CN115238836B - 一种基于气动数据和物理模型相关度的融合方法 - Google Patents
一种基于气动数据和物理模型相关度的融合方法 Download PDFInfo
- Publication number
- CN115238836B CN115238836B CN202211162350.9A CN202211162350A CN115238836B CN 115238836 B CN115238836 B CN 115238836B CN 202211162350 A CN202211162350 A CN 202211162350A CN 115238836 B CN115238836 B CN 115238836B
- Authority
- CN
- China
- Prior art keywords
- data
- pneumatic
- physical model
- aerodynamic
- alternative
- 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.)
- Active
Links
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/10—Noise analysis or noise optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于气动数据和物理模型相关度的融合方法,综合利用了来自于不同气动数据源的气动数据的优点,在降低试验代价的同时,为提高数据的预测精度提供了条件。与基于不确定度来源的气动数据融合算法相比,本申请不需要获取气动数据的不确定度信息,局限性更小。与现有的基于气动力建模的数据融合算法相比,本发明不需要将来源气动数据区分为不同精度,适用性更强。本申请中的方法适用于行政、商业、金融、管理、监督或预测目的的数据处理系统或方法;其他类目不包含的专门适用于行政、商业、金融、管理、监督或预测目的的数据处理系统或方法。
Description
技术领域
本申请属于数据处理研究领域,特别涉及一种基于气动数据和物理模型相关度的融合方法。
背景技术
飞行器气动数据的来源主要有三种方式:风洞试验、数值计算和飞行试验。三种方式各有各的优缺点:风洞试验可以模拟飞行条件和飞行环境,但是存在支架、雷诺数、洞壁干扰等限制,不能完全模拟真实飞行状态;数值计算方法灵活,成本低,提供的数据多,但是因为物理模型不够完善,使得复杂状态的计算精度较低;飞行试验能够完全模拟真实飞行状态,但是试验代价昂贵,大气和传感器影响大,气动参数辨识困难,得到的有效飞行试验数据有限。虽然获取可靠的气动力数据可以通过建设更加先进的风洞、采用更高性能的数值模拟系统以及进行更多次的飞行试验,但是短时间内提升的精度有限,不能满足新一代飞行器的研制需求。
本申请提供一种基于气动数据和物理模型相关度的融合方法,旨在通过融合的方式,提高气动数据精度。
发明内容
为了解决所述现有技术的不足,本申请提供了一种基于气动数据和物理模型相关度的融合方法,综合利用了来自于不同气动数据源的气动数据的优点,在降低试验代价的同时,为提高数据的预测精度提供了条件。与基于不确定度来源的气动数据融合算法相比,本申请不需要获取气动数据的不确定度信息,局限性更小。与现有的基于气动力建模的数据融合算法相比,本发明不需要将来源气动数据区分为不同精度,适用性更强。本申请中的方法适用于行政、商业、金融、管理、监督或预测目的的数据处理系统或方法;其他类目不包含的专门适用于行政、商业、金融、管理、监督或预测目的的数据处理系统或方法。
本申请所要达到的技术效果通过以下方案实现:
第一方面,本说明书提供一种基于气动数据和物理模型相关度的融合方法,所述方法包括:
获取各自来源于不同气动数据源、且对应于第一目标对象的可用气动数据,其中,所述气动数据源用于生成针对所述目标对象的原始气动数据;
对所述可用气动数据进行扰动处理,得到若干组扰动气动数据;
采用所述若干组扰动气动数据拟合所述第一目标对象的第一最优气动物理模型,得到预测数据;
针对每个气动数据源,根据其对应的可用气动数据与基于该可用气动数据得到的预测数据之间的差异,确定该气动数据源与备选气动物理模型的第一拟合度;其中,所述第一拟合度与所述差异负相关;
根据确定出的各个气动数据源各自对应的第一拟合度,以所述可用气动数据融合后得到的融合数据的精度不小于预设的精度阈值为目标,得到融合准则;其中,所述融合准则用于对出来源于不同气动数据源的气动数据进行筛选;
确定针对第二目标对象的备选气动物理模型集合;
针对每个气动数据源,基于在所述备选气动物理模型集合中的第二最优气动物理模型是最优模型的概率,确定该气动数据源的第二拟合度;
