网络仿真训练模型

网络仿真训练模型（共7篇）

网络仿真训练模型 篇1

通信技术在发展的过程中, 越来越注重网络仿真训练, 并研发了网络仿真训练模型, 在网络的仿真训练系统中, 进行业务训练, 不仅能够有效规避线上训练所存在的风险, 也能够使得仿真训练更加的生动化和具体化。而且通信设备及其网络也有着诸多的特点, 这些特点的存在, 就是系统运行算法模型实现的基础条件。

1 通信设备及其网络仿真训练模型

1.1 仿真训练模型的框架结构。

仿真模型训练能够有效的保障网管操作性能的发挥, 其能够对故障问题进行有效的监测, 并对故障进行排除, 对设备具有操作考核的作用, 帮助设备硬件的安装以及连接, 也能够对设备进行维护检查, 从而使得通信设备的运行得到有效的保障。另外, 仿真训练模型能够进行代码的开发, 而且所产生的代码较为容易理解和运用, 在系统维护上以及系统功能的拓展上都具有较为突出的应用优势。就通信设备及其网络本身所具有的特点来说, 仿真训练模型的构建需要先从数据库模型的构建入手, 然后依次完成3层结构的构建, 只有这样才能够形成最终的可视模型。

1.2 数据库模型。

底层的数据库模型是上层模型建构的基础, 其建构的有效性将直接影响到仿真训练模型建构的有效性, 数据库模型所具有的功能包括进行存储操作以及提供数据源等, 在存储操作中, 其主要是对网络的相关数据以及站数据等数据信息进行集中的收集和保存。而要想能够使得数据库模型能够最终搭建为可视模型, 就需要与可视模型之间进行匹配和设定, 使得两者之间具有一致性, 只有这样才能够最终形成可视模型。

1.3 系统运行算法模型。

系统运行算法模型有效的将低层数据库模型与可视模型联系在一起, 其起到了一种连接桥梁的作用。而联系形成的主要依据就是集合操作。所以, 该模型主要是依据操作的响应过程以及操作的执行过程所形成的, 其是一系列字集合的完整集合体, 在仿真训练系统中的某一状态下, 在相关操作命令执行的过程中, 系统会先对数据库模型进行访问, 然后才对结构进行运算, 最终把结果显示在可视模型上。从这一点上来说, 系统运行算法模型及时独立存在的个体也是与其他的模型相互连接的完整体, 仿真训练系统中所产生的代码也具有容易理解和运用的特点。同时, 系统运行算法模型还具有一定的运行机制, 其运行机制主要是通过软件控制以及通信硬件单元的信息传递来实现的, 软件控制的结果最终会显示在硬件系统单元上, 以信息传递的方式体现出来。

1.4 可视模型。

虚拟训练环境包括通信系统设备和操作, 因此, 只要保持它与通信系统设备和操作的同构性, 就可以将通信设备及其网络映射成虚拟训练环境。

可视模型是建立虚拟训练环境的可视部件集合, 是仿真训练系统与用户交互时的人机界面。只有建立了可视模型与底层数据库模型、系统运行算法模型之间完备的协作关系, 可视模型才成为用户仿真训练虚拟训练环境。使用通信设备及其网络的过程, 可以看作操作与设备单元之间全部关系的总和, 因此, 必须将操作和设备单元在可视模型中表现出来。

2 通信设备及其网络的仿真模型编程技术

在对仿真训练模型中的各个构成模型进行全面分析后, 可以得出, 该模型在构建的过程中, 融入了一定的设计思想, 而这些设计思想主要是从设计对象的角度产生的, 在可视模型中, 面对的对象主要是yi, 在对其进行操作的时候, 其主要是针对颜色以及设备图标等进行操作, 其所采用的方法也就是对其进行操作过程中, 产生的算子Ti。另外, 在多种系统相关的系统中, 其所面对的对象主要是一些开发工具, 这些工具都能够对数据库进行有效的访问, 可以被称之为数据库引擎, 在一切相关的数据库中, 这些开发工具都可以进行访问, 而相关的数据库类型主要包括Visual Basic、Visual C++、Visual Foxpro等。

在相关的关系数据库中, 主要的作用就是为系统和设备的运行提供可靠的数据支持, 对相关的数据信息进行有效的组织和应用, 就实际的情况来说, 采用关系数据库来对底层的数据库模型进行构建, 可以使得使得底层的数据库模型能够轻松的实现层次模型的建立。在对相关的二维数据表进行构建集合的过程中, 也可以有效的提升关系模型的构建以及层次模型的构建效率, 使得所构建的数据库模型更加的简洁和合理, 在将这一模型应用到实践中, 可以使得面向对象以及关系数据库更好的融合到通信设备及其网络仿真训练系统中, 从而充当有效的开发工具, 利用其进行编程具有充分的可行性。

3 通信设备及其网络仿真训练系统实例

采用上述建模方法研制了一套通信业务模拟训练系统, 该系统包括NOKIAPDH光纤通信设备、TES卫星通信设备、C&C08程控交换机三个组成部分。

NOKIAPDH光纤通信系统是NOKIA公司开发的PDH体制光纤通信传输系统, 该系统具有模块化的结构, 可以组成光纤通信传输网。其仿真训练系统是采用Visual Basic6.0和Access97开发完成的。训练的内容包括建立通信网和通信站、日常维护、网管操作、故障训练、考核。可视模型的部分界面包括一个网络图界面、一个光纤通信站界面、一个网管界面和一个辅助操作界面。底层数据库模型包括集合Ⅳ的一个数据表, 集合s的一个数据表和集合E的一个数据表。系统运行算法模型的算子Tj是操作hj对应的数据处理过程, 其模型要求真实反应系统实际运行状态。

TES卫星通信是HUGHES公司开发的SCPC体制卫星通信系统, C&C08程控交换机是深圳华为公司开发的数字程控交换机, 它们的仿真训练系统也采用了上述建模方法。TES卫星通信仿真训练系统采用Visul Basic6.0和Access97开发完成, 而c&008程控交换机仿真训练系统不同, 由于实际系统后台管理程序是用Visual Foxpro开发的, 所以, 其仿真训练系统也采用Visual Foxpro开发, 同时, 其终端系统的通信单元yi包括后台管理表格和硬件设备单元。

结束语

就上述对通信设备及其网络仿真训练模型建构的方法进行全面分析的基础上, 对编程技术的应用进行了总结和详细的说明, 而就本文的分析可以了解到, 网络仿真训练模型的构建具有诸多的优势, 其不仅能够使得可视模型与通信设备之间的操作关系加强, 而且还能够是恶各个运行体系之间的联系变得更加的明显和突出, 加强了各个集合之间的独立性和收敛性, 使得模型的结构特点更加的鲜明。由该模型所具有的特点来看, 这一模型的构建在训练的效率上起到了积极的提升作用, 因此具有广泛的推广价值。

参考文献

[1]蔡菁, 王腾飞.基于移动模型的车载自组织网络仿真技术研究[J].华中科技大学学报 (自然科学版) , 2013 (S2) .

[2]段靖远, 张春熹.基于NS2的IEEE-1394b光网络仿真[J].中北大学学报 (自然科学版) , 2011 (1) .

[3]王曦爽, 孟新.卫星网络仿真系统建模的研究[J].计算机工程与应用, 2014 (23) .

网络仿真训练模型 篇2

1 排队模型

1.1 M/M/1排队模型

M/M/1队列是排队论中的一个最简单最基本的队列，其特点是数据包的到达服从泊松分布，服务时间服从负指数分布，队列具有无限大的缓冲存储，服务台个数为1，服务规则为先到先服务(first come first service,简称FCFS)，这是单处理器的典型工作方式。

数据包平均延时：Wq=1/(μC-λ)

数据队列平均时间Lq=ρ/(1-ρ)，其中ρ=λ/μC。

1.2 M/M/S排队模型

顾客到达符合泊松分布，服务时间呈负指数分布，S个服务台并行工作，客户随机选择空闲服务器，服务规则同样为FCFS。

具体以M/M/2模型为例。M/M/2系统表示顾客以到达率λ的泊松过程到达系统，服务台的服务时间服从参数为μ的指数分布，系统中有2个服务台，服务规则是FCFS，顾客一到服务台就开始服务，服务时间与顾客到达相互独立。

2 OPNET网络仿真技术

网络仿真技术是一种通过建立网络设备、链路和协议模型，并模拟网络流量的传输，从而获取网络设计和优化所需要的网络性能数据的仿真技术。目前的网络仿真工具以NS-2和OPNET为主,前者可以直接从网上免费下载，由于是共享工具，可靠性得不到保证，用户需要从头建模，适用于小规模模拟。后者主要用于各大学和大型通信公司。

