CN107122526A - 基于异态特征子集集成算法的试验段马赫数建模方法 - Google Patents

基于异态特征子集集成算法的试验段马赫数建模方法 Download PDF

Info

Publication number
CN107122526A
CN107122526A CN201710219638.8A CN201710219638A CN107122526A CN 107122526 A CN107122526 A CN 107122526A CN 201710219638 A CN201710219638 A CN 201710219638A CN 107122526 A CN107122526 A CN 107122526A
Authority
CN
China
Prior art keywords
narx
hfse
models
differential mode
static pressure
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.)
Granted
Application number
CN201710219638.8A
Other languages
English (en)
Other versions
CN107122526B (zh
Inventor
王晓军
王晓艳
袁平
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.)
Dalian University
Original Assignee
Dalian University
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 Dalian University filed Critical Dalian University
Priority to CN201710219638.8A priority Critical patent/CN107122526B/zh
Publication of CN107122526A publication Critical patent/CN107122526A/zh
Application granted granted Critical
Publication of CN107122526B publication Critical patent/CN107122526B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)

Abstract

本发明公开了基于异态特征子集集成(Heterogeneous Feature Subsets Ensemble,HFSE)算法的试验段马赫数建模方法，属于计算机应用技术领域。本发明包括，第一步：基于亚音速一维等熵流理论，风洞试验段马赫数由稳定段总压和驻室静压决定，因此先建立NARX总压和静压模型结构；第二步：提出HFSE算法拟合NARX模型的非线性函数，以Fixed‑size LS‑SVM和ELM为异态基学习机，在FSE的一维特征子集上建立异态子模型；第三步：将HFSE‑NARX总压、静压模型的预测值带入经验公式，获得HFSE马赫数模型。该模型能够降低子模型集规模，提高马赫数预测精度，满足均方根误差≤0.015的要求。

