CN105893669A - 一种基于数据挖掘的全局仿真性能预测方法 - Google Patents

一种基于数据挖掘的全局仿真性能预测方法 Download PDF

Info

Publication number
CN105893669A
CN105893669A CN201610194096.9A CN201610194096A CN105893669A CN 105893669 A CN105893669 A CN 105893669A CN 201610194096 A CN201610194096 A CN 201610194096A CN 105893669 A CN105893669 A CN 105893669A
Authority
CN
China
Prior art keywords
model
parameter
performance
design
simulation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201610194096.9A
Other languages
English (en)
Inventor
刘玉生
邵艳利
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201610194096.9A priority Critical patent/CN105893669A/zh
Publication of CN105893669A publication Critical patent/CN105893669A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/30Circuit design
    • G06F30/36Circuit design at the analogue level
    • G06F30/367Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods

Abstract

本发明公开了一种基于数据挖掘的全局仿真性能预测方法,包括:步骤1,在历史模型文档数据库中,提取关注的设计参数和性能参数,作为原始仿真数据集;步骤2,对原始仿真数据集进行预处理将其转化为数据挖掘算法可处理的固定格式;步骤3,针对预处理结果,利用基于非线性预测模型的全局仿真性能预测算法,建立表征关键设计参数与全局仿真性能参数关系的非线性预测模型;步骤4,当设计参数发生变动后,对得到的新设计模型,构建全局性能评价指标,利用非线性预测模型预测产品全局仿真性能。本发明可在减少实际仿真次数的前提下快速预测产品性能,进而节约设计成本,提高设计效率。