基于融合准则对所述第二目标对象的原始数据进行筛选,剔除第二拟合度不符合要求的气动数据源生成的原始数据,针对剩余的原始数据进行融合,得到融合数据。
在本说明书一个可选的实施例中,对所述可用气动数据进行扰动处理,得到若干组扰动气动数据,包括:
增加所述可用气动数据的偏移误差,得到若干组扰动气动数据;或,
增加所述可用气动数据的噪声,得到若干组扰动气动数据。
在本说明书一个可选的实施例中,所述第一拟合度是采用以下公式计算得到的:
式中,m为一组扰动气动数据中样本的数量,是基于某一气动数据源的第i个扰动气动数据得到的、相对于某一备选气动物理模型的第一拟合度,yipre是对应于第i个扰动气动数据的、第i个预测数据的取值,yreal是可用气动数据的取值,Ri是基于某一组扰动气动数据得到的某一备选气动物理模型的第一拟合度,N是基于某一可用气动数据生成的扰动气动数据组的数量,j是一组扰动气动数据中的第j个样本。
在本说明书一个可选的实施例中,至少一个所述备选气动物理模型的类型是以下之一:
多项式模型、级数模型、增量模型。
在本说明书一个可选的实施例中,基于在所述备选气动物理模型集合中的第二最优气动物理模型是最优模型的概率,确定该数据源的第二拟合度之前,所述方法还包括:
根据所述备选气动物理模型集合中的备选气动物理模型的可信度,从所述备选气动物理模型集合中确定出第二最优气动物理模型;其中,确定备选气动物理模型的可信度,包括以下之一:
采用广义卡尔曼滤波算法进行逐点计算,得到备选气动物理模型的可信度;
将给定观测下,备选气动物理模型预计成为最优模型的概率,作为备选气动物理模型的可信度;
以残差平方和之逆,作为备选气动物理模型的可信度;
以拟合误差之逆,作为备选气动物理模型的可信度。
在本说明书一个可选的实施例中,所述气动数据源包括以下至少一种:风洞试验、数值计算和飞行试验。
在本说明书一个可选的实施例中,确定备选气动物理模型预计成为最优模型的概率,包括:
采用最大信息量准则、F统计检验、预估平方和准则中的至少一种,确定备选气动物理模型预计成为最优模型的概率。
第二方面,本说明书提供一种基于气动数据和物理模型相关度的融合装置,用于实现第一方面中的方法。
第三方面,本说明书提供一种电子设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行第一方面中的方法。
第四方面,本说明书提供一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行第一方面中的方法。
附图说明
为了更清楚地说明本申请实施例或现有的技术方案,下面将对实施例或现有技术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申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请一实施例中一种基于气动数据和物理模型相关度的融合方法的流程图;
图2为本申请实施例中一种基于气动数据和物理模型相关度的融合装置的结构示意图;
图3为本申请一实施例中一个实施例电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合具体实施例及相应的附图对本申请的技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中,很多细节描述是为了使得本申请能被更好的理解。然而,本领域技术人员可以毫不费力的认识到,其中部分特征在不同情况下是可以省略的,或者可以由其它元件、材料、方法所替代。在某些情况下,本申请相关的一些操作并没有在说明书中显示或者描述,这是为了避免本申请的核心部分被过多的描述所淹没,而对于本领域技术人员而言,详细描述这些相关操作并不是必要的,他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
另外,说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时,方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此,说明书和附图中的各种顺序只是为了清楚描述某一个实施例,并不意味着是必须的顺序,除非另有说明其中某个顺序是必须遵循的。
本文中为部件所编序号本身,例如“第一”、“第二”等,仅用于区分所描述的对象,不具有任何顺序或技术含义。而本申请所说“连接”、“联接”,如无特别说明,均包括直接和间接连接(联接)。
在相关技术中,气动数据融合算法主要可以归纳为两类:基于不确定度的加权融合算法和基于气动力建模的数据融合算法。前者利用专家经验、试验经验等先验知识信息给定不同气动数据源的不确定度,然后以不确定度信息作为权值进行加权融合;后者则根据研究对象的准确物理模型,利用气动数据满足气动力变化规律的程度为依据进行融合。