Description

基于异态特征子集集成算法的试验段马赫数建模方法
技术领域
本发明涉及基于异态特征子集集成(Heterogeneous Feature SubsetsEnsemble,HFSE)算法的试验段马赫数建模方法，属于计算机应用技术领域。
背景技术
风洞(wind tunnel)是空气动力学研究和飞行器研制的最基本试验设备。它是按照特定要求而设计的管道系统，可产生均匀可控气流，根据运动的相似性以及相对性原理，在地面上模拟某种气流环境，进行空气动力学试验[1]。风洞试验主要在试验段中进行，试验段马赫数(Mach number)作为试验过程最主要的性能指标之一，它的稳定性对风洞流场品质有着重要影响，关系到飞行器等的研制质量与水平[2]。
本发明以我国自主研制大飞机、远程轰炸机等唯一可依托的气动力试验平台—FL-26风洞为研究对象，其具有以下特点：试验段马赫数控制精度要求高，系统调试难度大，系统调试时间长，流场品质要求高，风洞属于高能耗设备，核心设备昂贵且损耗大。面向该风洞的特点，针对高速风洞流场先进控制算法的研究，是一项探索有效解决目前新风洞流场控制精度要求高、新工况调试难度大、节能降耗、试验效率亟需提升等问题的重要研究课题。而先进控制器的有效性往往依赖于准确的被控对象模型，因此建立精度高、预测速度快的风洞试验段马赫数模型有利于马赫数控制的精度及水平的提升，更有利于试验的节能降耗。
随着科学技术的迅猛发展，风洞试验过程累积了海量数据，使得基于数据驱动的风洞试验段马赫数建模方法的研究获得了广泛关注。2013年，宋佳佳[3]使用NARMAX(Nonlinear Auto-Regressive Moving Average with eXogenous Variables，带外部输入的非线性自回归滑动平均)辨识方法描述风洞流场的动态特性，分阶段(i.e.,起动充压阶段、稳压阶段和稳马赫数阶段)建立马赫数局部模型。实验表明马赫数的预测精度有所提高，但在同一试验过程中需要切换使用三个阶段的马赫数局部模型，切换时刻难以把握，切换点附近的马赫数预测误差过大。2014年，祖昊炜[4]同时考虑试验的三个阶段，建立马赫数全局模型，避免了模型的切换问题，并以改进的带状态反馈的Elman神经网络拟合NARMAX模型的非线性函数。但是由于影响马赫数的因素较多，而NARMAX模型又包含着输入、输出以及误差变量的高阶时间序列，导致模型过于复杂，不利于马赫数的快速预测。
2015年，王晓军等[5,6]选用NARX(Nonlinear Auto-Regressive with eXogenousVariable，带外部输入的非线性自回归)方法辨识风洞流场的动态特性，NARX只包含输入、输出变量的高阶时间序列，具有逼近精度高、结构简单、收敛速度快等优点，对于先进控制算法具有很好的适应性。作者针对试验的海量数据，采用集成学习算法拟合NARX模型的非线性函数，先后提出了基于样本子集的Random Forest(随机森林)马赫数模型[5]和基于多元模糊泰勒定理的FSE(Feature Subsets Ensemble，特征子集集成)马赫数模型[6]。实验表明FSE马赫数模型的均方根误差低于0.2％，在预测速度及精度上都优于Random Forest马赫数模型。
针对海量数据集，FSE马赫数预测模型在预测速度及精度上都具有突出表现，但是产生了庞大的子模型集。理论上FSE模型要建立个子模型，而当输入特征维数n不变的条件下，P会随着最大输入特征维数h*的增大而增加。过多冗余的子模型会限制FSE模型的实际应用潜能。解决这一问题的有效途径是降低h*的取值，但是这势必会降低FSE模型的预测精度。为了提高h*＝1的FSE模型的预测精度，本文提出了基于HFSE算法的风洞试验段马赫数模型。
发明内容
为了缩减FSE马赫数模型的子模型个数，本发明提出了基于HFSE算法的试验段马赫数建模方法，在h*＝1的条件下保持、甚至提高马赫数预测精度，提升FSE马赫数模型的实际推过能力。
本发明采取的技术方案如下：
基于HFSE算法的试验段马赫数建模方法，包括如下步骤：
第一步：基于亚音速一维等熵流理论，风洞试验段马赫数由稳定段总压和驻室静压决定，即预获得试验段马赫数，需先建立稳定段总压模型和驻室静压模型；然后以NARX辨识方法描述总压和静压的动态特性，使用伪最邻近点法(False Nearest Neighbors)[7]获得NARX模型各变量的最佳阶次为5，确立NARX总压和NARX静压模型结构；
第二步：为拟合NARX总压和NARX静压模型的非线性函数，提出HFSE算法：首先，确定h*＝1的FSE模型结构，即对特征空间进行1-划分，产生个1维特征子集；然后，基于不同的基学习机，在各一维特征子集上建立异态子模型；最后，融合所有子模型获得HFSE模型；
第三步：以Fixed-size LS-SVMs(Fixed-size Least Squares Support VectorMachines，固定尺度最小二者支持向量机)[8]和ELM(Extreme Learning Machine，极限学习机)[9]为异态基学习机，实现基于HFSE算法的NARX总压、静压预测模型，再将它们的预测值带入经验公式，获得基于HFSE的试验段马赫数预测模型。
