一种基于神经网络的Modelica机理模型隐私计算方法及系统与流程

本发明涉及软件工程，尤其是涉及一种基于神经网络的modelica机理模型隐私计算方法及系统。

背景技术：

1、modelica机理模型中，由于时代的局限性，建模中有大量的经验公式，比如核能二回路相关的建模，这些经验公式常常是一个公司付出大量的资源，通过大量测试总结出来的，是一个公司宝贵的财富。

2、在建模的过程中，需要将这些公式写入模型，这就使得这些公式存在泄露风险，尤其是在互联网时代，在mohub建模仿真云平台中，需要为c端用户提供建模服务，该过程中，经验公式都存在泄露风险。

3、本专利基于神经网络技术，针对用户需要仿真的工况，提出一种对经验公式的拟合方式，作为此种工况下的经验公式的替代，既能应对千变万化的用户需求，又能保护机理模型的核心隐私。

技术实现思路

1、针对上述问题，本发明提供了一种基于神经网络的modelica机理模型隐私计算方法及系统，实现对图片中的具有空间信息的文字进行分类及检测，进而不需要人工对检测到的文字进行筛选，降低筛选成本。

2、为实现上述目的，本发明提供了一种基于神经网络的modelica机理模型隐私计算方法，包括：

3、判断用户输入的采样区间是否合法，若合法，则针对所述采样区间进行间隔采样，得到各采样值；

4、将各采样值输入经验公式得到总样本，对所述总样本做抽稀处理，抽出部分作为训练样本，剩余部分作为过拟合样本；

5、基于所述训练样本对神经网络进行拟合训练，得到训练后的神经网络；

6、基于所述过拟合样本对训练后的神经网络再次进行拟合训练，得到过拟合的神经网络模型；

7、修改modelica机理模型编译器，将所述经验公式替换为过拟合的神经网络模型，并根据过拟合的神经网络为用户计算并输出仿真结果。

8、作为本发明的进一步改进，所述判断用户输入的采样区间是否合法，包括：

9、预设合法采样区间，若用户输入的采样区间小于或等于所述合法采样区间，则合法；

10、反之，则不合法，直接结束计算。

11、作为本发明的进一步改进，针对所述采样区间进行间隔采样时，采用等间隔采样。

12、作为本发明的进一步改进，对所述总样本做抽稀处理时，抽出1/3的点作为训练样本，将剩余2/3的点作为过拟合样本。

13、作为本发明的进一步改进，所述基于所述训练样本对神经网络进行拟合训练，得到训练后的神经网络；包括：

14、预设ai算法库，在所述ai算法库选择一个神经网络作为拟合算法；

15、基于所述训练样本对所述拟合算法进行拟合训练；

16、若该拟合算法不收敛，则选择下一神经网络作为拟合算法重复进行拟合训练，直至拟合算法收敛，得到训练后的神经网络。

17、本发明还提供了一种基于神经网络的modelica机理模型隐私计算系统，包括：合法性判断模块、样本准备模块、拟合训练模块、过拟合训练模块和公式替换模块；

18、所述合法性判断模块，用于：

19、判断用户输入的采样区间是否合法，若合法，则针对所述采样区间进行间隔采样，得到各采样值；

20、所述样本准备模块，用于：

21、将各采样值输入经验公式得到总样本，对所述总样本做抽稀处理，抽出部分作为训练样本，剩余部分作为过拟合样本；

22、所述拟合训练模块，用于：

23、基于所述训练样本对神经网络进行拟合训练，得到训练后的神经网络；

24、所述过拟合训练模块，用于：

25、基于所述过拟合样本对训练后的神经网络再次进行拟合训练，得到过拟合的神经网络模型；

26、所述公式替换模块，用于：

27、修改modelica机理模型编译器，将所述经验公式替换为过拟合的神经网络模型，并根据过拟合的神经网络为用户计算并输出仿真结果。

28、作为本发明的进一步改进，所述判断用户输入的采样区间是否合法，包括：

29、预设合法采样区间，若用户输入的采样区间小于或等于所述合法采样区间，则合法；