OPNET具有丰富的技术、协议、设备模型库和适合各个层次的建模工具以及灵活强大的仿真分析工具,特别适合各种网络仿真研究[1],目前它是世界上最先进的网络仿真和应用平台。其主要特点有：1)面向对象的层次化建模。使用无限嵌套的子网来建立复杂的网络拓扑结构;2)采用离散事件驱动的模拟机理，与时间驱动相比，计算效率得到很大提高;3)三层建模机制[2];4)完全开放的模型编程[3]。

OPPNET的离散事件驱动的模拟机理，使得利用其对队列模型进行研究更加方便、直观。

3 仿真模型的实现与分析

以M/M/1与M/M/2模型为研究对象，分别建立相应的仿真模型，并改变有关参数，对仿真结果进行分析,主要观察两个统计变量，即数据包的延迟时间与队列的大小，从而考察系统是否稳定。因大部分文献资料对M/M/1模型的建立均有详细说明[5]，下面主要介绍M/M/2仿真模型的建立。

3.1 节点模型的建立

在节点编辑器中创建发送节点来模拟客户，节点中包含一个数据源进程模块和一个点对点发射机，用来向处理器发送数据。发送节点模型如图1所示。在src节点的属性编辑对话框中，将Packet Size设置为exponential(9000),即包的大小呈均值期望为9000的指数(泊松)分布。打开pt_tx节点的属性编辑对话框，将data rate(bps)的值改为9600。

接收节点用来模拟处理器的行为，包含3个点对点接收机、队列模块和进程模块(如图2所示)。打开queue队列模块的属性编辑对话框，将进程模型改为acb_fifo_ms队列，服务台数量(num_servers)改为2，服务能力(service_rate)保持为9600;并将三个接收机的data rate(bps)的值同时改为9600。

3.2 网络模型的建立

使用项目编辑器创建项目和场景，在对象面板设置中，添加queue_rx和queue_tx这两个节点模型，并添加queue_link链路模型。之后将其拖入工作区，同时使用queue_link链路将3个发送节点分别连接至接收节点。网络拓扑结构如图3所示。

3.3 仿真结果分析

3.3.1 M/M/1系统

在S=1,1/μ为9000b/p,C为9600b/s系统中，当数据包到达的平均间隔时间1/λ取不同值时，得到不同结果。

1)当1/λ=1.0，得到图4。

2)当ρ<1(即1/λ≤15/16)时系统处于不稳定状态。令1/λ=0.9，得到图5。从图中可以看出，数据包的平均到达速率和数据包的平均大小结合起来超过了队列的服务容量，队列不再稳定，趋于无限长，即系统处于不稳定状态。

3.3.2 M/M/2系统

同样的情况，在S=2,1/μ为9000b/p,C为9600b/s系统中，令1/λ=1.0，得到图6。从中可以看出，在2小时后，系统趋于稳定。

当S=2时，令1/λ=0.9，得到图7。可以看出，在M/M/2系统中，1/λ=0.9，系统达到稳定。说明增加服务台个数可以使系统得到稳处于稳定状态。

4 结论

利用OPNET对M/M/S模型进行仿真，得出数据包到达的平均速率、服务台个数、数据包平均大小等参数的改变，可以影响数据包平均延时和队列长度平均时间，也可以使系统不再处于稳定状态。同样，改变其他的仿真参数如服务台的平均服务速率等，也会对系统产生相应的影响。

参考文献

[1]高金玉,贾世杰.OPNET仿真技术在网络规划设计中的应用[J].网络通讯与安全,2007(5):1583-1585.

[2]张铭,窦赫蕾,常春藤.OPNET Modeler与网络仿真[M].北京:人民邮电出版社,2007.

[3]贾小娇,方红雨,李晓辉.基于OPNET的M/M/m队列仿真[J].通信技术,2008(12):183-185.

[4]OPNET Modeler14.5online documentation.

网络仿真训练模型 篇3

网络仿真是运用控制论、决策论的观点来研究网络结构的质量、性能。因为模型中的许多参数是估计和推测的, 所以仿真模型和实际模型之间往往会有差别。网络仿真不是解决某一特定时刻或某种网络特定的精确的网络性能参数。而是通过控制论的方法, 研究网络的趋势, 做一种定性的趋向性分析。在非工程系统仿真中, 用随机变量表示系统中的事件, 系统及对应模型大部分都是随机型的。因此研究模型中的随机变量及其规律是仿真的基础。

1 网络仿真中的关键技术

1.1 离散事件仿真机制

OPNET采用基于离散事件驱动的仿真机制 (Discrete Event Driven) , 如图 1所示。在状态机的“入口代码、出口代码”, 可通过编程对仿真内核产生中断事件。产生的中断事件加入到“事件列表”等待处理。在相同优先级下, 仿真核心遵循先进先出的策略执行中断事件。

OPNET 采用的离散事件驱动的仿真机制决定了其时间的推进机制。当仿真核心处理完当前事件A后, 会把它从事件列表中删除, 并且获得下一事件 B。此时事件 B中断, 只有被仿真核心获取的事件才能变成中断。如果事件 B 发生的时间 T2 大于当前仿真时间T1, 则 OPNET将仿真时间推进到 T2, 并触发中断 B;如果 T1 等于 T2, 仿真时间将不推进, 直接触发中断B。这就是说, 一个仿真时间点上可同时出现多个事件, 事件的发生也可有不同间隔的区别。离散事件驱动使模拟机计算效率有很大提高, 使仿真通信网络中的任何情况下的网络状态和行为成为可能。

1.2 基于包的通信

在通信网络仿真中, 数据包是仿真的基础。OPNET通过“simple_source”生成数据包。通过“simple_source”, 可以定义包的产生和结束时间、密度分布函数、包的大小和格式等。OPNET的数据包的生成机制如图 2所示, “ss_packet_generate () ”函数负责生成数据包, 而两个数据包生成时间的间隔由核心函数“op_dist_outcome () ”按一定的概率密度函数计算得出。常见的概率密度分布有:标准分布、指数分布、伽玛分布、正态分布等。本文就是利用数据包的产生作为中断事件, 通过研究数据包产生的时间间隔的概率密度, 分析网络仿真中的离散事件的规律。

产生的数据包默认只在同一节点模型内通过“PacketStream”进行传输, 如果需要数据包通过链路传输到其它的节点, 可以通过点对点收/发信机、总线收/发信机和无线收/发信机进行不同节点的数据包的收发。

1.3 概率密度函数

仿真系统的离散事件的发生规律是研究网络仿真的理论基础。正态分布是其中最重要的一种。凡是随机现象是多种偶然事件因素共同作用的总和, 各偶然因素所起的作用势均力敌, 没有哪个能起主导作用。符合这种随机现象的概率模型大都是正态模型。本文选取标准正态分布作为生成中断事件的概率密度分布函数, 为对比仿真结果, 选择标准均匀分布作为对比概率分布函数。两者的理论概论密度分布曲线图如图 3所示。

2 仿真模型的建立

2.1 节点模型

节点是网络模型的“细胞”, 终端接入设备、防火墙、交换机、FTP服务器等网络中的设备或资源都被抽象成节点, 一个节点通常由多个模块组成, 其行为由其使用的不同模块决定, 每个模块完成一部分节点行为, 如数据的产生、传输、处理。通过Node Editor进行编辑。

本文创建如图 4所示的节点模型。Src模块按一定密度分布函数生成数据包。Count模块的统计接收到的数据包, 进行数据包的计数, 并生成统计用数据。

2.2 数据包统计进程模型

作为OPNET Modeler三层建模机制的最底层, 进程模型是实施各种算法的载体。主要用来刻画节点模型中处理器及队列模型的行为。用来模拟大多数软件或者硬件系统, 包括:通信协议、算法、排队策略、共享资源、操作系统、特殊的业务源等并通过Process Editor进行编辑。

如图 5所示, Count模块主要由init、idle、arrival三个状态组成。Arrival代表数据包到达后的状态, 在该状态中, 每接收到一个数据包, 将数据包和变量加一, 并将接收到的数据包销毁。

3 仿真结果分析

3.1 中断事件发生时间规律分析

将仿真获得的样本值按照从大到小的顺序排列, 如表1所示。

选取组数l=10。

由:di= (b-a) /l (100-0) /10=10

根据计算得出的组距, 将数据分组并整理列表, 如表2所示。

根据表2分组频率分布表, 画出频率直方图, 如图6所示。

通过观察图6所示的离散事件发生时刻的概率密度曲线走向, 可以推测中断事件 (产生数据包) 的发生概率符合正态分布。

3.2 中断事件产生概率对仿真结果的影响

如图7所示, 直线是中断事件按照标准均匀分布发生时的仿真结果, 曲线是中断事件按照标准正态分布发生时的仿真结果。通过对比分析, 可以看出不同概率分布产生的不同离散事件, 对网络仿真的结果有着显著的影响, 特别是网络规模比较大的情况。

