1)基于深信网络的仿真推演数据特征差异度量和模型可信度评估。

　　在深度信任网络框架的基础上，对静态数据、缓慢变化数据和快速变化数据构建数据特征差异向量，自动提取模拟数据中的特征信息，改进和优化深度信任网络，实现模拟模型的自动可信度评价。在深度学习的框架下，进行特征提取和模型可信度评估。首先，深入研究深度信任网络等深度学习架构，讨论不同模式的模拟信息在培训过程中的层次整合，构建模拟数据差异特征提取和智能评价的深度学习方法。然后，采用协作培训和反馈控制的多任务学习机制，通过两个或两个以上的深度学习网络（深度学习机），建立协作培训和反馈控制的深度学习网络。

　　对于每一个深度学习网络，我们的理论讨论了优化矩阵的优化方法和向量稀疏度，以优化稀疏自编码器，增强深度学习体系结构对数据缺失和噪声的影响；同时，考虑不同的异构深度学习方法，如生成深度结构和区分深度结构的混合，采用协同训练方法，加强互补特征的整合和相互调整训练，实现最佳特征提取和评估验证性能。

　　2)模拟大数据的集成柔性模拟评价方法

　　对于不同评价对象的模拟系统，建立从输入输出数据中获取评价指标的评价指标提取模型，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。构建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素的自动分析和决策优化技术。充分结合模拟大数据的先验知识，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。

　　不同的评价目的或评价对象所涉及的评价步骤不同，每一步所采用的方法和数据也会有所不同。因此，有必要对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进行分离和管理，然后根据具体的评估要求进行组合。此外，评估对象种类繁多，输入和输出的数据类型也各不相同。因此，应适用于不同的评价对象。根据模拟测试结果获得评价指标的指标提取模型不能固定，但应根据不同的评价对象灵活构建，即确保评价指标提取模型具有“柔性”。综合柔性模拟评价方法的创新在于，一方面管理整个评价过程数据，支持综合模拟评价工作；另一方面，分别管理评价过程中的算法模型、模拟测试结果和研究人员，根据不同的评价需求灵活构建评价过程；并为不同的评价对象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：研究分析、实验设计、实验操作和分析。其中，研究分析阶段主要是根据先验知识提取指标和因素，提出模拟实验的目的和要求。根据实验目的的不同，实验设计阶段分为两个子阶段：筛选显著因素的筛选实验设计和进一步分析显著因素的正式实验设计。因此，实验操作和分析阶段也分为相应的两个子阶段。

　　由于复杂的模拟实验因素的数量和实验操作的数量，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。我们给出的模拟实验因子筛选过程模型为模拟实验的顺利进行提供了指导。模拟实验因子筛选过程可分为三个阶段：因子指标提取、因子预筛选和因子筛选。因子指标提取阶段主要是根据先验知识提取指标、因子，提出模拟实验的目的和要求。因子预筛选阶段主要是获取因子对指标影响的单调性、正负效应和大小信息，为因子筛选阶段选择合适的方法做好准备。因子筛选阶段是过程模型的核心，是指实验者选择或程序推荐适当的因子筛选方法来筛选实验，最终得到明显的因素。