CN115879008B - 一种数据融合模型训练方法、装置、设备及存储介质 - Google Patents
一种数据融合模型训练方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115879008B CN115879008B CN202310188273.2A CN202310188273A CN115879008B CN 115879008 B CN115879008 B CN 115879008B CN 202310188273 A CN202310188273 A CN 202310188273A CN 115879008 B CN115879008 B CN 115879008B
- Authority
- CN
- China
- Prior art keywords
- pneumatic data
- source pneumatic
- source
- predicted value
- data input
- 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
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种数据融合模型训练方法、装置、设备及存储介质，涉及气动数据融合技术领域，包括：获取包含三种来源气动数据的训练集；将训练集的输入传输至第一来源气动数据预测网络以得到第一预测结果；结合第一预测结果中第二和第三来源条件对应结果以及训练集传输至第二来源气动数据预测网络以得到第二预测结果；结合第一预测结果中第三来源条件对应结果、第二预测结果中第三来源条件对应结果以及第三来源条件传输至第三来源气动数据预测网络以得到第三预测结果，并根据三个预测结果确定损失函数以对三种来源气动数据预测网络中的当前网络参数进行训练。本申请利用深度网络可以实现对三种来源气动数据进行融合，最大限度提取数据之间的关系。
Description
技术领域
本发明涉及气动数据融合技术领域，特别涉及一种数据融合模型训练方法、装置、设备及存储介质。
背景技术
飞行器气动数据的来源主要有数值计算、风洞实验以及飞行试验等三种手段。上述三种手段获取得到的气动数据，反映的都是特定来流条件下飞行器受到的气动力特性，因而这三种来源的气动数据在物理本质上必然存在深刻的内在联系，且三种来源的气动数据都是对同一飞行器对象采用不同方式获得的多源信息，信息之间具有融合性和互补性。因此，可以通过数据融合方法从三种来源气动数据中最大限度地提取有用信息，得到一套具备一致解释性或描述性、高置信度、高精度的，可以覆盖飞行器设计飞行包络的气动数据集。
现有的多源气动数据融合方法主要有差量修正方法、关联参数方法以及多保真气动数据融合深度网络方法。但差量修正方法的数据修正流程繁琐并且差量模型泛化能力有限，关联参数方法很难找出普适的关联参数进行多源数据之间的相关性研究，而多保真气动数据融合深度网络只能对两个来源的气动数据进行融合，多保真气动数据融合深度网络方法示意图参见图1所示。
发明内容
有鉴于此，本发明的目的在于提供一种数据融合模型训练方法、装置、设备及存储介质，能够实现三种来源气动数据的融合以最大限度地提取有用信息。其具体方案如下：
第一方面，本申请公开了一种数据融合模型训练方法，包括：
获取包含三种来源气动数据输入条件以及相应的来源气动数据标签值的训练集；所述三种来源气动数据输入条件包括第一来源气动数据输入条件、第二来源气动数据输入条件和第三来源气动数据输入条件；
将所述训练集传输至第一来源气动数据预测网络以得到基于所述三种来源气动数据输入条件输出的第一预测结果；所述第一来源气动数据预测网络用于学习所述三种来源气动数据输入条件与第一来源气动数据之间的非线性关系；
将所述第一预测结果传输至第二来源气动数据预测网络以得到分别基于所述第二来源气动数据输入条件和所述第三来源气动数据输入条件输出的第二预测结果；所述第二来源气动数据预测网络用于基于所述第一预测结果学习所述第一来源气动数据与第二来源气动数据之间的关联关系；
