CN115238398A - 基于子区间相似度的飞行器结构随机模型修正方法及装置 - Google Patents
基于子区间相似度的飞行器结构随机模型修正方法及装置 Download PDFInfo
- Publication number
- CN115238398A CN115238398A CN202211161200.6A CN202211161200A CN115238398A CN 115238398 A CN115238398 A CN 115238398A CN 202211161200 A CN202211161200 A CN 202211161200A CN 115238398 A CN115238398 A CN 115238398A
- Authority
- CN
- China
- Prior art keywords
- model
- random
- response
- subinterval
- parameters
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Complex Calculations (AREA)
Abstract
Description
技术领域
本发明涉及机械结构随机模型修正技术领域,特别是指一种基于子区间相似度的飞行器结构随机模型修正方法及装置。
背景技术
应对实际工程中的不确定性和模型仿真与试验观测之间的差异问题对高成本机械模型修正而言,至关重要。该技术已成为高铁、汽车、航天航空、卫星等工业界中,具有广阔的应用前景。
常见的模型修正难点问题,是由于传统的确定性模型修正不考虑结构参数和响应的不确定性,修正后得到的值是一个确定值,导致参数不真实不可靠的后果,降低了其工程实际的应用价值。但是在现实工程中有诸多不确定因素,测量得到的试验数据必然也存在着不确定性。因此,模型修正技术逐渐从确定性框架朝向不确定性框架发展。
当模型输出具有不确定性时,不确定性量化指标的精确性对于随机或区间模型修正的准确性而言,至关重要。基于现有的不确定性量化方法,是通过试验得到的结构响应统计特征值反演不确定性参数概率分布的过程。常用的概率统计类距离指标由于计算复杂,易出现度量高维度数据之间差异性时计算量随数据维度剧增,或者过多依赖于仿真和试验输出数据集边界点,面对小样本问题时数据集边界不稳定而失效等问题。目前针对计算更为简洁的高精度不确定性量化指标的研究,迫在眉睫。而子区间相似度指标在度量数据几何分布的近似性,衡量仿真和试验数据分布特征之间差异性等方面具有优势,可同时考虑数据集的区间边界极值信息,和区间内部点集的分布特性,且该指标在提高模型修正精度和修正效率的一系列方法尚未受到关注。因此,探索基于子区间相似度的模型修正方法,应用于对实际工程中的不确定性和模型仿真与试验观测之间的差异研究,对高成本的机械模型修正问题具有重要意义。
发明内容
本发明针对如何降低工程机械结构仿真模型的不确定性,减少模型仿真与试验观测之间的差异性的问题,提出了本发明。
为解决上述技术问题,本发明提供如下技术方案:
一方面,本发明提供了一种基于子区间相似度的飞行器结构随机模型修正方法,该方法由电子设备实现,该方法包括:
S1、获取待修正的飞行器结构模型的结构参数。
S21、构建有限元模型。
S313、当误差小于预设期望误差时,得到构建好的有限元仿真的代理模型。
S43、基于麻雀搜索智能算法对目标函数进行寻优,得到修正后的飞行器结构模型。
S422、基于数学描述构造区间相似函数。
S423、基于区间相似函数构造子区间相似度指标,将子区间相似度指标作为目标函数。
S4242、根据排列后的样本数据确定子区间间隔的最大个数。
S4243、根据子区间间隔的最大个数得到多个子区间。
可选地,S43中的基于麻雀搜索智能算法对目标函数进行寻优,修正后的飞行器结构模型包括:
基于麻雀搜索智能算法对子区间相似度指标进行寻优,得到修正后的结构参数,进而得到修正后的飞行器结构模型。
另一方面,本发明提供了一种基于子区间相似度的飞行器结构随机模型修正装置,该装置应用于实现基于子区间相似度的飞行器结构随机模型修正方法,该装置包括:
获取模块,用于获取待修正的飞行器结构模型的结构参数。
可选地,有限元模型模块,进一步用于:
S21、构建有限元模型。
可选地,代理模型模块,进一步用于:
可选地,代理模型模块,进一步用于:
S313、当误差小于预设期望误差时,得到构建好的有限元仿真的代理模型。
可选地,输出模块,进一步用于:
S43、基于麻雀搜索智能算法对目标函数进行寻优,得到修正后的飞行器结构模型。
可选地,输出模块,进一步用于:
S422、基于数学描述构造区间相似函数。
S423、基于区间相似函数构造子区间相似度指标,将子区间相似度指标作为目标函数。
可选地,输出模块,进一步用于:
S4242、根据排列后的样本数据确定子区间间隔的最大个数。
S4243、根据子区间间隔的最大个数得到多个子区间。
可选地,输出模块,进一步用于:
基于麻雀搜索智能算法对子区间相似度指标进行寻优,得到修正后的结构参数,进而得到修正后的飞行器结构模型。