30、反之，则不合法，直接结束计算。

31、作为本发明的进一步改进，针对所述采样区间进行间隔采样时，采用等间隔采样。

32、作为本发明的进一步改进，对所述总样本做抽稀处理时，抽出1/3的点作为训练样本，将剩余2/3的点作为过拟合样本。

33、作为本发明的进一步改进，所述基于所述训练样本对神经网络进行拟合训练，得到训练后的神经网络；包括：

34、预设ai算法库，在所述ai算法库选择一个神经网络作为拟合算法；

35、基于所述训练样本对所述拟合算法进行拟合训练；

36、若该拟合算法不收敛，则选择下一神经网络作为拟合算法重复进行拟合训练，直至拟合算法收敛，得到训练后的神经网络。

37、与现有技术相比，本发明的有益效果为：

38、本发明对于用户特定工况下输入的采样区间，基于神经网络的黑盒特性及过拟合缺点，对经验公式进行采样并进行拟合，得到过拟合的神经网络模型，通过过拟合的神经网络模型为用户计算仿真结果，既能满足用户的仿真需求，又能避免经验公式的泄露，保护了modelica机理模型的隐私。

39、本发明预设ai算法库，能够针对用户输入的不同工况实时完成神经网络模型的训练、针对用户输入区间的仿真计算，保证用户的正常使用的同时，实现modelica机理模型的隐私保护。

40、本发明通过对用户输入的采样区间的合法性判断，放置拟合出的神经网络模型和原本的经验公式过于接近，避免了经验公式的泄露。

技术特征：

1.一种基于神经网络的modelica机理模型隐私计算方法，其特征在于，包括：

2.根据权利要求1所述的modelica机理模型隐私计算方法，其特征在于：所述判断用户输入的采样区间是否合法，包括：

3.根据权利要求1所述的modelica机理模型隐私计算方法，其特征在于：针对所述采样区间进行间隔采样时，采用等间隔采样。

4.根据权利要求1所述的modelica机理模型隐私计算方法，其特征在于：对所述总样本做抽稀处理时，抽出1/3的点作为训练样本，将剩余2/3的点作为过拟合样本。

5.根据权利要求1所述的modelica机理模型隐私计算方法，其特征在于：所述基于所述训练样本对神经网络进行拟合训练，得到训练后的神经网络；包括：

6.一种基于神经网络的modelica机理模型隐私计算系统，其特征在于，包括：合法性判断模块、样本准备模块、拟合训练模块、过拟合训练模块和公式替换模块；

7.根据权利要求6所述的modelica机理模型隐私计算系统，其特征在于：所述判断用户输入的采样区间是否合法，包括：

8.根据权利要求6所述的modelica机理模型隐私计算系统，其特征在于：针对所述采样区间进行间隔采样时，采用等间隔采样。

9.根据权利要求6所述的modelica机理模型隐私计算系统，其特征在于：对所述总样本做抽稀处理时，抽出1/3的点作为训练样本，将剩余2/3的点作为过拟合样本。

10.根据权利要求6所述的modelica机理模型隐私计算系统，其特征在于：所述基于所述训练样本对神经网络进行拟合训练，得到训练后的神经网络；包括：

技术总结
本发明提供一种基于神经网络的Modelica机理模型隐私计算方法及系统，涉及软件工程技术领域，包括：判断用户输入的采样区间是否合法，若合法，则针对采样区间进行间隔采样，得到各采样值，并输入经验公式得到总样本，对总样本做抽稀处理，得到训练样本和过拟合样本；基于训练样本对神经网络进行拟合训练，得到训练后的神经网络；基于过拟合样本对训练后的神经网络进行拟合训练，得到过拟合的神经网络模型；修改Modelica机理模型编译器，将经验公式替换为过拟合的神经网络模型，为用户计算并输出仿真结果。本发明对于用户特定工况下输入的采样区间，得到过拟合的神经网络模型，满足用户的仿真需求，避免经验公式的泄露。

技术研发人员：刘宇超
受保护的技术使用者：武汉鼎元同立科技有限公司
技术研发日：
技术公布日：2024/1/12