4 结束语

本文利用OPNET创建了网络模型, 着重分析了模型中的离散事件的产生机制、调用处理机制。回归分析标准

正态离散事件产生的数据, 验证研究OPNET中离散事件中概率密度函数有效性, 通过进一步建立符合标准均匀分布的网络模型, 在相同网络参数设置下, 分别运行仿真模型, 研究其对最终网络的影响规律, 通过实验研究不同的概率离散事件, 对模型网络的仿真结果有着明显的影响。在实际建立模型时, 选择合适的离散概率函数是仿真模型的有效运行的基础。

摘要：建立符合标准正态分布的离散事件的基础模型, 在研究OPNET离散事件的产生机制、调用处理机制的基础上, 以实际校园网为背景, 建立仿真模型, 通过回归分析的方法, 验证了OPNET离散事件产生的规律性, 同时建立标准均匀分布对比模型, 按照实际网络运行参数, 对比研究不同概率密度的离散事件对仿真结果的影响情况。

关键词：网络仿真,离散事件,标准正态分布,标准均匀分布

参考文献

[1]贺大愚, 孙国基.系统仿真 (修订本) [M].西安:西安交通大学出版社, 2008.

[2]施雨, 李耀武.概率论与数理统计应用[M].西安:西安交通大学出版社, 2005.

[3]杨振明.概率论[M].北京:科学技术出版社.2004.

[4]陈敏.OPNET网络仿真[M].北京:清华大学出版社, 2005.

[5]王文博, 张金文.OPNET Modeler与网络仿真[M].北京:人民邮电出版社, 2006.

[6]李笑歌, 宇伟, 高尚伟.基于OPNET软件的数据网络建模与仿真研[J].系统仿真学报, 2006 (9) .

[7]伍俊洪, 杨洋, 李惠杰, 等.网络仿真方法和OPNET仿真技术[J].计算机工程, 2004 (5) .

[8]赵其刚, 李群湛, 彭虎.基于预测的区分业务模型与仿真分析[J].系统仿真学报, 2006 (2) .

网络仿真训练模型 篇4

机体执行免疫应答、发挥免疫功能都与免疫系统息息相关,免疫系统是防止外来病原体入侵人体最坚实的的保障,是由免疫器官(Immuneorgan)、免疫组织(Im⁃mune tissue)、免疫细胞(Immune cell)和免疫分子(Im⁃mune molecule)组成的复杂系统[1⁃2]。机体执行免疫应答时,在细胞的生长、活化、分裂以及细胞与细胞之间的相互作用等方面,细胞因子起着很大作用。细胞因子与细胞因子之间,经过合成与分泌的互相调控、基因表达的互相调节、生物学效应的互相作用、受体表达水平的相互调节等构成了一个特别复杂的免疫细胞因子网络[3⁃4](Immune Cytokine Network)。

当前,免疫细胞因子网络是生物学上比较热门的一个研究方向,然而与此同时也存在很多难题[5]。虽然已经有很多人研究过免疫细胞因子网络,并且也获得了很多研究成果,但还有许多问题没有解决。首先,人们仅仅对单个的细胞因子进行过研究,但是细胞因子之间是相互影响相互调节的,所以研究整个免疫细胞因子网络的免疫过程显得尤为重要;其次,在以前的研究中,主要采取手工实验的方法,其最大的缺点是无法研究复杂的现象——难以测定大量免疫细胞及其细胞因子的自身特性和它们之间的相互作用规律,所以依靠手工实验的方法很难研究这种繁杂的免疫细胞因子网络;最后,因为细胞因子有很多类别以及现代科技的限制,目前还没有完善的免疫细胞因子网络模型。

本文提出了CKSIM模型,并采用Net Logo模拟、仿真的方式来研究免疫细胞因子网络。在进行仿真时,不但能够看到仿真结果,而且能够看到系统运行过程,也能按照时间对仿真系统实施调节与控制,整个运行全部可视化,以便可以通过计算机来研究免疫细胞因子网络的整体机制。

1 CKSIM模型

1.1 细胞因子相关研究

免疫细胞(如巨噬细胞、T细胞、B细胞、成纤维细胞等)、细胞因子是免疫细胞因子网络的重要组成成分。细胞因子是免疫细胞和某些非免疫细胞在抗原的刺激下分泌的小分子多肽或者蛋白质[6⁃7]。细胞因子通过结合相应受体,在免疫细胞生长、分裂和效应,调控免疫应答等方面起着至关重要的作用。细胞因子有多种名称:淋巴因子、集落刺激因子、干扰素等[8],它们在细胞之间传递信息,调节细胞的生理过程,刺激细胞使其活化、分裂等。

1.2 CKSIM模型设计

针对免疫细胞因子网络的研究,目前主要有以下两种模型:IMMSIM模型和基于Multi⁃Agent的免疫模型[9 ⁃10]。IMMSIM模型仅仅模拟了免疫应答功能,基于Multi⁃Agent的免疫模型不能在时间上对其进行调节与控制,为了克服上述模型的缺点,本文提出了CKSIM模型。设计CKSIM模型的目的是为了在计算机上对免疫细胞因子网络进行模拟、仿真,主要模拟免疫细胞因子网络中免疫细胞、抗原、抗体、细胞因子之间的相互作用关系。CKSIM模型的具体设计如下:

(1)基本特征

每一个事件的发生都具有一定的可能性,在Net Lo⁃go仿真系统中可以用随机数的方式来实现。

用图像表示个体,同一类的个体用相同的图像表示,不同类的个体用不同的图像表示。并且它们能够由一个地方向自己附近的上下左右四个地方移动。

网格的每一个地方也能够有其他个体,并且个体的附近集合是位于自己这个地方的别的个体。

(2)模型构成

①网格

模型使用的网格是由方格构成的平面,方格每个位置有四个邻居,分别为上下左右,如图1 所示。

② 个体定义

个体包括免疫细胞、抗原、抗体以及细胞因子。由于免疫细胞和细胞因子种类繁多且作用十分复杂,所以本文只考虑比较常见的免疫细胞和它们分泌的细胞因子。其中免疫细胞包括七种,分别为:T细胞、B细胞、白细胞WC、自然杀伤细胞NK、肥大细胞MC、巨噬细胞MG、成纤维细胞FC。细胞因子包括九种,分别为:IL⁃1,IL⁃2,IL⁃4,IL⁃6,IFN⁃α,IFN⁃β,IFN⁃γ,TNF⁃R1,M⁃CSF。另外还有抗原Ag和抗体Ab。个体之间的关系见图2。

(3)状态及动作定义

状态定义:该模型为免疫细胞规定了相应的状态,分别是活化状态和非活化状态。当免疫细胞受到抗原的刺激时,将会转化为活化状态;否则为非活化状态。免疫细胞在活化与非活化状态之间根据模型定义相互转换,免疫细胞的状态转化如图3 所示。

动作定义:以下的定义都是按照生物学上的免疫机理来定义的。

① 免疫细胞具有活化的特性,并且还能够生长、分裂和死亡

当免疫细胞受到抗原的刺激时,便会转化为活化状态;在每个时间步中,当免疫细胞的尺寸小于模型规定的最大尺寸(该模型规定的免疫细胞最大尺寸是15)时,免疫细胞的尺寸将会加1,这是模拟免疫细胞的生长过程;当免疫细胞的尺寸大于等于模型规定的最大尺寸时,免疫细胞将会分裂,这是模拟免疫细胞的分裂过程;当免疫细胞的年龄达到模型规定的最大寿命时,免疫细胞将会死亡,这是模拟免疫细胞的死亡过程。

② 当抗原遇到免疫细胞时,可以刺激免疫细胞,使其活化并分泌相应的细胞因子

各种免疫细胞分泌的细胞因子为:T细胞分泌IL⁃2,IL⁃4,IL⁃6,IFN⁃γ;B细胞分泌IL⁃1,IL⁃2,IL⁃6,IFN⁃α,抗体;白细胞分泌IFN⁃α;自然杀伤细胞分泌IL⁃1,IL⁃2,IFN⁃γ;肥大细胞分泌IL⁃4;巨噬细胞分泌IL⁃1,IL⁃2,IL⁃6,IFN⁃α,TNF⁃R1;成纤维细胞分泌IL⁃1,IL⁃6,IFN⁃α,IFN⁃β,M⁃CSF。

