CN115659823A - 基于属性约简的翼型气动力系数预测方法、电子设备及存储介质 - Google Patents

Abstract

基于属性约简的翼型气动力系数预测方法、电子设备及存储介质，属于飞行器技术领域。为解决翼型在其他外形几何参数或状态参数下的气动力系数预测时存在的精度差的问题。本发明对翼型进行CST参数化，获得表征翼型外形几何参数的翼型CST参数，然后进行属性约简，得到翼型约简后的属性，进行风洞试验或CFD数值仿真，获取翼型约简后的气动数据；然后通过自适应提升方法对获得的翼型约简后的气动数据建立预测模型并进行训练，直至满足目标评价条件。本发明有效消除数据冗余所带来的影响，减小预测模型的训练难度，有助于提升训练效率，进而提高气动力系数的预测精度。

Description

基于属性约简的翼型气动力系数预测方法、电子设备及存储 介质

技术领域

本发明属于飞行器技术领域，具体涉及基于属性约简的翼型气动力系数预测方法、电子设备及存储介质。

背景技术

飞机机翼、航空发动机螺旋桨、涡轮叶片、压气机叶片的二维界面轮廓均为翼型。翼型的气动优化设计在航空航天领域具有重要作用，需要大量的风洞试验及CFD计算。目前，在进行风洞试验时，往往根据试验需求设计试验大纲，确定吹风车次，例如，试验初期进行了0.6马赫数、0.8马赫数、1.0马赫数和1.2马赫数的试验，而后续研究又需要改变部分几何参数在0.9马赫数、0.95马赫数、1.1马赫数条件下的试验数据时，传统的风洞试验数据分析方法往往通过线性插值的方式进行预测。又如，CFD数值仿真得到某几何外形的翼型气动数据，但需要对其外形进行优化，针对不同几何参数的气动外形需要重新划分网格、数值计算、后处理等操作。但是传统插值法及重新进行CFD数值仿真获得其他外形几何参数或状态参数下的气动特性时存在精度差、效率低、成本高的问题。翼型的气动优化设计涉及的几何外形参数量大，数据维度高，会造成维度灾难，导致预测精度下降，容易产生过拟合现象

发明内容

本发明要解决的问题是传统插值法及重新进行CFD数值仿真获得翼型在其他外形几何参数或状态参数下的气动力系数时存在的精度差、效率低、成本高以及几何外形参数量大，数据维度高，会造成维度灾难、预测精度下降、容易产生过拟合现象的问题，提出基于属性约简的翼型气动力系数预测方法、电子设备及存储介质。