将所述第二预测结果传输至用于学习三种来源气动数据之间关联关系的第三来源气动数据预测网络以得到基于所述第三来源气动数据输入条件输出的第三预测结果，并根据所述第一预测结果、所述第二预测结果和所述第三预测结果确定损失函数以对三种来源气动数据预测网络中的当前网络参数进行训练得到更新后的当前网络参数。
可选的，所述获取包含三种来源气动数据输入条件以及相应的来源气动数据标签值的训练集，包括：
利用预设方法产生包含三种来源气动数据输入条件以及相应的来源气动数据标签值的训练集，并设置模型训练参数；所述模型训练参数包括预设模型迭代次数。
可选的，所述将所述训练集传输至第一来源气动数据预测网络以得到基于所述三种来源气动数据输入条件输出的第一预测结果之前，还包括：
通过预设初始化器初始化处理所述三种来源气动数据预测网络以及所述三种来源气动数据预测网络中的初始网络参数。
可选的，所述将所述训练集传输至第一来源气动数据预测网络以得到基于所述三种来源气动数据输入条件输出的第一预测结果，包括：
将所述训练集传输至第一来源气动数据预测网络以得到分别基于所述第一来源气动数据输入条件、所述第二来源气动数据输入条件和所述第三来源气动数据输入条件输出的第一预测值、第二预测值和第三预测值。
可选的，所述将所述第一预测结果传输至第二来源气动数据预测网络以得到分别基于所述第二来源气动数据输入条件和所述第三来源气动数据输入条件输出的第二预测结果，包括：
将所述第二预测值和所述第三预测值传输至所述第二来源气动数据预测网络以得到分别基于所述第二来源气动数据输入条件和所述第三来源气动数据输入条件输出相应的第四预测值和第五预测值；
相应的，所述将所述第二预测结果传输至用于学习三种来源气动数据之间关联关系的第三来源气动数据预测网络以得到基于所述第三来源气动数据输入条件输出的第三预测结果，包括：
将所述第五预测值传输至用于学习三种来源气动数据之间关联关系的第三来源气动数据预测网络以得到基于所述第三来源气动数据输入条件输出的第六预测值。
可选的，所述根据所述第一预测结果、所述第二预测结果和所述第三预测结果确定损失函数以对三种来源气动数据预测网络中的当前网络参数进行训练得到更新后的当前网络参数，包括：
分别基于所述第一预测值和对应的第一来源气动数据标签值、所述第四预测值和对应的第二来源气动数据标签值以及所述第六预测值和对应的第三来源气动数据标签值确定出相应的第一均方误差、第二均方误差以及第三均方误差；所述第一来源气动数据标签值、所述第二来源气动数据标签值和所述第三来源气动数据标签值为所述训练集中分别与所述第一来源气动数据输入条件、所述第二来源气动数据输入条件和所述第三来源气动数据输入条件对应的来源气动数据标签值；
利用所述第一均方误差、所述第二均方误差和所述第三均方误差确定所述损失函数，并根据所述损失函数计算所述当前网络参数的参数梯度；
通过预设参数优化方法和所述参数梯度对所述三种来源气动数据预测网络中的所述当前网络参数进行训练以得到相应的更新后的当前网络参数。
可选的，所述根据所述第一预测结果、所述第二预测结果和所述第三预测结果确定损失函数以对三种来源气动数据预测网络中的当前网络参数进行训练得到更新后的当前网络参数之后，还包括：
判断当前迭代次数是否小于预设模型迭代次数；
若是，则利用更新后的所述当前网络参数分别输入至相应的所述第一来源气动数据预测网络、所述第二来源气动数据预测网络和所述第三来源气动数据预测网络以对三种来源气动数据预测网络进行更新，并重新跳转至所述将所述训练集传输至第一来源气动数据预测网络以得到基于所述三种来源气动数据输入条件输出的第一预测结果的步骤；
若否，则将更新后的所述当前网络参数输出以得到最优网络参数。
第二方面，本申请公开了一种数据融合模型训练装置，包括：
训练集获取模块，用于获取包含三种来源气动数据输入条件以及相应的来源气动数据标签值的训练集；所述三种来源气动数据输入条件包括第一来源气动数据输入条件、第二来源气动数据输入条件和第三来源气动数据输入条件；