Description

一种基于数据挖掘的全局仿真性能预测方法
技术领域
[0001 ] 本发明涉及CAE(Computer Aided Engineering,计算机辅助工程)领域和数据挖掘技术,具体涉及一种基于数据挖掘的全局仿真性能预测方法。
背景技术
[0002]仿真技术的广泛应用在降低产品研发成本,缩短上市周期和提高产品质量等方面表现出显著的优势。仿真技术已融入复杂产品的多个学科领域的性能分析和仿真过程,如有限元分析(FEA)、计算流体力学(CFD)、系统动力学分析等,仿真也正逐步从设计的验证手段与方法变为驱动设计的使能。
[0003]然而,产品研发是设计和仿真不断迭代的一个过程,产品的每一次设计都需要反复修改,每一次修改都需要仿真分析验证其是否满足性能要求,需要消耗大量的时间和资源。同时复杂产品的仿真过程往往人工交互繁杂,对分析人员专业要求高,计算成本和时间开销大,易导致设计效率低下。
[0004]因此,如何尽量减少产品研发的迭代过程,让产品的修改尽快接近产品需求,对实现产品高效变动设计至关重要。即:在不进行实际仿真或减少仿真次数的前提下,准确预测仿真结果,实现产品性能评价,这对提高产品设计效率,节约设计成本具有非常重要的意义。
[0005]目前,已有一些研究者将数据挖掘技术应用于海量的仿真数据上,试图建立产品设计参数与性能参数间的关系。通过仿真数据挖掘,在减少仿真次数的前提下,根据挖掘的知识和规则指导产品的设计变更甚至优化,提高产品变动设计的效率。但目前的研究还存在以下问题:
[0006] (I)异构仿真数据的统一和全局表征问题。产品模型的仿真结果一般体现为离散的网格节点的物理场量值,由于模型仿真结果极值的唯一性和确定性,目前已有的仿真数据挖掘方法主要关注局部性能评价指标,一般采用仿真节点的物理场量值的极值(极大值或极小值)作为产品的性能评价指标,没有考虑全局性能评价指标(所有仿真节点的物理场量值),设计人员往往难以快速准确的查看到预测的整体仿真结果,以评估产品性能指导产品变动设计。因此,如何快速高效的实现产品全局仿真结果的准确预测以支持产品设计决策是一个非常重要的研究课题。
[0007] (2)不同设计参数间相互关联耦合与影响问题。复杂产品的设计参数众多,甚至多达数百个,其中很多属性可能与挖掘任务不相关,或者是冗余的。如果直接选择所有的设计参数训练模型,不仅会导致建模困难、模型复杂,而且会降低预测模型的泛化性能。目前大部分属性选择方法一般只考虑单参数的影响,不考虑参数之间的关联关系,但设计参数并不是孤立的,而是互相关联和约束的。因此,有必要采用基于单参数和组合参数的属性选择方法来提高预测模型的构建效率和预测精度。
发明内容
[0008]本发明提供了一种基于数据挖掘的全局仿真性能预测方法,以主流CAD软件和CAE软件为支撑,通过对历史仿真数据的挖掘分析,可在减少实际仿真次数的前提下快速预测产品性能,进而节约设计成本,提高设计效率。
[0009] —种基于数据挖掘的全局仿真性能预测方法,包括:
[0010]步骤I,在历史模型文档数据库中,提取关注的设计参数和性能参数,作为原始仿真数据集;
[0011 ]步骤2,对原始仿真数据集进行预处理,该预处理包括:构建基于中间网格模型的全局性能评价指标,以及选择关键设计参数及参数组合,将全局性能评价指标和所选择的设计参数属性组成固定格式的实例用于后续仿真数据挖掘算法的输入;
[0012]步骤3,针对步骤2的实例,利用基于非线性预测模型的全局仿真性能预测算法,建立表征关键设计参数与全局仿真性能参数关系的非线性预测模型;
[0013]步骤4,当设计参数发生变动后,对得到的新设计模型,构建全局性能评价指标,利用非线性预测模型预测产品全局仿真性能。
[0014]本发明首先对历史仿真模型数据集进行预处理,将其转化为数据挖掘算法可以处理的统一的固定格式,数据预处理主要包括两部分:基于中间模型的全局性能评价指标的构建和设计参数的属性选择,然后进行数据挖掘,选择非线性预测模型建立设计参数与全局仿真性能参数之间的关系,当设计模型变动后,根据挖掘的知识和规则预测产品性能,进而对设计模型进行变动改进。
[0015]作为优选,所述历史模型文档数据库包括:三维设计模型集、设计模型集对应的仿真模型集、相关仿真分析文档、以及基于产品历史仿真信息训练的预测模型。
[0016]从历史模型文档数据库中提取与变动相关的设计参数和仿真性能参数作为原始仿真数据集。对原始仿真数据集进行预处理,将其转化为数据挖掘算法可处理的固定格式。
[0017]作为优选,构建基于中间网格模型的全局性能评价指标,包括如下步骤:
[0018]步骤a_l,计算所有原始仿真模型的网格密度场信息,选择平均密度最大的网格模型作为中间网格模型;
[0019]步骤a-2,基于能量最小化原则对中间网格模型和原始仿真网格模型进行预处理、面片染色和能量最小化优化过程,分别构建中间网格模型的表面参数网格和所有原始仿真网格模型对应的表面参数网格;
[0020]步骤a-3,在参数域上建立中间网格模型和所有原始仿真网格模型之间的映射关系,获得原始仿真模型在中间网格模型上对应的中间仿真结果,中间仿真结果即为统一的全局性能评价指标。
[0021]步骤a-3中基于交叉参数化方式构建中间网格模型和原始仿真网格模型的映射关系,获得所有原始仿真模型在中间网格模型上的统一的全局性能评价指标,便于后续全局仿真结果的准确预测和评价。