③ 抗体可以杀死抗原

④ 细胞因子可以向免疫细胞发挥相应的效应

各种细胞因子的主要功能为:IL⁃1 可以活化T细胞,促进B细胞的生长;IL⁃2 可以促进T细胞、B细胞的生长,活化巨噬细胞;IL⁃4 可以促进T细胞、B细胞、肥大细胞的生长,活化巨噬细胞;IL⁃6 可以促进B细胞的生长;IFN⁃α可以抑制抗原的复制,活化自然杀伤细胞、巨噬细胞;IFN⁃β可以抑制抗原的复制;IFN⁃γ可以活化T细胞、B细胞、巨噬细胞、自然杀伤细胞;TNF⁃R1 可以抑制抗原复制;M⁃CSF可以活化巨噬细胞。细胞因子的分泌源、作用目标和主要功能如表1 所示。

⑤ 个体移动

免疫细胞、抗原、抗体以及细胞因子,这些所有的个体均可以移动,因为这些个体在人体内是不断移动的。

(4)个体之间的相互作用

免疫细胞与免疫细胞之间通过它们分泌的细胞因子而相互作用,免疫细胞分泌的细胞因子,不仅会作用于其临近的免疫细胞,而且会作用于自己本身,这样免疫细胞与免疫细胞之间通过它们分泌的细胞因子而相互联系起来,最终构成一个免疫细胞因子网络调控图,如图4 所示。

2 Net Logo仿真

Net Logo是一个用于模拟自然以及社会现象的编程语言和建模平台,特别适合对随时间演化的复杂系统进行建模,所以本文使用Net Logo对CKSIM模型进行可视化仿真,仿真系统的设计主要分为两个部分:前台界面的设计和后台程序的设计。

2.1 前台界面设计

在CKSIM模型中,个体包括七种免疫细胞、抗原、抗体以及九种细胞因子,在Net Logo中,将其定义为不同的种类,并采用表2 的图案分别表示不同的种类。

主体图案设计完成后,还需要添加一些参数来控制主体的性质,这些参数在系统运行之前设定。在Net Lo⁃go中,可以在界面上添加输入框和滑动条来设定参数,在本文的仿真系统设计中,输入框包括抗原数量(Ag⁃count)、T细胞数量(T⁃count)、B细胞数量(B⁃count)、白细胞数量(WC⁃count)、自然杀伤细胞数量(NK⁃count)、肥大细胞数量(MC⁃count)、巨噬细胞数量(MG⁃count)、成纤维细胞数量(FC⁃count);滑动条包括细胞寿命(cell⁃lifespan)、细胞尺寸阈值(Cell⁃maxsize)、细胞因子寿命(Cytokine⁃lifespan)、因子释放率(Cytokine⁃release⁃rate)。

然后,需要增添绘图模块,显现仿真的实时状况。此仿真系统需要添加2 个绘图模块,分别命名为Cell⁃chart和Cytokine⁃chart。Cell⁃chart模块包含9 种绘图画笔,分别是ags,abss,T⁃cells,B⁃cells,Wc⁃cells,NK⁃cells,MC⁃cells,MG⁃cells,FC⁃cells;Cytokine⁃chart模块包含10 种绘图画笔,分别是ags,IL⁃1s,IL⁃2s,IL⁃4s,IL⁃6s,IFN⁃αs,IFN⁃βs,IFN⁃γs,TNF⁃r1s,M⁃csfs。

最后,在界面上还需要添加一些数据监视器来配合动态曲线图去更好地显示并观察仿真结果,本文中,为每一类主体都配一个数据监视器,图5 为最终构造的仿真系统的前台界面。

2.2 后台程序设计

定义种类后,需要为其定义所需要的变量。免疫细胞拥有的变量:lifespan,reporting,sizer,isdivision,细胞因子以及抗体拥有的变量:iseffect,lifespan。一个时间步中的仿真过程如图6 所示。

下面对仿真过程中比较关键的地方进行详细说明:

(1)初始化免疫细胞、抗原。初始化一定数量的ags,T-cells,B-cells,WC-cells,NK⁃cells,MC⁃cells,MG⁃cells,FC⁃cells,包括设置各自的形状、颜色、大小、位置以及相关变量。

(2)细胞状态转化。对于这7 种免疫细胞,如果在其位置上有抗原,并且免疫细胞处于非活化状态(re⁃porting=false),那么此时免疫细胞在受到抗原的刺激下就会转化为活化状态(reporting=true)。

(3)细胞因子释放。免疫细胞如果是活化的,则会分泌相应的细胞因子。免疫细胞在分泌完细胞因子后便会死亡,但是为了维持机体的平衡,需要生成新的细胞补充上。

(4)细胞因子产生作用。细胞因子会向免疫细胞发挥相应的效应,发挥后便会死亡。

(5)清除抗原。抗体位置上如果有抗原,那么将会把抗原杀死,这个过程模拟抗体杀死抗原的过程。

(6)免疫细胞生长。该过程调整免疫细胞的sizer变量。系统每一个时间步刷新一次,在刷新时,如果免疫细胞的sizer小于maxsize,则把sizer加1,该过程模拟免疫细胞的生长过程。

(7)免疫细胞分裂。如果免疫细胞的sizer大于等于maxsize,并且没有分裂过,那么将会进行细胞分裂,该过程模拟免疫细胞的分裂过程。

(8)免疫细胞死亡。如果免疫细胞的lifespan小于等于0,说明已经达到自己的最大寿命,便会死亡,这模拟了其死亡过程。

(9)个体移动。抗原、免疫细胞、细胞因子和抗体都在不断地移动。抗原往非活化的免疫细胞附近移动;免疫细胞处于非活化状态时,往抗原附近移动,处于活化状态时,则随机移动,同时将其各自的lifespan减1;细胞因子往其作用的免疫细胞附近移动,同时lifespan减1;抗体往抗原附近移动,同时lifespan减1。

(10)更新曲线。每个时间步都进行曲线的动态更新,包括Cell⁃chart和Cytokine⁃chart两个模块,可以更加清楚地观察个体的数量变化,同时数据监视器可以实时地显示当前的个体数量。

3 仿真结果及其分析

首先对相关的变量进行初始化。Ag-count为100,7 种免疫细胞的数量都为15,Cell-lifespan为20,Cell-maxsize为15,Cytokine-lifespan为20,Cytokine-release⁃rate为45。

接下来运行仿真系统,在程序运行期间,所有的个体都在不断地移动;免疫细胞生长、分裂、死亡;抗原刺激免疫细胞,使其活化并分泌细胞因子;细胞因子对相应的免疫细胞发挥效应;抗体杀死抗原。前面这些全部都是根据生物免疫原理对其进行的定义,这样可以保证模拟的真实性。在此可以动态地观察到各个个体之间的相互作用关系,与传统的手工实验相比,计算机仿真具有容易设计、成本低、可视化的优点,其中系统运行中的一个界面如图7 所示,从图7 中可以充分地感受到可视化的好处。

在仿真时,主要从时间上对系统实施调控。在参数不变的情况下,进行大量重复的实验,在相同的时间内,根据每一次运行的系统曲线图来记录抗原、抗体、免疫细胞、细胞因子的数量变化,因为周期性的免疫特点,所以每次的曲线图基本一致。图8 是抗原、抗体和免疫细胞的数量曲线比较图,图9 是抗原和细胞因子的数量曲线比较图。

从图8 中可以看到,抗原会随着抗体的增多而逐渐减少,并且最终会减少到0,这是因为抗体会杀死抗原;当抗原被抗体全部杀死后,抗体的数量达到最大值,并且在之后由于没有了抗原,所以抗体的数量也开始呈现快速下降的趋势;免疫细胞在受到抗原的刺激后,数量也呈增长趋势,当抗原被抗体杀死后,免疫细胞的数量趋于平稳。

从图9 中可以看到,细胞因子的数量先增后减,直到为0。在刚开始,免疫细胞受到抗原的刺激后,变得活化,并且分泌相应的细胞因子,所以刚开始呈现增长趋势;当抗原被抗体全部杀死后,细胞因子的数量达到最大值,并且在之后由于没有了抗原,所以细胞因子的数量也开始呈现快速下降的趋势。从以上的分析中可以得出,本文的仿真系统运行结果与实际相符。

4 结论

本文对免疫细胞因子网络进行了建模与仿真。CK⁃SIM模型主要研究的是免疫细胞、抗原、抗体、细胞因子之间的相互作用关系,不再是单个的细胞因子对免疫细胞的作用,而是整个的细胞因子对免疫细胞共同作用所涌现出来的规律。同时,根据本文的CKSIM模型可以为以后进一步建立正确的免疫细胞因子网络模型提供帮助。最后,通过仿真结果可以清楚地看到免疫细胞、抗原、抗体、细胞因子之间的相互作用被正确地模拟仿真出来,并且整个过程全部可视化,更加深切地体会到计算机仿真比传统的手工实验具有可视化程度高、容易控制、参数易调节等优点。今后的研究可以以此模型为基础,不断进行改进,以促进对免疫细胞因子网络的研究。

摘要：针对免疫细胞因子网络,提出CKSIM模型,并利用Net Logo对其进行可视化仿真。该模型主要研究的是免疫细胞、抗原、抗体、细胞因子之间的相互作用关系,并且给出了仿真的具体步骤和仿真结果。研究表明,计算机仿真比传统的手工实验具有可视化程度高、容易控制、参数易调节等优点,利用计算机仿真可以研究整个的细胞因子对免疫细胞共同作用所涌现出来的规律。今后的研究可以以此模型为基础,不断进行改进,以促进对免疫细胞因子网络的研究。

关键词：免疫细胞因子网络,CKSIM模型,可视化仿真,计算机仿真

参考文献

[1]杨晓飞.免疫系统的计算机模型及应用[D].扬州:扬州大学,2013.