为实现上述目的，本发明通过以下技术方案实现：

一种基于属性约简的翼型气动力系数预测方法，包括如下步骤：

S1、对翼型进行CST参数化，获得表征翼型外形几何参数的翼型CST参数；

S2、对步骤S1获得的翼型CST参数进行属性约简，得到翼型约简后的属性；

S3、对步骤S2翼型约简后的属性进行风洞试验或CFD数值仿真，获取翼型约简后的气动数据；

S4、通过自适应提升方法对步骤S3获得的翼型约简后的气动数据建立预测模型并进行训练，直至满足目标评价条件。

进一步的，步骤S1的具体实现方法包括如下步骤：

S1.1、CST参数化方法通过类别函数和形状函数对翼型进行描述，表达式为：

其中，

为CST参数化后的翼型无量纲化的纵向坐标；

为无量纲化的横向坐标，

x为翼型曲线的横向坐标，C为翼型弦长；

为类别函数，

为形状函数，

为用于控制翼型尾缘处厚度，τ_T为无量纲化的尾缘厚度，τ_T＝Δz_TE/C，Δz_TE为尾缘厚度；

S1.2、设置类别函数的表达式为：

其中，N1和N2分别为控制翼型前缘及尾缘形状的系数，N1和N2的取值范围为0-1；

S1.3、设置形状函数的表达式为：

其中，i为第i项，n为第n项，A_i为权重因子，

为形状函数分量，

用伯恩斯坦多项式进行替换，伯恩斯坦多项式的第n项表达式

为：

则：

S1.4、通过控制权重因子A_i实现对翼型几何形状的控制，得到表征翼型外形几何参数的翼型CST参数。

进一步的，步骤S2对步骤S1获得的翼型CST参数进行属性约简，属性约简方法为主成分分析法、多维尺度法、t分布随机邻域嵌入法中的一种，设置步骤S1中得到的CST参数数据由上表面权重因子A_ui和下表面权重因子A_li组成，则步骤S1中得到的CST参数数据集S1为：S1＝{A_u1,A_u2,…,A_u(n+1),A_l1,A_l2,…,A_l(n+1)}；

约简后的数据集S2为：

S2＝{B₁,B₂,…B_m},m≤2(n+1)

其中，B_m代表约简后的参数数据。

进一步的，步骤S2中主成分分析法的具体实现过程为：对于步骤S1中得到的CST参数数据集S1＝{A_u1,A_u2,…,A_u(n+1),A_l1,A_l2,…,A_l(n+1)}，计算脉动量：

其中，A_j为数据集S1中的第j项，j＝1,…,2(n+1)，得到矩阵A_j'后再计算自相关矩阵A'A'^T，A'为所有A_j'构成的矩阵，并对自相关矩阵进行特征值分解，获得特征向量W及其特征值，则得到输出的低维数据B＝WA'。

进一步的，步骤S2中多维尺度法的具体实现过程为：通过计算欧式距离区分数据点，输入原始2(n+1)维空间的CST参数数据集S1，降维后任意两个样本之间的距离B_m等于在2(n+1)维空间的距离，得到约简后的数据集S2。

进一步的，步骤S2中t分布随机邻域嵌入法的具体实现方法为：采用具有对称性的SNE的代价函数来简化梯度公式，通过t分布来代替高斯分布，输入原始2(n+1)维空间的CST参数数据集S1，设置迭代次数、学习速率参数，计算概率分布p_ij，通过t分布代替高斯分布表达两点之间的距离，比较降维后的概率分布与原始空间的概率分布，得到约简后的数据集S2。

进一步的，步骤S3中得到的气动数据包括：目标自变量数据和目标因变量数据，所述目标自变量数据包括：翼型CST参数约简后的参数数据，以及马赫数Ma、雷诺数Re、迎角状态参数数据ɑ；所述目标因变量数据包括六元气动力系数，用于表征模型的气动性能；所述目标因变量数据，是通过调整所述目标自变量数据逐车次进行风洞试验或逐参数进行CFD数值仿真得到；

所述六元气动力系数，具体为风轴升力系数C_L、风轴阻力系数C_D、风轴侧力系数C_C、体轴俯仰力矩系数C_m、体轴偏航力矩系数C_n和体轴滚转力矩系数C_l，构成数据集Y；

所述翼型气动数据的获取方式包括通过现有风洞试验获取，通过计算机CFD数值模拟获取、通过Xfoil专用翼型气动计算工具获取。

进一步的，步骤S4通过Adaboost算法对约简后的目标自变量数据X＝{B₁,B₂,...,B_m,Ma,Re,α}和目标因变量数据Y＝{C_L,C_D,C_C,C_m,C_n,C_l}建立的预测模型进行训练，直至满足目标评价条件；所述目标评价条件将均方误差、平均绝对值误差作为预测误差进行对比。

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所述的一种基于属性约简的翼型气动力系数预测方法的步骤。

计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现所述的一种基于属性约简的翼型气动力系数预测方法。

本发明的有益效果：

本发明所述的一种基于属性约简的翼型气动力系数预测方法，通过对翼型CST参数数据进行属性约简，从高维数据中提取出有价值的低维结构，从而有效消除数据冗余所带来的影响，减小神经网络的训练难度，有助于提升训练效率，进而提高气动力系数的预测精度。

