基于知识库和人工智能的仿真模型优选方法、系统及介质与流程

1.本发明涉及系统仿真技术领域，具体地，涉及一种基于知识库和人工智能的仿真模型优选方法、系统及介质。


背景技术：

2.在调用仿真模型构建复杂系统时，仿真模型的搜索和选择是非常重要的技术支撑。仿真模型选择主要是根据仿真环境需求选择适合的仿真模型，而如何在众多的仿真模型中快速准确的选择出合适的仿真模型，是业界的痛点问题，是因为模型部件特征多，部件之间又存在适配兼容性，普通检索无法解决部件适配关系，需要投入巨大的人力与时间成本进行人工筛选，而本发明针对该缺陷，以提高检索的快速和准确性。
3.公开号为cn110287332b的发明专利，公开了一种云环境下仿真模型选择方法与装置，包括：获取选择仿真模型的搜索条件；根据所述搜索条件在预设的知识图谱数据库中搜索，得到多个候选仿真模型；其中，所述知识图谱数据库中包含仿真模型的语义描述信息，所述语义描述信息用于在与所述搜索条件匹配时确定所述候选仿真模型；根据预设的选择条件从所述多个候选仿真模型中选取目标仿真模型。


技术实现要素：

4.针对现有技术中的缺陷，本发明提供一种基于知识库和人工智能的仿真模型优选方法、系统及介质。
5.根据本发明提供的一种基于知识库和人工智能的仿真模型优选方法、系统及介质，所述方案如下：
6.第一方面，提供了一种基于知识库和人工智能的仿真模型优选方法，所述方法包括：
7.步骤s1：收集仿真模型数据，建立仿真模型知识库；
8.步骤s2：利用所述仿真模型知识库已有数据进行训练，得到训练好的深度神经网络模型；
9.步骤s3：根据仿真环境主要部件特征数据，通过所述深度神经网络模型，筛选出的仿真模型列表；
10.步骤s4：由用户主动在仿真模型列表中进行筛选判断。
11.优选的，所述步骤s1包括：
12.步骤s1.1：将仿真模型分为处理器、存储器、网络设备以及外设在内的主要功能部件；
13.步骤s1.2：提取主要功能部件的特征数据；
14.步骤s1.3：通过分类法建立仿真模型知识库。
15.优选的，所述步骤s2包括：
16.步骤s2.1：收集已有仿真环境需求主要特征数据与筛选后仿真模型；
17.步骤s2.2：采用开源机器学习框架搭建整个深度神经网络模型的结构；
18.步骤s2.3：通过收集的数据训练深度神经网络模型。
19.第二方面，提供了一种基于知识库和人工智能的仿真模型优选系统，所述系统包括：
20.模型m1：收集仿真模型数据，建立仿真模型知识库；
21.模型m2：利用所述仿真模型知识库已有数据进行训练，得到训练好的深度神经网络模型；
22.模型m3：根据仿真环境主要部件特征数据，通过所述深度神经网络模型，筛选出的仿真模型列表；
23.模型m4：由用户主动在仿真模型列表中进行筛选判断。
24.优选的，所述模块m1包括：
25.模块m1.1：将仿真模型分为处理器、存储器、网络设备以及外设在内的主要功能部件；
26.模块m1.2：提取主要功能部件的特征数据；
27.模块m1.3：通过分类法建立仿真模型知识库。
28.优选的，所述模块m2包括：
29.模块m2.1：收集已有仿真环境需求主要特征数据与筛选后仿真模型；
30.模块m2.2：采用开源机器学习框架搭建整个深度神经网络模型的结构；
31.模块m2.3：通过收集的数据训练深度神经网络模型。
32.第三方面，提供了一种存储有计算机程序的计算机可读存储介质，所述计算机程序被处理器执行时实现所述方法中的步骤。
33.与现有技术相比，本发明具有如下的有益效果：
34.1、本发明通过对仿真模型部件按照功能分类，解决了仿真环境智能筛选过程能够按部件特征筛选模型的问题；
35.2、本发明通过深度神经网络模型的训练，解决了模型匹配度问题。
附图说明
36.通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
37.图1为本发明流程示意图。
具体实施方式
38.下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
39.本发明实施例提供了一种基于知识库和人工智能的仿真模型优选方法，参照图1所示，该方法执行以下步骤：
40.步骤s1：收集仿真模型数据，建立仿真模型知识库；
41.具体地，该步骤包括：步骤s1.1：将仿真模型分为处理器、存储器、网络设备以及外设等主要功能部件；
42.步骤s1.2：提取主要功能部件的特征数据，如处理器的主频、时钟、频率、倍频和外频，存储器的容量，读写速率等；
43.步骤s1.3：通过分类法建立仿真模型知识库，即仿真模型的特征数据知识库。
44.步骤s2：利用仿真模型知识库已有数据进行训练，得到训练好的深度神经网络模型；
45.具体地，该步骤包括：步骤s2.1：收集已有仿真环境需求主要特征数据与筛选后仿真模型；
46.步骤s2.2：采用开源机器学习框架搭建整个深度神经网络模型的结构；
47.步骤s2.3：通过收集的数据训练深度神经网络模型。
48.步骤s3：根据仿真环境主要部件特征数据，通过深度神经网络模型，筛选出的仿真模型列表；
49.步骤s4：由用户主动在仿真模型列表中进行筛选判断，本实施例中的筛选判断标准是：人工在经过深度神经网络模型筛选后的模型列表筛选。
50.本发明还提供了一种基于知识库和人工智能的仿真模型优选系统，该系统具体包括：
51.模型m1：收集仿真模型数据，建立仿真模型知识库；
52.具体地，模块m1包括：模块m1.1：将仿真模型分为处理器、存储器、网络设备以及外设等主要功能部件；
53.模块m1.2：提取主要功能部件的特征数据，如处理器的主频、时钟、频率、倍频和外频，存储器的容量，读写速率等；
54.模块m1.3：通过分类法建立仿真模型知识库。
55.模型m2：利用所述仿真模型知识库对已有数据进行训练，得到训练好的深度神经网络模型；
56.具体地，模块m2包括：模块m2.1：收集已有仿真环境需求主要特征数据与筛选后仿真模型；
57.模块m2.2：采用开源机器学习框架搭建整个深度神经网络模型的结构；
58.模块m2.3：通过收集的数据训练深度神经网络模型。
59.模型m3：根据仿真环境主要部件特征数据，通过所述深度神经网络模型，筛选出的仿真模型列表；
60.模型m4：由用户主动在仿真模型列表中进行筛选判断。
61.本发明实施例提供了一种基于知识库和人工智能的仿真模型优选方法、系统及介质，通过分类法拆分仿真模型功能模块，分析功能模块特征数据，然后利用已有的模型样本数据通过深度神经网络模型的训练，提高仿真模型选择的匹配度，缩短仿真模型选择时间，减少模型的选择成本。
62.本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌
入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
63.以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本技术的实施例和实施例中的特征可以任意相互组合。

