具有ReMD-OSELM的FER-FSE在风洞试验冲压阶段总压实时建模中的应用制造技术

本发明专利技术公开了具有ReMD

【技术实现步骤摘要】
具有ReMD-OSELM的FER-FSE在风洞试验冲压阶段总压实时建模中的应用


[0001]本专利技术涉及集成学习、递归学习技术，属于计算机应用
，尤其涉及一种具有ReMD-OSELM的FER-FSE在风洞试验冲压阶段总压实时建模中的应用。

技术介绍

[0002]风洞气流复杂，多洞室气体实时交换，这使得根据空气动力学定律难以建立高精度的总压实时预测模型。随着传感技术和计算机技术的迅猛发展，风洞试验累计了大量而丰富的数据，这使得建立基于数据驱动的建模方法发挥着越来越重要的作用。现有的总压模型大都基于数据驱动的方法，而且取得了不错的效果，其中最具代表性的是文献
[1]提出的特征子集集成(Feature Subset Ensemble，FSE)fixed-sizeLS-SVMs方法。
[0003]现有的总压模型大都面向每次试验的整个过程，但是总压在一次试验中的变化差异较大，以时间阈值τ(8s≤τ≤15s)可以分为两个阶段。0s～τs试验处于冲压阶段，总压随时间大致呈上升趋势，总压的数值分布不均衡也非正态分布；τs～Ts试验处于稳压阶段，总压随时间呈水平趋势，总压的数值呈正态分布。另外，稳压阶段样本个数是冲压阶段样本个数的2～9倍。因此，现有的总压模型在冲压阶段的均方根误差(Root Mean Square Error，RMSE)明显高于其在稳压阶段的 RMSE。

技术实现思路

[0004]为了提高风洞试验冲压阶段总压的预测精度，同时处理冲压阶段的高噪声问题，本专利技术提出了具有ReMD-OSELM的FER-FSE在风洞试验冲压阶段总压实时建模中的应用，为面向多批次高噪声数据建立高精度的实时计算模型提供一种新的思路和方法。技术方案如下：
[0005]具有ReMD-OSELM的FER-FSE在风洞试验冲压阶段总压实时建模中的应用，包括如下步骤：
[0006]第一步：根据时间阈值τ(8s≤τ≤15s)，获取冲压阶段总压模型的多批次样本，令表示第 b(b＝0，1，2，
…
)个批次的样本，其中N表示样本个数；
[0007]X(t-1)包含25个特征：
[0008]x1(t-1)，x1(t-2)，
…
，x1(t-5)，x2(t-1)，x2(t-2)，
…
，x2(t
-ꢀ
5)，
…
，x5(t-1)，x5(t-2)，
…
，x5(t-5)，
[0009]分别表示栅指位移、主调压阀位移、主排气阀位移、气源压力和攻角角度在历史时刻t-1，t-2，
…
t-5上的值；
[0010]P
o
(t-1)包含5个特征：p
o
(t-1)，
…
，p
o
(t-5)，
[0011]分别表示总压在历史时刻t-1，t-2，
…
t-5上的值；
[0012]p
o
(t)表示总压在当前时刻t上的值；
[0013]总压模型的输入变量为[X(t-1)，P
o
(t-1)]，输出变量是p
o
(t)；
[0014]第二步：在上构建全展开型递归特征子集集成结构；FSE方法构造低维的特征子集、具有并行的集成结构，根据试验数据大样本集的特点选择基学习机；
[0015]第三步：以ReMD-OSELM算法为基学习机递归学习每一代子模型，加权融合后获得总压实时预测模型。
[0016]进一步的，第二步的在上构建FER-FSE结构，其实现过程如下：
[0017]首先，在上执行基于回归树的特征选择，挑选出最重要的d
o
维特征，所述d
o
维特征组成特征集合
[0018]且
[0019]其中表示基于回归树的特征选择操作；根据构造第 b(b＝0，1，2，
…
)批次低维样本集
[0020]然后，基于FSE方法构造的所有特征子集的所有特征子集其中上标i表示特征子集序号且的输入特征集合为
[0021]最后，在上构建初代子模型
[0022][0023]加权平均后得初代FER-FSE总压模型；...；获得获得后更新第b-1代子模型得第b代子模型加权平均后获得第b代 FER-FSE总压模型；每一代子模型的权重都由GEM计算获得。
[0024]进一步的，第三步的ReMD-OSELMs算法，其实现过程是：
[0025]在MD-OSELM的目标函数中添加正则项，第b(b＝0，1，2，
…
) 代第个ReMD-OSELM子模型的数学表达式为：
[0026][0027]其中表示的隐藏层输出向量；表示的隐藏层权重向量且的隐藏层权重向量且表示第i个ReMD-OSELM子模型的输入变量；J表示隐藏层神经元个数；G(
·
)是Sigmoid，RBF或者Sine激活函数；和是激活函数的参数，属于[-1，1]之间的随机数，不在递归学习过程中进行更新；
[0028]在公式(1)中，由输入变量和激活函数直接计算获得， ReMD-OSELM对进行估计；当b＝0时，在MD-OSELM的目标函数中加上正则项求解优化函数为得的估计值：
[0029][0030]其中是正则项调节参数，
[0031]是的输入样本在隐藏层上的输出矩阵，是单位矩阵；
[0032]是输出向量，其元素为每个样本的输出值； MD-OSELM是时的ReMDOS-ELM。
[0033]当获得后，使用递归方式更新获得
[0034][0035]其中
[0036]是的输入样本在隐藏层上的输出矩阵；是输出向量，其元素为每个样本的输出值；是对的记忆因子，由公式(5)计算获得；
[0037]当获得第b，(b＝2，3，
…
)批次样本后，使用递归方式更新获得
[0038][0039]其中中是的输入样本在隐藏层上的输出矩阵；是输出向量，其元素为每个样本的输出值，是对的记忆因子：
[0040][0041]其中是在子模型上的预测误差；是与的相似度，由cosine距离或欧式距等计算获得。
[0042]进一步的，在FSE构造特征子集之前，利用回归树算法提取最重要的d
o
维特征；根据所述d
o
维特征构造的低维样本集和的所有特征子集。
[0043]本专利技术的有益效果是：
[0044]本专利技术所述的具有ReMD-OSELM的FER-FSE在风洞试验冲压阶段总压实时建模中的应用的思想是：令t表示试验的运行时间，针对任意工况，已知时间阈值τ(8s≤τ≤15s)，当0≤t≤τ时，试验处于冲压阶段。随着试验的重执行，可构造用于建立冲压阶段总压模型的多批次样本，即即表示第b个批次样本。首先，在上执行基于回归树的特征选择，挑选出最重要的d
o
维特征，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.具有ReMD-OSELM的FER-FSE在风洞试验冲压阶段总压实时建模中的应用，其特征在于，包括如下步骤：第一步：根据时间阈值τ(8s≤τ≤15s)，获取冲压阶段总压模型的多批次样本，令表示第b(b＝0，1，2，
…
)个批次的样本，其中N表示样本个数；X(t-1)包含25个特征：x1(t-1)，x1(t-2)，
…
，x1(t-5)，x2(t-1)，x2(t-2)，
…
，x2(t-5)，
…
，x5(t-1)，x5(t-2)，
…
，x5(t-5)，分别表示栅指位移、主调压阀位移、主排气阀位移、气源压力和攻角角度在历史时刻t-1，t-2，
…
t-5上的值；P
o
(t-1)包含5个特征：p
o
(t-1)，
…
，p
o
(t-5)，分别表示总压在历史时刻t-1，t-2，
…
t-5上的值；p
o
(t)表示总压在当前时刻t上的值；总压模型的输入变量为[X(t-1)，P
o
(t-1)]，输出变量是p
o
(t)；第二步：在上构建全展开型递归特征子集集成结构；FSE方法构造低维的特征子集、具有并行的集成结构，根据试验数据大样本集的特点选择基学习机；第三步：以ReMD-OSELM算法为基学习机递归学习每一代子模型，加权融合后获得总压实时预测模型。2.根据权利要求1所述的具有ReMD-OSELM的FER-FSE在风洞试验冲压阶段总压实时建模中的应用，其特征在于，第二步的在第二步的在上构建FER-FSE结构，其实现过程如下：首先，在上执行基于回归树的特征选择，挑选出最重要的d
o
维特征，所述d
o
维特征组成特征集合且其中表示基于回归树的特征选择操作；根据构造第b(b＝0，1，2，
…
)批次低维样本集然后，基于FSE方法构造的所有特征子集的所有特征子集其中上标...

【专利技术属性】
技术研发人员：王晓军，
申请(专利权)人：东北财经大学，
类型：发明
国别省市：