第一网络预测模块，用于将所述训练集传输至第一来源气动数据预测网络以得到基于所述三种来源气动数据输入条件输出的第一预测结果；所述第一来源气动数据预测网络用于学习所述三种来源气动数据输入条件与第一来源气动数据之间的非线性关系；
第二网络预测模块，用于将所述第一预测结果传输至第二来源气动数据预测网络以得到分别基于所述第二来源气动数据输入条件和所述第三来源气动数据输入条件输出的第二预测结果；所述第二来源气动数据预测网络用于基于所述第一预测结果学习所述第一来源气动数据与第二来源气动数据之间的关联关系；
第三网络预测模块，用于将所述第二预测结果传输至用于学习三种来源气动数据之间关联关系的第三来源气动数据预测网络以得到基于所述第三来源气动数据输入条件输出的第三预测结果；
网络参数训练模块，用于根据所述第一预测结果、所述第二预测结果和所述第三预测结果确定损失函数以对三种来源气动数据预测网络中的当前网络参数进行训练得到更新后的当前网络参数。
第三方面，本申请公开了一种电子设备，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序以实现前述的数据融合模型训练方法。
第四方面，本申请公开了一种计算机可读存储介质，用于保存计算机程序，所述计算机程序被处理器执行时实现前述的数据融合模型训练方法。
可见，本申请首先获取包含三种来源气动数据输入条件以及相应的来源气动数据标签值的训练集；所述三种来源气动数据输入条件包括第一来源气动数据输入条件、第二来源气动数据输入条件和第三来源气动数据输入条件；接着将所述训练集传输至第一来源气动数据预测网络以得到基于所述三种来源气动数据输入条件输出的第一预测结果；所述第一来源气动数据预测网络用于学习所述三种来源气动数据输入条件与第一来源气动数据之间的非线性关系；然后将所述第一预测结果传输至第二来源气动数据预测网络以得到分别基于所述第二来源气动数据输入条件和所述第三来源气动数据输入条件输出的第二预测结果；所述第二来源气动数据预测网络用于基于所述第一预测结果学习所述第一来源气动数据与第二来源气动数据之间的关联关系；将所述第二预测结果传输至用于学习三种来源气动数据之间关联关系的第三来源气动数据预测网络以得到基于所述第三来源气动数据输入条件输出的第三预测结果，并根据所述第一预测结果、所述第二预测结果和所述第三预测结果确定损失函数以对三种来源气动数据预测网络中的当前网络参数进行训练得到更新后的当前网络参数。由此可知，本申请将三种来源气动数据输入条件依次通过三个来源气动数据预测网络以得到相应的预测结果，并基于预测结果对三个来源气动数据预测网络中的当前网络参数进行更新训练，这样一来，通过三个预测网络可以同时对三种来源的气动数据进行融合处理，并且本方案无需根据经验寻找多源数据之间相关性的先验知识，可以直接利用深度预测网络中的万能逼近特性对多源气动数据之间的复杂相关关系进行自适应学习，对新的来源气动数据具有更强的泛化性，简化数据融合过程的同时还可以最大限度地提取数据中的有效信息。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本申请公开的一种多保真气动数据融合深度网络方法示意图；
图2为本申请公开的一种数据融合模型训练方法流程图；
图3为本申请公开的一种具体的数据融合模型训练方法流程图；
图4为本申请公开的一种具体的数据融合模型训练方法流程示意图；
图5为本申请公开的一种数据融合模型训练装置结构示意图；
图6为本申请公开的一种电子设备结构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅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。
飞行器气动数据的来源主要有数值计算、风洞实验以及飞行试验等三种手段，可以通过数据融合方法从三种来源气动数据中最大限度地提取有用信息，得到一套具备一致解释性或描述性、高置信度、高精度的，可以覆盖飞行器设计飞行包络的气动数据集。现有的多源气动数据融合方法主要有差量修正方法、关联参数方法以及多保真气动数据融合深度网络方法。但差量修正方法的数据修正流程繁琐并且差量模型泛化能力有限，关联参数方法很难找出普适的关联参数进行多源数据之间的相关性研究，而多保真气动数据融合深度网络只能对两个来源的气动数据进行融合。