第一步的使用伪最邻近点法获得NARX总压、NARX静压模型各变量的最佳阶次的过程包括：首先，使用两种判别方法确定最邻近矢量，这两种方法只要有一个为假，就可认为是伪最邻近点；然后，对总压或静压数据集每个时刻k进行判别，计算有伪邻近点的所有时刻的百分比J(n)；随后，逐渐增加n的值，继续进行以上几步，找到J(n)下降的拐角，即为最佳阶次；最后，通过实验分析的方式，确定NARX总压和静压模型各输入变量的阶次。
第二步的为拟合NARX总压、NARX静压模型的非线性函数，提出HFSE算法，其过程包括：首先，设定最大输入特征维数为h*＝1，以控制FSE的子模型集规模，此时FSE模型将对特征空间进行1-划分，产生个1维特征子集然后，基于不同的基学习机，在各一维特征子集上建立异态子模型；最后，使用采用Perrone&Cooper提出的通用融合算法(Generalized Ensemble Method-GEM)[10]获得子模型的权值，获得HFSE模型。
第三步的以Fixed-size LS-SVM和ELM为异态基学习机，实现基于HFSE算法的NARX总压、静压预测模型的过程包括：首先，结合风洞试验海量数据的特点，针对回归预测问题，考察了三种差异较大的、适合于海量数据建模的基学习机：Fixed-size LS-SVM、ELM、多元线性回归(Multiple Linear Regression，MLR)算法；然后，组合其中任意两种基学习机生产三组异态基学习机；最后，通过实验分析进一步确定，以Fixed-size LS-SVM和ELM组成的异态基学习机所建立的HFSE马赫数模型预测效果最优，并将其作为要获得的基于HFSE的试验段马赫数预测模型。
与现有技术相比，本发明的有益效果为：首先，利用FSE算法解决风洞海量、高维数据建模难的突出优势，通过降低输入特征维数，间接缩小数据规模，显著提升建模及模型预测速度；然后，给定最大输入特征维数为h*＝1，对特征空间进行1-划分，产生个1维特征子集，进而控制FSE模型的子模型集规模，以提高FSE马赫数模型的实际应用潜能；由于仅使用一维特征子集，势必会造成FSE马赫数模型预测精度的下降，最后，为了解决该问题提出了HFSE算法，该算法基于不同的基学习机在一维特征子集上建立异态的子模型。不同的基学习机其机理及优点各不相同，同时使用多种基学习机有利于提升子模型的多样性，进而提高集成模型的预测精度。实验分析发现，在h*＝1的条件下，以Fixed-size LS-SVM和ELM为异态基学习机的HFSE马赫数模型，能够有效降低子模型集的规模，提高马赫数的预测精度，满足工程上马赫数的均方根误差≤0.015的要求。
具体实施方式
以下结合具体实施方式对发明做进一步说明。
基于HFSE算法的试验段马赫数建模方法，包括以下步骤：
第一步：基于亚音速一维等熵流理论，风洞试验段马赫数Ma由稳定段总压Po(KPa)和驻室静压Ps(KPa)决定[5,6]：
因此预获得试验段马赫数，需先建立稳定段总压模型和驻室静压模型。为准确而快速地描述风洞流场的动态特性，选用NARX方法辨识，建立了NARX总压结构[5,6]：
式中表示总压的估计值，ψo表示NARX总压模型的非线性函数；Psta(KPa)表示气源压力；Ssr(mm)、Smc(mm)、Sme(mm)分别为栅指位移、主调压阀位移、主排气阀位移；Aatt(°)攻角角度；δo、δmc、δme、δsr、δsta、δatt表示变量阶次。
还建立了NARX静压结构[5,6]：
式中表示静压的估计值，ψs表示NARX静压模型的非线性函数；ρs、ρmc、ρme、ρsr、ρsta、ρatt表示变量阶次。
使用伪最邻近点法获得NARX总压、NARX静压模型各变量的最佳阶次为5。
首先，使用两种判别方法确定最邻近矢量。
方法一：对于已给矢量xk＝[y(k-1),...,y(k-n),u(k-1),...,u(k-n)]T找到最邻近矢量使得距离最小，再确定(4)的描述为真或假，
其中γ为临界值，若为假，则该点为伪邻近点。γ一般选取10，当γ为10到50之间，计算结果也很稳定。
方法二：分别将n维中的相点与的维数增加一维，计算确定(5)的描述是否为真，
dn+1/dn≤γ， (5)
以上两种方法只要有一个为假，就可认为是伪最邻近点。
然后，对数据集每个时刻k都使用这两种判别方法，计算那些有伪邻近点的所有时刻的百分比J(n)。
随后，增加n的值，继续进行以上几步，找到J(n)下降的拐角，即为最佳阶次。
最后，通过实验分析的方式，确定NARX总压和静压模型各输入变量的阶次为5。
第二步：为拟合NARX总压和静压模型的非线性函数ψo、ψs，提出HFSE算法。
首先，给定训练集Y∈R1,n表示输入特征维数，N表示训练样本个数。设定最大输入特征维数为h*＝1，以控制FSE的子模型集规模，此时FSE模型将对特征空间进行1-划分，产生个一维特征子集
然后，基于不同的基学习机，在各一维特征子集上建立异态子模型。不同的基学习机其机理及优点各不相同，如MLR算法为典型的线性学习算法，简单但准确度低；回归树(Regression Tree)是以分段线性化的思想实现非线性函数的拟合，可理解性强但泛化能力差；神经网络可以拟合任意形式的非线性函数，学习能力强但对于数据过于依赖；固定尺度最小二乘支持向量机基于结构风险最小原理，具有很强的学习和泛函能力，且适合于海量数据。同时使用多种基学习机有利于提升子模型的多样性，进而提高集成模型的预测精度。
最后，使用GEM融合算法加权组合所有子模型，获得HFSE模型fHFEE(X)，其形式如下：
