基于敏捷系统工程建模的离线检测系统配置模型

梁红杰

（黄河科技学院，郑州 450006）

基于敏捷系统工程建模的离线检测系统配置模型

梁红杰

（黄河科技学院，郑州 450006）

提出一个开发用于对复杂系统进行敏捷分析的基于系统工程建模的方法，该方法无须使用高性能的计算资源。该方法包括了3个最基本的系统工程指标映射，也就是性能测量、有效性测量，以及通过元建模的单图价值测量。通过该方法，分析者可以有效地支持元模型进行图系统的测量，从元素级别的性能测量到综合系统级别的单图指标，实时地在约束的时间框架下进行决策支持。通过元建模获得近似虚拟模型的数学表示形式，它缓解了对计算资源长运行时间占用和高计算性能要求的负担。该元模型同样提供了一个有效的通过所提出的建模对模拟的多输出收益进行汇集的方法。这两种方法共同构成这种敏捷的，基于模型的系统工程方法的基础。这种基于建模方法的有效性被配置于离线检测系统的实验所证明。

定量系统工程，元建模仿真，仿真优化，优先建模

0 引言

本文的关键研究目标在于开发了一个基于敏捷方法的轻量级模型，该模型可以用于对复杂系统进行定量性的评估。该方法可以带来实现实时灵敏性分析和通过模式化计算资源进行自动优化的能力。基于该模式的方法同样可被设计为可以推广到任何领域以及可以被使用在通常的系统分析中［1］。对这样一种系统分析能力的需求来源于多个领域，例如，在协同系统工程环境，在分析领域，以及在应急准备和响应方面［2］。

对于系统工程及其分析方法，这里可以主要划分为3类，真实现场实验、建模与仿真及元建模［3］。通常公认的观点是，在测试和评估的比较方面，特别是对于具有复杂上下文环境的大型系统来说，建模和仿真是相对更加经济的、有效的和高效的分析手段［4］。虚拟建模源于定义一个系统架构和它作为基本子组件特性功能的性能指标的输入输出关系。该虚拟建模指标是为对大型复杂系统的系统工程生命周期进行分析而实现的［5］。

对于基于建模分析的一个主要问题在于，由于长期的运行时间占用，这些大规模的虚拟算法完全变成了分析算法的阻碍，该问题特别在基于代理和地理空间的领域显得更加突出［6］。其他产生于复杂系统虚拟建模分析的困难包括，为了完备地评价一个可以在不同设计方案之间进行选择的系统，多样化的性能测量必须经常被纳入考虑［7］。为了更快地增加其有用性作为产生分析结果的定量分析工具，需要更快速地基于虚拟分析的虚拟仿真器。

获取这些能力的理念基础是开发一个多级别定量图测量的方法，也就是对性能的测量以测量其效能，以及通过分析其效能图来分析其单图指标［8］。对这3种系统工程指标的定义如下：

①性能测量（PMF）-该指标位于组件级别。例如：单个传感器的检测概率DP。

②效能测量（EMF）-该指标位于系统级别。例如：一个系统范围的检测概率DP。

③单图指标测量（MMF）-一个单独的结合所有效能测量指标的对综合系统效能的测量。例如：所有效能测量的加权求和。

从性能测量到单图指标测量的处理过程导致了系统敏捷分析能力的要求，同时加速了分析可替换进程的节奏及引起了开发和提升定量实时决策支持工具能力的需求。该映射过程的细节已有著作进行相关论述［9］。本文描述了虚拟元建模的基本构建块以及提出了该方法在配置离线检测系统上下文场景下的指标。使用了一个典型方案开发了该场景下的学习训练系统，该方案综合系统性能评定基于附加的技术，例如在检测点上增加离线检测机制，需要进行敏捷评估。这种类型的敏捷定量分析是有助于确定可用资源任务需求的最佳用法，需要调整操作观念以及采集策略。

1 以建模为基础的系统工程方法

在基于建模的系统工程方法的思想之下首先是要获取一个多级别的定量指标映射图，也就是PMF，EMF与MMF之间的关系，可以用如下公式表示：

首先通过虚拟元建模来对反映PMF与EMF之间关系的映射图进行阐述，然后再通过优先建模来对EMF和MMF之间关系的映射图进行描绘。

PMF与EMF映射图以及该方法中敏捷系统分析部分的基础均通过应用虚拟元建模来完成。一个虚拟元模型是一个在实验设计空间模型中的离散点上建立的虚拟建模，该元模型试图在分析过程中取代虚拟仿真模型。

一个元模型的关系可以用最易理解的数学公式表示如下：

Ki是对EMF以i为索引的代价的虚拟响应，x是一个虚拟建模输入的向量。考虑到M（x）是一个隐含函数用于表示虚拟元建模PMF输入参数与虚拟效能测量EMF输出参数之间的映射图。虚拟元建模N（x）与M（x）之间有一个近似误差δ。

