本发明涉及动态测量不确定度估计方法领域，具体是一种基于物理信息和证据学习的动态测量不确定度量化方法。
背景技术：
1、动态测量不确定度是测量不确定度的一个重要因素，它本身取决于测量系统的动态特性和输入信号的频谱。随着动态测量的重要性日益增加，动态测量不确定度的评估被认为是计量学中的一个重要科学问题。
2、gum《guide to the expression of uncertainty in measurement》系列文件建立了不确定度表示体系，对静态测量不确定度的评定已经有了一个很完整的测量框架。但它们没有包括对某些特殊情况下的测量不确定度的合理估计，特别是对于动态测量。由于动态系统的系统状态随时间发生变化，被测量也随着时间不断变化，因此不再满足使用gum作为动态系统评定不确定度方式的条件。
3、目前，有几种不同的新兴的数学方法用于动态测量不确定度评定。比较常用的基于动态测量误差理论的方法是蒙特卡罗方法和灰色系统理论。蒙特卡罗方法是一种基于贝叶斯统计理论的改进统计模拟方法，通过随机抽样模拟动态测量过程来评估动态测量的不确定性。这个方法需要通过大量样本估计被测量的分布或者被测量的分布是已知的，巨大的计算量和重复采样引入的不确定性增加了最终结果的整体不确定性。而灰色系统理论的适用性依赖于样本数据的分布正确性。
4、近年来，深度神经网络因其卓越的非线性特征提取和复杂模型识别能力，而被广泛应用于系统建模识别领域。现有的深度神经网络不确定度评定方式主要有网络集成方法、贝叶斯方法、测试时间数据增强法、单一确定性方法等。但这些现有神经网络不确定度评定方法用于动态系统时，存在泛化能力和物理可解释性差的问题，并且由于不确定度传播对于模型输入的依赖性，还会导致最终不确定度变化趋势和模型输入相同的问题。
技术实现思路
1、本发明提供了一种基于物理信息和证据学习的动态测量不确定度量化方法，以解决现有技术现有的深度神经网络不确定度评定方式存在的泛化能力和物理可解释性差、不确定度变化趋势和模型输入相同的问题。
2、为了达到上述目的，本发明所采用的技术方案为：
3、基于物理信息和证据学习的动态测量不确定度量化方法，包括以下步骤：
4、步骤1、基于目标动态系统的结构和物理信息，建立目标动态系统输出结果的偏微分方程，根据所述偏微分方程得到用于约束后续神经网络输出结果的目标函数；
5、并且，对目标动态系统进行仿真实验，以仿真实验时输入目标动态系统的输入信号和目标动态系统相应的输出信号构建训练数据集；
6、并且，对目标动态系统进行真实实验，以真实实验时输入目标动态系统的输入信号和目标动态系统相应的输出信号构建测试数据集；
7、步骤2、基于证据理论量化不确定度的方法，构建生成四个独立的前馈神经网络，然后利用步骤1构建的训练数据集分别对每个前馈神经网络进行训练，训练数据集输入每个前馈神经网络时，由每个前馈神经网络输出预测值张量和证据分布参数的张量，并且四个前馈神经网络输出的张量维度相同；
8、并且，基于证据回归理论设计每个前馈神经网络训练时的数据驱动损失函数，并以最小化步骤1得到的目标函数的均方误差损失构建偏微分损失，由数据驱动损失函数和偏微分损失构建每个前馈神经网络训练时的总损失函数；每个前馈神经网络训练时基于总损失函数计算结果更新优化网络参数，由此得到四个训练好的前馈神经网络构成的动态系统模型；
9、步骤3、将步骤1得到的测试数据集输入至步骤2得到的所述动态系统模型，根据动态系统模型中四个训练好的前馈神经网络输出的证据分布的张量，计算得到所述动态系统模型预测结果的总不确定度。
10、进一步的步骤1中，构成测试数据集的输入信号不包含在构成训练数据集的输入信号中。
11、进一步的步骤1中，测试数据集和训练数据集中的信号长度保持一致。
12、进一步的步骤1中，对于训练数据集和测试数据集中的长序列输入信号，对长序列输入信号进行时间维度切片重构，将长度为n的一维长序列输入信号重构为形状为(1×h×w)的张量。
13、进一步的步骤2中，四个前馈神经网络输出的共四个证据分布的相同维度的张量，分别用来逼近输出信号均值μ和方差σ2的分布参数，其中均值μ服从正态分布，方差σ2服从正态逆伽马分布。
14、进一步的步骤2中，所述数据驱动损失函数包括三部分损失，其中：
15、估计网络输出结果的预测分布，通过最小化负对数边际似然函数nll作为第一部分损失；
16、第二部分损失采用证据正则化器，通过在预测出现误差的地方提高预测不确定度来调节第一部分损失进行训练；
17、第三部分损失为mse损失函数，用于提高神经网络的预测精度，利用梯度下降法进行优化逼近。
18、进一步的步骤3中，计算得到的总不确定度包括认知不确定度、任意不确定度。
19、本发明将前馈神经网络强大的建模能力和量化不确定度能力应用到动态系统中，同时融合动态系统的物理信息，提高了模型的泛化能力和物理可解释性，同时补充了动态系统不确定度利用神经网络建模的空缺。与现有技术相比，本发明优点为：
20、1、本发明将动态系统的物理信息作为指导神经网络建模的部分约束，与基于不确定度证据感知学习的损失函数相融合，补充了缺失的知识，提高了神经网络的泛化能力和物理可解释性。
21、2、本发明利用深度证据回归的方法量化神经网络输出估计值的不确定度，避免了传统方法中由于不确定度传播对于模型输入的依赖性而导致最终不确定度变化趋势和模型输入相同的情况，并且提高了不确定度建模量化的效率。
1.基于物理信息和证据学习的动态测量不确定度量化方法，其特征在于，包括以下步骤：
2.根据权利要求1基于物理信息和证据学习的动态测量不确定度量化方法，其特征在于，步骤1中，构成测试数据集的输入信号不包含在构成训练数据集的输入信号中。
3.根据权利要求1基于物理信息和证据学习的动态测量不确定度量化方法，其特征在于，步骤1中，测试数据集和训练数据集中的信号长度保持一致。
4.根据权利要求1基于物理信息和证据学习的动态测量不确定度量化方法，其特征在于，步骤1中，对于训练数据集和测试数据集中的长序列输入信号，对长序列输入信号进行时间维度切片重构，将长度为n的一维长序列输入信号重构为形状为(1×h×w)的张量。
5.根据权利要求1基于物理信息和证据学习的动态测量不确定度量化方法，其特征在于，步骤2中，四个前馈神经网络输出的共四个证据分布的相同维度的张量，分别用来逼近输出信号均值μ和方差σ2的分布参数，其中均值μ服从正态分布，方差σ2服从正态逆伽马分布。
6.根据权利要求1基于物理信息和证据学习的动态测量不确定度量化方法，其特征在于，步骤2中，所述数据驱动损失函数包括三部分损失，其中：
7.根据权利要求1基于物理信息和证据学习的动态测量不确定度量化方法，其特征在于，步骤3中，计算得到的总不确定度包括认知不确定度、任意不确定度。