参见图2所示，本申请实施例公开了一种数据融合模型训练方法，包括：
步骤S11：获取包含三种来源气动数据输入条件以及相应的来源气动数据标签值的训练集；所述三种来源气动数据输入条件包括第一来源气动数据输入条件、第二来源气动数据输入条件和第三来源气动数据输入条件。
本实施例中，首先需要获取包括数值计算、风洞实验和飞行试验三种来源气动数据输入条件以及相应的来源气动数据标签值的训练集，其中所述三种来源气动数据输入条件包括第一来源气动数据输入条件、第二来源气动数据输入条件和第三来源气动数据输入条件，这样一来，可以无需多源数据之间相关性的任何先验知识，直接将通过三种来源获取到的气动数据作为训练之输入模型中得到数据之间的相关关系。
步骤S12：将所述训练集传输至第一来源气动数据预测网络以得到基于所述三种来源气动数据输入条件输出的第一预测结果；所述第一来源气动数据预测网络用于学习所述三种来源气动数据输入条件与第一来源气动数据之间的非线性关系。
本实施例中，将所述训练集中传输至第一来源气动数据预测网络中进行预测学习，以得到基于所述第一来源气动数据输入条件、所述第二来源气动数据输入条件和所述第三来源气动数据输入条件输出的第一预测结果，其中所述第一来源气动数据预测网络用于学习所述三种来源气动数据输入条件与第一来源气动数据之间的非线性关系。可以理解的是，由于所述第一来源气动数据预测网络是基于第一种来源构建的，即用来对第一来源气动数据进行学习预测的，所以利用所述第一来源气动数据预测网络可以实现学习所述第一来源气动数据输入条件、所述第二来源气动数据输入条件和所述第三来源气动数据输入条件分别与第一来源气动数据之间的非线性关系，这样一来，将数据通过第一来源气动数据预测网络可以实现并完成三种来源气动数据输入条件与第一来源气动数据之间的关系并得到相应的结果，为后续的学习奠定基础。
步骤S13：将所述第一预测结果传输至第二来源气动数据预测网络以得到分别基于所述第二来源气动数据输入条件和所述第三来源气动数据输入条件输出的第二预测结果；所述第二来源气动数据预测网络用于基于所述第一预测结果学习所述第一来源气动数据与第二来源气动数据之间的关联关系。
本实施例中，当通过所述第一来源气动数据预测网络得到相应的第一预测结果后，将所述第一预测结果传输至第二来源气动数据预测网络中进行学习，以得到分别基于所述第二来源气动数据输入条件和所述第三来源气动数据输入条件输出的第二预测结果，其中所述第二来源气动数据预测网络包括用于预测线性关联关系的第一预测子网络和用于预测非线性关联关系的第二预测子网络，可以基于所述第一预测结果学习所述第一来源气动数据与第二来源气动数据之间的线性关系和非线性关系。可以理解的是，由于通过第一来源气动数据预测网络输出的第一预测结果已经学习了与第一来源气动数据之间的关系，所以将第一预测结果输入至第二来源气动数据预测网络中可以学习第一来源气动数据与第二来源气动数据之间的关联关系并得到相应的第二预测结果。
步骤S14：将所述第二预测结果传输至用于学习三种来源气动数据之间关联关系的第三来源气动数据预测网络以得到基于所述第三来源气动数据输入条件输出的第三预测结果，并根据所述第一预测结果、所述第二预测结果和所述第三预测结果确定损失函数以对三种来源气动数据预测网络中的当前网络参数进行训练得到更新后的当前网络参数。
