(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111669511.9 (22)申请日 2021.12.31 (71)申请人 北京航天自动控制研究所 地址 100854 北京市海淀区北京 142信箱 402分箱 (72)发明人 王慎航　张洁　林瑞仕　邓钊　 杨名军　杨轶　郑伟　刘江　段然　 韩峰　王昭磊　唐阳　 (74)专利代理 机构 中国航天科技专利中心 11009 代理人 褚鹏蛟 (51)Int.Cl. G06F 30/392(2020.01) G06F 30/398(2020.01) G06K 9/62(2022.01)G06N 20/10(2019.01) (54)发明名称 基于机器学习的导弹电气系统潜通路分析 方法 (57)摘要 基于机器学习的导弹电气系统潜通路分析 方法， 包括如下步骤： 对待分析的导弹电气系统， 获取期望的输入输出关系； 根据期望的输入输出 关系确定训练样本； 将部分训练样 本用于支持向 量机模型进行学习训练， 其余训练样本用于对训 练好的支持向量机模型进行测试； 测试通过后的 支持向量机模 型， 用于导弹电气系统的潜通路分 析。 本发明引入人工智 能机器学习的方法， 以最 大限度地提高潜在分析的自动化、 智 能化水平、 识别率。 权利要求书1页 说明书5页 附图1页 CN 114417777 A 2022.04.29 CN 114417777 A 1.基于机器学习的导弹电气系统潜通路分析 方法， 其特 征在于， 包括如下步骤： 对待分析的导弹电气系统， 获取期望的输入输出关系； 根据期望的输入输出关系确定训练样本； 将部分训练样本用于支持向量机模型进行学习训练， 其余训练样本用于对训练好的支 持向量机模型进行测试； 测试通过后的支持向量机模型， 用于导弹电气系统的潜通路分析。 2.根据权利要求1所述的导弹电气系统潜通路分析方法， 其特征在于， 支持向量机模型 进行学习训练时， 将支持向量机的学习问题变为凸二次规划问题。 3.根据权利要求2所述的导弹电气系统潜通路分析方法， 其特征在于， 在凸二 次规划问 题中， 利用惩罚因子控制最大间隔和最小分类误差之间的平衡。 4.根据权利要求2所述的导弹电气系统潜通路分析方法， 其特征在于， 在凸二 次规划问 题中， 通过拉格朗日乘子法获得相应问题的拉格朗日函数。 5.根据权利要求2所述的导弹电气系统潜通路分析方法， 其特征在于， 在凸二 次规划问 题中， 通过序列最小最优化 算法求解。 6.根据权利要求1至5中任一项所述的导弹电气系统潜通路分析方法， 其特征在于， 对 于训练样本， 将核函数引入到支持向量机中， 通过核函数将输入空间映射到一个高维线性 可分的空间以获得最优分类超平面。 7.根据权利要求1至5中任一项所述的导弹电气系统潜通路分析方法， 其特征在于， 支 持向量机模型 学习算法为： 输入： 训练数据集T＝{(x1,y1),(x2,y2)…,(xN,yN),}， 其中， xi∈Rn， yi＝{+1,‑1}， i＝1， 2，…， N， xi为第i个特性向量， yi为xi的类标记； 输出： 分类决策函数。 (1)选取核函数 K(x,z)和参数C， 构造并求 解最优化问题: (2)求解w*与b*； (3)构造决策函数： 权　利　要　求　书 1/1 页 2 CN 114417777 A 2基于机器学习的导弹电气系统潜通路分析方 法 技术领域 [0001]本发明涉及基于机器学习的导弹电气系统潜通路分析方法， 涉及导弹电气系统可 靠性技术领域。 背景技术 [0002]潜在电路是一种随着电路设计而隐藏于电路中的路径或状态， 它只能工作在特定 的电路条件下。 导 弹的潜在电路一旦被激发， 可能会产生 非预期的功能， 或是抑制预期的功 能， 引起系统故障， 甚至造成严重事故， 包括导弹设备损坏和人员伤亡。 潜在通路分析技术 对保证导弹系统可靠性与安全性具有非常重要的意义,是系统可靠性、 安全性和质量保证 工作的重要组成部 分。 现有的潜在分析技术多是由系统经验极其丰富的专家 根据长期 工作 积累的经验， 对由计算机辅助识别出来的网络拓扑模式进行具体的分析与判断， 其分析工 作量巨大、 周期长， 且容易出现漏判而不全面。 因此， 为进一步提高航天控制系统潜在分析 的有效性和实用性， 有必要对潜在分析的智能化、 自动化进行系统、 深入的研究。 发明内容 [0003]本发明要解决的技术问题是： 克服现有技术的不足， 提供了一种基于机器学习的 导弹电气系统潜通路分析方法， 包括如下步骤： 对待分析的导弹电气系统， 获取期望的输入 输出关系； 根据期望的输入输出关系确定训练样本； 将部分训练样本用于支持向量机模型 进行学习训练， 其余训练样本用于对训练好的支持向量机模型进行测试； 测试通过后的支 持向量机模型， 用于导 弹电气系统的潜通路分析。 本发明引入 人工智能机器学习的方法， 以 最大限度地 提高潜在分析的自动化、 智能化水平、 识别率。 [0004]本发明目的通过以下技 术方案予以实现： [0005]基于机器学习的导弹电气系统潜通路分析 方法， 包括如下步骤： [0006]对待分析的导弹电气系统， 获取期望的输入输出关系； [0007]根据期望的输入输出关系确定训练样本； [0008]将部分训练样本用于支持向量机模型进行学习训练， 其余训练样本用于对训练好 的支持向量机模型进行测试； [0009]测试通过后的支持向量机模型， 用于导弹电气系统的潜通路分析。 [0010]本发明一实施例中， 支持向量机模型进行学习训练时， 将支持向量机 的学习问题 变为凸二次规划问题。 [0011]本发明一实施例中， 在凸二次规划问题中， 利用惩罚因子控制最大间隔和最小分 类误差之间的平衡。 [0012]本发明一实施例中， 在凸二次规划问题中， 通过拉格朗日乘子法获得相应问题的 拉格朗日函数。 [0013]本发明一实施例中， 在凸二次规划问题中， 通过序列最小最优化 算法求解。 [0014]本发明一实施例中， 对于训练样本， 将核函数引入到支持向量机中， 通过核函数将说　明　书 1/5 页 3 CN 114417777 A 3