一种基于飞行器多源数据融合方法、电子设备及存储介质技术

本发明专利技术提出多源数据融合方法、电子设备及存储介质，属于多源数据融合技术领域。包括以下步骤：S1.获取CFD数据与风洞试验数据，利用机器学习模型建立特征变量与目标变量之间的映射关系；S2.通过重复抽样法对CFD数据与风洞试验数据进行抽取，建立多个训练集和对应的验证集，基于不同的训练集分别建立模型，形成多模型机器学习模型；S3.通过验证集分别求解多模型机器学习模型预测结果的均方误差；S4.记录不同训练集输出的预测结果和不同预测结果获得的均方误差；S5.将训练集输入至多模型机器学习模型中，基于均方误差的加权方法将多模型的预测结果进行结合。解决由于模型过拟合导致的模型精准度与拟和度差的问题。致的模型精准度与拟和度差的问题。致的模型精准度与拟和度差的问题。

【技术实现步骤摘要】
一种基于飞行器多源数据融合方法、电子设备及存储介质


[0001]本申请涉及多源数据融合方法，尤其涉及多源数据融合方法、电子设备及存储介质，属于多源数据融合


技术介绍

[0002]在飞行器的初步研制阶段，根据飞行器的气动外形需要开展相对应的气动数值计算和气动特性评估，以规划进一步的优化设计方案，因此对于飞行器气动外形进行精准且高效分析是必要的。目前风洞试验和CFD数值模拟是面向飞行器的气动特性分析的主要技术方法。风洞试验能够对于飞行器的气动外形开展精准度较高的气动特性分析，但是存在成本高，试验周期过长等问题。CFD方法采用数值计算对于流体力学中的离散方程进行求解，与风洞试验相比，CFD方法在成本上有所下降，但是在精度上却略低于风洞试验结果。针对风洞试验和CFD数值模拟存在的弊端，需要合理发挥自身优势的基础上，进一步研发出一种既满足低试验成本又能够获取高精度数据分析结果的方法。为满足此需求，一种基于多源气动数据融合的理念被广泛研究与应用，其本质是采用了一种能够映射出低精度数据与高精度数据之间关系的代理模型，并实现对于高精度数据的精准预测。但目前所涉及的方法皆使用固定训练集与测试集的单次建模得到单一的高低精度数据之间的映射关系，容易发生模型过拟合的情况，严重影响了模型精准度与拟和度。

技术实现思路

[0003]在下文中给出了关于本专利技术的简要概述，以便提供关于本专利技术的某些方面的基本理解。应当理解，这个概述并不是关于本专利技术的穷举性概述。它并不是意图确定本专利技术的关键或重要部分，也不是意图限定本专利技术的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。
[0004]鉴于此，为解决现有技术中存在的由于模型过拟合导致的模型精准度与拟和度差的技术问题，本专利技术提供一种基于飞行器多源数据融合方法、电子设备及存储介质。
[0005]方案一、一种基于飞行器多源数据融合方法，包括以下步骤：S1.获取CFD数据与风洞试验数据，CFD数据为特征变量，风洞试验数据为目标变量；利用机器学习模型建立特征变量与目标变量之间的映射关系；S2.通过重复抽样法对CFD数据与风洞试验数据进行抽取，建立多个训练集和对应的验证集，基于不同的训练集分别建立模型，形成多模型机器学习模型；S3.通过验证集分别求解多模型机器学习模型预测结果的均方误差；S4.记录不同训练集输出的预测结果和不同预测结果获得的均方误差；S5.将训练集输入至多模型机器学习模型中，基于均方误差的加权方法将多模型的预测结果进行结合。
[0006]优选的，获取CFD数据与风洞试验数据的方式如下：步骤A、对于风洞试验数据进行归纳整理，包括试验信息表和车次表；
步骤B、对于不同风洞数据存储方式整理常规测力试验的标准模板；步骤C、创建数据程序的输出接口，将风洞试验中的原始数据进行转化；步骤D、从转化好的风洞试验数据和CFD数值仿真数据中获取几何外形参数与来流条件参数；步骤E、获取目标变量的力和力矩系数，包括升力系数、阻力系数、侧力系数、俯仰力矩系数、偏航力矩系数和滚转力矩系数；步骤F、将特征变量与目标变量的数据进行数据预处理，包括数据清洗、数据异常处理、数据缺失值填补和数据特征工程。
[0007]优选的，CFD数据为通过飞行器在不同马赫数、攻角、侧滑角和CFD计算得到的升力系数、阻力系数、侧力系数、俯仰力矩系数、偏航力矩系数和滚转力矩系数；风洞试验数据为通过风洞试验分别得出的升力系数、阻力系数、侧力系数、俯仰力矩系数、偏航力矩系数和滚转力矩系数。
[0008]优选的，机器学习模型使用基于正则化的多种线性回归模型或基于决策树拟合的多种非线性回归模型。
[0009]优选的，通过验证集分别求解多模型机器学习模型预测结果的均方误差的方法是：设为检验集中的目标真实值、为检验集中的目标预测值、n为检验集中的样本总数，均方误差(MSE)简称为M，则M可以表示为：。
[0010]优选的，将训练集输入至多模型机器学习模型中，基于均方误差的加权方法将多模型的预测结果进行结合的方法是：基于不同预测结果获得的均方误差，求解代理模型权重信息，其表达式为：
[0011]其中，为模型的均方误差，p为模型的总数，q为调节指数，q值需要根据模型与数据集的差异进行选取；当q值为正数时，分配的权重与其均方误差成反比；当q值为0时，各模型分配的权重相同；当q值为负数时，分配的权重与其均方误差成正比；设为重复抽样法下形成的模型，则基于重抽样加权法下的结果表达式为：。
[0012]方案二、一种电子设备，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现方案一所述的一种基于飞行器多源数据融合方法的步骤。
[0013]方案三、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现方案一所述的一种基于飞行器多源数据融合方法。
[0014]本专利技术的有益效果如下：本专利技术通过重复抽样法形成多个模型结果，从而获取低精度数据与高精度数据之间的多映射关系，进一步使用均方误差的加权方法将多模型的映射关系进行融合，从而有效减轻了模拟过度拟合带来的影响，进而提升代理模型对于气动力系数预测的精准度与拟合度。本专利技术还可以有效减少传统风洞试验与CFD数值仿真计算
的次数，既满足低试验成本又能够获取高精度数据分析结果，为飞行器的气动特性分析与设计提供了一种方案。
附图说明
[0015]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1为一种基于飞行器多源数据融合方法流程示意图；图2为代理模型选取流程示意图。
具体实施方式
[0016]为了使本申请实施例中的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
[0017]实施例1、参照图1
‑
图2说明本实施方式，一种基于飞行器多源数据融合方法，包括以下步骤：S1.获取CFD数据与风洞试验数据，CFD数据为特征变量，风洞试验数据为目标变量；利用机器学习模型建立特征变量与目标变量之间的映射关系；具体的，通过将CFD计算数据（低精度数据）设定为特征变量用以辅助分析风洞试验数据（高精度数据），从而获取CFD计算数据（低精度数据）与风洞试验数据（高精度数据）之间的映射关系；具体的，获取CFD数据与风洞试验数据的方式如下：步骤A、对于风洞试验数据进行归纳整理，包括试验信息表和车次表；步骤B、对于不同风洞数据存储方式整理常规测力试验的标准模板；步骤C、创建数据程序的输出接口，将风洞试验中的原始数据进行转化；步骤D、从转化好的风洞试验数据和CFD数值仿真数据中获取几何外形参数与来流条件参数；步骤E、获取目标变量的力和力矩系数，包括升力系数、阻力本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于飞行器多源数据融合方法，其特征在于，包括以下步骤：S1.获取CFD数据与风洞试验数据，CFD数据为特征变量，风洞试验数据为目标变量，利用机器学习模型建立特征变量与目标变量之间的映射关系；S2.通过重复抽样法对CFD数据与风洞试验数据进行抽取，建立多个训练集和对应的验证集，基于不同的训练集分别建立模型，形成多模型机器学习模型；S3.通过验证集分别求解多模型机器学习模型预测结果的均方误差；S4.记录不同训练集输出的预测结果和不同预测结果获得的均方误差；S5.将训练集输入至多模型机器学习模型中，基于均方误差的加权方法将多模型的预测结果进行结合。2.根据权利要求1所述一种基于飞行器多源数据融合方法，其特征在于，获取CFD数据与风洞试验数据的方式如下：步骤A、对于风洞试验数据进行归纳整理，包括试验信息表和车次表；步骤B、对于不同风洞数据存储方式整理常规测力试验的标准模板；步骤C、创建数据程序的输出接口，将风洞试验中的原始数据进行转化；步骤D、从转化好的风洞试验数据和CFD数值仿真数据中获取几何外形参数与来流条件参数；步骤E、获取目标变量的力和力矩系数，包括升力系数、阻力系数、侧力系数、俯仰力矩系数、偏航力矩系数和滚转力矩系数；步骤F、将特征变量与目标变量的数据进行数据预处理，包括数据清洗、数据异常处理、数据缺失值填补和数据特征工程。3.根据权利要求2所述一种基于飞行器多源数据融合方法，其特征在于，CFD数据为通过飞行器在不同马赫数、攻角、侧滑角和CFD计算得到的升力系数、阻力系数、侧力系数、俯仰力矩系数、偏航力矩系数和滚转力矩系数；风洞试验数据为通过风洞试...

【专利技术属性】
技术研发人员：崔榕峰，马海，刘哲，王祥云，李鸿岩，郭承鹏，曹晓峰，
申请(专利权)人：中国航空工业集团公司沈阳空气动力研究所，
类型：发明
国别省市：