[2]莫宏伟,郭茂祖,毕晓君.人类免疫系统仿真与建模研究综述[J].计算机仿真,2008,25(1):11-15.

[3]CHENG X,CHEN B.The simulation system of cytokine net-work based IMMUNE-B[J].Lecture notes in computer science,2011,56(7):580-587.

[4]阳雪平.形式化B方法及在因子网络建模中的应用[D].扬州:扬州大学,2007.

[5]CAVALLA F,ARAUJO-PIRES A C,BIGUETTI C C,et al.Cytokine networks regulating inflammation and immune de-fense in the oral cavity[J].Current oral health reports,2014,1(2):104-113.

[6]曹新学.免疫系统的可视化计算模型研究[D].上海:东华大学,2014.

[7]ZOU S,YANG X,DU Z,et al.Modeling and simulating influen-za with immune-B[C]//Proceedings of the 2013 10th Web In-formation System and Application Conference.Yangzhou:IEEE,2013:229-236.

[8]LISOWSKA B,SZYMAŃSKA M,NOWACKA E,et al.Anesthesiology and the cytokine network[J].Postepy higieny I medycyny doswiadczalnej,2013,67(4):761-769.

[9]莫宏伟.免疫系统应答仿真研究[J].计算机工程与应用,2009,45(11):1-4.

网络仿真训练模型 篇5

公安业务教学中如何解决好理论与实践,教学与应用的结合问题是公安教学改革的首要问题。如何改变传统的教学和实践形式,更好地运用现代科技手段,实现专业教学的目的等要求,促使可以远程的、基于网络仿真的训练模式建立想法的出现。

1.1 侦查实践彰显侦查初讯重要性

侦查活动中,侦查讯问犯罪嫌疑人是法定的一个程序,侦查初讯是其中的一个关键环节。侦查初讯作为典型的程序性手段,对查清案件事实和收集证据及审案线索具有重要的作用。侦查初讯成功与否,对于案件审理的质量和法律的正确实施都是至关重要的。

1.2 侦查初讯在教学中的突出问题

随着时代的发展,在公安院校的专业教学工作中,实践教学简单模拟不全面、不真实、难以提高综合能力的问题更加突出。传统的讯问模式及旧的侦查活动受到重大的影响和挑战。公安专业教学如何利用便捷的现代网络技术和信息资源,采用多媒体仿真的高效教学方法就是一个切实的尝试。

1.3 大型实景三维游戏的启发

实景三维游戏是把实际与虚幻体验相融合的一种方式,是现在生活体验的“前期展览”。如大批玩过网游的“粉丝”都积极参与网络游戏情境旅游(俗称网景游)。在现实环境中以网络游戏中地图作为基础,创建出游戏内的场景、设施以及对应环境的实景,让旅游者像在游戏内部存在一样,进行实地、实景技能应用。使旅游者能够在实际中体验到虚幻世界中的真实存在。

正是由于公安业务实践和教学中存在问题解决的需要、实景三维游戏的启发,产生了研究和建立网络仿真训练侦查初讯的想法。

2 类似网络仿真训练的情况调查

2.1 电脑游戏对操作者的训练

通过电脑游戏的方式进行操作训练是有效的。如排雷游戏,笔者认为最初感受是对使用鼠标的训练,然后才是逻辑分析、判断等内容的训练。驾驶汽车和飞行训练游戏中所用到的训练模拟器就是一种操作动作型的模拟仿真。如“模拟城市”等智能加动作操作型的模拟仿真大型游戏的内容更广泛、情况更复杂。从小型游戏到大型游戏、从单机游戏到网络配合、从简单游戏到复杂游戏、从二维游戏到三维游戏,要求的不断提高也使这些电脑终端的操作者得到了很好的训练。

2.2 实用性的电脑模拟仿真训练与对抗

电脑游戏的广泛应用也得到了军方的重视。发达国家早在90年代就已经运用电脑游戏模拟“虚拟战场”对士兵进行训练了。几年前中美进行的电子对抗演习就是以网络仿真的形式进行的。2003年末,“阿尔法”特种部队应用电脑模拟手段,凭借着模拟出的数据制定作战计划后,安全地救出被恐怖分子挟持在俄罗斯文化宫的人质。电脑模拟仿真技术的应用为这次营救行动的成功起到不可磨灭的作用。据报道,美军在对伊战争中战后的统计,未参加过对抗游戏训练的人员首次执行任务生存概率只有60%,接受过游戏训练的人员生存概率提高到90%。游戏可以供给被训练的军人一种利用数字化虚拟技术模拟出“人工虚拟氛围”,让训练的军人们在相对逼真的战争氛围(尤其是模拟未来战争氛围)里开展“现实”的练习。模拟手段解决了现实中实战的预案设计和预演。

3 网络仿真训练的优势分析

3.1 运用电脑模拟技术能够节约时间、降低成本

传统的、常规的模拟训练中会有时间以及空间等因素的抑制,可能会因为验证一个实际操作必须要进行多次的重复演练,如此下来,不但耗费的时间长,同时其费用也十分高昂。假如训练的初始阶段使用电脑模拟技术,就能增加全面性、缩短训练时间、降低训练成本。同时能够利用反复的演练或者单次的演练很多种方案。

3.2 运用网络技术可以随时、随地进行

借助先进的网络仿真技术和课件资源,有效构造出“仿真虚拟初讯场景”,学员能够跨越时空,随时随地参与模拟教学,向同行、有经验者或老师请教,与同学进行实时探讨,研究和试验不同的技术实施方案及其可能性、可行性和必要性。尤其是灵感突发的时候,通过网络技术进行记录和交流,会激发和调动集体的智慧和能量,更好地完成训练的任务和工作。

3.3 运用网络模拟可以进行真实对抗

许多军事研究机构通过研究和实践认为,运用网络模拟可以进行真实对抗。借助构建的虚拟现场环境,模拟对抗演练平台来实现模拟作战的情形,不仅能够提升受训者技能和素养,还能进行多种对抗训练。

3.4 运用网络模拟可以进行在线指导及主导仿真训练

通过仿真环境组织对抗演练,组织操控和指挥者、可以在线指导、指挥,充分利用网络的便利条件,制造矛盾,激化矛盾,使参与训练的双方冲突更激烈,氛围更紧张,情形更逼真,塑造出有声有色、丰富多彩的训练场景。可以按照事先制定好的训练方案为主线,根据训练的过程和情况进行适当的调整,提高训练的趣味性和复杂性;也可以根据情况调低技术难度,达到因人施教,因材施教的目的。

3.5 运用网络模拟可以进行总结、回顾

借助网络和电脑技术的强大存储功能,使得网络模拟可以不受限制地再现出来,通过视频功能展现训练的细节和过程,提供认真分析和总结的条件,对训练的整个过程、细节和个人作用加以回顾进行纠正和规范,以有效避免再次出现失误,取得训练的成效。同时也便于进行总结、回顾参训人员的训练效果,改进训练的内容和方式方法,促进仿真模拟训练的发展。

3.6 变枯燥的学习、训练为趣味性体验

网络仿真训练可以变枯燥的学习、训练为趣味性仿真体验。将数字化的仿真训练场景及相关环境、设施和设备,以逼真动态形式生动地呈现在参训者面前,在虚拟仿真平台中,仿真出现的各种环境、道具、季节、人员,使参训者置身于仿真的模拟系统中,体验训练过程带来的真实感和明确的震撼。虚拟仿真平台就能集趣味性、知识性、掌握技能的应用于一身适合于现代人的习惯和兴趣爱好。