对元建模研究的文献有很多，各有各的观点和角度及其应用场景，但其对元建模认知的共性可以总结如下，及组成一个完备元建模方法需要系统地考虑以下3个基本组件，即：元建模结构、适应策略、误差估计［10］。

元建模结构被通过基础函数和基础模型扩展方法进行定义。适应策略由回归方法、矩量法，以及最大似然法组成。误差估计过程由预计重采样，交叉验证及预测能力组成。元建模的应用涉及：基于系统或设计空间特性挑选最合适元模型组，以及组成一个优质实验性设计，这是一个难以解决的问题［11］。

一个决策者常常会面对来自多种元模型的多重EMF输入，其作用于单个的，对系统良好的定量测量，也就是定义的MMF。这里给出了一个线性膨胀函数以显示由多重EMF向单MMF转换的多属性的值。

yi用来表示对于系统通过虚拟元建模获取的EMF，s（yi）是参数化组件的值函数，由EMF和βi的权重计算得到。组件值函数代表了一个个体EMF水平与一个决策者优先水平之间的映射图，该值域范围在0～1之间。

式（4）的扩展是一个近似冯·诺伊曼摩根斯坦实用模型［12］。S.Rosen等人对该模型进行了更加细致的描述，他们同时给出了适应该优先模型的评估过程算法［13］。

图1给出了一个对完全PMF到 EMF再到MMF映射图的概要描述，它可以应用到敏捷定量系统分析上。在后续章节，将进一步详细阐述基于建模的系统工程方法是如何作用于执行一个基于检测点扫描的离线检测重构安全检测系统的。

2 离线检测场景的构建

安全组织的一项重要的责任是保护建筑物和建筑物内人们的安全［14］。设置的检测点通常需要进行代表性的被禁止的或者不合法项目的检测，这往往是在进入建筑之前首要的并且是唯一的检测机会。检测点主要依赖于3个因素：检测技术，安保人员以及操作观念。当所有3个因素都能够正确地工作，来自该建筑物内部的威胁和风险有望被降低。如果这3个因素中任何一个没有规范正确的运作，那么对于该建筑及其居住者的风险将会增加并可能产生严重的不良后果。

从一个系统性能的角度来看，在决策安全态势的时候，所有这些元素必须是可以进行对等评估的。不论对于理解当前安全状态还是潜在改进变化的评估方面这都是正确的，就如同对新技术的介绍，附加了更多的个人安全，或者操作观念的变化。在一个系统分析架构下量化这些属性，以及对它们进行评估可以在计划和获取上有所帮助。

有助于定义和理解EMF及PMF的例子是对离线系统新技术的介绍。在此实例中，对离线检测技术的介绍是基于检测点近似场景创建的。表1列出了EMF将如何受到引入离线检测技术的影响。

这些技术的PMF可能非常相似（概率检测，虚警概率，传感器吞吐量，传感器检测距离等），虽然其特定值通常会不一样。作为结果，当相似的PMF将到达同样的EMF，此时PMF的值将会不一样，且它们对EMF影响的能力也会变得不同。

由于当评估一个类似检测点和离线检测系统上存在多种组合的可能性，敏捷分析系统的能力就变得非常重要，特别在于是否需要维护一个自然水平的安全级别。如果一项技术失败了，或者如果一个安全哨失去效用了，可以理解此时就会受到影响，同时就需要具有快速调整到消除这些缺陷的能力。一个轻量级工具所具有的，可以在很短时间内（数秒至数分钟）实现这种类型的分析的创造力是非常必要的。在理解如何构建优先模型问题上，与最终用户的约定是非常重要的，这将使得工具以基于用户通常的意愿来作出决策。在第二节中描述过优先模型，其构成了EMF与MMF的映射图。通过理解最终用户的需求以及他们对自己工作范畴的认识，在对系统进行一个定理分析处理的过程中，该敏捷分析工具可以用来以用户所偏爱的方式构建。

3 基于元模型系统工程方法的应用

本节提出的方法集中应用在传感器技术两个不同的配置下投入决策来进行比较：一个常规检测点系统以及一个配置离线检测系统的检测点系统。这里将显示包含元建模的基于建模的系统工程方法，如何可以被使用于制定一个快速准确以及定量的决定。首先，下页图2中给出了一个PMF和EMF关系的大型的虚拟仿真图。这些PMF包括了离线检测传感器和其他系统检测传感器的检测概率及虚警概率。操作者预览时间是另一个要考虑的PMF性能指标。图2中EMF的显示代表了系统级的测量。这4个EMF变量的汇集可以用于定义MMF。该映射图的优先函数也在该图中给出了定义。