本发明所述的一种基于属性约简的翼型气动力系数预测方法，可以有效减少传统风洞试验的车次及CFD数值仿真的次数，从而能够降低试验成本、计算成本和研发成本节约设计时间，有效提高研发进度，也可以为其他不同导弹、飞行器等模型的气动设计提供参考。

附图说明

图1为本发明所述的一种基于属性约简的翼型气动力系数预测方法的流程图；

图2为本发明所述的一种基于属性约简的翼型气动力系数预测方法的属性简约的示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施方式，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅用以解释本发明，并不用于限定本发明，即所描述的具体实施方式仅仅是本发明一部分实施方式，而不是全部的具体实施方式。通常在此处附图中描述和展示的本发明具体实施方式的组件可以以各种不同的配置来布置和设计，本发明还可以具有其他实施方式。

因此，以下对在附图中提供的本发明的具体实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定具体实施方式。基于本发明的具体实施方式，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他具体实施方式，都属于本发明保护的范围。

为能进一步了解本发明的发明内容、特点及功效，兹例举以下具体实施方式，并配合附图1-附图2详细说明如下：

具体实施方式一：

一种基于属性约简的翼型气动力系数预测方法，包括如下步骤：

S1、对翼型进行CST参数化，获得表征翼型外形几何参数的翼型CST参数；

进一步的，步骤S1的具体实现方法包括如下步骤：

S1.1、CST参数化方法通过类别函数和形状函数对翼型进行描述，表达式为：

其中，

为CST参数化后的翼型无量纲化的纵向坐标；

为无量纲化的横向坐标，

x为翼型曲线的横向坐标，C为翼型弦长；

为类别函数，

为形状函数，

为用于控制翼型尾缘处厚度，τ_T为无量纲化的尾缘厚度，τ_T＝Δz_TE/C，Δz_TE为尾缘厚度；

S1.2、设置类别函数的表达式为：

其中，N1和N2分别为控制翼型前缘及尾缘形状的系数，N1和N2的取值范围为0-1；

S1.3、设置形状函数的表达式为：

其中，i为第i项，n为第n项，A_i为权重因子，

为形状函数分量，

用伯恩斯坦多项式进行替换，伯恩斯坦多项式的第n项表达式

为：

则：

S1.4、通过控制权重因子A_i实现对翼型几何形状的控制，得到表征翼型外形几何参数的翼型CST参数；

进一步的，伯恩斯坦多项式的阶数越高，CST参数化后的翼型与原始翼型的重构误差越小，伯恩斯坦多项式的阶数n大于6以保证翼型的重构精度；

S2、对步骤S1获得的翼型CST参数进行属性约简，得到翼型约简后的属性；

进一步的，步骤S2对步骤S1获得的翼型CST参数进行属性约简，属性约简方法为主成分分析法、多维尺度法、t分布随机邻域嵌入法中的一种，设置步骤S1中得到的CST参数数据由上表面权重因子A_ui和下表面权重因子A_li组成，则步骤S1中得到的CST参数数据集S1为：S1＝{A_u1,A_u2,…,A_u(n+1),A_l1,A_l2,…,A_l(n+1)}

约简后的数据集为：

S2＝{B₁,B₂,…B_m},m≤2(n+1)

其中，B_i代表约简后的参数数据；

进一步的，步骤S2中主成分分析法的具体实现方法为：对于步骤S1中得到的CST参数数据集S1＝{A_u1,A_u2,…,A_u(n+1),A_l1,A_l2,…,A_l(n+1)}，计算脉动量：

其中，A_j为数据集S1中的第j项，j＝1,…,2(n+1)，得到矩阵A_j'后再计算自相关矩阵A'A'^T，A'为所有A_j'构成的矩阵，并对自相关矩阵A'A'^T进行特征值分解，获得特征向量W及其特征值，则得到输出的低维数据B＝WA'；