4 侦查初讯网络仿真训练可行性探讨

讯问是当今公安院校侦查业务教学的主要内容之一。是一项实践性和操作性都很强的业务活动。侦查初讯是讯问当中的一个重要组成部分,是整个侦查讯问的基础活动。无论是在学习专业的过程中,或是公安预审业务的实践当中,都是起着相当重要的作用。网络仿真训练的建立对于这一业务活动的学习和掌握是切实可行的。

4.1 解决模拟人员主观干扰的问题

模拟讯问是培养学员模拟实战的一种手段。然而,在实际的教学过程中,却遇到了种种不可预见的问题。如很多模拟讯问由于模拟者的内在动因影响,没有实质性地贴近真实感觉进行深入模拟,存在一定的主观干扰,导致教学效果不佳。具体表现在以下几个方面:第一,模拟者扮演的角色不够深入生活。在具体的模拟讯问中,由于条件的限制,所有的角色都是由共同学习的学员来担当,由于学员之间都彼此相互了解,很难入戏,在一定程度上制约着真实感觉和场景的体现。第二,模拟讯问程序和模拟讯问内容没有充分地相结合。在模拟讯问前如果学员对模拟讯问课没有做足充分的准备工作和没有得到有关教师的指导,就会导致学员在模拟讯问过程中只匆匆地走完讯问程序,却没有掌握讯问犯罪嫌疑人的方法和技巧。

4.2 编程技术成熟并有可资借鉴样本

当今,侦查讯问数字仿真重构理论已通过计算机网络技术、仿真重构技术等获取了在数据共享等方面的技术支持。从发展观的角度来看,计算机软硬件技术和相应支撑软件的出现,使信息科学与侦查讯问有机地结合在一起,利于侦查讯问教学工作的开展。目前,虽然侦查讯问数字仿真重构理论的技术支持还不趋向成熟,但在具体的教学过程中,只需考虑其中的核心技术就可以完成侦查讯问仿真教学的目的。较为经济可行的方案是利用现有的高档计算机,把相应的网路技术和仿真软件相互融合,通过虚拟现实技术实现侦查初讯数字仿真,同时也可用于侦查讯问的某一个特定过程。而且计算机编程技术的成熟,以及丰富的可资借鉴样本,都为侦查初讯仿真模拟提供了借鉴。

4.3 具有侦查初讯教学训练的基础

经过多年的教学实践,积累了一定的侦查初讯教学训练经验。侦查初讯专业模拟实训课程教学已逐步走向成熟,并取得了显著的教学效果,为网络仿真训练提供各种条件。

一是具备警学相结合的基础和条件。通过上级主管部门协调批准,让公安预审教师参加有关的公安预审业务会议,对公安机关的预审现状有所了解和熟悉;对于那些难度比较大的案件,公安预审实践基地的办案单位邀请专业教师参与、共同审讯,充分发挥出专业教师的特长;专业教师与基层公安机关建立长期合作关系,公安预审部门将成功审讯的案例提供给专业教师参考。

二是人力资源齐备,实践专家、专业教师和编程技术的人才相结合。通过“走出去,请进来”的方法,派教师到基层公安机关去学习审讯经验,并邀请骨干预审员和专家来校授课,请编程技术人员对模拟审讯过程进行数字模拟。

三是素材条件充裕。拥有大量的实践案例和相关资料的基础,学院前身于十多年前开展综合训练,并设置了侦查初讯训练的项目,主要有“模拟讯问”和“模拟犯罪现场勘查”等,是“侦查初讯学”和“犯罪现场勘查”理论教学中的一个环节。

四是形势发展需要,学院支持。提倡教学改革以来,学院对实训课程所占全部课程的比重有大幅度的增加,陆续开设了侦查技术实训和刑事侦查综合实训等专业课程。在侦查初讯和模拟勘察等实训课的效果来看,教学大纲完备、模拟实训实施方案详实、业务教材丰富权威、教学实践指导的经验积累等等,已具备了网络仿真训练实训课的基础。

五是网络仿真模拟训练的资源丰富,有大量案件审理材料和实战部门及人员可提供的成功经验和素材等资料为蓝本。具有一批业务能力强,热情高、团队意识好的计算机和公安预审专业教师。

5 侦查初讯网络仿真模拟训练设计举例

侦查初讯模拟训练内容涵盖模拟仿真、虚拟场景和训练内容三个方面。要想通过模拟仿真训练的方式达到教学的预期目的,就要让训练者处在相应的训练环境中,被虚拟场景所吸引并产生兴趣,然后才能全身心投入模拟过程。在模拟训练教学过程中,无论是电脑游戏还是模拟仿真,其实大家最为关注的还是模拟的效果。不论是认知还是训练,最终所关注的是参与训练之后的结果,是训练前后对参训学员带来的变化和提高。

根据上述事实,在构建侦查初讯网络仿真训练模式探讨的基础上,可以构建成型的仿真系统。初步设想拟建系统采用VR技术、仿真技术和分布式交互通讯技术,实现对侦查初讯专业进行教学和训练的计算机模拟仿真训练系统。构建内容见图1。

侦查初讯网络仿真系统设计与实现过程主要包括需求分析、仿真逻辑、模型设计、代码实现、系统集成等步骤,在项目实施过程中设计的技术有以下几方面。

5.1 场景建模

为了构造一个真实的虚拟化侦查初讯教学环境,要按照系统分析真实体现场景,场景建模所用主要是3DMAX系统。

5.2 场景仿真

业内常用的VR场景仿真软件有Converse3D、multisim、softimage、maya等,其中EON Studio较为完善。EON Studio是一种依据图形使用者接口,主要设计实景程序,常在教育训练、数字旅游、建筑空间等领域应用。研发步骤包括输入3D对象,通常这些对象会先由3D绘图软件完成,如3D Studio MAX、Lightwave等等,或者CAD应用软件如ArchiCAD、ProENGINEER、AutoCAD等。最后,EON程序档案可以经由网络或封包展示,也可以与其它支持微软ActiveX组件的工具进行互动,(PowerPoint、Word、Macormedia、Authorware、Director、Shockwave、Visual Basic等等)。

6 结语

综上所述,侦查初讯仿真模拟系统可以作为公安预审课程的新型教学组件,参与教学,使学员通过网络仿真系统达到学习、掌握、提高和练习实际技能的目的。通过观摩审讯场景,感受讯问范围,亲身体验,回顾总结等环节,加深加强理论与实践的结合和技能的提高,进而更好地把握初讯基本技能和技巧。在达到教学大纲要求的基础上提高和实现教、学、练、战一体化,培养应用性人才。这一模式还将为相关的业务训练和实践能力的提高训练奠定基础并在实践中进一步完善,不断改进,更好地发挥实训与教学结合,提高教学质量的作用。相信随着科学技术的发展,仿真模拟训练还将有新的课题在等待人们的开发。

参考文献

[1]张希黔,张利.虚拟仿真技术在建筑工程施工中的应用现状和展望[J].施工技术,2001(8):31-32.

[2]王树杰,张继伟,肖成志.Windows环境下虚拟仿真界面的研究与开发[J].微计算机信息,2006(10S):140-142.

[3]杨宏伟.虚拟仿真技术在物理实验中的应用[J].实验室研究与探索,2005(9):38-39.