每一个EMF变量都有一个元模型，也就是说检测概率、虚警概率、吞吐量、筛查（或筛查比例）是被校准过的。一个混合设计使用了一个拉丁超立方体设计分层与采用Plackett_Burman设计相结合，其结果在表2中显示。这产生了一个虚拟建模采样和配置元建模实验性的设计。该混合设计使能了覆盖设计空间和内部点实例的角落点的子集以捕获复杂的非线性相互作用。

非线性回归、遗传程序以及神经网络是3个可以校准的元建模的候选要素，RMSE统计和相关系数R被使用于选择最佳适应性元模型。非线性回归模型由二阶条件及其系数相互作用所组成。遗传程序使用了一个进化程序，通过类似遗传算法的变异和交叉方法搜索候选权重和元建模方程的符号结构。遗传算法在本质上是一个随机搜索程序，该方法的多个重复实例试图通过最佳适应元模型以获取返回的结果。该神经网络包括了一个前馈学习训练结构和适应性算法组成在多个隐藏层和节点相连接的低错误测试校准多重网络中。

在图3中分别给出了训练系统和测试系统元模型的EMF指标。要注意的是，这两个模拟集群输出是与在检测点系统中使用离线检测传感器相关的。对于检测EMF的概率，神经网络可以产生最好的适应性，训练系统和测试系统其RMSE指标各自为0.006 5及0.013 5。R值的结果是0.932。测试系统指的是数据没有用于训练模型的系统。对于虚警概率的EMF指标，神经网络导致训练系统和测试系统的最佳适应RMSE各为0.001 2和0.009 3。R值结果为0.974。对于吞吐率的EMF指标，遗传程序导致最佳适应RMSE在训练系统和测试系统分别为0.000 61和0.000 63。同时R值结果由于小范围吞吐量的输出存在变率，所以仅为0.847 9。对于筛查的EMF指标，神经网络的结果产生的RMSE对训练系统和测试系统的结果分别为0.000 5和0.008 1。而R值结果是非常出色的0.999 7。不过需要注意的是，这里在由于增加获取去除离线检测传感器可能导致双端测量时有一极可能发生集群拥塞。

4 整合EMF派生PMF到MMF映射

这里存在一个主要问题：如何决策添加离线检测和对于两个离线检测传感器影响MMF的检测概率水平的值。认识这层关系将有助于决策如何在每一个离线检测传感器上增加适当的投入比例。需要注意的是，这里有两组镜像设备被纳入考虑，一组范围是3 m～7 m，另一组范围是5 m～15 m。当进入系统的放量变得非常拥挤时，离线检测传感器被配置成最大获取能力范围。每一个离线检测传感器都被整合进由X射线传感器和金属探测器构建的检测点检测系统。

可以得出由系统检测水平概率，虚警概率，吞吐量，以及入境筛查百分比结合工作的综合结果的优点。一个优先建模可以被校准后得出EMF输出到一个单数值表示的系统完备映射图。通过对四项元模型属性的EMF以及优先模型的MMF应用基于模型系统工程的方法，一个代表离线检测水平概率与综合MMF之间关系的映射图将被实时创建。结果显示，MMF点，检测概率，以及两个离线检测传感器关系可以用三维曲面表示。

在系统中通过添加离线检测传感器可以增加MMF值这点是可以确定的，MMF的表面图可以通过决策者进行使用，以此来促进涉及检测值概率的最经济有效的两个传感点的决策动作。一个选择是对第1组离线传感器进行全面的投入，相对于第2组传感器，本组显示出了一个对MMF的平滑的较强的影响。另一个可接受并有效的选择是，对第1组离线传感器进行90%检测概率值的投入，对第2组则进行50%的投入。实验结果表示，最终决定被经由协同决策系统通过使用MMF映射图完成，该映射图实时产生于虚拟元建模和优先建模。

5 结束语

本文展示了虚拟元建模如何被应用到基于建模系统工程技术之中，从而达到敏捷分析的目的。虚拟元建模提供了一个实时决策制定能力，本文中该能力通过离线检测的学习训练场景所展示。该方法包括了虚拟元建模和优先建模，并将多水平系统映射图方法即PMF至EMF再到MMF的映射关系纳入了分析。

PMF至EMF再到MMF的映射关系使能了组件技术的性能测量敏感性分析，用于获取综合系统效果评价。本文显示了这些技术如何可以一同为敏捷系统工程工作。对于元建模其被广泛使用于各领域中，要求较为严格的技术决策挑选最合适元模型的方法上，目前其实验性设计必须自动校准，而不能将校准过程留给系统分析者手动完成。对该问题的解决将进一步推进该系统工程框架的发展，从而产生一个通用的敏捷定量客观的分析机制。