[0022]本发明提出了两种设计参数的属性选择方法,包括基于相关性分析的单参数选择和基于偏相关分析的组合参数选择方法,具体地,选择关键设计参数及参数组合,包括如下步骤:
[0023]步骤b-Ι,利用过滤模型组合互信息和相关系数作为评价准则,进行单参数选择,得到对仿真性能有显著影响的关键设计参数;
[0024]步骤b-2,分析关键设计参数的内在关联和约束影响,采用基于散点图的相关性分析,将关键设计参数划分为若干具有相关性的集合;
[0025]步骤b-3,对各集合进行偏相关分析,获取关键设计参数之间的真正相关性,并基于相关性构建新的属性。
[0026]单参数选择通过减少设计参数,降低建模代价和复杂度,提高预测模型精确性和可理解性。基于偏相关分析的组合参数选择方法,可以获取不同设计参数的内在关联和约束关系,并将组合参数作为属性来进一步优化非线性预测模型。
[0027]作为优选,步骤3中,针对所有实例,首先通过模糊C-均值聚类和减法聚类进行模型结构参数辨识,接着基于自适应神经网络推理系统(Adaptive Network-based FuzzyInference System,简称ANFIS)实现模型参数辨识,得到非线性预测模型。
[0028]作为优选,步骤3中,采用模型参数辨识优化、局部关注训练或模型训练并行化,改进非线性预测模型。在保证局部模糊模型预测精确性的同时提高预测模型的训练速度。
[0029]本发明提出了一种基于数据挖掘的全局仿真性能预测方法,通过发掘产品设计参数与全局仿真性能参数之间的内在关联,以支持产品的高效变动设计。
[0030]在产品变动设计活动中,基于历史仿真数据构建基于中间网格模型的全局预测模型,发掘产品设计几何参数与全局仿真性能参数间的关联关系,从而在真正设计参数输入时,能够在不通过仿真的情况下,快速预测产品的全局仿真性能以支持产品设计决策。这样,在减少仿真次数的前提下,根据挖掘的知识和规则指导产品设计变更甚至优化,使产品修改尽快接近产品目标需求,减低产品设计成本,提高产品设计效率。
附图说明
[0031]图1为本发明基于中间网格模型的仿真数据挖掘框架图;
[0032]图2为本发明基于中间网格模型的全局性能评价指标构建流程图;
[0033]图3为螺钉模型的自动参数化示例图;
[0034]图4为基于交叉参数化的中间仿真结果计算流程图;
[0035]图5为螺钉模型的全局性能评价指标构建示例图;
[0036]图6为螺钉模型应力场仿真结果对比示例图;
[0037]图7为螺钉模型温度场仿真结果对比示例图;
[0038]图8为凳子模型的温度场仿真结果对比示例图;
[0039]图9为螺钉中间网格模型应力场下节点训练和测试数据RMSE值曲线图;
[0040]图10为螺钉中间网格模型应力场下节点训练和测试数据RMSE统计结果直方图;
[0041]图11为螺钉中间网格模型温度场下节点训练和测试数据RMSE值曲线图;
[0042]图12为螺钉中间网格模型温度场下节点训练和测试数据RMSE统计结果直方图;
[0043]图13为凳子中间网格模型温度场下节点训练和测试数据RMSE值曲线图;
[0044]图14为凳子中间网格模型温度场下节点训练和测试数据RMSE统计结果直方图。
具体实施方式
[0045]针对历史模型文档数据库,预先提取相关设计参数和所关注的性能参数,存储在数据库中作为原始仿真数据集,用于后续的仿真数据挖掘。首先对原始数据集进行预处理将其转化为数据挖掘算法可以处理的固定格式。预处理主要包括两部分:(1)基于中间网格模型的全局性能评价指标的构建,基于交叉参数化建立中间网格模型和所有原始仿真网格模型之间的映射插值关系实现两者仿真结果的传递,进而获取统一的全局性能评价指标。
(2)设计参数的属性选择,通过基于相关性分析的单参数选择和基于偏相关分析的组合参数选择方法获取对仿真性能有显著影响的关键设计参数及组合参数,以降低建模复杂度,提高预测准确性。
[0046]然后基于非线性预测模型进行知识挖掘,采用模糊C-均值聚类和减法聚类方法实现模型结构辨识,接着基于ANFIS实现模型参数辨识,并基于仿真关注局部关键位置精度的特点,提出模型的改进方法,在保证局部模糊模型的预测精确性的同时提高预测模型训练速度。这样,通过基于非线性预测模型的全局仿真性能预测算法,可建立设计参数与全局仿真性能参数之间的关系,在真正设计参数输入时,根据挖掘的知识和规则,可在减少实际仿真次数的前提下快速预测产品性能以指导产品高效变动设计。整体实现框架流程图如图1所示。
[0047]图1中,(一)〜(六)分别代表不同的功能模块,具体地,(一)为模型文档数据库模块,(二)为数据提取与转换模块,(三)为数据预处理模块,(四)为数据挖掘模块,(五)为知识验证模块,(六)为在线预测模块。
[0048]图1中,(a)为新模型,经过(I)映射和插值操作后获得对应的中间模型(b),即全局性能评价指标。全局性能评价指标和关键设计参数组合作为一个实例,采用训练的预测模型进行预测即可得到对应的全局仿真结果,通过性能评价提出设计变动策略,进行(2)模型变动产生新模型,再重复整个过程,直到获得满意的设计模型。
[0049]此外,(三)数据预处理模块中(3)表示全局性能评价指标的构建,(4)表示设计参数的属性选择。(四)数据挖掘模块中(5)为基于非线性预测模型的仿真数据挖掘。
[0050]本发明的具体步骤如下:
