1)基于深度置信网络的模拟数据差异度和模型可信度评估。

　　在深度信任网络框架的基础上，对静态数据、慢变量数据和快变量数据分别构建不同数据特征的向量，对仿真数据中的特征信息进行自动提取，对深度信任网络进行改进和优化，实现对仿真模型可信度的自动评估。特征提取和模型可信度评估是在深度学习结构下进行的。首先，深入研究深度信任网络等深度学习体系结构，探索在培训过程中逐层整合不同模式的模拟信息，从而构建深度学习方法，提取和智能评估模拟数据差异特征。然后，采用协同训练和反馈控制的多任务学习机制。根据不同模拟数据的特点，通过两个或两个以上的深度学习网络（深度学习机器）建立了协同训练和反馈控制的深度学习网络.

　　对于每个深度学习网络，我们讨论了优化自编码器的优化方法，优化了矩阵的低秩序和向量稀疏性，增强了深度学习结构对数据缺失和噪音的影响；同时，考虑到不同的异构深度学习方法，如生成性深度结构和区分性深度结构的混合，采用协同训练方法，增强互补性特征整合和相互调节训练，从而达到最佳的特征提取和评价验证性能。

　　2)一体化柔性仿真推演评价方法，面向仿真大数据。

　　对于不同评价对象的模拟系统，建立评价指标提取模型，从评价指标的输入和输出数据中获取评价指标，实现模拟评价指标提取模型构建的灵活性，实现评价过程的灵活构建。建立面向问题的智能模拟评价指标体系，在模拟大数据中形成实验设计因子自动分析和决策优化技术。充分结合模拟大数据检测知识，利用数据的时间和空间相关性，提高模拟评价的自动化和智能化程度，确保结果的稳定性和准确性。

　　不同的评估目的或评估对象涉及不同的评估步骤，每个步骤使用不同的方法和处理数据。因此，有必要根据具体的评估需求，将整个评估过程中涉及的算法模型、模拟测试结果和研究人员分开管理，然后进行组合。此外，评估对象种类繁多，输入和输出的数据类型也不同。因此，对于不同的评估对象，根据模拟测试结果获得评估指标的指标提取模型不能固定，但应根据不同的评估对象灵活构建，即评估指标提取模型应灵活。一方面实现对整个评估过程数据的管理，支持整合模拟评估工作，另一方面分别管理评估过程中的算法模型、模拟测试结果和研究人员，根据不同的评估需求灵活构建评估过程，提供灵活的指标提取模型构建方法。

　　3)基于大数据的仿真实验因子优化设计方法。

　　复杂的模拟实验设计过程一般可分为三个阶段：研究和分析、实验设计、实验操作和分析，其中研究和分析阶段主要是根据先验知识细化指标，提出模拟实验的目的和要求。实验设计阶段根据实验目的的不同，分为两个子阶段：筛选明显因素的筛选实验设计和进一步分析明显因素的正式实验设计。因此，实验操作和分析阶段也分为两个子阶段。

　　为了提高实验效率，节约实验能量，首先需要对重要因素进行筛选。我们提供的模拟实验因素筛选工艺模型为模拟实验的顺利进行提供了指导。模拟实验因素筛选工艺可分为三个阶段:因素筛选、因素筛选、因素筛选和因素筛选。因素筛选阶段主要根据先验后的知识提取因素，提出模拟实验的目的和要求。因素筛选阶段主要是为了获得因素对指标影响的单调性、正负效应和大小的信息，从而为因素筛选阶段选择正确的方法。因素筛选阶段是过程模型的核心，是指由实验者选择或推荐适当的因素筛选方法进行筛选实验，最终得到明显的因素。