针对现有测试性试验方法中系统级先验信息获取困难,先验分布赋权不合理以及样本量过大等问题,提出了基于分系统贡献率和先验分布可信度的测试性验证试验优化方法。首先,系统分析了测试性多源先验信息,定义了分系统贡献率,在此基础上利...针对现有测试性试验方法中系统级先验信息获取困难,先验分布赋权不合理以及样本量过大等问题,提出了基于分系统贡献率和先验分布可信度的测试性验证试验优化方法。首先,系统分析了测试性多源先验信息,定义了分系统贡献率,在此基础上利用信息论方法对分系统先验数据进行折算得到系统级先验数据;然后,通过相似性度量检验先验数据与实装试验数据的相容性,并提出采用逼近理想点排序-层次分析法(Technique for order preference by similarity to ideal solution-analytic hierarchy process, TOPSIS-AHP)计算先验分布可信度,进而确定混合先验分布;最后,基于分系统先验信息确定的混合先验分布,运用序贯验后加权检验(Sequential posterior odd test, SPOT)方法制定试验优化方案。实例分析表明,由基于贡献率的数据折算和基于可信度的权值计算方法得到的混合先验分布更加准确,与序贯概率比检验(Sequential probability ratio test, SPRT)方法相比,该试验方案样本量平均减少18.6%,与Bayes方法相比平均减少61.1%,而且该方法可以有效降低双方风险。考虑贡献率和可信度的SPOT试验方案在先验信息获取、先验分布权值、试验样本量、双方风险等方面均具有较好的应用效果。展开更多
文摘针对现有测试性试验方法中系统级先验信息获取困难,先验分布赋权不合理以及样本量过大等问题,提出了基于分系统贡献率和先验分布可信度的测试性验证试验优化方法。首先,系统分析了测试性多源先验信息,定义了分系统贡献率,在此基础上利用信息论方法对分系统先验数据进行折算得到系统级先验数据;然后,通过相似性度量检验先验数据与实装试验数据的相容性,并提出采用逼近理想点排序-层次分析法(Technique for order preference by similarity to ideal solution-analytic hierarchy process, TOPSIS-AHP)计算先验分布可信度,进而确定混合先验分布;最后,基于分系统先验信息确定的混合先验分布,运用序贯验后加权检验(Sequential posterior odd test, SPOT)方法制定试验优化方案。实例分析表明,由基于贡献率的数据折算和基于可信度的权值计算方法得到的混合先验分布更加准确,与序贯概率比检验(Sequential probability ratio test, SPRT)方法相比,该试验方案样本量平均减少18.6%,与Bayes方法相比平均减少61.1%,而且该方法可以有效降低双方风险。考虑贡献率和可信度的SPOT试验方案在先验信息获取、先验分布权值、试验样本量、双方风险等方面均具有较好的应用效果。