可见,相关技术获取气动力数据的方式各有自己的优缺点,单靠单一单源的气动试验手段,难在短时间获得飞行器飞行包线内的高精度气动数据,不能满足新一代飞行器的研制需求。基于不确定度的加权融合算法,需要根据专家经验、试验经验等先验知识来确定气动数据源的不确定度,而对于很多气动数据来讲,并没有先验知识可以参照,所以局限性很大。有的基于气动力建模的数据融合算法,需要把数据来源区分为高精度数据和低精度数据,然后进行建模和融合,然后对于工程应用来讲,很多情况下并不能明确知道气动数据源的精度。
有鉴于此,本申请提出一种基于气动数据和物理模型相关度的融合方法。下面结合附图,详细说明本申请的各种非限制性实施方式。本说明书中的一种基于气动数据和物理模型相关度的融合方法,如图1所示,包括以下步骤:
S100:获取各自来源于不同气动数据源、且对应于第一目标对象的可用气动数据。
本说明书中的气动数据源用于生成针对目标对象(例如本步骤中的第一目标对象以及下文中的第二目标对象)的原始气动数据。目标对象是指本次数据处理的结果适用的目标物,示例性地,在航空航天领域针对飞行器(例如,飞机)的气动力数据处理过程中,某一个飞行器即为本说明书中的目标对象。本说明书中的气动数据源标明数据的来源,数据来源一定程度的取决于数据的获取手段,在本说明书一个可选的实施例中,气动数据源可以包含以下至少一个:风洞试验、数值计算和飞行试验。可见,不同数据源生成的数据的精度有可能不同。需要说明的是,第一目标对象和第二目标对象可以是同一个目标对象,也可以是不同的目标对象。
本申请的发明构思至少包括:假设针对同一个目标对象,一定存在一个可以用来描述其气动数据变化规律的最优的物理模型(即,下文中的最优模型)。该最优的物理模型能够反映目标对象的气动结构布局特点,这种假设也符合实际。因此,针对该目标对象,无论是采用哪种方法获得的气动数据,无论气动数据源具体为何,都可以用这个最优的物理模型来进行拟合,来自于不同气动数据源的数据的区别,主要体现在它们拟合的最优物理模型的参数有所差异。基于这种思想,本申请设计了以数据拟合最优模型的程度作为权重进行加权融合的融合方法。
此外,本申请还假设存在一组可用气动数据,该可用气动数据在实际工程应用中并不存在,但可以通过实验手段人为设定。在下文中,可以用yreal表示可用气动数据。
S102:对所述可用气动数据进行扰动处理,得到若干组扰动气动数据。
由于扰动气动数据相较于可用气动数据增加了扰动量,则扰动气动数据相较于可用气动数据是低精度数据。在本说明书一个可选的实施例中,一组可用气动数据可以经处理得到若干(一个或一个以上)组扰动气动数据。下文中,经扰动处理得到的第N组扰动气动数据可以表示为yN。至于具体要获得多少组扰动气动数据,则可以根据实际的需求确定。
在本说明书一个可选的实施例中,扰动处理的过程可以是:增加所述可用气动数据的偏移误差,得到若干组扰动气动数据。在本说明书另一个可选的实施例中,扰动处理的过程可以是:增加所述可用气动数据的噪声,得到若干组扰动气动数据。在其他可选的实施例中,还可以将前述两种扰动处理的方式进行结合,以对可用气动数据进行综合性的扰动处理。
S104:采用所述若干组扰动气动数据拟合所述第一目标对象的第一最优气动物理模型,得到预测数据。
假如某一组扰动气动数据包含m个样本。yipre是对应于第i个扰动气动数据的、第i个预测数据的取值。Ri是基于某一组扰动气动数据得到的某一备选气动物理模型的第一拟合度,N是基于某一可用气动数据生成的扰动气动数据组的数量。
第一最优气动物理模型是第一目标对象的最优气动物理模型,第二最优气动物理模型是第二目标对象的最优气动物理模型,在第一目标对象和第二目标对象相同的情况下,第一最优气动物理模型和第二最优气动物理模型可以相同。
S106:针对每个气动数据源,根据其对应的可用气动数据与基于该可用气动数据得到的预测数据之间的差异,确定该气动数据源与所述备选气动物理模型的第一拟合度。
本说明书中得到的第一拟合度与所述差异负相关。
在本说明书一个可选的实施例中,通过dyi表示某一组扰动气动数据中的第i个扰动气动数据得到的、相对于某一备选气动物理模型的第一拟合度。通过以下公式(一)计算第i组扰动数据预测值和准确值的偏差,其偏差的取值越大,则表示预测越不准确时,认为该点的预测值与准确值差异过大,第一拟合度为0。同时定义第一拟合度公式如公式(二)所示。
公式(一)
公式(二)
这样得到的第一拟合度则在0~1之间,且越接近1,第一拟合度越高,代表预测值越精确。j是一组扰动气动数据中的第j个样本。
S108:根据确定出的各个气动数据源各自对应的第一拟合度,以所述可用气动数据融合后得到的融合数据的精度不小于预设的精度阈值为目标,得到融合准则。