其中φ(h,i)(xi)表示使用基学习机h在特征子集Li上建立的子模型，h＝1,...,H,H表示共使用了H种基学习机；β(h,i)表示φ(h,i)(xi)的权值，所有子模型权值和为1。
第三步：以Fixed-size LS-SVM和ELM为异态基学习机，实现基于HFSE算法的NARX总压、静压预测模型。
首先，结合风洞试验海量数据的特点，针对回归预测问题，考察了三种差异较大的、适合于海量数据建模的基学习机(i.e.,子模型学习算法)：Fixed-size LS-SVM、ELM、MLR；
然后，组合其中任意两种基学习机生产三组异态基学习机：Fixed-size LS-SVM-MLR、Fixed-size LS-SVM-ELM、ELM-MLR；
随后，分别基于这三组异态基学习机建立HFSE总压、静压预测模型，在代入经验公式(1)分别获得、HFSE-Fixed-size LS-SVM-ELMs、HFSE-Fixed-size LS-SVMs-MLRs、HFSE-ELMs-MLRs马赫数模型；
最后，通过实验分析进一步确定，HFSE-Fixed-size LS-SVMs-ELMs马赫数模型的预测效果最优，并将其作为要获得的基于HFSE的试验段马赫数预测模型。
以下通过仿真实验，验证HFSE算法作为一种新的思路和方法，面向风洞试验段马赫数模型建模时，不仅可以充分利用FSE算法建模复杂度低、预测速度快的优势，还可以在有效控制子模型集规模的同时提升马赫数的预测精度。
本节进行了三项实验，一是分别以Fixed-size LS-SVM、ELM、MLR为基学习机建立FSE马赫数模型，考察基于Fixed-size LS-SVM的同态FSE模型、基于ELM的同态FSE模型以及基于MLR的同态FSE模型的预测性能；二是组合其中任意两种基学习机生产三组异态基学习机：Fixed-size LS-SVM-MLR、Fixed-size LS-SVM-ELM、ELM-MLR，再分别基于这三组异态基学习机建立HFSE马赫数模型，考察这三种异态基学习机的预测性能；三是以Fixed-sizeLS-SVM、ELM和MLR共同组成异态基学习机，建立HFSE马赫数模型，验证并不是所有组合形式的异态基学习都适合于HFSE马赫数模型。
本实验涉及四种工况，它们是工况#1：Ma＝0.823,Po＝130KPa；工况#2：Ma＝0.83,Po＝130KPa；工况#3：Ma＝0.774,Po＝120KPa；工况#4：Ma＝0.287,Po＝110KPa。表1给出了试验样本个数。样本的输出特征为总压、静压和马赫数，输入特征维数是30。训练集由4种工况的前3组试验数据合并组成，样本个数为85568，其他组试验数据作为测试集进行分工况测试。所有数据都做归一化处理到[0,1]之间，并以均方根误差来衡量总压、静压和马赫数的预测精度。所有Fixed-size LS-SVM子模型都以径向基函数为核函数，其核宽为108；所有ELM子模型都以径向基函数为激活函数；所有MLRs子模型都采用最小二乘法获得模型参数。
表1试验样本个数
(1)同态FSE马赫数模型
在FSE-Fixed-size LS-SVMs总压或静压模型中，各子模型使用15个支持向量；在FSE-ELMs总压或静压模型中，各子模型使用3个神经元。表2分别给出了同态FSE马赫数模型的训练集均方根误差，结果显示FSE-Fixed-size LS-SVMs、FSE-ELMs和FSE-MLRs马赫数模型的训练集均方根误差相同且都为0.0012。
表2同态FSE马赫数模型的训练集均方根误差
表3分别给出了同态FSE马赫数模型的测试集均方根误差，结果显示：在工况#1的两组测试集上，FSE-ELMs马赫数模型的均方根误差最小，分别为0.0007和0.0009；在工况#2的两组测试集上，FSE-MLRs马赫数模型的均方根误差最小，分别为0.0016和0.0017；在工况#3的两组测试集上，FSE-ELMs马赫数模型的均方根误差最小，分别为0.0012和0.0016；在工况#4的两组测试集上，FSE-Fixed-size LS-SVMs马赫数模型的均方根误差最小，都为0.0011。遗憾的是，当h*＝1时FSE-Fixed-size LS-SVMs、FSE-ELMs和FSE-MLRs马赫数模型都无法满足预测精度的要求(≤0.015)。
表3同态FSE马赫数模型的测试集均方根误差
(2)HFSE马赫数模型
组合任意两种基学习机生产三组异态基学习机：Fixed-size LS-SVM-MLR、Fixed-size LS-SVM-ELM、ELM-MLR，分别基于这三组异态基学习机建立HFSE马赫数模型。在HFSE-Fixed-size LS-SVMs-ELMs总压(或静压)模型中，各Fixed-size LS-SVM子模型使用5个支持向量，各ELM子模型使用2个神经元；在HFSE-Fixed-size LS-SVMs-MLRs总压或静压模型中，各Fixed-size LS-SVMs子模型使用5个支持向量；在HFSE-ELMs-MLRs总压或静压模型中，各ELMs子模型使用3个神经元。表4给出了HFSE马赫数模型的训练集均方根误差，结果显示，三种HFSE马赫数模型的训练集均方根误差相同且都为0.0011，低于FSE-Fixed-sizeLS-SVMs、FSE-ELMs和FSE-MLRs马赫数模型的训练集均方根误差。
表4 HFSE马赫数模型的训练集均方根误差