本实施例中，当获取到第二预测结果传输至第三来源气动数据预测网络中进行学习预测，以得到基于所述第三来源气动数据输入条件输出的第三预测结果，其中所述第三来源气动数据预测网络包括用于预测线性关联关系的第三预测子网络和用于预测非线性关联关系的第四预测子网络，可以用来学习第一来源气动数据、第二来源气动数据和第三来源气动数据之间的线性关系和非线性关系。可以理解的是，基于所述第二来源气动数据预测网络已经学习了第一来源气动数据与第二来源气动数据之间的关联关系，则通过第三来源气动数据即可学习三种来源气动数据之间的关联关系并得到相应的第三预测结果。得到所述第三预测结果后，根据所述第一预测结果、所述第二预测结果和所述第三预测结果确定出模型的损失函数，并基于损失函数对第一来源气动数据预测网络、第二来源气动数据预测网络和第三来源气动数据预测网络中的当前网络参数进行训练得到更新后的当前网络参数，以基于更新后的当前网络参数分别对三种来源气动数据预测网络进行更新训练。这样一来，基于三次预测网络依次对数据进行学习预测，可以利用深度网络的万能逼近特性学习多源气动数据之间复杂的相关关系，简化数据融合过程的同时还可以最大限度地提取数据中的有效信息，对新的来源气动数据具有更强的泛化性。
需要指出的是，上述步骤中提到的第一来源、第二来源与第三来源可以分别为数值计算、风洞实验以及飞行试验中的任意一种，但三种来源均不相同，并且相应的第一来源气动数据输入条件与第一来源气动数据预测网络中的第一来源为同一来源，以此类推，所述第二来源对应的数据均为同一来源，所述第三来源对应的数据也为同一来源。
可见，本实施例首先获取包含三种来源气动数据输入条件以及相应的来源气动数据标签值的训练集；所述三种来源气动数据输入条件包括第一来源气动数据输入条件、第二来源气动数据输入条件和第三来源气动数据输入条件；接着将所述训练集传输至第一来源气动数据预测网络以得到基于所述三种来源气动数据输入条件输出的第一预测结果；所述第一来源气动数据预测网络用于学习所述三种来源气动数据输入条件与第一来源气动数据之间的非线性关系；然后将所述第一预测结果传输至第二来源气动数据预测网络以得到分别基于所述第二来源气动数据输入条件和所述第三来源气动数据输入条件输出的第二预测结果；所述第二来源气动数据预测网络用于基于所述第一预测结果学习所述第一来源气动数据与第二来源气动数据之间的关联关系；将所述第二预测结果传输至用于学习三种来源气动数据之间关联关系的第三来源气动数据预测网络以得到基于所述第三来源气动数据输入条件输出的第三预测结果，并根据所述第一预测结果、所述第二预测结果和所述第三预测结果确定损失函数以对三种来源气动数据预测网络中的当前网络参数进行训练得到更新后的当前网络参数。由此可知，本实施例将三种来源气动数据输入条件依次通过三个来源气动数据预测网络以得到相应的预测结果，并基于预测结果对三个来源气动数据预测网络中的当前网络参数进行更新训练，这样一来，通过三个预测网络可以同时对三种来源的气动数据进行融合处理，并且本方案无需根据经验寻找多源数据之间相关性的先验知识，可以直接利用深度预测网络中的万能逼近特性对多源气动数据之间的复杂相关关系进行自适应学习，对新的来源气动数据具有更强的泛化性，简化数据融合过程的同时还可以最大限度地提取数据中的有效信息。
基于上述实施例可知，本申请可以通过三种来源气动数据预测网络对三种来源的气动数据进行学习和预测，进而学习三种来源启动数据之间的关联关系，下面将具体描述通过三个预测网络进行模型训练的过程。参见图3所示，本申请实施例公开了一种具体的数据融合模型训练方法，包括：
步骤S21：利用预设方法产生包含三种来源气动数据输入条件以及相应的来源气动数据标签值的训练集，并设置模型训练参数；所述模型训练参数包括预设模型迭代次数。
本实施例中，利用预设方法生成包含三种来源气动数据输入条件以及相应的来源气动数据标签值的训练集，并设置包括模型学习率ε和预设模型迭代次数N的模型训练参数。其中所述预设方法包括但不限于K-折交叉验证方法，所述训练集中的第一来源气动数据输入条件为x1，相应的第一来源气动数据标签值为y1c；第二来源气动数据输入条件为x2，相应的第二来源气动数据标签值为y2c；第三来源气动数据输入条件为x3，相应的第三来源气动数据标签值为y3c，所述训练集的具体表示如下：
步骤S22：将所述训练集传输至第一来源气动数据预测网络以得到分别基于第一来源气动数据输入条件、第二来源气动数据输入条件和第三来源气动数据输入条件输出的第一预测值、第二预测值和第三预测值。
本实施例中，将所述训练集传输至第一来源气动数据预测网络以得到分别基于第一来源气动数据输入条件、第二来源气动数据输入条件和第三来源气动数据输入条件输出的第一预测值、第二预测值和第三预测值，以学习三种来源气动数据流动条件与第一种来源气动数据之间的非线性关系