本说明书中的融合准则表示出来源于不同气动数据源的气动数据对融合数据的精度造成的影响的程度。也就是说,融合准则可以用来确定几个气动数据源生成的数据可以进行融合,哪几个气动数据源的数据不能与其他气动数据源的数据融合。可以进行数据融合的数据源可以被划分为一组,被划分为一组的气动数据源对应的数据(包括但不限于气动数据源生成的原始气动数据)进行融合得到的融合结果,具有较高的精度。而未被划分为一组的气动数据源源对应的数据进行融合得到的融合结果则未必具有较高的精度。其中,精度阈值可以是预设值。
在本说明书可选的实施例中,融合准则还表示出在融合过程中,被划分为一组的各气动数据源的数据的权重。则基于融合准则进行数据融合的过程包含了加权求和的过程。
本说明书中的技术方案截止本步骤目标要获得的是融合准则(包含了哪些气动数据源可以被划分为一个组合),而气动物理模型仅仅是对融合准则的制定产生的影响的因素之一,则在本说明书一个可选的实施例中,可以将各个备选气动物理模型中的任意一个作为前述步骤采用的备选气动物理模型,而无需对各个备选气动物理模型进行遍历。在其他可选的实施例中,则可以通过遍历的方式对每个备选气动物理模型执行前述步骤。在某些可选的实施例中,基于专家经验能够从众多备选气动物理模型中确定出最优的模型,则可以直接用最优模型确定融合准则。
S110:确定针对第二目标对象的备选气动物理模型集合。
备选气动物理模型集合包含若干个备选气动模型。基于专家经验,可以预先的获知集合中的哪一个才是最优模型,但是,最优模型在融合准则下的可信度是未知的。在本说明书中,各备选气动物理模型中的至少两个具有不同的模型结构,且备选气动物理模型的至少部分模型参数未知。可选地,备选气动物理模型是基于先验知识得到的。
各备选气动物理模型构成的集合可以表示为{P1, P2,……,Ph},其中,Ph表示第h个备选气动物理模型。
在本说明书一个可选的实施例中,备选气动物理模型的类型是以下之一:多项式模型、级数模型、增量模型。不同备选气动物理模型还可以存在阶数上的不同,比如四阶多项式模型、五阶多项式模型等。这些备选气动物理模型中就包含了适用于该目标对象的最优物理模型Pbest。
S112:针对每个气动数据源,基于在所述备选气动物理模型集合中的第二最优气动物理模型是最优模型的概率,确定该气动数据源的第二拟合度。
在本说明书一个可选的实施例中,利用模型可信度准则计算第二拟合度。模型可信度准则是选取可信度最大的模型作为最优模型。首先需要定义模型的可信度。然后采用广义卡尔曼滤波算法逐点计算模型的可信度,取可信度最大者为第二最优气动物理模型。(在本说明书一个可选的实施例中,确定第一最优气动物理模型的过程与确定第二最优气动物理模型的过程相同)可信度可以取为给定观测下,模型为最优模型的概率;或者以残差平方和之逆为可信度;或者以拟合误差之逆为可信度等。
本说明书中某一备选气动物理模型的可信度与该备选气动物理模型在所述融合规则的约束下是最优模型的概率正相关。
在实际工程应用中,并没有可供参考的精准的气动数据(即,原始气动数据),所以也没法利用它来计算数据与模型拟合度(例如第一拟合度和第二拟合度)。为此,本申请提出了以最大可信度准则计算的模型最优概率作为融合准则中拟合度的参考思想,这种最优概率也同样反映了数据和最优物理模型的拟合度。则在后续步骤中基于融合准则,可以实现气动数据的融合。
本说明书中的方法以可信度代替拟合度,解决相关技术中存在的因为实际工程中,并没有气动数据准确值,无法用预测值和准确值的差异求得拟合度的技术问题。S114:基于融合准则对所述第二目标对象的原始数据进行筛选,剔除第二拟合度不符合要求的气动数据源生成的原始数据,针对剩余的原始数据进行融合,得到融合数据。
可信度最大备选气动物理模型可以认为是其对应的气动数据源组的最优模型(即,第一最优气动物理模型)。
在本说明书一个可选的实施例中,可以将满足融合准则的原始气动数据输入最优模型,得到的最优模型的输出。然后,对针对不同原始气动数据的输出结果进行加权求和,将求和的结果作为融合数据。
示例性地,针对第二对象存在若干备选气动模型M1,M2,M3(假设M1为专家经验下的最优物理模型)和若干组气动数据1,2,3,用数据源1分别拟合三个备选气动模型,然后计算最优物理模型M1为最大可信度准则下最优模型的概率P1,这个概率等同于第二拟合度,以此方法计算3个数据源的第二拟合度P1,1、P1,2、P1,3。然后,依据融合准则进行筛选和融合。本说明书中的融合准则是指:若数据源第二拟合度小于某个值,则认为对融合没有帮助,直接舍弃该数据源生成的原始数据。
在相关技术中,单一方式获取的气动数据由于各自的“缺陷”,精度上不能满足新一代飞行器的研究需求,而本发明是一种数据融合方法,综合利用了不同气动数据源的优点,能够在降低试验代价的同时,提高数据的精度。现有的两类气动数据融合方法,基于不确定度的气动数据融合算法需要根据专家经验、试验经验等先验知识来确定气动数据源的不确定度,而对于很多气动数据来讲,并没有先验的不确定度信息可以参考,而本发明却不需要获取研究对象的不确定度信息,局限性更小。现有的基于气动力建模的数据融合算法,需要把数据来源区分为高精度数据和低精度数据,然后进行建模和融合,然后对于工程应用来讲,很多情况下并不能明确知道气动数据源的精度,本发明是一种无精度参考的气动数据融合方法,适用性更广。