技术特征：
1.一种基于知识库和人工智能的仿真模型优选方法，其特征在于，包括：步骤s1：收集仿真模型数据，建立仿真模型知识库；步骤s2：利用所述仿真模型知识库已有数据进行训练，得到训练好的深度神经网络模型；步骤s3：根据仿真环境主要部件特征数据，通过所述深度神经网络模型，筛选得到仿真模型列表；步骤s4：在仿真模型列表中进行筛选判断。2.根据权利要求1所述的基于知识库和人工智能的仿真模型优选方法，其特征在于，所述步骤s1包括：步骤s1.1：将仿真模型分为处理器、存储器、网络设备以及外设在内的主要功能部件；步骤s1.2：提取主要功能部件的特征数据；步骤s1.3：通过分类法建立仿真模型知识库。3.根据权利要求1所述的基于知识库和人工智能的仿真模型优选方法，其特征在于，所述步骤s2包括：步骤s2.1：收集已有仿真环境需求主要特征数据与筛选后仿真模型；步骤s2.2：采用开源机器学习框架搭建整个深度神经网络模型的结构；步骤s2.3：通过收集的数据训练深度神经网络模型。4.一种基于知识库和人工智能的仿真模型优选系统，其特征在于，包括：模型m1：收集仿真模型数据，建立仿真模型知识库；模型m2：利用所述仿真模型知识库已有数据进行训练，得到训练好的深度神经网络模型；模型m3：根据仿真环境主要部件特征数据，通过所述深度神经网络模型，筛选出的仿真模型列表；模型m4：由用户主动在仿真模型列表中进行筛选判断。5.根据权利要求4所述的基于知识库和人工智能的仿真模型优选系统，其特征在于，所述模块m1包括：模块m1.1：将仿真模型分为处理器、存储器、网络设备以及外设在内的主要功能部件；模块m1.2：提取主要功能部件的特征数据；模块m1.3：通过分类法建立仿真模型知识库。6.根据权利要求4所述的基于知识库和人工智能的仿真模型优选系统，其特征在于，所述模块m2包括：模块m2.1：收集已有仿真环境需求主要特征数据与筛选后仿真模型；模块m2.2：采用开源机器学习框架搭建整个深度神经网络模型的结构；模块m2.3：通过收集的数据训练深度神经网络模型。7.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序被处理器执行时实现权利要求1至3中任一项所述的方法的步骤。

技术总结
本发明提供了一种基于知识库和人工智能的仿真模型优选方法、系统及介质，涉及系统仿真技术领域，该方法包括：步骤S1：收集仿真模型数据，建立仿真模型知识库；步骤S2：利用所述仿真模型知识库对已有数据进行训练，得到训练好的深度神经网络模型；步骤S3：根据仿真环境主要部件特征数据，通过所述深度神经网络模型，筛选出的仿真模型列表；步骤S4：由用户主动在仿真模型列表中进行筛选判断。本发明能够提高仿真模型选择的匹配度，缩短仿真模型选择时间，减少模型的选择成本。减少模型的选择成本。减少模型的选择成本。


技术研发人员：吴正猛 秦炜 刘钧钧 杨定均 王乔乔
受保护的技术使用者：上海创景信息科技有限公司
技术研发日：2021.11.24
技术公布日：2022/3/7