比较表3和表4的结果发现：①除了工况#4试验5的测试集，HFSE-Fixed-size LS-SVMs-ELMs马赫数模型的均方根误差都小于FSE-Fixed-size LS-SVMs马赫数模型的均方根误差；除了工况#1试验4的和工况#4试验5的测试集，HFSE-Fixed-size LS-SVMs-ELMs马赫数模型的均方根误差都小于FSE-ELMs马赫数模型的均方根误差；②除了工况#4试验5的测试集，HFSE-Fixed-size LS-SVMs-MLRs马赫数模型的均方根误差都小于FSE-Fixed-sizeLS-SVMs和FSE-Fixed-size MLRs马赫数模型的均方根误差；③除了工况#1试验4的和工况#4试验4的测试集，HFSE-ELMs-MLRs马赫数模型的均方根误差都小于FSE-ELMs马赫数模型的均方根误差；除了工况#2试验5的和工况#4试验4的测试集，HFSE-ELMs-MLRs马赫数模型的均方根误差都小于FSE-MLRs马赫数模型的均方根误差。整体来说，HFSE马赫数模型的测试集均方根误差要低于其对应同态FSE马赫数模型的测试集均方根误差。
表5给出了HFSE马赫数模型的测试集均方根误差，结果显示：①除了工况#2试验4的测试集，HFSE-Fixed-size LS-SVMs-ELMs马赫数模型的均方根误差都小于其他两种HFSE马赫数模型的均方根误差；在工况#2试验4的测试集上HFSE-Fixed-size LS-SVMs-ELMs马赫数模型的均方根误差只略高于HFSE-Fixed-size LS-SVMs-MLRs马赫数模型的均方根误差，而且只有HFSE-Fixed-size LS-SVMs-ELMs马赫数模型满足所有工况下的马赫数均方根误差≤0.015的要求。
表5 HFSE马赫数模型的测试集均方根误差
另外，我们还以Fixed-size LS-SVM、ELM和MLR共同组成异态基学习机，建立HFSE马赫数模型，但实验发现此时的子模型输出矩阵出现了病态矩阵的情况，表明在同一维度上建立过多的子模型会降低FSE子模型之间的多样性，加重多重共线性问题，不利于建立有效的HFSE模型。
综上，整体来说HFSE马赫数模型的预测精度要高于同态FSE马赫数模型的预测精度；不同组合形式的异态基学习机，其预测结果不尽相同，其中以Fixed-size LS-SVM和ELM组成的异态基学习机所建立的HFSE马赫数模型预测精度最高，且只有HFSE-Fixed-sizeLS-SVMs-ELMs马赫数模型满足所有工况下的马赫数均方根误差≤0.015的要求；实验还证明不是所有组合形式的异态基学习都适合与HFSE马赫数模型。
本发明涉及到的参考文献：
[1]Y.Yan,Z.Xi,S.Zhang.Numerical simulation and transonic wind-tunneltest for elastic thin-shell structure considering fluid-structureinteraction,Chinese Journal of Aeronautics,28(1):141-151,2015.
[2]孙智伟,白俊强,高正红等.现代超临界翼型设计及其风洞试验,航空学报,36(3):804-818,2015.
[3]宋佳佳.风洞马赫数的建模与辨识,沈阳:东北大学,2013.
[4]祖昊炜.引射式跨声速风洞关键参数的建模,沈阳:东北大学,2014.
[5]王晓军,袁平,毛志忠等.基于随机森林的风洞马赫数预测模型,航空学报,37(5):1494-1505,2016.
[6]X.Wang,P.Yuan,Z.Mao.Ensemble fixed-size LS-SVMs applied for theMach number prediction in transonic wind tunnel,IEEE Transactions onAerospace and Electronic Systems,51(4):3167-3181,2015.
[7]王琳,马平.系统辨识方法综述[J],电力情报,2001,4:63-66.
[8]Suykens,J.A.K.,Gestel,T.V.,De Brabanter,J.,De Moor,B.,andVandewalle,B.,J.(2002).Least squares support vector machines,WorldScientific,Singapore.
[9]G.B.Huang,H.Zhou,X.Ding,R.Zhang,Extreme learning machine forregression and multiclass classification,IEEE Transactions on Systems,Man andCybernetics—Part B:Cybernetics,2012,42(2):513-529.
[10]Perrone M.P.,and Cooper L.N.,2001.When networks disagree:ensemblemethods for hybrid neural networks.(1993)In R.J.Mammone(Ed.),Artificialneural networks for speech and vision.London:Chapman&Hall.,126-142.

