基于多精度深度神经网络的气动数据融合方法及设备技术

一种基于多精度深度神经网络的气动数据融合方法及设备，方法包括选取气动数据构建数据集；初始化多精度数据深度神经网络融合模型参数；将数据集输入多精度数据深度神经网络融合模型，执行多精度数据深度神经网络融合模型训练的前馈过程；判断多精度数据深度神经网络融合模型训练是否达到每个回合的最大迭代次数；若已经达到每个回合的最大迭代次数再判断是否达到最大回合数，若达到最大回合数则结束；若没有达到每个回合的最大迭代次数或者达到每个回合的最大迭代次数但没有达到最大回合数则计算MSE，更新训练参数之后再返回执行前馈过程；通过多精度数据深度神经网络融合模型输出气动数据融合结果。本发明专利技术有更好的融合效果，误差更小。误差更小。误差更小。

【技术实现步骤摘要】
基于多精度深度神经网络的气动数据融合方法及设备


[0001]本专利技术属于气动数据融合
，具体涉及一种基于多精度深度神经网络的气动数据融合方法及设备。

技术介绍

[0002]深度学习的快速发展影响了物理系统的计算建模，例如地球科学和工程。通常，复杂物理系统的优化需要有大量的高精度数据集，这可能会导致成本过高。另一方面，使用不充分的高精度数据会导致不准确的近似值。
[0003]在飞行器研发过程中，至关重要的一环是气动布局设计，在研发设计初期需要确定和优化气动外形，这一步则是需要对气动数据进行反复迭代来进行。因此，气动数据是整个气动设计的关键点，而如何得到高精度、低不确定度且低成本的气动数据则是重中之重。现阶段获得气动数据的主要方式有三种：飞行试验、数值计算和风洞试验。受计算机模拟和试验能力的限制，这三种方式各有优劣：飞行试验可以完全模拟飞行器的真实飞行，但是受传感器和大气影响较大，气动参数难以辨识，获得的有效试验数据量少，且成本高；数值计算方法较多，可以灵活选择，成本低廉，获取的数据量大，但是物理模型尚不够完善，从而使得复杂状态下的计算精度低，计算精度有待进一步提高；风洞实验可以模拟飞行状态和环境，数据精度较高，单受洞壁干扰、支架干扰、雷诺数等影响，不能完全模拟飞行器的真实飞行状况。因此，任意一种方式都无法单一且准确的对飞行器的飞行包线进行全覆盖。
[0004]目前，世界各国专家学者对基于飞行试验数据的建模研究较少，Eugene A.Morelli等基于飞行试验数据进行高效的气动建模和基于飞行试验数据估计气动参数的准确性等研究，王文正等首次将数据挖掘技术用于飞行试验数据分析和气动参数辨识中，提出了基于飞行试验数据的建模方法，检验了辨识结果的可信度，对数值计算和风洞试验数据的融合进行了初步探索。由此看出，此前飞行试验数据主要用于参数辨识和气动建模等方面，用于气动数据融合的研究较少，因此，提出了基于飞行试验数据和风洞试验数据的气动数据融合。飞行试验特征点数据少，但数据更加真实，相比于风洞试验数据精度更高。可以采用少量的飞行试验数据与大量风洞试验数据相融合，在提高数据精度的同时降低试验成本。
[0005]Hutchinson针对高速民航机翼的设计优化，提出了一种结合简单和详细分析方法的比例因子变精度策略。A.J.Keane等采用基于融合的实验设计方法解决跨声速机翼优化问题。Stephen J.Leary等描述了几种基于先验知识的方法来解决多精度建模问题，使用低精度模型作为先验知识的方法比仅建立在高精度模型上的响应面法更有效。C.Y.Tang应用了一种具有增量函数的变精度建模方法，将各种精度的模型合并到一个单一的、一致的数据库中。Jun Zheng等构建了混合变精度全局近似模型进行数据融合，其使用径向基函数对低精度数据进行近似，采用克里金方法建立修正模型。Maxim Tya等人研究了数据融合方法，利用从各种来源获得的数据为飞行模拟构建空气动力学表，并创建了一个加性比例函数，以校正低精度函数，匹配该方法中的高精度数据。Renganathan等人提出了一个贝叶斯
框架来融合两个来自不同精度的物理或计算机实验的空气动力数据集，这些数据集可能会被噪声、偏差和不完整性破坏。M.Ghoreyshi等人描述了一个基于采样和数据融合技术生成飞行仿真气动表的框架，该研究采用协克里金方法建立了一个融合模型，将不同精度的样本进行融合，并对不同精度的样本进行评价。Y.Kuya等人基于协克里金回归，结合风洞试验数据和雷诺平均Navier
‑
Stokes方程计算数据，构建了地面效应下带涡流发生器的反向机翼的多精度代理模型。Q.Zhang将基于协克里金的数据融合算法应用于CFD数据和来自工业半经验方法(如美国空军DATCOM等)的数据，构建了气动特性数据库。从以上现有技术分析可知，空气动力学领域常用的两种数据融合方法是变精度模型和协克里金法。这两种方法的目标是生成比低精度数据更准确、比高精度数据更大量的数据集。以协克里金法为例，随着训练样本的增加，耗时会显著增加。使用协克里金方法建立代理模型的过程中存在很多矩阵运算，特别是协方差矩阵的逆运算，所以普通计算机难以支持协克里金模型所需的矩阵运算。

技术实现思路

[0006]本专利技术的目的在于针对上述现有技术中的问题，提供一种基于多精度深度神经网络的气动数据融合方法及设备，利用低精度和高精度数据采用多精度建模在不同应用中实现高精度，与协克里金法相比有更好的融合效果，均方误差和平均绝对误差值更小，适用范围广泛。
[0007]为了实现上述目的，本专利技术有如下的技术方案：
[0008]一种基于多精度深度神经网络的气动数据融合方法，包括：
[0009]选取气动数据构建高精度数据训练集以及低精度数据训练集；
[0010]初始化预先建立的多精度数据深度神经网络融合模型参数；
[0011]将高精度数据训练集以及低精度数据训练集输入多精度数据深度神经网络融合模型，执行多精度数据深度神经网络融合模型训练的前馈过程；
[0012]判断多精度数据深度神经网络融合模型训练是否达到每个回合的最大迭代次数；若已经达到每个回合的最大迭代次数再判断是否达到最大回合数，若达到最大回合数则结束；若没有达到每个回合的最大迭代次数或者达到每个回合的最大迭代次数但没有达到最大回合数则计算MSE，更新训练参数之后再返回执行多精度数据深度神经网络融合模型训练的前馈过程；
[0013]通过多精度数据深度神经网络融合模型输出气动数据融合结果。
[0014]作为本专利技术基于多精度深度神经网络的气动数据融合方法的一种优选方案，所述选取气动数据构建高精度数据训练集以及低精度数据训练集时，去除飞行器包络线以外的数据，在飞行器包络线以内的数据中选取气动数据构建高精度数据训练集、低精度数据训练集以及高精度数据测试集，使用100个飞行试验数据作为高精度数据训练集，1000个风洞数据作为低精度数据训练集，其余飞行试验数据作为高精度数据测试集。
[0015]作为本专利技术基于多精度深度神经网络的气动数据融合方法的一种优选方案，所述计算MSE之前根据飞行试验数据分析来选取标签。
[0016]作为本专利技术基于多精度深度神经网络的气动数据融合方法的一种优选方案，所述多精度数据深度神经网络融合模型由以下四个部分组成：
[0017]第一部分用于训练低精度数据，得到一个模型，记作NN
L
，用来获取低精度数据中的信息；第二部分记作NN
H
，在第一部分得到的模型基础上训练高精度数据，用来获取高精度数据中的信息；将第二部分输出与高精度数据拼接在一起作为第三和第四部分的输入，第三部分记作NN
l
，用来学习线性相关性，第四部分记作NN
nl
，用来学习非线性相关性。
[0018]作为本专利技术基于多精度深度神经网络的气动数据融合方法的一种优选方案，所述多精度数据深度神经网络融合模型通过最小化损失函数来学习未知参数的优化本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多精度深度神经网络的气动数据融合方法，其特征在于，包括：选取气动数据构建高精度数据训练集以及低精度数据训练集；初始化预先建立的多精度数据深度神经网络融合模型参数；将高精度数据训练集以及低精度数据训练集输入多精度数据深度神经网络融合模型，执行多精度数据深度神经网络融合模型训练的前馈过程；判断多精度数据深度神经网络融合模型训练是否达到每个回合的最大迭代次数；若已经达到每个回合的最大迭代次数再判断是否达到最大回合数，若达到最大回合数则结束；若没有达到每个回合的最大迭代次数或者达到每个回合的最大迭代次数但没有达到最大回合数则计算MSE，更新训练参数之后再返回执行多精度数据深度神经网络融合模型训练的前馈过程；通过多精度数据深度神经网络融合模型输出气动数据融合结果。2.根据权利要求1所述基于多精度深度神经网络的气动数据融合方法，其特征在于：所述选取气动数据构建高精度数据训练集以及低精度数据训练集时，去除飞行器包络线以外的数据，在飞行器包络线以内的数据中选取气动数据构建高精度数据训练集、低精度数据训练集以及高精度数据测试集，使用100个飞行试验数据作为高精度数据训练集，1000个风洞数据作为低精度数据训练集，其余飞行试验数据作为高精度数据测试集。3.根据权利要求1所述基于多精度深度神经网络的气动数据融合方法，其特征在于：所述计算MSE之前根据飞行试验数据分析来选取标签。4.根据权利要求1所述基于多精度深度神经网络的气动数据融合方法，其特征在于：所述多精度数据深度神经网络融合模型由以下四个部分组成：第一部分用于训练低精度数据，得到一个模型，记作NN
L
，用来获取低精度数据中的信息；第二部分记作NN
H
，在第一部分得到的模型基础上训练高精度数据，用来获取高精度数据中的信息；将第二部分输出与高精度数据拼接在一起作为第三和第四部分的输入，第三部分记作NN
l
，用来学习线性相关性，第四部分记作NN
nl
，用来学习非线性相关性。5.根据权利要求4所述基于多精度深度神经网络的气动数据融合方法，其特征在于：所述多精度数据深度神经网络融合模型通过最小化损失函数来学习未知参数的优化过程。6.根据权利要求5所述基于多精度深度神经网络的气动数据融合方法，其特征在于：所述损失函数的表达式如下：述损失函数的表达式如下：述损失函数的表达式如下：式中，表示NN
L
的输出,表示NN
nl
的输出，w是NN
l
和NN
nl
的任何权重，λ是L2正则化项系数，表示低精度数据的数量，表示高精度数据的数量。7.根据权利要求6所述基于多精度深度神经网络的气动数据融合方法，其特征在于，所述高精度数据与低精度数据之间符合...

【专利技术属性】
技术研发人员：连峰，权佳妮，贾家兴，高鑫，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：