网络仿真训练模型 篇6

交通事故预测是对未来有可能发生的事故进行估计并分析事故的危险程度和发展趋势,以便能及早采取措施进行预防。交通事故预测是交通管理决策和交通工程项目效益评价中的一个关键性问题,预测正确与否直接关系到交通管理政策的制定和交通建设的投资分配,关系到社会的安定和人民生命财产的安全[1] 。

影响交通事故发生的因素众多,不仅有来自人、车、路等直接影响因素,也有环境和管理等间接影响因素,因此存在很大的不确定性。目前交通事故的预测,主要采用回归分析法、时间序列法、灰色模型预测法等[2], 但是,一方面这些方法受历史数据的限制而使用受限;另一方面,事故的发生与各影响因素之间存在着复杂的非线性关系,上述方法存在局限性。为此本文利用BP神经网络,选取多种影响因素,做训练样本,得到高精度的预测模型。

1 交通事故预测模型建立

1.1 交通事故影响因素

在由人、车、路、环境组成的交通系统中,交通事故的发生受多种因素的影响。人是最主要的因素,据统计,每年的交通事故中,人的责任事故占80%~90%。车辆的安全状况也是事故的重要诱因之一。道路的条件及服务水平同样影响交通事故。另外,环境及管理也间接影响交通事故的发生。

1.2 预测模型

本预测模型基于BP神经网络原理建立[3],利用Matlab神经网络工具箱实现[3]。考虑人、车、路等方面因素,选用驾驶员数量、机动车总数、公路里程数、GDP为输入矢量。以交通事故的4项指标——事故次数、死亡人数、受伤人数、财产损失为输出矢量。隐含层神经元个数由输入层和输出层决定,在模型中通过试验得到[4]。

2 实例分析

2.1 实例数据

以某市近10 a的相关统计数据及交通事故4项指标为依据,建立BP神经网络预测模型,并用Matlab仿真。数据见表1、表2。

采用2000-2007年的数据为训练样本,进行神经网络训练,采用2008、2009年的数据为测试样本。

2.2 神经网络参数设置

BP网络设计为3层,输入层有4个神经元,分别代表驾驶员数量、机动车总数、公路里程、GDP,输出层也有4个神经元,分别代表事故次数、死亡人数、受伤人数、财产损失。经过测试,隐含层神经元为16时,拟合效果最好。

隐含层采用正切函数tansig为传递函数,输出层采用purelin为传递函数。设训练目标误差为10-10,最大训练次数为1 000次,显示频率为25。

2.3 训练结果

经过124次训练,达到精度要求。均方误差曲线见图1。

样本经过训练之后,预测值与实际值拟合情况及误差,见图2、图3。

由图2和图3可见,训练之后的预测值与实际值拟合较好,满足精度要求。

2.4 误差分析

2.4.1 测试样本的误差

相对误差$\sigma =\left|\frac{Y{}_1-Y{}_0}{Y{}_0}\right|$

式中:Y0为真实值,Y1为预测值。

2008、2009年的交通事故预测值与真实值及相对误差见表3。

2.4.2 同其他预测方法的比较

以交通事故次数预测为例,将本模型与回归分析法、灰色模型法的预测值进行比较,见表4。

由表3和表4,对比可见,BP神经网络预测模型与回归分析预测法、灰色模型预测法相比,精确度高很多。

3 结束语

本文利用BP神经网络可以进行复杂、非线性关系描述的特点,分析研究了影响交通事故的原因,建立了交通事故4项指标与其影响因素之间的关系模型,并利用实际数据进行了验证。结果表明,BP神经网络模型可以用于交通事故的宏观预测,并能获得较高的预测精度。鉴于交通事故的发生具有随机性,且控制管理方面受政策性影响较强,因此,如何将管理因素定量化考虑在模型中是今后应该思考的问题。此外,为了提高精度,也可以在BP神经网络模型的基础上,考虑与其它方法结合,以进一步提高预测的精确性。

参考文献

[1]韩文涛,刘明琴.道路交通事故的神经网络预测方法研究[J].交通科技与经济,2004(6):58-59.

[2]王秀.基于灰色理论和神经网络的道路交通事故预测研究[D].济南:山东科技大学,2007.

[3]宇仁德,刘芳,石鹏.基于BP神经网络的道路交通事故预测[J].数学的实践与认识,2008,38(6):119-125.

网络仿真训练模型 篇7

随着信息技术及网络技术的快速发展,对于室内基于位置服务的需求越来越大,使得针对室内定位技术的研究备受关注[1,2]。其中,基于接收信号强度指示RSSI(received signa strength indication)的室内测距定位技术具有受多径效应影响相对较小、无需严格同步机制、硬件成本低廉等优点,现已经成为研究热点[3,4]。室内无线信号传播损耗模型的构建是基于RSS的室内测距定位技术的基础及核心,该模型的准确性直接影响定位精度。总结国内外有关传播损耗模型的建立及改进方法的研究成果可知:常见方法是通过样本修正或参数修正的方法来改进传播损耗模型,但依赖于经验模型的设定,环境适应性较差[5,6,7]。因此,有学者提出了利用BP神经网络对特定环境下的传播损耗模型进行训练[8,9]。无需再对模型参数进行反复修正,提高了模型的精确度及普适性,但BP神经网络易陷入局部极值,并且需要大量的训练样本。

径向基函数RBF(Radical Basis Function)神经网络是一种高效的前馈式神经网络。相对于BP神经网络,RBF神经网络结构简单、训练速度快,具有最佳的逼近性能和全局最优特性[10]。所以本文提出利用RBF神经网络进行传播损耗模型的训练。考虑到传播损耗模型近似于距离与信号强度值间的对数函数,根据对数函数的特性,本文采用变密度采样模式来提高信号强度随距离变化率较大的近距离区域的采样密度,以便改善RBF神经网络的训练效果。

鉴于使用RBF神经网络构建传播损耗模型需要大量的样本数据,本文将用于解决少数据、贫信息不确定性问题的新方法———灰色理论与RBF神经网络相结合[11,12,13]。引入灰色系统理论以少量的数据为预测样本,预测大量的训练用样本数据;利用重组后的样本数据来进行RBF神经网络的训练,可在欠样本情况下准确地训练传播损耗模型,可大大减少硬件采集工作量、降低环境因素与硬件因素造成的数据误差。

1 传播损耗模型理论描述

使用RSSI法实现室内无线定位时,其关键是建立无线射频信号的空间传播损耗模型。据此由信号强度值来计算距离值,其经验公式为:

其中:d为距离值,P(d)为距离信号源d时的信号强度值,即RSSI值,d0为基准距离,n为路径损耗因子,X为环境误差。

在不同的室内环境下,传播损耗模型的各参数也会不同;而在同一环境下,因多径效应、建筑材料吸收等因素使得无线射频信号呈现出时变特性。所以使用固定参数的经验模型其环境适应性较差,通常计算得到的距离值会带有较大的误差。因此研究如何准确构建具有环境普适性的传播损耗模型对于提高基于RSSI法的室内定位的精度具有重要的现实意义。

2 基于RBF神经网络的传播损耗模型训练

本文使用在特定环境下实测的信号强度—距离样本,利用RBF神经网络对传播损耗模型进行训练,以构建出具有良好环境适应性的室内信号传播损耗模型。

2.1 RBF神经网络结构

本文以信号强度值P为网络输入,输入层节点数为1;以距离值D为网络输出,输出层节点数为1;构建一个单输入单输出的RBF神经网络,如图1所示。RBF网络相当于用隐层单元的输出构成一组径向基函数,然后用输出层来进行线性组合,实现对传播损耗模型的构建。

RBF神经网络的径向基函数选取高斯函数,如式(2):

网络的径向基函数中心C利用基于K-均值聚类方法求得。随机选取M个训练样本作为聚类中心,计算训练样本与聚类中心的欧氏距离进行聚类分组;之后计算各个聚类集合中训练样本的平均值,即新聚类中心;反复迭代至聚类中心不再变化,便得到基函数中心C。

径向基函数采用统一的扩展常数:

其中cmax为数据中心之间的最大距离,M为随机选取的训练样本数。隐层节点数的选择采用最大矩阵元法求得[14]。方差根据经验选取,再计算隐层到输出层的权值ω,完成RBF网络的构建。

2.2 基于RBF神经网络的损耗模型训练仿真

根据式(1)描述的传播损耗经验模型,令d0=1 m,P(d0)=-35 d B,n=0.7,添加强度为1 d B的高斯白噪声X。

首先在0~2 m范围内,每隔1 cm等间距生成样本数据,样本分布与样本曲线如图2所示。以此训练样本利用RBF神经网络训练得到的传播损耗模型如图3所示。

由图3可以看出,因对数函数特性的影响,越接近0 m的近距离区域信号强度随距离的变化率越大。等间距采样相当于降低了此区域的样本数据密度,因训练样本不足而导致样本误差的影响变大,曲线无法收敛。

因此采用变密度采样法生成样本数据,在近距离范围(0~0.5 m)增加样本密度;在0~0.05 m之间每隔0.1 cm生成样本数据;在0.05~0.5 m之间每隔0.5 cm生成样本数据;在0.5~2 m之间每隔1 cm生成样本数据,共得到290个样本数据,样本分布与样本曲线如图4所示。以此样本数据利用RBF神经网络进行传播损耗模型的训练,构建出传播损耗模型如图5所示。

2.3 仿真结果分析

由以上仿真结果及分析可知,根据对数函数特性,采用变密度采样模式,提高近距离区域内样本密度;利用RBF神经网络可以训练得到较为准确的传播损耗模型,但前提是需要大量的训练样本数据。利用硬件进行样本数据采集时,会增加过多的工作量。