所述第一来源气动数据预测网络的输出结果如下所示：
其中，
为所述第一预测值，/>
为所述第二预测值，/>
为所述第三预测值，x1为所述第一来源气动数据输入条件，x2为所述第二来源气动数据输入条件，x3为所述第三来源气动数据输入条件，/>
为所述第一来源气动数据预测网络中的网络参数。需要指出的是，通过所述第一来源气动数据预测网络输出的所述第一预测值为第一来源气动数据预测网络在第一来源气动数据输入条件下的预测值，与第二来源气动数据和第三来源气动数据不存在任何关联，所以不必传输至第二来源气动数据预测网络中，直接输出所述第一预测值以便后续基于所述第一来源气动数据标签值计算相应的均方误差得到损失函数。
本实施例中，在所述将所述训练集传输至第一来源气动数据预测网络以得到基于所述三种来源气动数据输入条件输出的第一预测结果之前，还包括：通过预设初始化器初始化处理所述三种来源气动数据预测网络以及所述三种来源气动数据预测网络中的初始网络参数。即在第一次将训练集输入至预测网络之前，需要通过预设初始化器对所述第一来源气动数据预测网络、所述第二来源气动数据预测网络和所述第三来源气动数据预测网络以及三种来源气动数据预测网络中的网络参数进行初始化处理，得到第一来源气动数据预测网络
、所述第二来源气动数据预测网络中的第一预测子网络/>
和第二预测子网络/>
、所述第三来源气动数据预测网络中的第三预测子网络/>
和第四预测子网络/>
以及所述第二来源气动数据预测网络和所述第三来源气动数据预测网络中相应的两个权重系数w10和w20。其中所述预设初始化器包括但不限于Xavier均匀分布初始化器，所述网络参数包括所述第一来源气动数据预测网络中的参数/>
、所述第二来源气动数据预测网络中的参数/>
、/>
和权重系数w1，以及所述第三来源气动数据预测网络中的参数/>
、/>
和权重系数w2。这样一来可以使得预测网络中每一层网络的参数方程尽可能相等。
步骤S23：将所述第二预测值和所述第三预测值传输至第二来源气动数据预测网络以得到分别基于所述第二来源气动数据输入条件和所述第三来源气动数据输入条件输出相应的第四预测值和第五预测值。
本实施例中，将所述训练集中的所述第二来源气动数据输入条件和所述第三来源气动数据输入条件，以及所述第一来源气动数据预测网络输出的所述第二预测值和所述第三预测值传输至第二来源气动数据预测网络，以得到分别基于所述第二来源气动数据输入条件和所述第三来源气动数据输入条件输出相应的第四预测值和第五预测值。其中所述第二来源气动数据预测网络包括用于预测线性关联关系的第一预测子网络
和用于预测非线性关联关系的第二预测子网络/>
，所述第一预测子网络、所述第二预测子网络和权重系数/>
组成了所述第二来源气动数据预测网络/>
，所述第二来源气动数据预测网络的输出结果如下所述：
其中，所述
为第四预测值，/>
为第五预测值，w1为所述第二来源气动数据预测网络中的权重系数并且为可训练的网络参数，/>
为所述第一预测子网络的网络参数，/>
为所述第二预测子网络的网络参数，x2为所述第二来源气动数据输入条件，x3为所述第三来源气动数据输入条件，/>
为所述第二预测值，/>
为所述第三预测值。需要指出的是，所述第四预测值为所述第二来源气动数据预测网络在所述第二来源气动数据输入条件下产生的预测值，则无需再传入至第三来源气动数据预测网络中，可以直接输出以便后续基于第二来源气动数据标签值和所述第四预测值确定出相应的均方误差以确定损失函数并对模型进行训练。
步骤S24：将所述第五预测值传输至用于学习三种来源气动数据之间关联关系的第三来源气动数据预测网络以得到基于所述第三来源气动数据输入条件输出的第六预测值。
本实施例中，需要将所述训练集中的所述第三来源气动数据输入条件、所述第一来源气动数据预测网络输出的所述第三预测值和所述第二来源气动数据预测网络输出的所述第五预测值传输至用于学习三种来源气动数据之间关联关系的第三来源气动数据预测网络，以得到基于所述第三来源气动数据输入条件输出的第六预测值。其中所述第三来源气动数据预测网络包括用于预测线性关联关系的第三预测子网络