采用本说明书中的基于气动数据和物理模型相关度的融合方法,不需要获取不同气动数据源的原始气动数据的精度信息,而实现对气动数据的融合。此外,本说明书中的方法利用最优物理模型为最大可信度准则中最优模型的概率代替气动数据和最优物理模型的拟合度。进一步地,本说明书还提出了一种提炼气动数据融合准则的途径。
此外,本说明书还对如何确定模型的可信度提供了不同的技术手段。
在本说明书一个可选的实施例中,可以采用广义卡尔曼滤波算法进行逐点计算,得到备选气动物理模型的可信度。卡尔曼滤波(Kalman filtering)是一种利用线性系统状态方程,通过系统输入输出观测数据,对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响,所以最优估计也可看作是滤波过程。数据滤波是去除噪声还原真实数据的一种数据处理技术,Kalman滤波在测量方差已知的情况下能够从一系列存在测量噪声的数据中,估计动态系统的状态。由于它便于计算机编程实现,并能够对现场采集的数据进行实时的更新和处理。
在本说明书另一个可选的实施例中,可以将给定观测下,备选气动物理模型预计成为最优模型的概率,作为备选气动物理模型的可信度。在该实施例中,可以采用最大信息量准则、F统计检验、预估平方和准则中的至少一种,确定备选气动物理模型预计成为最优模型的概率。
在本说明书其他可选的实施例中,还可以以残差平方和之逆、拟合误差之逆之一,作为备选气动物理模型的可信度。
基于同样的思路,本说明书实施例还提供了对应于图1所示部分过程的一种基于气动数据和物理模型相关度的融合装置。
如图2所示,本说明书中的一种基于气动数据和物理模型相关度的融合装置,可以包括以下模块中的一个或多个:
数据获取模块200,配置为:获取各自来源于不同气动数据源、且对应于第一目标对象的可用气动数据,其中,所述气动数据源用于生成针对所述目标对象的原始气动数据。
扰动模块202,配置为:对所述可用气动数据进行扰动处理,得到若干组扰动气动数据。
预测模块204,配置为:采用所述若干组扰动气动数据拟合所述第一目标对象的第一最优气动物理模型,得到预测数据。
第一拟合度确定模块206,配置为:针对每个气动数据源,根据其对应的可用气动数据与基于该可用气动数据得到的预测数据之间的差异,确定该气动数据源与备选气动物理模型的第一拟合度;其中,所述第一拟合度与所述差异负相关。
融合准则确定模块208,配置为:根据确定出的各个气动数据源各自对应的第一拟合度,以所述可用气动数据融合后得到的融合数据的精度不小于预设的精度阈值为目标,得到融合准则;其中,所述融合准则表示出来源于不同气动数据源的气动数据对融合数据的精度造成的影响的程度。
模型确定模块210,配置为:确定针对第二目标对象的备选气动物理模型集合。
第二拟合度确定模块,配置为:针对每个气动数据源,基于在所述备选气动物理模型集合中的第二最优气动物理模型是最优模型的概率,确定该数据源的第二拟合度。
融合模块214,配置为:基于融合准则对所述第二目标对象的原始数据进行筛选,剔除第二拟合度不符合要求的数据源生成的原始数据,针对剩余的原始数据进行融合,得到融合数据。
在本说明书一个可选的实施例中,扰动模块202具体配置为:增加所述可用气动数据的偏移误差,得到若干组扰动气动数据;或,
增加所述可用气动数据的噪声,得到若干组扰动气动数据。
在本说明书一个可选的实施例中,所述第一拟合度是采用以下公式计算得到的:
式中,m为一组扰动气动数据中样本的数量,是基于某一气动数据源的第i个扰动气动数据得到的、相对于某一备选气动物理模型的第一拟合度,yipre是对应于第i个扰动气动数据的、第i个预测数据的取值,yreal是可用气动数据的取值,Ri是基于某一组扰动气动数据得到的某一备选气动物理模型的第一拟合度,N是基于某一可用气动数据生成的扰动气动数据组的数量,j是一组扰动气动数据中的第j个样本。
在本说明书一个可选的实施例中,至少一个所述备选气动物理模型的类型是以下之一:
多项式模型、级数模型、增量模型。
在本说明书一个可选的实施例中,第二拟合度确定模块具体配置为:根据所述备选气动物理模型集合中的备选气动物理模型的可信度,从所述备选气动物理模型集合中确定出第二最优气动物理模型;其中,确定备选气动物理模型的可信度,包括以下之一:
采用广义卡尔曼滤波算法进行逐点计算,得到备选气动物理模型的可信度;
将给定观测下,备选气动物理模型预计成为最优模型的概率,作为备选气动物理模型的可信度;
以残差平方和之逆,作为备选气动物理模型的可信度;
以拟合误差之逆,作为备选气动物理模型的可信度。
在本说明书一个可选的实施例中,所述气动数据源包括以下至少一种:风洞试验、数值计算和飞行试验。