鉴于以上分析,为降低样本数据采集工作量,引入灰色系统理论,利用少量样本预测得到更多训练用样本;并与部分原始样本共同重组样本数据进行RBF神经网络的训练,以便在保证训练精度的前提下,利用较少的训练样本来构建传播损耗模型。下面将该方法简称为灰色-RBF神经网络训练模式。

3 基于灰色-RBF神经网络的传播损耗模型训练

3.1 灰色预测原理

灰色系统理论是以部分信息已知、部分信息未知的小样本、贫信息不确定性系统为研究对象。可在样本不足的情况下,利用原始样本数据,构建灰色模型,对未来进行预测估计[11]。

灰色系统理论将信息处理作为一个灰色过程,通过白化微分方程建立灰色模型,再基于灰色模型进行灰色预测。最常用的灰色模型是一阶单变量的GM(1,1)预测模型,可对变量自身进行预测,是灰色预测的基础[15]。

以信号强度值P为变量,建立过程如下:

对原始数列P(0)={P(0)(k)|k=1,2,…,N}做一阶累加生成运算:

建立白化方程:

记作GM(1,1),其中x代表距离值d。

令参数列,利用最小二乘法求得估计值:

其中:

则白化形式微分方程的解为:

再进行一阶累加生成逆运算,即可得到信号强度P(0)的预测模型:

3.2 灰色预测仿真

在传播损耗模型曲线过渡区域0.5~1.5 m之间每隔3 cm选取少量的样本数据作为灰色预测样本,样本数据如图6所示。对过渡部分之后较平滑的1.5~2 m之间远距离区域的模型曲线进行灰色预测,结果如图7所示。

3.3 灰色-RBF神经网络训练仿真

利用变密度采样模式获得训练用样本数据,在0~0.5 m距离之间随机得到140个样本数据,与上节利用灰色理论在0.5~2 m之间灰色预测得到的50个样本数据进行重组,共得到训练用样本数据190个,分布如图8所示。利用此训练样本得到灰色-RBF神经网络训练模式下的传播损耗模型曲线,如图9所示。

3.4 仿真结果分析

利用文献[16]中的拟合(或预测)精度公式(9)对仿真结果进行量化分析,分别计算出图5及图9所示的标准RBF神经网络训练模式及灰色-RBF神经网络训练模式下的传播损耗模型对样本曲线的拟合精度。并在0~2 m的范围重新随机生成100个测试样本,对传播损耗模型进行预测仿真。计算近距离(0~1 m)的传播损耗模型预测精度,并与标准RBF神经网络训练模式仿真结果进行对比。训练及预测仿真结果如表1及表2所示。

其中:d为实测距离值,dc为预估距离值,珔d为实测距离均值。r2为拟合(或预测)精度。

由表1及表2仿真实验结果可知,灰色-RBF神经网络训练模式所用训练样本的数量比标准RBF神经网络训练模式所用训练样本的数量少了近35%,但对传播损耗模型曲线的拟合精度与预测精度却均优于标准RBF神经网络训练模式。同时,因为训练样本数量相对较少,也在一定程度上节省了训练时间。此结果意味着灰色-RBF神经网络训练算法所需要的计算资源包括存储空间及计算时间都要少于标准RBF神经网络训练算法,即算法的计算复杂性更低,这进一步提升了算法的实用性。另外,考虑到通常利用近距离点做参考来定位,因此还比较了传播损耗模型在近距离区域的拟合及预测效果。两种算法在近距离区域均采用相同的高密度样本数据,所以训练结果表现都很好。

4 实验研究

在8 m×9 m的实验楼迎客大厅内相对空旷的室内环境中进行了相关实验研究。设定以CC2530为核心的射频阅读器的位置为坐标原点,然后利用移动机器人装载射频标签向远离阅读器的方向行驶。同时每隔固定时间间隔对信号强度值进行采集,根据运行时间和行驶距离计算机器人行驶速度,对应记录下每个信号强度采集点处标签与阅读器间的距离值。

研究表明,无线射频信号的时变性会造成信号强度在一定范围内上下波动。因此在采样过程中,对同一测试点在不同时间段内接收到的多个信号强度的数据包求均值作为样本值,以此降低信号时变性的影响。

先进行低密度稀疏采样,获得一组强度—距离样本数据。对第一组样本进行预处理,观测模型整体变化趋势,并划分不同间隔的变密度采样区域。根据实际情况,在0~0.15 m范围之间每隔0.005 m进行采样,获得31个样本;在0.15~0.6 m之间每隔0.01 m进行采样,获得45个样本;在0.6~1.7 m之间每隔0.02 m进行采样,获得55个样本。多组采样数据经滤波及求平均后作为训练样本,构成131个灰色-RBF神经网络训练模式的原始样本,如图10所示。

为了进行对比,使用同样方式在0~0.15 m范围间隔0.005 m采集31个样本;在0.15~2.4 m范围间隔0.01 m采集210个样本,对其进行预处理后得到0~2.5 m范围之间共246个距离—强度样本数据,构成标准RBF网络训练模式的训练用样本,分布如图11所示。

对图10中的样本数据进一步处理,使用样本数据变化比较平坦区域(0.6~1.7 m)的55个样本构建灰色模型并进行灰色预测,得到0.6~2.4 m范围之间共计90个样本数据。之后将灰色预测得到的样本数据每隔0.04 m选取训练用样本。重组样本后,得到了灰色-RBF网络模式的训练用样本,分布如图12所示。

利用最大矩阵元法,根据图7中的重构样本计算隐层节点数,再通过灰色-RBF神经网络训练模式进行传播损耗模型的训练,得到的模型曲线如图13中实线所示。为进行对比,又利用标准RBF神经网络训练模式对图11中的训练样本进行了训练,得到的传播损耗模型曲线如图13中虚线所示。

为验证算法的实用性,同样采用以CC2530为核心的射频定位装置,在进行传播损耗模型训练的8 m×9 m的实验楼迎客大厅内搭建了室内无线定位系统。其中参考标签采用5×5布局共25个,射频阅读器布置于移动机器人上,作为待定位目标,设定射频阅读器每1 s发送一次数据,并控制机器人做匀速直线运动。利用本文灰色-RBF神经网络训练算法得到的传播损耗模型将强度值转换为距离值,再利用文献[17]的极大似然估计算法来计算机器人位置,进行室内直线定位跟踪测试,定位测距误差如图14所示。为进一步检验本文算法的性能,采用同一定位系统及定位跟踪算法,与具有代表性的传播损耗模型建立方法进行了对比实验,结果如表3所示。

从图14可以看出,利用灰色RBF神经网络训练得到的损耗模型进行室内定位时,远距离的定位精度近似于标准神经RBF网络训练模式。但在近距离区域的精度要优于标准神经RBF神经网络训练模式。定位误差总体趋势为距离越远,误差越大,符合室内信号传播规律。最大定位误差小于0.65米,可以满足室内测距定位的要求。

对表3结果分析可知,因采用经验模型环境适应性较差,导致测距误差较大;而BP神经网络模型训练算法由于对样本数量具有较大依赖性,导致在样本相对较少的情况下模型误差较大;由于等间距采样近距离处的样本密度较低,导致SVM算法在近距离时测距误差较大,从而使平均误差较大。本文采用灰色-RBF神经网络训练算法,充分利用了灰色理论在处理少数据、贫信息不确定性问题方面的巨大优势,可以利用相对较少的样本获得较好的训练结果。并考虑到了损耗模型的特性,采用了变密度采样模式获得样本数据。因此利用本文方法建立的传播损耗模型进行室内定位实验时,其平均绝对误差和最大误差均较小,具有较大的优越性。

5 结语

本文提出的在变密度采样模式下基于灰色-RBF神经网络来训练传播损耗模型的方法具有良好的环境普适性。定位实验结果表明,本文方法可利用相对较少的样本训练得到较准确的传播损耗模型。模型训练的准确性优于已有算法,并有效减少了样本数据采集工作量,可以较好地满足一般的室内定位要求。

摘要：室内信号传播损耗模型是基于信号强度测距法的射频识别定位技术的关键。但因室内环境较为复杂且受到多径效应等因素影响,传统的基于经验的信号传播损耗模型环境适应性差,导致测距定位误差较大;而利用传统的神经网络进行传播损耗模型训练则存在所需训练样本过多、硬件采集工作量大等缺点。针对以上问题,提出在变密度采样模式下的基于灰色理论与RBF神经网络相结合的传播损耗模型训练方法。基于灰色理论,利用少量样本预测得到更多样本,并与部分原始样本共同重组样本数据进行RBF网络的训练,以构建传播损耗模型。实验结果表明,该方法可以利用较少的训练样本准确地建立室内信号传播损耗模型,可以很好地满足室内测距定位的精度要求,并可大大减少样本采集工作量。