Claims (4)

1.基于异态特征子集集成算法的试验段马赫数建模方法，其特征在于，包括以下步骤：
第一步：首先，建立稳定段总压模型和驻室静压模型，以预获得试验段马赫数；然后，以NARX辨识方法描述总压和静压的动态特性，使用伪最邻近点法获得NARX模型各变量的最佳阶次为5，确立NARX总压和NARX静压模型结构；
第二步：为拟合NARX总压、NARX静压模型的非线性函数，提出HFSE算法：首先，确定h*＝1的FSE模型结构，即对特征空间进行1-划分，产生个1维特征子集；然后，基于不同的基学习机，在各1维特征子集上建立异态子模型；最后，融合所有子模型获得HFSE模型；
第三步：以Fixed-size LS-SVMs和ELM为异态基学习机，实现基于HFSE算法的NARX总压、NARX静压预测模型，再将它们的预测值带入经验公式，获得基于HFSE的试验段马赫数模型。
2.根据权利要求1所述的基于异态特征子集集成算法的试验段马赫数建模方法，其特征在于，第一步的使用伪最邻近点法获得NARX总压、NARX静压模型各变量的最佳阶次的过程包括：首先，使用两种判别方法确定最邻近矢量，这两种方法只要有一个为假，就可认为是伪最邻近点；然后，对总压或静压数据集每个时刻k进行判别，计算有伪邻近点的所有时刻的百分比J(n)；随后，逐渐增加n的值，继续进行以上几步，找到J(n)下降的拐角，即为最佳阶次；最后，通过实验分析的方式，确定NARX总压、NARX静压模型各输入变量的阶次。
3.根据权利要求1所述的基于异态特征子集集成算法的试验段马赫数建模方法，其特征在于，第二步的为拟合NARX总压、NARX静压模型的非线性函数，提出HFSE算法，其过程包括：首先，设定最大输入特征维数为h*＝1，以控制FSE的子模型集规模，此时FSE模型将对特征空间进行1-划分，产生个一维特征子集i＝1,...,n；然后，基于不同的基学习机，在各一维特征子集上建立异态子模型；最后，使用采用Perrone&Cooper提出的通用融合算法获得子模型的权值，获得HFSE模型。
4.根据权利要求1所述的基于异态特征子集集成算法的试验段马赫数建模方法，其特征在于，第三步的以Fixed-size LS-SVM和ELM为异态基学习机，实现基于HFSE算法的NARX总压、NARX静压预测模型的过程包括：首先，结合风洞试验海量数据的特点，针对回归预测问题，考察了三种差异较大的、适合于海量数据建模的基学习机：Fixed-size LS-SVM、ELM、MLR；然后，组合其中任意两种基学习机生产三组异态基学习机；最后，通过实验分析进一步确定，以Fixed-size LS-SVM和ELM组成的异态基学习机所建立的HFSE马赫数模型预测效果最优，并将其作为要获得的基于HFSE的试验段马赫数预测模型。
CN201710219638.8A 2017-04-06 2017-04-06 基于异态特征子集集成算法的试验段马赫数建模方法 Active CN107122526B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710219638.8A CN107122526B (zh) 2017-04-06 2017-04-06 基于异态特征子集集成算法的试验段马赫数建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710219638.8A CN107122526B (zh) 2017-04-06 2017-04-06 基于异态特征子集集成算法的试验段马赫数建模方法