一方面,提供了一种电子设备,所述电子设备包括处理器和存储器,所述存储器中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行以实现上述基于子区间相似度的飞行器结构随机模型修正方法。
一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现上述基于子区间相似度的飞行器结构随机模型修正方法。
本发明实施例提供的技术方案带来的有益效果至少包括:
上述方案中,针对概率统计类距离指标计算难点,考虑数据集的区间边界极值信息和区间内部点集的分布特性,采用子区间重合度的距离指标,基于区间理论度量数据几何分布的近似性,衡量仿真和试验数据分布特征之间差异性。利用BP神经网络处理包含不确定性的非线性系统以及逼近系统或结构特性的辨识函数,将其作为有限元仿真的代理模型显著减少计算成本和时间,简化了修正过程。结合麻雀搜索智能算法将子区间相似度作为目标函数进行寻优运算,提高模型修正精度和修正效率。相比较于传统模型修正方法,本实施例所述的随机模型修正算法具有计算速度快,计算精度较高的突出优势,能够降低工程机械结构仿真模型的不确定性,减少模型仿真与试验观测之间的差异性;避免了传统方法在计算高维度数据时,无法同时考虑数据集的区间边界极值信息和区间内部点集的分布特性的缺点,充分利用现有实验样本达到效益和成本的平衡,是一种高效的随机模型修正方法。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于子区间相似度的飞行器结构随机模型修正方法流程示意图;
图2是本发明实施例提供的神经网络结构示意图;
图3是本发明实施例提供的两个样本区间重叠的六种情况示意图;
图4是本发明实施例提供的基模型修正过程中采用子区间相似度量化的过程示意图;
图5是本发明实施例提供的基于子区间相似度和神经网络代理模型的飞行器结构随机模型修正方法流程示意图;
图6是本发明实施例提供的卫星有限元模型的BP神经网络代理模型生成过程示意图;
图7是本发明实施例提供的卫星模型修正的均值和标准差迭代示意图;
图8是本发明实施例提供的卫星随机模型修正的初始、修正和真实响应分布示意图;
图9是本发明实施例提供的卫星结构随机模型修正的初始、修正和真实响应概率密度示意图;
图10是本发明实施例提供的基于子区间相似度的飞行器结构随机模型修正装置框图;
图11是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
如图1所示,本发明实施例提供了一种基于子区间相似度的飞行器结构随机模型修正方法,该方法可以由电子设备实现。如图1所示的基于子区间相似度的飞行器结构随机模型修正方法流程图,该方法的处理流程可以包括如下的步骤:
S1、获取待修正的飞行器结构模型的结构参数。
S21、构建有限元模型。
S313、当误差小于预设期望误差时,得到构建好的有限元仿真的代理模型。
一种可行的实施方式中,当网络误差小于期望误差时,神经网络精度达到使用要求。
S422、基于数学描述构造区间相似函数。
一种可行的实施方式中,构造区间相似函数,如下式(6)所示:
S423、基于区间相似函数构造子区间相似度指标,将子区间相似度指标作为目标函数。
S4242、根据排列后的样本数据确定子区间间隔的最大个数。
S4243、根据子区间间隔的最大个数得到多个子区间。
需要注意的是,子区间相似度实质上是区间A和B中每个子区间相对于区间相似函
数的数量的平均值,这要求A和B中的子区间数量应该相同。其次,整个区间被特定样本分
割,即数据样本本身作为子区间的界,一个样本只能属于一个子区间。整个区间不会被等分
为部分,而是每个子区间由具体样本位置决定其长度不同。最后,每个子区间应包含一
个接近平均数量的样本。例如,将一个包含16个样本的原始区间划分为4个子区间,每个子
区间应该包含4个样本;如果划分为三个子区间,则子区间样本数应分别为5、5、6。
进一步地,采用子区间相似度指标计算模拟响应和试验响应之间的值,并将
其作为目标函数,此过程考虑数据集的区间边界极值信息,基于区间理论度量数据几何分
布的近似性,可衡量仿真和试验数据分布特征之间差异性。
S43、基于麻雀搜索智能算法对目标函数进行寻优,得到修正后的飞行器结构模型。
可选地,S43中的基于麻雀搜索智能算法对目标函数进行寻优,修正后的飞行器结构模型包括:
基于麻雀搜索智能算法对子区间相似度指标进行寻优,得到修正后的结构参数,进而得到修正后的飞行器结构模型。
对当前对象进行判断是否满足安全阈值大于警戒值,继而位置更新如下式(14):
一种可行的实施方式中,本发明实施例提供的基于子区间相似度的飞行器结构随机模型修正方法,能够对结构参数进行修正,可是对结构参数的均值和标准差进行修正,也可以是对结构参数的其他特征进行修正。
为了更好地理解本发明,采用本发明实施例提供的基于子区间相似度和神经网络代理模型的飞行器结构随机模型修正方法,对飞行器结构随机模型中卫星模型进行模型修正精度和修正效率优化,预测流程如下:
本实施例中,假设卫星模型主体的弹性模量E和顶板的厚度T具有不确定性,随机
模型待修正目标则为E和T的均值及标准差。给定待修正参数初始值:主体的弹性模量
E,其,;顶板的厚度T,其,。假设给定待修正参数目标值:主体的
弹性模量E,其,,顶板的厚度T,其,。
将卫星模型的前六阶固有频率作为模型输出特征。待修正参数均取均值时,仿真
生成100组作为试验数据。同时在每次优化迭代过程中,仿真生成1000组前六阶
固有频率作为仿真输出数据。寻找最合适的及 ,使得仿真和试验的前六
阶固有频率差异性最小。
本实施例中,建立从待修正参数E和T映射的卫星模型前六阶固有频率 之间的
代理模型,如图6所示。以待修正参数的目标均值和标准差生成1000组随机样本,分为900组
和100组分别作训练集和测试集,并输入到模型获取响应输出。将待修正参数E和T作为神经
网络输入层;模型频率响应作为输出层;设计隐藏层为1层,隐含层神经元数量为5,学习速
率为0.01,期望误差为0.00001,训练次数为1000次。网络性能函数为MSE(Mean Square
Error,均方误差)。
本实施例中,神经网络训练完毕后,以试验模型参数均值和标准差抽取100组服从高斯分布随机样本,并将对应的前六阶固有频率作为目标的输出响应特征,和实际有限元模型输出数据进行对比。
本实施例中,随机生成100组待修正参数,利用子区间相似度不确定性量化仿真样本和目标样本数据之间的分布差异。对数据顺序排列,将其划分成若干小区间。根据量化子区间的边界相似度,描述仿真和试验数据分布之间的相似度,分析两样本之间差异,并将其作为目标函数。
本实施例中,以麻雀搜索算法为优化算法,通过构建随机模型修正方案,实现卫星结构弹性模量和顶板厚度均值及标准差的修正。
图7展示了修正参数T和E的均值及标准差的迭代过程。图8展示了修正后响应和目标响应分布基本一致。卫星结构修正前后,弹性模量E和厚度T均值的相对误差从最初42.8%和20%下降到0.085%和0.24%,标准差的相对误差从66.7%和100%下降到7.3%和3%。子区间相似度显著减少计算时间且具有较高计算精度,如图9所示。
为了验证本发明实施例所述方法的可行性和可靠性,将其作为不确定性量化指标方法进行模型修正,可以得到本发明实施例所述方法的模型修正具有快速准确,计算简便的突出优势。
本发明实施例采用子区间重合度的距离指标,基于区间理论度量数据几何分布的近似性,衡量仿真和试验数据分布特征之间差异性。利用BP神经网络处理包含不确定性的非线性系统以及逼近系统或结构特性的辨识函数,将其作为有限元仿真的代理模型显著减少计算成本和时间。结合麻雀搜索智能算法将子区间相似度作为目标函数进行寻优运算,提高模型修正精度和修正效率。采用本发明,能够降低工程机械结构仿真模型的不确定性,减少模型仿真与试验观测之间的差异性,是一种高效的随机模型修正方法。
本发明实施例中,提供的基于子区间相似度和神经网络代理模型的飞行器结构随机模型修正方法,针对概率统计类距离指标计算难点,考虑数据集的区间边界极值信息和区间内部点集的分布特性,采用子区间重合度的距离指标,基于区间理论度量数据几何分布的近似性,实现衡量仿真和试验数据分布特征之间差异性目的。利用BP神经网络处理包含不确定性的非线性系统以及逼近系统或结构特性的辨识函数,将其作为有限元仿真的代理模型,显著减少计算成本和时间。结合麻雀搜索智能算法将子区间相似度作为目标函数进行寻优运算,提高模型修正精度和修正效率。相比较于传统模型修正方法,本实施例所述的随机模型修正算法具有计算速度快,计算精度较高的突出优势,能够降低工程机械结构仿真模型的不确定性,减少模型仿真与试验观测之间的差异性;避免传统方法在计算高维度数据时,无法同时考虑数据集的区间边界极值信息和区间内部点集的分布特性的缺点,充分利用了现有实验样本达到效益和成本的平衡,是一种高效的随机模型修正方法。
如图10所示,本发明实施例提供了一种基于子区间相似度的飞行器结构随机模型修正装置1000,该装置1000应用于实现基于子区间相似度的飞行器结构随机模型修正方法,该装置1000包括:
获取模块1010,用于获取待修正的飞行器结构模型的结构参数。
可选地,有限元模型模块1020,进一步用于:
S21、构建有限元模型。
可选地,代理模型模块1030,进一步用于:
可选地,代理模型模块1030,进一步用于:
S313、当误差小于预设期望误差时,得到构建好的有限元仿真的代理模型。
可选地,输出模块1040,进一步用于:
S43、基于麻雀搜索智能算法对目标函数进行寻优,得到修正后的飞行器结构模型。
可选地,输出模块1040,进一步用于:
S422、基于数学描述构造区间相似函数。
S423、基于区间相似函数构造子区间相似度指标,将子区间相似度指标作为目标函数。
可选地,输出模块1040,进一步用于:
S4242、根据排列后的样本数据确定子区间间隔的最大个数。
S4243、根据子区间间隔的最大个数得到多个子区间。
可选地,输出模块1040,进一步用于:
基于麻雀搜索智能算法对子区间相似度指标进行寻优,得到修正后的结构参数,进而得到修正后的飞行器结构模型。
本发明实施例中,提供的基于子区间相似度和神经网络代理模型的飞行器结构随机模型修正方法,针对概率统计类距离指标计算难点,考虑数据集的区间边界极值信息和区间内部点集的分布特性,采用子区间重合度的距离指标,基于区间理论度量数据几何分布的近似性,实现衡量仿真和试验数据分布特征之间差异性目的。利用BP神经网络处理包含不确定性的非线性系统以及逼近系统或结构特性的辨识函数,将其作为有限元仿真的代理模型,显著减少计算成本和时间。结合麻雀搜索智能算法将子区间相似度作为目标函数进行寻优运算,提高模型修正精度和修正效率。相比较于传统模型修正方法,本实施例所述的随机模型修正算法具有计算速度快,计算精度较高的突出优势,能够降低工程机械结构仿真模型的不确定性,减少模型仿真与试验观测之间的差异性;避免传统方法在计算高维度数据时,无法同时考虑数据集的区间边界极值信息和区间内部点集的分布特性的缺点,充分利用了现有实验样本达到效益和成本的平衡,是一种高效的随机模型修正方法。
图11是本发明实施例提供的一种电子设备1100的结构示意图,该电子设备1100可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(centralprocessing units,CPU)1101和一个或一个以上的存储器1102,其中,存储器1102中存储有至少一条指令,至少一条指令由处理器1101加载并执行以实现下述基于子区间相似度的飞行器结构随机模型修正方法:
S1、获取待修正的飞行器结构模型的结构参数。
在示例性实施例中,还提供了一种计算机可读存储介质,例如包括指令的存储器,上述指令可由终端中的处理器执行以完成上述基于子区间相似度的飞行器结构随机模型修正方法。例如,计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
8.根据权利要求5所述的方法,其特征在于,所述S43中的基于麻雀搜索智能算法对所述目标函数进行寻优,修正后的飞行器结构模型包括:
基于麻雀搜索智能算法对子区间相似度指标进行寻优,得到修正后的结构参数,进而得到修正后的飞行器结构模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211161200.6A CN115238398B (zh) | 2022-09-23 | 2022-09-23 | 基于子区间相似度的飞行器结构随机模型修正方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211161200.6A CN115238398B (zh) | 2022-09-23 | 2022-09-23 | 基于子区间相似度的飞行器结构随机模型修正方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115238398A true CN115238398A (zh) | 2022-10-25 |
CN115238398B CN115238398B (zh) | 2022-12-09 |
Family
ID=83667078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211161200.6A Active CN115238398B (zh) | 2022-09-23 | 2022-09-23 | 基于子区间相似度的飞行器结构随机模型修正方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115238398B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108563895A (zh) * | 2018-04-24 | 2018-09-21 | 湖南大学 | 一种考虑相关性的区间模型修正方法 |
CN108959794A (zh) * | 2018-07-13 | 2018-12-07 | 北京航空航天大学 | 一种基于深度学习的结构频响动力学模型修正方法 |
CN109902326A (zh) * | 2018-06-14 | 2019-06-18 | 中国煤炭科工集团太原研究院有限公司 | 一种有限元仿真实验效果测评方法 |
CN112784361A (zh) * | 2021-01-25 | 2021-05-11 | 武汉理工大学 | 一种基于代理模型的汽车发动机舱散热系统结构优化方法 |
US20210192110A1 (en) * | 2015-08-31 | 2021-06-24 | Humanetics Innovative Solutions, Inc. | Customized Finite Element Model For Crash Test Dummy |
-
2022
- 2022-09-23 CN CN202211161200.6A patent/CN115238398B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210192110A1 (en) * | 2015-08-31 | 2021-06-24 | Humanetics Innovative Solutions, Inc. | Customized Finite Element Model For Crash Test Dummy |
CN108563895A (zh) * | 2018-04-24 | 2018-09-21 | 湖南大学 | 一种考虑相关性的区间模型修正方法 |
CN109902326A (zh) * | 2018-06-14 | 2019-06-18 | 中国煤炭科工集团太原研究院有限公司 | 一种有限元仿真实验效果测评方法 |
CN108959794A (zh) * | 2018-07-13 | 2018-12-07 | 北京航空航天大学 | 一种基于深度学习的结构频响动力学模型修正方法 |
CN112784361A (zh) * | 2021-01-25 | 2021-05-11 | 武汉理工大学 | 一种基于代理模型的汽车发动机舱散热系统结构优化方法 |
Non-Patent Citations (2)
Title |
---|
张冬冬等: "Kriging响应面代理模型在有限元模型确认中的应用", 《振动与冲击》 * |
徐喆 等: "基于响应面法和麻雀搜索算法的结构有限元模型修正", 《科学技术与工程》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115238398B (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Warsito et al. | Cascade forward neural network for time series prediction | |
Tong et al. | A hybrid algorithm for reliability analysis combining Kriging and subset simulation importance sampling | |
CN110427654B (zh) | 一种基于敏感状态的滑坡预测模型构建方法及系统 | |
CN108304679A (zh) | 一种自适应可靠性分析方法 | |
CN109145464B (zh) | 融合多目标蚁狮优化与迹稀疏正则化的结构损伤识别方法 | |
CN112465138A (zh) | 模型蒸馏方法、装置、存储介质及设备 | |
CN113254382B (zh) | 基于超级计算机构建数字数值融合装置的数据处理系统 | |
CN111581803B (zh) | 一种全球电离层电子含量的克里金代理模型构建方法 | |
CN108563895B (zh) | 一种用于齿轮装配体的考虑相关性的区间模型修正方法 | |
CN111046979A (zh) | 一种基于小样本学习的badcase发现方法及系统 | |
CN117556713B (zh) | 一种cfd多可信度高维相关流场的不确定度量化方法 | |
CN109540089B (zh) | 一种基于贝叶斯-克里金模型的桥面高程拟合方法 | |
CN115238398B (zh) | 基于子区间相似度的飞行器结构随机模型修正方法及装置 | |
CN117330963A (zh) | 储能电站故障检测方法、系统及设备 | |
CN110059342B (zh) | 一种锂离子电池p2d模型的参数估计方法 | |
CN114936475B (zh) | 一种基于拟合优度可信度融合的复杂系统成功率评估方法 | |
Xu et al. | Rare event estimation of high dimensional problems with confidence intervals | |
CN115169184A (zh) | 采用改进差分进化马尔科夫链的有限元模型修正方法 | |
CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及系统 | |
Singham et al. | Density estimation of simulation output using exponential epi-splines | |
CN115659750A (zh) | 一种基于SMA-aSPCE的物理结构系统数值建模参数辨识方法 | |
CN115186486A (zh) | 导弹低高精度性能数据的独立融合建模及响应预测方法 | |
Amrane et al. | On the use of ensembles of metamodels for estimation of the failure probability | |
CN113486553A (zh) | 基于泰森多边形区域划分的复杂装备可靠性分析方法 | |
Binder et al. | Error analysis of a model order reduction framework for financial risk analysis |
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 |