG如下(图1):蒸汽阀故障,安全泄压阀故障,中断的传感器监测水位之间的通信(由给水进入和退出)之间的平衡和比例综合微分(PID)控制器和PID失败。任务时间()4000 (s)一直被视为允许完整的开发也慢动态事故场景发生在早期/媒介时代。组件故障被认为是在任何连续时间即时发生,任何顺序的序列和大小。假设故障发生过程已经为了(i)场景中的多个故障的发生,(ii)捕获感兴趣的所有的动态影响因素,和(3)治疗全面(但仍然可控的)问题场景后处理需要一个健壮的风险量化。

易处理的问题,我们采取一个多值逻辑(MVL)计算框架的组件可以在离散的时间和震级(失败9]。离散化由以下:(我)时间:对于每一个组件,任务时间()分为四个间隔,标记 在[失败)(s), 在[)(s), 在[),而 在[]。如果 组件不失败 。(2)组件故障大小:(一)蒸汽阀故障显示为1级,2或3为失败状态对应于停留在0%,50%,和150%的在功率值,应提供 ,分别;如果蒸汽阀大小显示为0,组件不失败 ;(b)安全泄压阀故障大小显示为1,2,3,4,如果卡之间(公斤/ s),(公斤/ s),(公斤/ s),(公斤/ s),分别;如果安全阀大小显示为0,组件不失败 ;(c)传感器测量水位之间的通信和PID控制器标签是0,如果沟通工作,与1否则;(d)PID控制器故障级离散成8等距的大小间隔,标签从1到8的代表失败状态对应的离散时间间隔输出值属于(]%的应提供的价值 ;如果PID控制器的大小是标记为0,组件不失败 。

每个场景都由一组表示的多值的变量值,大小,和秩序的发生,恢复成一个序列向量:每个序列,因此,一个MVL向量 的长度 。例如, 对应于一个场景(我)蒸汽阀不能停留在其最大容许值一次(3)(2)(](s),这是第一(1)事件发生的顺序;(2)安全阀失败第三(3)的时间间隔(3)= (](s),级(1)属于((公斤/ s);(3)传感器测量水位之间的通信和PID控制器是第二个(3)(1)失败事件的序列,它发生的时间间隔(2)(][](s);(iv)PID控制器不能停留在第四(4)的时间间隔(4)级)(s),(6)属于(]%的应提供的价值。

所有可能的组合多个组件故障,每个由MVL表示向量的时间,大小,和秩序的发生,导致的 意外MVL场景治疗风险的量化UTSG相关操作。

3所示。的合奏

成功的设计整体由两个重要部分组成(25,26):(1)单个分类器的设计(部分3所示。1);(2)聚合机制的设计部分3所示。2)[27]。

3.1。设计分类器

后处理的 多值的动态场景UTSG,我们求助于半监督自组织映射(SSSOM)基于曼哈顿距离(如图2(c))。这SSSOM已被证明在14]高效分组的场景在四个不同地区的地图和检索安全相关的信息,是以后显示能够进一步改善训练分类新数据时根据不同的特性同样SSSOM用作BMUs,然后,他们的合奏成最终的分类结果:我们将看到,某些分类器偏离剧本表演其他人对某些类,反之亦然。特别地,我们构建 分类器独立SSSOM, MQE SSSOM为基础,基于重心的SSSOM,最低SSSOM神经元,神经元和最大SSSOM和展示,为不同的类,这些是最好的,可以相互受益,即。

3.1.1。独立SSSOM

的SSSOM 神经元 ,每一个都被分配一个权重向量 训练的 UTSG动态场景属于一个 维空间,说 ,那里的th样品 。为了完整性、训练算法在附录中。特别是,这SSSOM由取代通用场景之间的欧氏距离作为相似性度量的输入和重量的神经元的地图,曼哈顿距离: 在哪里是两个向量之差的绝对值在吗- - - - - -尺寸(14]。通过这样做,MVL形式主义是适应数据向量之间的相似度评估和神经元内。图的地图2(c)已经建成 训练时期和一个 因子(这些参数的含义,请参阅附录)。不同的颜色代表不同的 类 安全,NMs,失败,和π。

3.1.2。基于MQE的SSSOM

让我们考虑一个通用的场景和一个通用的神经元的地图 。如附录所述(本),一个常用的质量措施,可用于确定地图MQE和它的性能可以被定义为在以下方程。 在哪里与BMU神经元相关联的权重吗 。

基本上,BMU的MQE越低,越场景特征向量与权向量,因此,更多的由SSSOM学到的知识。计算每个输入数据和分组的MQE classwise,我们可以获得经验概率密度函数(PDF)指MQE的分布为每个类(数据2(b),2(一),2(e)2(d))。方程(3)显示了一个示例计算MQE的泛型类 : 在哪里是属于类的场景的数量吗 , 是一个通用的场景中属于类 ,和是BMU神经元的权向量映射到哪个被分配。新输入的分类基于类的MQE SSSOM收益如下:在计算(2),然后,它被分配给更大的类PDF MQE计算的值。基本原理是,MQE的特定值,PDF越大,越可能值:如果一个类 ,相关的PDF MQE值大于其他类,它更可能属于该类的场景。例如,如果输入的MQE等于1.5,我们将它分配给安全类,因为安全类的PDF(图2(e))大于其他类,MQE的这个值。一般来说,我们可以注意到在图2NMs和π类PDF偏向MQE值低,而失败和安全类有较大的MQE值。

3.1.3。基于重心的SSSOM

附录中的SSSOM训练一样,如图2(c)是利用另一种分类器通过使用每个集群的几何重心作为参考的选择BMU(圈图2)。当一个新的这个SSSOM喂养,我们选择最接近的四个重心是最相似的神经元,神经元相似在哪里量化基于曼哈顿距离: 在哪里有人的四个重心的四类。基本原理的几何重心是最有代表性的特征类。

3.1.4。最低SSSOM神经元

考虑再次SSSOM训练在附录和图所示2为每个集群(c)我们在地图上定位的神经元最小重量(在地图上有一个三角形图的地图2)和分类我们分配新的向量神经元集群的最低最类似于输入,基于曼哈顿距离: 向量的基本原理是,如果一个场景的特点类似于神经元的最低重量的一个特定的集群,集群将分配给这个,因为它是非常不同的神经元的最低重量向量的其他类。

3.1.5。最大的基础SSSOM神经元

基于最大神经元SSSOM是前一个的补充,它是基于神经元与每个集群的最大重量由一个矩形图的地图2(c)。

3.1.6。分类性能

的四个分类器部分3.1。2- - - - - -3.1。5比较的独立SSSOM [14),UTSG场景后处理任务。分类器的性能量化的计算(28]:(我)精度:更大的,更好的的能力th分类器不包括样品的其他类th类: 在哪里场景中分配到的总数吗th类和是属于类的场景的数量吗并正确地分配到类 。(2)灵敏度:更大的,更好的的能力分类器正确识别样本属于th类: 在哪里场景属于的总数吗类。(3)特异性:更大的,更好的能力th类的th分类器拒绝其他的样品: 在哪里样品的总数量分配给吗th类: 在表中1- - - - - -5MQE的表演基础,基于重心的,最低基于神经元,神经元的最大基础,独立SSSOMs,为每个类,报告。

对于失败,π场景,独立的参数SSSOM(精度为0.83和0.016,0.773和0.911的敏感性,特异性的0.911和0.949,分别)大于所有其他分类器。例如,基于最小神经元SSSOM失败场景的精确等于0.5418,这是远低于精度与独立SSSOM获得。值得注意的是,这是适用于所有的参数值在处理失败和π场景。相反,看着NMs和安全的场景中,我们看到,其他分类器克服了独立SSSOM表演。例如,安全场景分类的特异性更高的基于最大神经元SSSOM比独立SSSOM(0.955和0.927),和分类精度NMs是基于SSSOM MQE高于独立SSSOM(0.0406和0.034),并分类的特异性NMs的MQE基于SSSSOM(0.9616)和基于最小神经元SSSOM(0.9902)高于独立SSSOM (0.911)。

在图3的3 d表示的性能参数值表1- - - - - -5给出每个实现SSSOM和每个场景类:星星表示MQE SSSOM值为基础,圆基于重心的SSSOM价值观,广场最低神经元SSSOM值为基础,钻石的最大SSSOM神经元,并穿过独立SSSOM值。

图3(一个)确认了独立SSSOM平均偏离剧本表演另一个分类器,除了安全、NMs类:这些场景的数据3 (b)和3 (d)分别可以识别和帕累托前面强调的实线的次优解不主宰所有其他的分类器对所有这三个性能目标。举个例子,我们可以看到,在分类NMs更高精度基于MQE SSSOM(0.0406)比独立SSSOM(0.034),所以是分类的特异性NMs(0.9616和0.911),但同一个类的灵敏度较高的独立SSSOM(0.957和0.491)。

这些结果表明开发的可能性一般方法聚合多个分类器输出的视为一个整体,其聚合机制(建议在以下部分中)会考虑当地的表演不同的分类器在处理不同类型的场景和自动选择要使用的分类器。

最后一句话,值得澄清的是,提出的整体设计方法,它可以应用于其他情况下比UTSG这里了。因此,即使在这种情况下,有人可能会认为它会更方便依赖独立SSSOM只有当处理失败和π场景和场景的其他类的合奏,因为(我)这总是事实独立SSSOM克服了其他分类器在处理失败和π场景和(2)并不是在处理NMs和安全的场景,不限制提议的合奏的一般性方法,我们通过设计一种自动聚合机制进行,而不是基于案例。

3.2。设计的聚合机制:局部加权融合

让是分类器的重量携带在分配场景中一个类的数据集场景分类: 平均误差(我)是分类器的错误吗在分类的场景,定义为 和分类器的错误吗提交的分类场景的真实类(与 )。在这部作品中,错误用两种不同的方式计算:是吗 类的th标识符分配给 ;第一种方式计算在以下方程: 零如果估计类错误在哪里是一样的真正的类( 意味着估计和实际的场景是安全的,分别 意味着失败, 意味着NMs, 意味着π),而第二种方法计算之间的曼哈顿距离真正的和预测类由以下方程: 通常的错误计算依靠的一个子集 ,叫邻居的场景和定义为(10): 在哪里 是一组维场景,的社区在这个工作定义为一组 场景(即。的一个子集,对实例场景)的曼哈顿距离小于10(即分类。,被 ,一个阈值等于10的意思和它的邻国没有太多不同),,因此, 。 通过这种方式,th分类器性能预计将类似于一个将获得一个新的(未知的)场景。一个重量能,因此,与每个个人的关联合奏的分类根据其性能,因为这将是下一节所示。

4所示。提出的整体策略

在下面,我们描述的细节实现的整体策略,即局部加权SSSOMs合奏和决策树基于SSSOMs的合奏。这些方法依赖于五分类器中引入部分3.1。1- - - - - -3.1。5(独立SSSOM MQE SSSOM为基础,基于重心的SSSOM,最低SSSOM神经元,神经元和最大SSSOM为基础,分别),其分类结果组合成两种不同的方式,在接下来我们将看到。

4.1。局部加权SSSOMs合奏

的局部加权合奏SSSOMs,我们直接应用的算法基于社区的方法,如部分所述3所示。2到 动态场景。每个场景分类检索100邻居基于之前的注意事项:依靠社区的每一个场景中,我们计算出分类错误(与(12)和(13),通过错误,也关联的权重。五个不同的分类结果训练SSSOMs合奏,分配到一个类是占时的不同表现这些分类器分配重量(输入场景的大邻居的数量正确分类,错误越低,和大的重量和可靠性分类器)。计算的重量与每个分类器相关联对于每一个场景,因此,我们度假村(10)和(11),通用的场景和分类器,我们计算 在哪里是其中一个 动态场景,是与这个场景相关的重量,是我与这个场景和计算(13): 在哪里 和是分类错误。一旦所有的权重计算 分类器,输入数据被分配到类与更大的体重吗 ,因为这是最可靠的分类器向量。

以下4.4.1。培训SSSOMs的局部加权合奏

表6显示了所有的场景和分类结果的NMs和π类。表的行报告的结果(12)和(13)用于计算分类错误。我们可以看到,在这两种情况下,正确分配场景的总数(无关地安全,失败,NMs,和π)利用SSSOMs局部加权合奏的增加对独立SSSOM(其结果被发表在表7):后者,事实上,成绩总数量78288正确分配方案(14),当SSSOMs的局部加权合奏,我们实现84141年全面正确的作业错误是由(12)和81512年总体正确作业当我们度假村的曼哈顿距离(13)计算错误。

相反,如果我们关注NMs和π类,乐团都是惩罚对NMs,π分类(第二和第三列):独立SSSOM正确分配318 82 90 332 NMs,π(报道在表7)。值得指出的是,即使乐团不正确分类所有NMs和π的场景,我们可以考虑这些结果令人满意的操作风险量化的分类(即针对贡献。,the consequences of the scenario occurring and to its probability of occurrence): as already said, PIs normally are made of many component failures but because of this also have low probability of occurrence and, thus, the risk that is not accounted for due to the misclassification of PI is very low, whereas for the NMs those scenarios that are not correctly classified are classified as either safe (with no extra risk quantification being both safe and NMs leading to safe states) or failed scenarios (with a conservative overestimation of the system operational risk).

表8报告相同的结果的正确比例的分配。

看着这两个局部加权乐团,我们可以说,一个基于曼哈顿距离是NMs的分配更有效,比另一个π:事实上我们看到,正确分配NMs的百分比是31.33% (12)和92.77% (13),而对于π比例从73.33%增加到85.56%时,使用的是曼哈顿距离。即使(12),正确的比例分配使用曼哈顿距离大于(83.71%和81.1%),因为NMs和π是最安全相关类和,因此,是那些我们必须保证更好分类后处理过程中动态场景。

此外,表9和10列表的精度、灵敏度和特异性值两个乐团所有四类。最好的表演是通过使用(13):精度较大的使用(13)比(12)所有的四类和我们获得的灵敏度在NMs和π场景分类和特异性和失败场景分类安全证明损失可以忽略不计的敏感性在分类安全的和失败的场景和特异性NMs和π场景分类。事实上,(我)NMs的特异性和π减少(从0.9704到0.9327,从0.9653到0.9615,分别);(2)安全的敏感性和失败场景减少(从0.8453到0.8266,从0.8277到0.782,分别)。

使用(13),我们获得一个一致的利益;也就是说,(我)NMs的敏感性和π增加(从0.3133到0.9277,从0.7333到0.8556,分别);(2)安全的和失败的场景增加特异性(从0.9124到0.9216,从0.8958到0.9142,分别)。

总之,可以断言方法基于(13)导致上级分类的结果。

4.1.2。测试SSSOMs的局部加权合奏

我们测试SSSOMs方法的局部加权合奏的场景不是离散的时间了,但它是连续的。一套新的输入数据2000年的场景已经生成,组件可以失败随机介于0和4000的任务时间。然后,使用训练的分类器进行分类 。在表11测试的结果进行的局部加权合奏SSSOMs报告。

组内的2000个输入数据,有8个NMs和11个π。我们可以看到在表11测试分类结果证实的事项培训。基于曼哈顿距离的合奏是NMs的分配更有效,比另一个π,即使总正确分配比较大(12)比(13):使用(9)所有的NMs和π场景分类是正确的,而只有2 NMs和9π被分配到正确的类,如果12使用)。

4.2。决策树基于SSSOMs的合奏

基于决策树的分类方案选择一个分类器(或系综分类器),根据其当地的性能测试场景(见图4)。通过这种方式,一个测试场景具有类似特征的处理是相同的分类器(或系综分类器)的分支是最有效的。决策树(29日)被定义为一个分类过程递归分区成更小的场景细分的基础上,在每个分支定义的一组规则。树由根节点(由所有输入场景),一组内部节点(分裂)和一组终端节点(叶子),场景是将每组的共同特征。在这个框架中,通过依次细分场景进行分类根据决策框架定义的树,和一个类标签是根据叶节点分配给每个场景的场景。

在下面,我们描述用于建设的决策规则树的结构:(我)如果独立SSSOM分类的场景作为失败或者π,然后我们接受这样的分类。基本原理是,在图所示3和表1- - - - - -5失败的独立SSSOM是最好的分类器和π场景。

如果独立SSSOM分类的场景是安全或海里,我们考虑多个分类器,这三个目标(精度、灵敏度和特异性)显示一个帕累托面前,两个(或三个)分类器可以提供同样合理的分类结果(见表1- - - - - -5)。在本例中,我们总分类器的分类结果在帕累托前沿,之间的逆距离权重比例,在空间的三个目标的具体分类器和最优,所代表的观点 在同一空间:距离越低,较大的相关的重量。

如果独立SSSOM分类的场景或海里一样安全(我)的场景是分配给类独立SSSOM与距离< 0.1;(2)如果独立的距离大于0.1,我们采取局部加权SSSOMs合奏(部分4.1)。

值得一提的是,距离阈值选择(即等于0.1。,a reasonably low error), because in such way we would rely on the stand-alone SSSOM (for safe or NMs) only if the assignment can be done with large confidence (otherwise, we resort to the locally weighted ensemble of SSSOM).

4.2.1。准备决策树训练基于SSSOMs的合奏

表12显示了所有的场景和分类结果的NMs和π类。至于SSSOMs的局部加权合奏,我们重点,特别是,这两个类,因为这些是两个相关的量化系统的运营风险。基于决策树(12)和(13)偏离剧本表演的分类独立SSSOM(其结果被发表在表7):使用的方法(12)成绩82520正确分配情况,而基于的方法(13)成绩80192正确作业。至于局部加权合奏,分类都是惩罚对NMs如果与独立SSSOM相比,因为第一种方法基于(12)正确分类104 NMs,而使用的方法(13306 NMs)正确分类。正确分类π的数量对应于独立SSSOM分类正确的数量,因为在决策树的分类算法,π斜靠在独立SSSOM的分类。

表13报告的分类结果决策树的百分比。

看着这两个决策树,基于曼哈顿距离比另一种更有效的NMs的分类:事实上我们看到,正确分配NMs的百分比是31.33% (12)和92.17% (13使用)。π有相同比例的正确分类的场景,因为他们被分配相同的分类器(独立SSSOM)。使用(12),正确的比例分配使用曼哈顿距离大于(82.1%和79.79%),但是我们知道NMs和π是最安全相关类和,因此,是那些我们必须保证更好分类后处理过程中动态场景。

表14和15列表的精度、灵敏度和特异性值两个决策树的四类。最好的表演是通过使用(13):精度较大的使用(13)比(12)所有的四类,对于局部加权乐团,我们失去的敏感性在分类安全的和失败的场景和特异性的分类NMs是合理的增长在分类NMs的敏感性和特异性在分类安全的和失败的场景。事实上,(我)NMs的特异性降低(从0.9707到0.934);(2)安全的敏感性和失败场景减少(从0.8216到0.8058,从0.8275到0.7824,分别)。

使用(13),(我)灵敏度的NMs增加(从0.3133到0.9217),(2)安全的和失败的场景增加特异性(从0.9197到0.9251,从0.891到0.9083,分别)。

也在这种情况下,我们可以说,曼哈顿的方法计算的分类错误(如(13最好)。

4.2.2。决策树的测试基于SSSOMs的合奏

我们测试SSSOMs方法的基于一个集成的决策树与同一组场景的时间是连续的,如部分4.1。2。表16显示了分类的结果。

在这种情况下,两种方法(使用(12)和(13)导致相同的结果分类的NMs(至于π,很明显,分类会导致相同数量的正确分类的场景,因为只有独立SSSOM用于类作业):这可能是由于小数量的场景用于测试阶段,如果与场景的总数( )。类似于其他情况下,正确分类向量的总数大于使用(12),得分1544正确分类的场景,比使用(13),1537年获得正确的分类。但自从NMs和π的两类,我们需要保证一个好的分类系统的操作风险的量化和考虑的结果训练阶段,我们可以说,使用的方法(13)比方法基于(12)。

局部加权的SSSOMs和基于一个集成的决策树SSSOMs展示更好的性能计算分类错误时(13),而不是(12)。这是由于这样的事实,(12)缓和的大错误标识符(例如,使用(12)一个错误对于一个安全的场景(标有1)计算并被错误地归类为NMs(标有2)等于一个错误对于一个安全的场景(标有1)计算分配到π类(标有4))。

总之,我们可以断言,在决策树SSSOMs基于整体和局部加权合奏SSSOMs(基于(13),最好的折衷选择落在前者的方法:实际上,它可以保证一个非常大的整体正确分配率(80192 100509),大量的NMs正确分类(306 332真正的NMs),和π的最大数量分配给正确的类(82 90真正的π),而加权合奏SSSOMs正确分类只有77人真正的π。

5。结论

后处理的IDPSA意外情况下的动态系统是一个基本的任务检索安全相关信息系统操作和维护。在实践中可以挑战任务的组合爆炸场景生成的动态依赖组件失败事件和考虑时间和震级在意外情况下生成失败事件。

本文对于UTSG场景生成、仿真软件的动态仿真模型已经被使用,在MVL方案,描述了不同组件的操作状态,并提出了两种选择策略的场景分类(即。,本地SSSOMs合奏和基于一个集成的决策树SSSOMs)与(1)利用分类器的双重目的互补的特点,(2)促进总体分类精度。概括地说,它已被证明(在部分3.1。6),系综方法可以受益于每个独立分类器利用(在局部加权策略或基于决策树的策略)互补的特点。方法强调了需要考虑不同的分类器来恢复信息如果被忽视,失去了。例子提供了关于能力的合奏SSSOM改善NMs的分类和π,尤其是接受安全场景不会引起负面贡献系统操作风险量化可能被误诊。

尽管如此,总体分类精度改善已经证明(从78288年的正确分配独立的SSSOM [14)超过80000正确的作业提出了基于SSSOM合奏的分类方法)。

附录

SSSOM培训

SSSOM是一个强大的高维数据可视化工具,这是有序映射到一个低维结构,通常由一个2 d普通六角网格节点(神经元),可以改变从几十到几千30.]。SOM集中的所有信息包含在一组输入样本属于一个- - - - - -维空间,说 ,那里的th样品 ,利用一组神经元, ( ),其中每个组件与权重向量 (也称为“原型”或“码”向量)(31日,32]。每个神经元的权重通常是随机初始化在0和1之间;然后,调整他们的价值观在训练阶段,能够最佳代表和它的结构。无监督SOM的培训主要由三个阶段组成:竞争,合作,和适应(33]。短暂的培训阶段需要刺激(即。,任何输入的样本从)提出了神经元网络和竞争,以确定哪些是最好的匹配单元(BMU)是最类似的重量值。然后,附近的一个子集神经元BMU社区功能修改。象征性地,该地区在BMU拉伸刺激。因此,网格上的神经元成为下令:相邻的神经元会有类似的权重向量。

竞争的过程。SOM迭代训练:对每个训练步骤 ,一个样本向量选择随机的可用的输入数据集和它之间的距离计算权重向量的SOM使用一些距离测量。神经元谁的权向量是最接近输入向量被称为最佳匹配单元(BMU): 在哪里BMU和是测量的距离(通常是欧几里得,而且二进制(阿皮亚et al ., 2009),或者是原始工作,曼哈顿)。

合作进程。一次发现,其权重向量更新成正比的区别和的值 ,会计也BMU neighborhing神经元的特征(即BMU和邻居们紧密合作,形成一个晶格上的特定模式)11,34]。

适应的过程。的调优功能更新是 在哪里是学习速率,邻域半径的大小,减少在训练阶段,然后呢拓扑距离定义为神经元的数量分开考虑吗神经元获胜神经元 。学习速率的变化在培训阶段,在下列方程(31日]: 在哪里培训时代和总数吗和是学习速率的开始和结束训练,通常在吗而在 分别为(31日]。培训通常是在两个阶段:在第一阶段,相对较大的初始学习速率和邻居半径使用;在第二阶段学习速率和邻域半径很小的开始。这个过程对应于第一次调优SOM大约相同的空间作为输入数据,然后微调地图。

一个额外的输入参数设置是神经元的数量构成地图:这通常是等于 因为不同的参数和初始化产生不同的地图,重要的是要知道地图是否正确地适应自己的训练数据35]。两个常用的质量措施,可用于确定地图,帮助选择合适的学习的质量参数和地图大小是MQE和地形误差(TE)。

MQE的好地图可以输入数据,和最好的地图预计收益率BMU之间的平均量化误差最小和输入数据 。MQE计算以下方程: 在哪里输入数据的数量被用来训练地图。实际上,MQE越低越好。

TE措施如何保存的拓扑地图。不同于MQE,它认为的结构映射。对于每一个输入数据,BMU的距离,第二BMU(第二权向量接近输入数据)在地图上被认为是;那么,如果没有邻居节点的拓扑不保存。TE计算以下方程: 在哪里输入数据的数量用于训练和地图吗如果第一和第二BMU是1没有彼此的直接邻居,还是是0,否则。

在监督训练中,我们考虑一组输入数据 ,神经元 ,权重向量 与他们有关。这一次我们加入输入 ,称为类向量和代表类的每个输入数据。培训仍然是三个阶段的基础上竞争,合作,和适应但SSSOM算法不同于USOM,由于融合相似性度量是基于加权组合对象之间的距离(向量)和所有单位地图(( 地图))和相应的输出对象之间的距离和单位地图(( 地图))。通过 一个共同的对地图确定获奖单位: 最低的位置上面的函数共同赢得单位和调节之间的相对重量相似之处和地图,它仍然依赖于训练时期的数量,减少线性在训练。

的利益冲突

作者宣称没有利益冲突有关的出版。

引用

1. p . e . Labeau c . Smidts s Swaminathan,“动态可靠性:向一个概率风险评估的综合平台,“可靠性工程和系统安全,卷68,不。3、219 - 254年,2000页。视图:出版商的网站|谷歌学术搜索
2. t . Aldemir“动态的调查方法核电站概率安全评估,”年报的核能52卷,第124 - 113页,2013年。视图:出版商的网站|谷歌学术搜索
3. e . f.t.“综合确定性和概率安全评价:概念,挑战,研究方向,”核电工程和设计卷,280年,第419 - 413页,2014年。视图:出版商的网站|谷歌学术搜索
4. f . Di Maio m . Vagnoli大肠f.t.,“基于风险的近距离脱靶识别聚类集成的确定性和概率安全分析,“核设施的科学和技术ID 693891条,卷。2015年,29页,2015。视图:出版商的网站|谷歌学术搜索
5. w·v·奎因”,简化真实函数的问题。”美国数学月刊59卷,第531 - 521页,1952年。视图:出版商的网站|谷歌学术搜索|MathSciNet
6. 大肠f.t.和f . d . Maio处理动态场景的可靠性分析核电站数字化仪表和控制系统”年报的核能,36卷,不。9日,第1399 - 1386页,2009年。视图:出版商的网站|谷歌学术搜索
7. d .铜质把手,a . Yilmaz t . Aldemir k . Metzroth r·丹宁,“场景聚类和动态概率风险评估,可靠性工程和系统安全卷,115年,第160 - 146页,2013年。视图:出版商的网站|谷歌学术搜索
8. 美国Galushin和p . Kudinov”场景的分组和分类方法综合deterministic-probabilistic安全分析,”学报》第12届国际概率安全评估和管理会议,(PSAM的14)2014年6月,檀香山,夏威夷,美国。视图:谷歌学术搜索
9. f . Di Maio)、美国Baronchelli和e . f.t.”计算框架主要蕴含项识别非相干性的动态系统,”风险分析,35卷,不。1,第156 - 142页,2015。视图:出版商的网站|谷歌学术搜索
10. f . Di Maio)、美国Baronchelli和e . f.t.”视觉互动'蕴含项识别方法”,IEEE可靠性,卷64,不。2、539 - 549年,2014页。视图:出版商的网站|谷歌学术搜索
11. t . Kohonen“自组织映射”,IEEE学报》,卷78,不。9日,第1480 - 1464页,1990年。视图:出版商的网站|谷歌学术搜索
12. 吴和t . w . s . Chow“感应电机故障检测使用SOM-based RBF神经网络,”IEEE工业电子产品,51卷,不。1,第194 - 183页,2004。视图:出版商的网站|谷歌学术搜索
13. f . h . Yu汗,诉Garaniya“基于风险的故障检测使用自组织映射,”可靠性工程和系统安全卷,139年,第96 - 82页,2015年。视图:出版商的网站|谷歌学术搜索
14. f . Di Maio r·罗塞蒂,e . f.t.”当地融合合奏的半监督自组织映射的安全分析后处理意外场景,”学报》国际会议局部概率安全评价与分析(PSA的17)美国宾夕法尼亚州,匹兹堡,2017年9月。视图:谷歌学术搜索
15. f . Di Maio)、美国Baronchelli和e . f.t.”层次微分进化最小割集标识:应用核安全系统,”欧洲运筹学杂志》上,卷238,不。2、645 - 652年,2014页。视图:出版商的网站|谷歌学术搜索|MathSciNet
16. p . p . Bonissone f·雪,r . Subbu“快为当地融合多个预测模型的元模型,”应用软计算,11卷,不。2、1529 - 1539年,2011页。视图:出版商的网站|谷歌学术搜索
17. l . Lam和c孙”,理论分析应用的多数投票模式识别,”学报》第12届国际会议在模式识别和计算机视觉,页418 - 420年,耶路撒冷,以色列。视图:谷歌学术搜索
18. l ., a Krzyzak, c . y .孙”方法相结合的多分类器和手写识别他们的应用程序,“IEEE系统,人,控制论,22卷,不。3、418 - 435年,1992页。视图:出版商的网站|谷歌学术搜索
19. f p . Baraldi a . Cammi Mangili e·e·f.t.”当地融合模型重建的一个错误的信号,”IEEE核科学卷,57号2、793 - 806年,2010页。视图:出版商的网站|谷歌学术搜索
20. l . Kuncheva j . c . Bezdek, m·a·萨顿“组合多个分类器的模糊模板,”《北美模糊信息处理学会年会(98年NAFIPS”)IEEE,页193 - 197年,彭萨科拉海滩,佛罗里达州,美国,1998年8月。视图:出版商的网站|谷歌学术搜索
21. W.-T。陈、p·d·盖德和h·史,“改善dynamic-programming-based手写文字识别使用最优次序统计量,”《统计和随机方法在第二图像处理中,页246 - 256,圣地亚哥,加利福尼亚州,美国,1997年7月。视图:出版商的网站|谷歌学术搜索
22. A . Verikas A . Lipnickas k . Malmqvist m . Bacauskiene和A . Gelzinis“软神经分类器的组合:一个比较研究,“模式识别的字母,20卷,不。4、429 - 444年,1999页。视图:出版商的网站|谷歌学术搜索
23. k·伍兹、w·菲利普Kegelmeyer和k .射手”的组合多个分类器使用当地的精度估计,“IEEE模式分析与机器智能,19卷,不。4、405 - 410年,1997页。视图:出版商的网站|谷歌学术搜索
24. j·f·奥布里,g . Babykina a Barros et al .,“项目APPRODYN:方法de la fiabilite DYNamique倒模式des系统批评,“技术代表、协作凹口,EDF研发、INRIACQFD UTT-ICD, 2012。视图:谷歌学术搜索
25. l . i Kuncheva”切换选择和组合分类器融合:一个实验,”IEEE系统,人,控制论,B部分:控制论,32卷,不。2、146 - 156年,2002页。视图:出版商的网站|谷歌学术搜索
26. k . tum和j . Ghosh”误差相关性和误差减少系综分类器”,连接科学,8卷,不。3 - 4、385 - 404年,1996页。视图:出版商的网站|谷歌学术搜索
27. f . Roli、g . Giacinto和g . Vernazza“多个分类器系统设计方法,”多分类器系统的程序(MCS的01)卷,2096在计算机科学的课堂讲稿施普林格,页78 - 87年,2001年。视图:出版商的网站|谷歌学术搜索
28. d . Ballabio诉Consonni, r . Todeschini”Kohonen CP-ANN工具箱:MATLAB模块的集合自组织映射和counterpropagation人工神经网络,”化学计量学和智能实验室系统,卷98,不。2、115 - 122年,2009页。视图:出版商的网站|谷歌学术搜索
29. m·a·fiedl的用于检查电子邮件地址和c e . Brodley“决策树分类的土地覆盖遥感数据,”环境遥感,卷61,不。3、399 - 409年,1997页。视图:出版商的网站|谷歌学术搜索
30. t . Kohonen“自组织映射”,Neurocomputing,21卷,不。1 - 3、1 - 6,1998页。视图:出版商的网站|谷歌学术搜索
31. d . Ballabio和m . Vasighi“MATLAB工具箱对自组织映射和监督神经网络学习策略,”化学计量学和智能实验室系统卷,118页/,2012。视图:出版商的网站|谷歌学术搜索
32. c . a . Astudillo和b·j·欧门”,自组织映射的拓扑可以学习使用条件旋转,与自适应二叉搜索树”模式识别卷,47号1,第113 - 96页,2014。视图:出版商的网站|谷歌学术搜索
33. 范z s Ticlin, h·道,“电机轴承故障诊断使用自组织映射,”学报》第八届国际会议在电机和系统(ICEMS ' 05),3卷,第2414 - 2411页,2005年。视图:谷歌学术搜索
34. j . Vesanto j . Himberg大肠Alhoniemi, j . Parhankangas“SOM对Matlab工具箱5日”报告A57 Helsinhi科技大学,2000。视图:谷歌学术搜索
35. Gabrielsson和s . Gabrielsson使用推荐系统的自组织映射;推荐系统领域的调查和报告的高度交互的视觉艺术电影推荐系统(乌普萨拉在计算机科学硕士论文)、部门信息技术部门的计算机系统,乌普萨拉大学计算机科学,2006年。

版权

版权©2017弗朗西斯科·迪Maio et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。