Publications (2)

Publication Number Publication Date
CN107122526A true CN107122526A (zh) 2017-09-01
CN107122526B CN107122526B (zh) 2020-09-22

Family

ID=59726263

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710219638.8A Active CN107122526B (zh) 2017-04-06 2017-04-06 基于异态特征子集集成算法的试验段马赫数建模方法

Country Status (1)

Country Link
CN (1) CN107122526B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107453921A (zh) * 2017-09-08 2017-12-08 四川省电科互联网加产业技术研究院有限公司 基于非线性神经网络的智慧城市系统人工智能评价方法
CN108874959A (zh) * 2018-06-06 2018-11-23 电子科技大学 一种基于大数据技术的用户动态兴趣模型建立方法
CN109871992A (zh) * 2019-01-30 2019-06-11 北京工业大学 基于r-svm的tft-lcd工业智能预测方法
CN112378618A (zh) * 2020-11-06 2021-02-19 东北财经大学 基于递归Pseudo-NARX和NARX的两阶段时间序列的马赫数预测方法
CN113029512A (zh) * 2021-04-01 2021-06-25 中国空气动力研究与发展中心高速空气动力研究所 用于暂冲式跨声速风洞的空气流场模型校正控制方法
CN113283614A (zh) * 2021-04-29 2021-08-20 东北财经大学 基于OcE的PM2.5浓度预测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2482457C1 (ru) * 2011-11-11 2013-05-20 Федеральное государственное унитарное предприятие "Центральный аэрогидродинамический институт имени профессора Н.Е. Жуковского" (ФГУП "ЦАГИ") Способ создания потока газа в гиперзвуковой вакуумной аэродинамической трубе и аэродинамическая труба
CN104992008A (zh) * 2015-06-24 2015-10-21 上海大学 基于Hilbert空间多核函数相乘的风速预测方法
CN105115692A (zh) * 2015-08-12 2015-12-02 中国航天空气动力技术研究院 一种cfd数值模拟与风洞试验相结合的气动预测方法
CN105354363A (zh) * 2015-10-09 2016-02-24 上海大学 基于核极限学习机的脉动风速预测方法
CN105550467A (zh) * 2016-01-12 2016-05-04 南京航空航天大学 高速风洞斜孔壁壁面流动模型的建立方法
US9542646B1 (en) * 2016-01-27 2017-01-10 International Business Machines Corporation Drift annealed time series prediction
CN106527519A (zh) * 2016-12-07 2017-03-22 中国空气动力研究与发展中心高速空气动力研究所 一种大型直流暂冲式超声速风洞变速压流场控制方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2482457C1 (ru) * 2011-11-11 2013-05-20 Федеральное государственное унитарное предприятие "Центральный аэрогидродинамический институт имени профессора Н.Е. Жуковского" (ФГУП "ЦАГИ") Способ создания потока газа в гиперзвуковой вакуумной аэродинамической трубе и аэродинамическая труба
CN104992008A (zh) * 2015-06-24 2015-10-21 上海大学 基于Hilbert空间多核函数相乘的风速预测方法
CN105115692A (zh) * 2015-08-12 2015-12-02 中国航天空气动力技术研究院 一种cfd数值模拟与风洞试验相结合的气动预测方法
CN105354363A (zh) * 2015-10-09 2016-02-24 上海大学 基于核极限学习机的脉动风速预测方法
CN105550467A (zh) * 2016-01-12 2016-05-04 南京航空航天大学 高速风洞斜孔壁壁面流动模型的建立方法
US9542646B1 (en) * 2016-01-27 2017-01-10 International Business Machines Corporation Drift annealed time series prediction
CN106527519A (zh) * 2016-12-07 2017-03-22 中国空气动力研究与发展中心高速空气动力研究所 一种大型直流暂冲式超声速风洞变速压流场控制方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
B.SEIJO-PARDO等: ""Ensemble Feature Selection: Homogeneous and Heterogeneous Approaches"", 《KNOWLEDGE-BASED SYSTEMS》 *
XIAOJUN WANG等: ""Ensemble Fixed-Size LS-SVMs Applied for the Mach Number Prediction in Transonic Wind Tunnel"", 《IEEE TRANSACTIONS ON AEROSPACE AND ELECTRONIC SYSTEMS》 *
XIAOJUN WANG等: ""The Modified Feature Subsets Ensemble Applied for the Mach Number Prediction in Wind Tunnel"", 《IEEE TRANSACTIONS ON AEROSPACE AND ELECTRONIC SYSTEMS》 *
杜宁等: ""集成神经网络在2.4m跨声速风洞马赫数预测中的应用"", 《兵工自动化》 *
王晓军等: ""基于随机森林的风洞马赫数预测模型"", 《航空学报》 *
芮伟等: ""暂冲式高速风洞流场控制系统建模与仿真"", 《实验流体力学》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107453921A (zh) * 2017-09-08 2017-12-08 四川省电科互联网加产业技术研究院有限公司 基于非线性神经网络的智慧城市系统人工智能评价方法
CN108874959A (zh) * 2018-06-06 2018-11-23 电子科技大学 一种基于大数据技术的用户动态兴趣模型建立方法
CN109871992A (zh) * 2019-01-30 2019-06-11 北京工业大学 基于r-svm的tft-lcd工业智能预测方法
CN112378618A (zh) * 2020-11-06 2021-02-19 东北财经大学 基于递归Pseudo-NARX和NARX的两阶段时间序列的马赫数预测方法
CN112378618B (zh) * 2020-11-06 2022-07-19 东北财经大学 基于递归Pseudo-NARX和NARX的两阶段时间序列的马赫数预测方法
CN113029512A (zh) * 2021-04-01 2021-06-25 中国空气动力研究与发展中心高速空气动力研究所 用于暂冲式跨声速风洞的空气流场模型校正控制方法
CN113029512B (zh) * 2021-04-01 2022-08-05 中国空气动力研究与发展中心高速空气动力研究所 用于暂冲式跨声速风洞的空气流场模型校正控制方法
CN113283614A (zh) * 2021-04-29 2021-08-20 东北财经大学 基于OcE的PM2.5浓度预测方法
CN113283614B (zh) * 2021-04-29 2023-09-12 东北财经大学 基于OcE的PM2.5浓度预测方法