在本说明书一个可选的实施例中,第二拟合度确定模块212,配置为:采用最大信息量准则、F统计检验、预估平方和准则中的至少一种,确定备选气动物理模型预计成为最优模型的概率。
图3是本申请的一个实施例电子设备的结构示意图。请参考图3,在硬件层面,该电子设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图3中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成一种基于气动数据和物理模型相关度的融合方法。处理器,执行存储器所存放的程序,并具体用于执行前述任意一种基于气动数据和物理模型相关度的融合方法。
上述如本申请图1所示实施例揭示的一种基于气动数据和物理模型相关度的融合方法可以应用于处理器(即,本说明书中的删除控制模块)中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
该电子设备还可执行图1中一种基于气动数据和物理模型相关度的融合方法,并实现图1所示实施例的功能,本申请实施例在此不再赘述。
本申请实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的电子设备执行时,能够使该电子设备执行图1所示实施例中一种基于气动数据和物理模型相关度的融合方法执行的方法,并具体用于执行前述的任意一种基于气动数据和物理模型相关度的融合方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器 (RAM) 和/或非易失性内存等形式,如只读存储器 (ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可删除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体 (transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (8)
1.一种基于气动数据和物理模型相关度的融合方法,其特征在于,所述方法包括:
获取各自来源于不同气动数据源、且对应于第一目标对象的可用气动数据,其中,所述气动数据源用于生成针对所述目标对象的原始气动数据;
对所述可用气动数据进行扰动处理,得到若干组扰动气动数据;
采用所述若干组扰动气动数据拟合所述第一目标对象的第一最优气动物理模型,得到预测数据;
针对每个气动数据源,根据其对应的可用气动数据与基于该可用气动数据得到的预测数据之间的差异,确定该气动数据源与备选气动物理模型的第一拟合度;其中,所述第一拟合度与所述差异负相关;
根据确定出的各个气动数据源各自对应的第一拟合度,以所述可用气动数据融合后得到的融合数据的精度不小于预设的精度阈值为目标,得到融合准则;其中,所述融合准则用于对来源于不同气动数据源的气动数据进行筛选;
确定针对第二目标对象的备选气动物理模型集合;
针对每个气动数据源,基于在所述备选气动物理模型集合中的第二最优气动物理模型是最优模型的概率,确定该气动数据源的第二拟合度;
基于融合准则对所述第二目标对象的原始数据进行筛选,剔除第二拟合度不符合要求的气动数据源生成的原始数据,针对剩余的原始数据进行融合,得到融合数据;
此外,基于在所述备选气动物理模型集合中的第二最优气动物理模型是最优模型的概率,确定该数据源的第二拟合度之前,所述方法还包括:
根据所述备选气动物理模型集合中的备选气动物理模型的可信度,从所述备选气动物理模型集合中,选取可信度最大的模型作为第二最优气动物理模型;其中,确定备选气动物理模型的可信度,包括以下之一:
采用广义卡尔曼滤波算法进行逐点计算,得到备选气动物理模型的可信度;
将给定观测下,备选气动物理模型预计成为最优模型的概率,作为备选气动物理模型的可信度;
以残差平方和之逆,作为备选气动物理模型的可信度;
以拟合误差之逆,作为备选气动物理模型的可信度。
2.如权利要求1所述的方法,其特征在于,对所述可用气动数据进行扰动处理,得到若干组扰动气动数据,包括:
增加所述可用气动数据的偏移误差,得到若干组扰动气动数据;或,
增加所述可用气动数据的噪声,得到若干组扰动气动数据。
3.如权利要求1所述的方法,其特征在于,至少一个所述备选气动物理模型的类型是以下之一:
多项式模型、级数模型、增量模型。
4.如权利要求1所述的方法,其特征在于,所述气动数据源包括以下至少一种:风洞试验、数值计算和飞行试验。
5.如权利要求1所述的方法,其特征在于,确定备选气动物理模型预计成为最优模型的概率,包括:
采用最大信息量准则、F统计检验、预估平方和准则中的至少一种,确定备选气动物理模型预计成为最优模型的概率。
6.一种基于气动数据和物理模型相关度的融合装置,其特征在于,所述装置用于实现权利要求1~5之任一所述方法。
7.一种电子设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行所述权利要求1~5之任一所述方法。
8.一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行所述权利要求1~5之任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211162350.9A CN115238836B (zh) | 2022-09-23 | 2022-09-23 | 一种基于气动数据和物理模型相关度的融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211162350.9A CN115238836B (zh) | 2022-09-23 | 2022-09-23 | 一种基于气动数据和物理模型相关度的融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115238836A CN115238836A (zh) | 2022-10-25 |
CN115238836B true CN115238836B (zh) | 2023-04-28 |
Family
ID=83667186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211162350.9A Active CN115238836B (zh) | 2022-09-23 | 2022-09-23 | 一种基于气动数据和物理模型相关度的融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115238836B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115859480B (zh) * | 2023-02-08 | 2023-05-02 | 中国空气动力研究与发展中心计算空气动力研究所 | 基于确定发动机入口边界条件的气动分析方法及装置 |
CN115879008B (zh) * | 2023-03-02 | 2023-05-26 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种数据融合模型训练方法、装置、设备及存储介质 |
CN116956647B (zh) * | 2023-09-20 | 2023-12-19 | 成都流体动力创新中心 | 一种气动数据融合方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114547017A (zh) * | 2022-04-27 | 2022-05-27 | 南京信息工程大学 | 一种基于深度学习的气象大数据融合方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695192B (zh) * | 2020-05-11 | 2020-12-22 | 上海机电工程研究所 | 气动力多源数据融合和辨识方法、系统及介质 |
CN111709517B (zh) * | 2020-06-12 | 2022-07-29 | 武汉中海庭数据技术有限公司 | 一种基于置信度预测系统的冗余融合定位增强的方法和装置 |
CN113343369B (zh) * | 2021-08-06 | 2021-10-01 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 一种航天器气动融合轨道摄动分析方法 |
CN114037017B (zh) * | 2021-11-25 | 2022-10-21 | 西安电子科技大学 | 基于误差分布拟合的数据融合方法 |
CN114692501A (zh) * | 2022-04-01 | 2022-07-01 | 西安交通大学 | 基于多精度深度神经网络的气动数据融合方法及设备 |
-
2022
- 2022-09-23 CN CN202211162350.9A patent/CN115238836B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114547017A (zh) * | 2022-04-27 | 2022-05-27 | 南京信息工程大学 | 一种基于深度学习的气象大数据融合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115238836A (zh) | 2022-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115238836B (zh) | 一种基于气动数据和物理模型相关度的融合方法 | |
US10579927B2 (en) | Automated creation of semantically-enriched diagnosis models | |
Simoen et al. | Uncertainty quantification in the assessment of progressive damage in a 7-story full-scale building slice | |
CN110390396B (zh) | 用于估计观测变量之间的因果关系的方法、装置和系统 | |
Yang et al. | Outlier separability analysis with a multiple alternative hypotheses test | |
EP3821359A1 (en) | Open source vulnerability prediction with machine learning ensemble | |
KR20200143699A (ko) | 집적 회로 프로파일링 및 이상 검출 | |
CN111104335B (zh) | 一种基于多层次分析的c语言缺陷检测方法及装置 | |
CN109416408B (zh) | 震中距估计装置、震中距估计方法以及计算机可读记录介质 | |
KR20190071812A (ko) | 고장 리스크 지표 추정 장치 및 고장 리스크 지표 추정 방법 | |
CN110008470B (zh) | 报表的敏感性分级方法和装置 | |
CN102508766A (zh) | 一种航天嵌入式c语言软件运行时错误的静态分析方法 | |
CN116204648A (zh) | 样本确定方法、装置、计算机设备及计算机可读存储介质 | |
US10169509B2 (en) | Efficient deployment of table lookup (TLU) in an enterprise-level scalable circuit simulation architecture | |
Wang et al. | Feature-based visual navigation integrity monitoring for urban autonomous platforms | |
US11328225B1 (en) | Automatic spatial regression system | |
Bezmenov et al. | An effective algorithm for elimination of outliers from data measurements of global navigation satellite systems | |
CN112733454B (zh) | 一种基于联合学习的设备预测性维护方法及装置 | |
Simoen et al. | Bayesian parameter estimation | |
Miao et al. | Using a stacked-autoencoder neural network model to estimate sea state bias for a radar altimeter | |
Xiang et al. | Equivalent stress transformation for efficient probabilistic fatigue-crack growth analysis under variable amplitude loadings | |
US10839129B2 (en) | Characterization of spatial correlation in integrated circuit development | |
Garbouj et al. | Parity space method for mode detection of a nonlinear switching system using takagi–sugeno modeling | |
KR102569398B1 (ko) | 인공지능 기반의 기술수준평가시스템 및 그 방법 | |
US20240143893A1 (en) | Modeling method and modeling system for optical proximity correction model, and optical proximity correction method |
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 |