本文中的PMF至EMF再到MMF的映射关系应用，同样可以使用柏拉图分析作为MMF通过变化预算分配的效能评价。举例如下，柏拉图分析可以通过最大化MMF实现，其通过启发式搜索程序在每一笔预算级别中来决策选择最优EMF。拥有一个实时PMF与MMF的映射图使得该优化可以通过多种预算级别来实现。这将在后期工作中进行讨论。另外，分析认为对于每一个元模型的测量错误与对综合MMF的测量错误所使用的方法一样，都包括了错误从每一个元模型之间进行的传播，这同样也包括了PMF和MMF的映射图，如何改进该问题，这将是下一步研究的内容。

［1］Sadhasivam D S，Jayarani R.Design and Implementation of an Efficient Two-level Scheduler for Cloud Computing Environment［C］//In:International Conference on Advances in Recent Technologies in Communication and Computing，2009（148）：884-886.

［2］Enderle J，Hampel M，Seidl T.Joining Interval Data in Relational Databases［C］//In Proc.ACM SIGMOD Conference on Management of Data，Paris，2004：683-694.

［3］Rosen S，Saunders C，Guharay S.Multilevel Mapping of System Engineering Metrics Via Simulation Metamodeling［J］. Bioinformatics，2008，24（3）：993-996.

［4］Alekseyenko A V，Lee C J.Nested Containment List（NCList）:A New Algorithm for Accelerating Interval Query of Genome Alignment and Interval databases［J］.Bioinformatics，2007，23（11）：1386-1393.

［5］尹寄明，楼佩煌.基于CAN总线系统的温度测量节点设计［J］.计算机测量与控制，2006，14（5）：607-609.

［6］Chwif L，Paul R.On Simulation Model Complexity［C］//Proceedings of the 2000 Winter Simulation Conference，2002：449-445.

［7］Liu Y，Hu Y.Combination Tree for Mining Frequent Patterns Based on Inverted List［C］//In Proc.of the International Conference on Computational Intelligence and Security，2006：805-808.

［8］Rosen S，Saunders C，Guharay S.Metamodeling of Time Series Inputs and Outputs［C］//Proceedings of the 2012 Winter Simulation Conference，2012.

［9］张金学，掌明，李媛媛.基于四元数法的固定翼微型飞行器姿态控制［J］.计算机测量与控制，2012，20（7）：1851-1854.

［10］李新征，易建强，赵冬斌.基于视觉的机器人定位精度提高方法［J］.计算机测量与控制，2005，13（6）：545-547.

［11］Kim T S，Oh R，Lee S J，et al.Vertical Handover between LTE and Wireless LAN Systems based on Common Radio Resource Management（CRRM）and Generic Link Layer（GLL）［J］.Korean Society forInternetInformation，2010，11（1），35-45.

［12］Jin F，Choi H A，Kim J H，et al.Common Radio Resource Management for Access Selection in Multi-Access Networks［R］.In:IEEE Radio and Wireless Symposium，doi: 10.1109/RWS.20084463574，2008：643-646.

［13］Buyya R，Yeo C，Venugopal S.Market-oriented Cloud Computing:Vision，Hype，and Reality for Delivering it Services as Computing Utilities［C］//in Proceedings of the 10th IEEE International Conference on High Performance Computing and Communications（HPCC-OB，IEEE CS Press. Los Alamitos，CA.USA），2008.

［14］杨凌霄，钟颖，陶玉昆.基于神经网络的超磁致伸缩执行器模型参考控制［J］.计算机测量与控制，2010，18（8）：1777-1779.

Configuration Model Based on Agile Systems Engineering Modeling Offline Inspection System

LIANG Hong-jie
（Huanghe Science and Technology University，Zhengzhou 450006，China）

This paper presents a model-based systems engineering approach developed for a quick analysis of complex systems，the method without the use of high performance computing resources.The method comprises three basic indicators of system engineering mapping，which is a measure of performance，effectiveness measurement，and the value measured by a single diagram element modeling. By this method，the analysis can effectively support element model diagram of the system for measurement，measured level of performance from the element to the integrated value of the systemlevel diagram of a single，real-time decision-support framework under constraint.By element modeling an approximate mathematical representation of the virtual model is obtained，which eased the burden on the long-running occupation of computing resources and high performance computing requirements.The meta model also provides an effective method for modeling proposed by many analog output gain for pooled.Both of these methods constitute this agile，model-based systems engineering foundation.This modeling approach is based on the validity of the proof of our detection system configured for offline experiments.

quantitative systems engineering，simulation metamodeling，simulation optimization，preference modeling

TP391

A

1002-0640（2015）09-0021-05

2014-08-05

2014-09-07

梁红杰（1975- ），男，河南内黄人，讲师。研究方向：系统工程、算法设计等。