Also Published As

Publication number Publication date
CN107122526B (zh) 2020-09-22

Similar Documents

Publication Publication Date Title
CN107122526A (zh) 基于异态特征子集集成算法的试验段马赫数建模方法
CN108520272A (zh) 一种改进苍狼算法的半监督入侵检测方法
CN106295153B (zh) 一种基于孪生支持向量机的航空发动机气路故障诊断方法
CN107103123A (zh) 基于Bagging‑FSE算法的风洞马赫数混合模型建模方法
CN105046279B (zh) 一种模拟电路故障模式分类方法
CN109376801B (zh) 基于集成深度神经网络的风力发电机叶片结冰诊断方法
Rahi et al. Power system voltage stability assessment through artificial neural network
Baltas et al. A comparative analysis of decision trees, support vector machines and artificial neural networks for on-line transient stability assessment
CN110046379B (zh) 一种基于空间-频率信息的结构整体损伤识别方法
CN106909719A (zh) 集成多元线性回归算法
CN109359668A (zh) 一种航空发动机多故障并发诊断方法
CN104102951A (zh) 一种基于emd历史数据预处理的短期风电功率预测方法
CN112017070A (zh) 一种基于数据增强评估电力系统暂态稳定的方法及系统
CN110705831A (zh) 电力系统故障后功角失稳模式预判模型构建方法及其应用
CN112378619A (zh) 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
Mengcan et al. Constrained voting extreme learning machine and its application
CN111400966A (zh) 一种基于改进AdaBoost的电力系统静态电压稳定评估方法
Li et al. Aero-engine exhaust gas temperature prediction based on LightGBM optimized by improved bat algorithm
Asouti et al. PCA-enhanced metamodel-assisted evolutionary algorithms for aerodynamic optimization
CN105701308B (zh) 一种基于无网格流固耦合的降落伞分析方法
CN108364030B (zh) 一种基于三层动态粒子群算法的多分类器模型构建方法
CN109978051A (zh) 基于混合神经网络的监督分类方法
CN106599541B (zh) 一种动态电力负荷模型的结构和参数在线辨识方法
CN112906727B (zh) 用于实时在线检测虚拟机状态的方法和系统
CN107527093A (zh) 一种风电机组运行状态诊断方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant