基于混合变异非支配排序遗传算法的超声速进气道流态识别方法技术

本发明专利技术提供一种基于混合变异非支配排序遗传算法的超声速进气道流态识别方法。本发明专利技术根据超声速进气道中传感器测到的压力数据的特点，对其进行时均值处理并从时域和频域两个方面提取特征。针对得到的特征集，本发明专利技术提供一种混合变异的非支配排序遗传算法，在进行特征选择的同时，对作为分类器的支持向量机的超参数进行优化。为解决混合变异算法中，单目标进化算法用于多目标进化算法的种群局限性，本发明专利技术提供了一种新的种群越界处理方法，相比于传统的多目标优化算法，单目标优化算法在种群丰富度和精度上都具有优势。

【技术实现步骤摘要】
基于混合变异非支配排序遗传算法的超声速进气道流态识别方法
本专利技术涉及超声速进气道流态识别
，具体涉及一种基于混合变异非支配排序遗传算法的超声速进气道流态识别方法。
技术介绍
吸气式超声速推进技术因其在军事和商业领域的巨大潜力而成为国际航空航天领域的研究热点之一。进气道是吸气式超音速推进系统的关键气动部件，是机体或推进系统集成的核心因素，其设计形式和工作特性直接影响着推进系统的整体性能。根据超声速进气道内流型的变化是否影响其流动捕获特性，可以将工作模式分为起动状态和不起动状态。超声速进气道处于不起动状态时，总压恢复系数和流量系数显著降低，易发生剧烈的波系运动和壁面压力振荡。这不仅恶化了发动机的推力特性，而且由于周期性的力载荷和热载荷，导致发动机的结构损坏，使飞机难以控制。因此，快速准确地识别进气道流态，从而指导进气道或发动机对进气道的快速重启做出相应的调整是极其重要的。在超声速进气道不起动状态识别方面，目前的研究工作比较分散，大部分研究都是直接借鉴引起不起动状态的因素。例如，HawkinsWR等将不起动状态分为面积收缩比过大和反压过高两大类，YuDR等将其分为马赫数过低和反压过高两大类，CoxC等则将其分为反压过高、收缩比过大、转折角过大三大类。具体到不起动状态的识别方法，HawkinsWR等针对风洞实验的需要，对二元超声速进气道不起动状态的识别方法进行了探索性研究，建议并实践了分别基于高速纹影摄像、喉道前与喉道后时均静压关系、喉道附近壁面瞬态静压特征的3种不起动状态识别方法。第1种方法直观、可靠但需要复杂的光路系统。仅在地面实验种可行，在实际飞行中显然不现实。第2种方法实现简单，但判别准则因具体的进气道设计参数、飞行马赫数而异，难以做到通用，且当实际参数与建立判别准则时的假想值存在差异时容易出现误判。第3种方法就是从非定常的角度来对进气道不起动状态进行识别，其主要优点是以动态压强信号的时域和频域特征为主要依据，受时均静压预测误差的影响较小，因而所建立的识别方法有望获得较高的准确度，且具有通用性，是目前不起动状态识别研究的一个新方向。其主要缺点是所需的信息量和运算量偏大，且构建算法的难度较高，信号的特征提取、判别准则的建立、信号采样频率的选择、传感器的布置等均显著依赖于对检测对象的认识。对进气道流态压力数据的特征提取、特征选择，以及流态的识别方面有较大的研究空白。非支配排序遗传算法(Non-dominatedsortinggeneticalgorithms,NSGA-II)已成为最有效的多目标进化算法之一，且已成功地应用于各种多目标优化问题。特征选择和超参数优化在多目标优化问题中一直是研究的热点。多目标优化算法在处理多目标优化问题时往往会得到一组最优解集，不同于单目标优化算法中的一个最优解。可以根据对目标函数的偏好，从最优解集中进行选择，丰富了解集的多样性。变异算子对于解集多样性起着至关重要的决定性作用，传统的实数编码的NSGA-II算法使用的是多项式变异，使用其他变异算子的研究较少。一些研究尝试将单目标变异算法用于多目标进化过程，例如LaumannsM等将单目标优化问题中的一些自适应变异强度的参数控制方法应用到多目标条件下，发现基于帕累托选择的方法会导致低的成功率，算法难于收敛到帕累托集。BasseurM等解决船只调配问题时同时使用多种变异算子，并通过比较每种算子产生的后代与父代个体的支配关系的统计结果来动态改变它们的比率，选择比率最高的变异算子。BasseurM等对上文进行了改进，通过比较每种算子产生的后代与父代个体的前沿面排序值的统计结果来动态改变它们的比率，解决了父代个体与子代个体互不支配时仅利用支配关系进行统计时不精确的情况。AggarwalV等利用电路优化问题的结构特征设计了一种相关敏感变异算子，通过两个电路的实例展示了该变异算子提供了比传统算子更快更好的优化性能。可见研究者们把注意力主要集中在构造非支配集、适应度赋值、种群维护等问题上，而关于变异算子对多目标优化的影响方面所做研究较少。
技术实现思路
专利技术目的：为突破传统超声速进气道不起动状态识别技术存在的问题局限，本专利技术明确了从非定常的角度来对进气道不起动状态进行识别的方向，以动态压强信号的时域和频域特征为主要依据，采用混合变异的非支配排序遗传算法，将其应用于时频域特征的选择和支持向量机超参数的优化，实现对超声速进气道不起动状态的识别，进一步增强对进气道流态的实时监控，提高发动机安全性能。此外，本专利技术将两种单目标变异算子与传统的多项式变异相结合，比较不同变异算子对多目标优化影响的同时，提高多目标优化算法的分类性能和最优解集的丰富度，更有利于对进气道中传感器的位置选择。技术方案：一种基于混合变异非支配排序遗传算法的超声速进气道流态识别方法，包括以下步骤：步骤1：对超声速进气道中布置的传感器所测得的压力数据进行时均值处理，以一定的时间间隔切分压力数据得到固定长度的时间序列，这些时间序列分别对应着不同时间段下超声速进气道中的流态，继而根据现有理论公式从时域和频域两个方面从每个时间序列中提取流态的特征，得到特征子集；将由特征子集构成的特征集划分为训练集、验证集和测试集；步骤2：以非支配排序遗传算法NSGA-II作为基准算法，初始化种群规模，迭代次数，交叉概率，变异概率等参数，初始化种群并计算相应的目标函数值，继而对初始种群进行非支配排序。步骤3：使用传统的锦标赛选择算子，选择出父代种群。由于种群编码采用的均为实数编码，交叉操作采用模拟二进制交叉技术SBX。与传统的多项式变异操作不同的是，采用多项式变异、高斯变异、柯西变异相结合的变异算子，三种变异算子并行操作，进而得到子代种群。步骤4：将得到的子代种群与父代种群合并，并执行非支配排序操作，继而根据拥挤度距离对每一前沿面进行种群填充，直到满足目标种群大小。步骤5：判断迭代次数是否满足，若满足则结束算法，否则返回步骤3。优选地，步骤1中从时域方面提取的流态特征包括：其中x(n)是n＝1,2,...,N时的信号序列，N为一个时间序列中数据点个数。优选地，步骤1中从频域方面提取的流态特征包括：其中s(k)是k＝1,2,...K时的频谱，K为谱线数，fk为一个时间序列中第k条谱线的频率值。优选地，步骤2中，初始化种群时所用的编码方式主要包含如下内容：混合变异非支配排序遗传算法的种群编码主要包括两方面：时频域特征选择和SVM的超参数优化。其中超参数主要是误分类惩罚系数C和RBF核宽度γ。为保证编码的统一，采用实数编码的方式。在特征选择部分，每一个个体均为0到1的随机数，该随机数大于0.5代表被选择，否则代表特征被舍弃。超参数的初始化范围为[2-10,210]。以一个D维的数据集为例，种群中的第i个个体被编码为：Xi(t)＝{xi,1,xi,2,...,xi,j}xi,j∈[0,1],j＝1,2,...,本文档来自技高网...

【技术保护点】
1.一种基于混合变异非支配排序遗传算法的超声速进气道流态识别方法，其特征在于，包括如下步骤：/n步骤1：对超声速进气道中布置的传感器所测得的压力数据进行时均值处理，切分压力数据得到固定长度的时间序列，这些时间序列分别对应着不同时间段下超声速进气道中的流态，继而从时域和频域两个方面从每个时间序列中提取流态的特征，得到特征子集；将由特征子集构成的特征集划分为训练集、验证集和测试集；/n步骤2：以所述训练集训练分类器，采用混合变异非支配排序遗传算法对分类器超参数和特征子集进行寻优，最终确定的特征子集对应的流态即为超声速进气道流态。/n

【技术特征摘要】
1.一种基于混合变异非支配排序遗传算法的超声速进气道流态识别方法，其特征在于，包括如下步骤：
步骤1：对超声速进气道中布置的传感器所测得的压力数据进行时均值处理，切分压力数据得到固定长度的时间序列，这些时间序列分别对应着不同时间段下超声速进气道中的流态，继而从时域和频域两个方面从每个时间序列中提取流态的特征，得到特征子集；将由特征子集构成的特征集划分为训练集、验证集和测试集；
步骤2：以所述训练集训练分类器，采用混合变异非支配排序遗传算法对分类器超参数和特征子集进行寻优，最终确定的特征子集对应的流态即为超声速进气道流态。


2.根据权利要求1所述的一种基于混合变异非支配排序遗传算法的超声速进气道流态识别方法，其特征在于，步骤1中从时域方面提取的流态特征包括：









其中x(n)是n＝1,2,...,N时的信号序列，N为一个时间序列中数据点个数。


3.根据权利要求1所述的一种基于混合变异非支配排序遗传算法的超声速进气道流态识别方法，其特征在于，步骤1中从频域方面提取的流态特征包括：












其中s(k)是k＝1,2,...K时的频谱，K为谱线数，fk为一个时间序列中第k条谱线的频率值。


4.根据权利要求1所述的一种基于混合变异非支配排序遗传算法的超声速进气道流态识别方法，其特征在于，步骤2的具体步骤包括：
步骤2.1：初始化混合变异非支配排序遗传算法的参数，对分类器超参数和特征子集进行编码，创建初始种群，初始种群中的个体包含一个特征子集和所选的分类器超参数；
步骤2.2：分别以所述训练集中的各个特征子集训练分类器，计算混合变异非支配排序遗传算法的目标函数值，继而对初始种群进行非支配排序；
步骤2.3：从所述初始种群中选择出父代种群，采用多项式变异、高斯变异、柯西变三种变异算子并行操作，进而得到子代种群；
步骤2.4：将得到的子代种群与父代...

【专利技术属性】
技术研发人员：赵永平，杨天林，吴奂，谭慧俊，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32