[0051 ]步骤I,建立模型文档数据库并进行数据提取和转换
[0052] (I)建立模型文档数据库
[0053]三维CAD设计模型集、对应CAE模型集和相关仿真分析文档、后期基于产品历史仿真信息训练的预测模型组成模型文档数据库。
[0054] (2)数据提取与转换
[0055]从CAD设计模型、CAE仿真模型以及仿真结果文件中逐个提取相关的设计参数和仿真性能参数,并转换为固定格式作为原始仿真数据集,用于后续的仿真数据挖掘。
[0056] 步骤2,数据预处理
[0057] 一般情况下,原始数据无法直接为数据挖掘算法使用,所获取的原始数据必须进行预处理,将其转化为数据挖掘算法可以处理的固定格式,才可以进行数据挖掘。对于仿真数据挖掘,数据预处理就是将原始仿真数据集转化为由多个固定属性包括设计参数属性和仿真性能属性组成的实例作为数据挖掘算法的输入。
[0058] (I)基于中间网格模型的全局性能评价指标的构建
[0059]为了构建统一的全局性能评价指标,保证仿真数据集格式的归一化,同时尽量全面且准确的表示所有原始仿真模型的仿真结果,便于后续仿真结果的预测,提出了基于中间网格模型的全局性能评价指标的构建方法,整体流程图如图2所示。
[0060]首先,计算所有原始网格密度场信息,并选择平均密度最大的网格模型作为中间网格模型。
[0061]然后,基于能量最小化原则对仿真网格模型进行预处理、面片染色和能量最小化优化过程,分别构建中间网格模型和所有原始仿真网格模型对应的表面参数网格。图3给出了螺钉模型的自动参数化示例。图3中,(a)代表螺钉模型,(b)为对应的表面网格模型,(C)是面片染色后的结果,(d)则是最终的Polycube参数化结果。
[0062]最后,在参数域上建立中间网格模型和所有原始仿真网格模型之间的映射关系,获得原始仿真模型对应的中间仿真结果,进而获得统一的全局性能评价指标,具体计算流程图如图4所不。
[0063]图5以螺钉模型为例,给出了基于交叉参数化的全局性能评价指标构建示例图。图5中,(a)和(b)分别代表原始仿真网格模型和中间网格模型,(C)和(d)则是对应的Polycube参数模型,(e)为交叉参数化结果,(f)和(g)分别代表参数模型和原始模型上的仿真结果。
[0064] (2)设计参数的属性选择
[0065]为了排除冗余属性或与所关注产品性能无关的不相关属性,降低预测模型复杂性,提高可理解性和预测准确性,提出了两种设计参数的属性选择方法,包括基于相关性分析的单参数选择和基于偏相关分析的组合参数选择方法。
[0066]首先,利用过滤模型组合互信息和相关系数作为评价准则进行单参数选择,选择对性能有显著影响的关键设计参数。
[0067]然后,进一步分析设计参数的内在关联和约束影响,采用基于散点图的相关性分析将设计参数划分为若干具有相关性的集合;
[0068]最后,对筛选后的子集进行偏相关分析获取设计参数之间的真正相关性,并基于相关性构建新的属性来进一步优化预测模型。
[0069]步骤3,非线性预测模型的训练和改进
[0070]选择非线性预测模型进行仿真结果的全局预测。经过前一步数据预处理获得固定格式的仿真数据集后,首先通过模糊C-均值聚类和减法聚类进行模型结构参数辨识,接着基于ANFIS实现模型参数辨识,最后提出三种方法,包括模型参数辨识优化,局部关注训练和模型训练并行化,改进非线性预测模型,在保证局部模糊模型预测精确性的同时提高预测模型的训练速度。
[0071 ]步骤4,变动模型的在线预测与评价分析
[0072]基于上述仿真数据挖掘获得预测模型,建立了设计几何参数与仿真性能参数之间的内在关联。当设计模型发生变动后,首先根据步骤2提取相应的设计参数并构建基于中间网格模型的全局性能评价指标,然后应用步骤3训练的非线性预测模型快速准确预测产品性能。这样,在减少实际仿真次数的前提下不影响产品性能的预测,进而节约设计成本,提高变动设计效率。
[0073]图6和图7分别是螺钉模型的应力场和温度场的原始仿真结果(a)和本文系统预测结果(b)的对比示例图。图8是凳子模型的温度场的原始仿真结果(a)和本文系统预测结果(b)的对比示例图。由图可知,原始仿真结果和本文系统预测结果可视效果接近,说明本文预测结果在一定精度范围内是可接受的,对产品性能评价具有指导意义。
[0074] 此外,为了评价全局预测仿真结果的准确性,选择RMSE(Relative Mean SquareError)作为评价准则。其中,螺钉中间网格模型应力场和温度场环境下节点训练和测试数据的RM S E值曲线图和对应区间统计结果直方图如图9、图1O、图11和图12所示。凳子中间网格模型温度场环境下节点训练和测试数据RMSE值曲线图和RMSE区间统计结果直方图如图13和图14所示。
[0075]螺钉的中间网格模型上节点共建立了 500个TS模型用于预测每个节点的仿真值。通过RMSE的统计区间可以看出模型上大部分节点的误差集中在5%以内,另外,温度场的仿真结果来源于模型的节点,而应力场的仿真结果来源于网格单元,所以温度场的模型正确性比应力场高出很多。
[0076]凳子的中间网格模型上节点共建立了 2840个TS模型,通过RMSE值可以看出所有节点的测试误差都在0.5%以下。由于凳子模型的数据集较少,模型的设计形状更接近于Polycube参数域并且温度场仿真结果来源于网格节点,所以凳子与螺钉模型的温度场结果相比,表现出了更高的精确性。