进一步的，步骤S2中多维尺度法的具体实现过程为：通过计算欧式距离区分数据点，输入原始2(n+1)维空间的CST参数数据集S1，降维后任意两个样本之间的距离B_m等于在2(n+1)维空间的距离，得到约简后的数据集S2；

进一步的，采用具有对称性的SNE的代价函数来简化梯度公式，通过t分布来代替高斯分布，输入原始2(n+1)维空间的CST参数数据集S1，设置迭代次数、学习速率参数，计算概率分布p_ij，通过t分布代替高斯分布表达两点之间的距离，比较降维后的概率分布与原始空间的概率分布，得到约简后的数据集S2；

进一步的，气动外形几何参数设计空间大，使用主成分分析(PCA，PrincipalComponentsAnalysis)、多维尺度法(MDS，Multidimensional Scaling)、t分布随机邻域嵌入(t-SNE，t-StochasticNeighbor Embedding)方法进行属性约简，可以将高维数据用低维数据进行表示，从而有效消除数据冗余所带来的影响，缓解维度灾难问题，减小神经网络的训练难度，有助于提升训练效率，进而提高气动特性的预测精度；

S3、对步骤S2翼型约简后的属性进行风洞试验或CFD数值仿真，获取翼型约简后的气动数据；

进一步的，步骤S3中得到的气动数据包括：目标自变量数据和目标因变量数据，所述目标自变量数据包括：翼型CST参数约简后的参数数据，以及马赫数Ma、雷诺数Re、迎角状态参数数据ɑ；所述目标因变量数据包括六元气动力系数，用于表征模型的气动性能；所述目标因变量数据，是通过调整所述目标自变量数据逐车次进行风洞试验或逐参数进行CFD数值仿真得到；

所述六元气动力系数，具体为风轴升力系数C_L、风轴阻力系数C_D、风轴侧力系数C_C、体轴俯仰力矩系数C_m、体轴偏航力矩系数C_n和体轴滚转力矩系数C_l，构成数据集Y；

所述翼型气动数据的获取方式包括通过现有风洞试验获取，通过计算机CFD数值模拟获取、通过Xfoil专用翼型气动计算工具获取；

进一步的，获取翼型气动数据的方式如下：

步骤A、整理风洞试验数据，具体内容包括试验任务信息表、车次表；

步骤B、针对不同风洞数据存储格式整理不同的常规测力试验标准模板；

步骤C、开发数据程序提取接口，将原始数据转化；

步骤D、与风洞试验数据不同的是，CFD数值仿真数据无需对原始数据进行转化，在整理好的风洞试验数据及CFD数值仿真数据中提取外形几何参数及状态参数，如马赫数、雷诺数、迎角等；

步骤E、提取目标因变量数据力和力矩系数，包括升力系数、阻力系数、侧向力系数、俯仰力矩系数、偏航力矩系数、滚转力矩系数；

步骤F、对所有目标自变量及因变量数据清洗，去除重复数据、缺失数据，对得到的数据进行归一化，得到量纲一致的数据；

进一步的，获取的目标自变量数据和目标因变量数据为一一对应，具体为每一组目标自变量数据均对应一组目标因变量数据；

S4、通过自适应提升方法对步骤S3获得的翼型约简后的气动数据建立预测模型并进行训练，直至满足目标评价条件；

进一步的，步骤S4通过Adaboost算法对约简后的目标自变量数据X＝{B₁,B₂,...,B_m,Ma,Re,α}和目标因变量数据Y＝{C_L,C_D,C_C,C_m,C_n,C_l}建立的预测模型进行训练，直至满足目标评价条件；所述目标评价条件将均方误差、平均绝对值误差作为预测误差进行对比；

优选的，在确定目标评价条件之后，设置目标终止阈值为训练终止条件，即，当训练之后的预测模型的目标评价条件小于或等于该目标终止阈值的情况下，训练终止，该模型作为目标预测模型。

优选的，样本在训练过程中具体可以分为以下三个集合：训练集、测试集和验证集。其中，训练集用于对模型进行初步的训练；测试集用于对经过初步训练的模型进行调参，并对初步训练的模型进而二次训练；验证集用于二次训练的模型使用验证集中的数据进行验证，在验证通过之后得到目标预测模型。

优选的，训练样本分配比例为，训练集：测试集：验证集＝6:2:2；或者，训练集：测试集：验证集＝6:3:1；或者，训练集：测试集：验证集＝7:2:1；或者，训练集：测试集：验证集＝7:1.5:1.5；

优选的为了防止数据过拟合，即防止尽管训练的误差降的很低，但是测试误差却比较高的现象，通过修正模型，如调整训练集、测试集和验证集的分配比例等方式进行修正。

通过属性约简阶段对自变量的提取减小了预测模型的训练难度，从而可以助于提升训练效果，减少训练时间，提高气动特性预测精度。

具体实施方式二：

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具体实施方式一所述的一种基于属性约简的翼型气动力系数预测方法的步骤。

本发明的计算机装置可以是包括有处理器以及存储器等装置，例如包含中央处理器的单片机等。并且，处理器用于执行存储器中存储的计算机程序时实现上述的基于CREO软件的可修改由关系驱动的推荐数据的推荐方法的步骤。

所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(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、分立硬件组件等。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。

所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

具体实施方式三：

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具体实施方式一所述的一种基于属性约简的翼型气动力系数预测方法。

本发明的计算机可读存储介质可以是被计算机装置的处理器所读取的任何形式的存储介质，包括但不限于非易失性存储器、易失性存储器、铁电存储器等，计算机可读存储介质上存储有计算机程序，当计算机装置的处理器读取并执行存储器中所存储的计算机程序时，可以实现上述的基于CREO软件的可修改由关系驱动的建模数据的建模方法的步骤。

所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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、物品或者设备中还存在另外的相同要素。

虽然在上文中已经参考具体实施方式对本申请进行了描述，然而在不脱离本申请的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本申请所披露的具体实施方式中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本申请并不局限于文中公开的特定具体实施方式，而是包括落入权利要求的范围内的所有技术方案。

Claims (10)

1.一种基于属性约简的翼型气动力系数预测方法，其特征在于：包括如下步骤：

S1、对翼型进行CST参数化，获得表征翼型外形几何参数的翼型CST参数；

S2、对步骤S1获得的翼型CST参数进行属性约简，得到翼型约简后的属性；

S3、对步骤S2翼型约简后的属性进行风洞试验或CFD数值仿真，获取翼型约简后的气动数据；

S4、通过自适应提升方法对步骤S3获得的翼型约简后的气动数据建立预测模型并进行训练，直至满足目标评价条件。

2.根据权利要求1所述的一种基于属性约简的翼型气动力系数预测方法，其特征在于：步骤S1的具体实现方法包括如下步骤：

S1.1、CST参数化方法通过类别函数和形状函数对翼型进行描述，表达式为：

其中，

为CST参数化后的翼型无量纲化的纵向坐标；

为无量纲化的横向坐标，

x为翼型曲线的横向坐标，C为翼型弦长；

为类别函数，

为形状函数，

为用于控制翼型尾缘处厚度，τ_T为无量纲化的尾缘厚度，τ_T＝Δz_TE/C，Δz_TE为尾缘厚度；

S1.2、设置类别函数的表达式为：

其中，N1和N2分别为控制翼型前缘及尾缘形状的系数，N1和N2的取值范围为0-1；

S1.3、设置形状函数的表达式为：

其中，i为第i项，n为第n项，A_i为权重因子，

为形状函数分量，

用伯恩斯坦多项式进行替换，伯恩斯坦多项式的第n项表达式

为：

则：

S1.4、通过控制权重因子A_i实现对翼型几何形状的控制，得到表征翼型外形几何参数的翼型CST参数。

3.根据权利要求2所述的一种基于属性约简的翼型气动力系数预测方法，其特征在于：步骤S2对步骤S1获得的翼型CST参数进行属性约简，属性约简方法为主成分分析法、多维尺度法、t分布随机邻域嵌入法中的一种，设置步骤S1中得到的CST参数数据由上表面权重因子A_ui和下表面权重因子A_li组成，则步骤S1中得到的CST参数数据集S1为：

S1＝{A_u1,A_u2,…,A_u(n+1),A_l1,A_l2,…,A_l(n+1)}；

约简后的数据集S2为：

S2＝{B₁,B₂,…B_m},m≤2(n+1)

其中，B_m代表约简后的参数数据。

4.根据权利要求3所述的一种基于属性约简的翼型气动力系数预测方法，其特征在于：步骤S2中主成分分析法的具体实现过程为：对于步骤S1中得到的CST参数数据集为S1＝{A_u1,A_u2,…,A_u(n+1),A_l1,A_l2,…,A_l(n+1)}，计算脉动量：

其中，A_j为数据集S1中的第j项，j＝1,…,2(n+1)，得到矩阵A_j'后再计算自相关矩阵A'A'^T，A'为所有A_j'构成的矩阵，并对自相关矩阵A'A'^T进行特征值分解，获得特征向量W及其特征值，则得到输出的低维数据B＝WA'。

5.根据权利要求3所述的一种基于属性约简的翼型气动力系数预测方法，其特征在于：步骤S2中多维尺度法的具体实现过程为：通过计算欧式距离区分数据点，输入原始2(n+1)维空间的CST参数数据集S1，降维后任意两个样本之间的距离B_m等于在2(n+1)维空间的距离，得到约简后的数据集S2。

6.根据权利要求3所述的一种基于属性约简的翼型气动力系数预测方法，其特征在于：采用具有对称性的SNE的代价函数来简化梯度公式，通过t分布来代替高斯分布，输入原始2(n+1)维空间的CST参数数据集S1，设置迭代次数、学习速率参数，计算概率分布p_ij，通过t分布代替高斯分布表达两点之间的距离，比较降维后的概率分布与原始空间的概率分布，得到约简后的数据集S2。

7.根据权利要求3所述的一种基于属性约简的翼型气动力系数预测方法，其特征在于：步骤S3中得到的气动数据包括：目标自变量数据和目标因变量数据，所述目标自变量数据包括：翼型CST参数约简后的参数数据，以及马赫数Ma、雷诺数Re、迎角状态参数数据ɑ；所述目标因变量数据包括六元气动力系数，用于表征模型的气动性能；所述目标因变量数据，是通过调整所述目标自变量数据逐车次进行风洞试验或逐参数进行CFD数值仿真得到；

所述六元气动力系数，具体为风轴升力系数C_L、风轴阻力系数C_D、风轴侧力系数C_C、体轴俯仰力矩系数C_m、体轴偏航力矩系数C_n和体轴滚转力矩系数C_l，构成数据集Y；

所述翼型气动数据的获取方式包括通过现有风洞试验获取，通过计算机CFD数值模拟获取、通过Xfoil专用翼型气动计算工具获取。

8.根据权利要求7所述的一种基于属性约简的翼型气动力系数预测方法，其特征在于：步骤S4通过Adaboost算法对约简后的目标自变量数据X＝{B₁,B₂,...,B_m,Ma,Re,α}和目标因变量数据Y＝{C_L,C_D,C_C,C_m,C_n,C_l}建立的预测模型进行训练，直至满足目标评价条件；所述目标评价条件将均方误差、平均绝对值误差作为预测误差进行对比。

9.电子设备，其特征在于，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权利要求1-8任一项所述的一种基于属性约简的翼型气动力系数预测方法的步骤。

10.计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-8任一项所述的一种基于属性约简的翼型气动力系数预测方法。

Images