Claims (6)

1.一种基于数据挖掘的全局仿真性能预测方法,其特征在于,包括: 步骤I,在历史模型文档数据库中,提取关注的设计参数和性能参数,作为原始仿真数据集; 步骤2,对原始仿真数据集进行预处理,该预处理包括:构建基于中间网格模型的全局性能评价指标,以及选择关键设计参数及参数组合,将全局性能评价指标和所选择的设计参数属性组成固定格式的实例作为后续数据挖掘算法的输入; 步骤3,针对步骤2的实例,利用基于非线性预测模型的全局仿真性能预测算法,建立表征关键设计参数与全局仿真性能参数关系的非线性预测模型; 步骤4,当设计参数发生变动后,对得到的新设计模型,构建全局性能评价指标,利用非线性预测模型预测产品全局仿真性能。
2.如权利要求1所述的基于数据挖掘的全局仿真性能预测方法,其特征在于,所述历史模型文档数据库包括:三维设计模型集、设计模型集对应的仿真模型集、相关仿真分析文档、以及基于产品历史仿真信息训练的预测模型。
3.如权利要求1所述的基于数据挖掘的全局仿真性能预测方法,其特征在于,构建基于中间网格模型的全局性能评价指标,包括如下步骤: 步骤a-Ι,计算所有原始仿真模型的网格密度场信息,选择平均密度最大的网格模型作为中间网格模型; 步骤a-2,基于能量最小化原则对中间网格模型和原始仿真网格模型进行预处理、面片染色和能量最小化优化过程,分别构建中间网格模型的表面参数网格和所有原始仿真网格模型对应的表面参数网格; 步骤a-3,在参数域上建立中间网格模型和所有原始仿真网格模型之间的映射关系,获得原始仿真模型在中间网格模型上对应的中间仿真结果,中间仿真结果即为统一的全局性能评价指标。
4.如权利要求1所述的基于数据挖掘的全局仿真性能预测方法,其特征在于,选择关键设计参数及参数组合,包括如下步骤: 步骤b-Ι,利用过滤模型组合互信息和相关系数作为评价准则,进行单参数选择,得到对仿真性能有显著影响的关键设计参数; 步骤b-2,分析关键设计参数的内在关联和约束影响,采用基于散点图的相关性分析,将关键设计参数划分为若干具有相关性的集合; 步骤b-3,对各集合进行偏相关分析,获取关键设计参数之间的真正相关性,并基于相关性构建新的属性。
5.如权利要求1所述的基于数据挖掘的全局仿真性能预测方法,其特征在于,步骤3中,针对所有实例,首先通过模糊C-均值聚类和减法聚类进行模型结构参数辨识,接着基于自适应神经网络推理系统实现模型参数辨识,得到非线性预测模型。
6.如权利要求1所述的基于数据挖掘的全局仿真性能预测方法,其特征在于,步骤3中,采用模型参数辨识优化、局部关注训练或模型训练并行化,改进非线性预测模型。
CN201610194096.9A 2016-03-30 2016-03-30 一种基于数据挖掘的全局仿真性能预测方法 Pending CN105893669A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610194096.9A CN105893669A (zh) 2016-03-30 2016-03-30 一种基于数据挖掘的全局仿真性能预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610194096.9A CN105893669A (zh) 2016-03-30 2016-03-30 一种基于数据挖掘的全局仿真性能预测方法

Publications (1)

Publication Number Publication Date
CN105893669A true CN105893669A (zh) 2016-08-24

Family

ID=57014454

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610194096.9A Pending CN105893669A (zh) 2016-03-30 2016-03-30 一种基于数据挖掘的全局仿真性能预测方法

Country Status (1)

Country Link
CN (1) CN105893669A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107391767A (zh) * 2017-09-11 2017-11-24 国网上海市电力公司 电力员工综合素质测试数据的挖掘评价系统及其方法
CN109033601A (zh) * 2018-07-18 2018-12-18 雅马哈发动机(厦门)信息系统有限公司 一种预解析边界条件的cae设计方法
CN109660418A (zh) * 2018-07-19 2019-04-19 中国人民解放军32125部队 基于神经网络的机动通信台站通信保障能力评估方法、系统及电子设备
CN111522255A (zh) * 2020-04-22 2020-08-11 第四范式(北京)技术有限公司 仿真系统和仿真方法
CN112257341A (zh) * 2020-10-20 2021-01-22 浙江大学 一种基于异源数据差补融合的定制产品性能预测方法
WO2021062754A1 (zh) * 2019-09-30 2021-04-08 西门子股份公司 非线性模型的建模方法、装置及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101493858A (zh) * 2009-02-26 2009-07-29 上海交通大学 提高汽车覆盖件制造质量稳定性的工艺优化系统
EP2746975A1 (en) * 2012-12-19 2014-06-25 Sikorsky Aircraft Corporation CAD drawing notes manager

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101493858A (zh) * 2009-02-26 2009-07-29 上海交通大学 提高汽车覆盖件制造质量稳定性的工艺优化系统
EP2746975A1 (en) * 2012-12-19 2014-06-25 Sikorsky Aircraft Corporation CAD drawing notes manager

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
TOMOHIRO TAKAGI等: "fuzzy identification of systems and its applications to modeling and control", 《IEEE TRANSACTIONS ON SYSTEMS》 *
XIN LI等: "TAKAGI-SUGENO MODEL BASED SIMULATION DATA MINING FOR EFFICIENT PRODUCT DESIGN", 《ASME 2015 INTERNATIONAL DESIGN ENGINEERING TECHNICAL CONFERENCES AND COMPUTERS AND INFORMATION IN ENGINEERING CONFERENCE》 *
郑路: "基于网格变形的polycube自动参数化方法", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107391767A (zh) * 2017-09-11 2017-11-24 国网上海市电力公司 电力员工综合素质测试数据的挖掘评价系统及其方法
CN109033601A (zh) * 2018-07-18 2018-12-18 雅马哈发动机(厦门)信息系统有限公司 一种预解析边界条件的cae设计方法
CN109660418A (zh) * 2018-07-19 2019-04-19 中国人民解放军32125部队 基于神经网络的机动通信台站通信保障能力评估方法、系统及电子设备
WO2021062754A1 (zh) * 2019-09-30 2021-04-08 西门子股份公司 非线性模型的建模方法、装置及存储介质
CN111522255A (zh) * 2020-04-22 2020-08-11 第四范式(北京)技术有限公司 仿真系统和仿真方法
CN112257341A (zh) * 2020-10-20 2021-01-22 浙江大学 一种基于异源数据差补融合的定制产品性能预测方法
CN112257341B (zh) * 2020-10-20 2022-04-26 浙江大学 一种基于异源数据差补融合的定制产品性能预测方法

Similar Documents

Publication Publication Date Title
CN105893669A (zh) 一种基于数据挖掘的全局仿真性能预测方法
Yu et al. LSTM-EFG for wind power forecasting based on sequential correlation features
CN109886498B (zh) 一种基于特征选择的emd-gru短期电力负荷预测方法
CN107886161A (zh) 一种提高复杂信息系统效能的全局敏感性分析方法
CN104318482A (zh) 一套智能配电网综合评估体系和方法
JP6784780B2 (ja) 大規模再生可能エネルギーのデータについて確率モデルを構築する方法
CN102063550A (zh) 机器智能参与设计决策的冷挤压件智能设计系统
CN109543901A (zh) 基于信息融合卷积神经网络模型的短期电力负荷预测方法
CN104992244A (zh) 一种基于sarima和rbf神经网络集成组合模型的机场货运量预测分析方法
CN108446794A (zh) 一种基于多个卷积神经网络结合架构深度学习预测方法
CN107886160B (zh) 一种bp神经网络区间需水预测方法
CN105844060B (zh) 一种可评估结构非概率可靠度的安全系数设计方法
CN105488297A (zh) 一种基于小样本建立复杂产品优化设计代理模型的方法
CN111127246A (zh) 一种输电线路工程造价的智能预测方法
CN110334875A (zh) 计及评估指标冲突的风电功率组合概率预测方法
CN107220758A (zh) 一种电网规划辅助系统
CN111695666A (zh) 一种基于深度学习的风电功率超短期条件概率预测方法
CN111859787A (zh) 基于气象水文预报因子分类和深度学习模型耦合的日径流预报方法
CN108984830A (zh) 一种基于模糊网络分析的建筑能效评价方法及装置
Amrit et al. Design strategies for multi-objective optimization of aerodynamic surfaces
CN103353895A (zh) 一种配电网线损数据的预处理方法
CN111178585A (zh) 基于多算法模型融合的故障接报量预测方法
CN109508360B (zh) 一种基于元胞自动机的地理多元流数据时空自相关分析方法
CN109190204B (zh) 一种基于复杂网络的复杂机械产品模块划分方法
Sun et al. A composite uncertainty forecasting model for unstable time series: application of wind speed and streamflow forecasting

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20160824

RJ01 Rejection of invention patent application after publication