和用于预测非线性关联关系的第四预测子网络/>
，所述第三预测子网络、所述第四预测子网络和权重系数w2组成了所述第三来源气动数据预测网络/>
，所述第三来源气动数据预测网络的输出结果如下所述：
其中，
为所述第六预测值，w2为所述第三来源气动数据预测网络的权重系数，并且为可训练的网络参数，/>
为所述第三预测子网络的网络参数，/>
为所述第四预测子网络的网络参数，x3为所述第三来源气动数据输入条件，/>
为所述第三预测值，/>
为所述第五预测值。需要指出的是，基于所述第一来源气动数据预测网络和所述第二来源气动数据预测网络分别对所述第三来源气动数据输入条件进行学习得到的所述第三预测值和所述第五预测值，以及训练集中的所述第三来源气动数据输入条件在所述第三来源气动数据预测网络中进行学习，可以获得所述三种来源气动数据之间的关联关系，输出的所述第六预测值为所述第三来源气动数据预测网络在所述第三来源气动数据输入条件下产生的预测值，可以用于后续的损失函数计算过程中。这样一来，利用层层递进的方式不断对三种来源气动数据输入条件经过三层预测网络进行学习预测得到相应的预测值，可以利用深度网络的万能逼近特性学习多源气动数据之间的复杂相关关系，并为后续基于预测值确定损失函数并对网络进行训练的步骤奠定基础。
步骤S25：分别基于所述第一预测值和对应的第一来源气动数据标签值、所述第四预测值和对应的第二来源气动数据标签值以及所述第六预测值和对应的第三来源气动数据标签值确定出相应的第一均方误差、第二均方误差以及第三均方误差。
本实施例中，基于所述第一预测值和所述训练集中对应的第一来源气动数据标签值计算得到第一均方误差
，基于所述第四预测值和所述训练集中对应的第二来源气动数据标签值计算得到第二均方误差/>
，并基于所述第六预测值和所述训练集中对应的第三来源气动数据标签值计算得到第三均方误差/>
，以便基于三种均方误差确定损失函数。其中所述第一来源气动数据标签值、所述第二来源气动数据标签值和所述第三来源气动数据标签值为所述训练集中分别与所述第一来源气动数据输入条件、所述第二来源气动数据输入条件和所述第三来源气动数据输入条件对应的来源气动数据标签值。
步骤S26：利用所述第一均方误差、所述第二均方误差和所述第三均方误差确定损失函数，并根据所述损失函数计算所述当前网络参数的参数梯度。
本实施例中，利用所述第一均方误差、所述第二均方误差和所述第三均方误差确定损失函数，其中所述损失函数的公式为：
其中，L为损失函数，
为第一均方误差，/>
为第二均方误差，/>
为第三均方误差，其中y1c为第一来源气动数据标签值，y2c为第二来源气动数据标签值，y3c为第三来源气动数据标签值，/>
为所述第一预测值，所述/>
为第四预测值，/>
为所述第六预测值，/>
为超参数，/>
为向量的L2范式。若为首次计算损失函数，则可以利用/>
、/>
、/>
、/>
、/>
进行相应的计算。确定损失函数后，根据所述损失函数计算所述当前网络参数即/>
、/>
、/>
、/>
、/>
和两个权重系数w1、w2的参数梯度：/>
其中g为参数梯度，L为损失函数。
步骤S27：通过预设参数优化方法和所述参数梯度对所述三种来源气动数据预测网络中的所述当前网络参数进行训练以得到相应的更新后的当前网络参数。
本实施例中，通过预设参数优化方法和所述参数梯度对所述第一来源气动数据预测网络、所述第二来源气动数据预测网络和所述第三来源气动数据预测网络中的所述当前网络参数进行训练以得到相应的更新后的当前网络参数，其中所述预设参数优化方法包括但不限于ADAM（adaptive moment estimation，即适应性矩估计）优化方法，更新的具体表示如下所示：
基于上述公式可知，更新后的当前网络参数为更新前的当前网络参数减去学习率ε与参数梯度g的乘积得到的。
步骤S28：判断当前迭代次数是否小于所述预设模型迭代次数；若否，则将更新后的所述当前网络参数输出以得到最优网络参数。
本实施例中，在每进行一轮训练后，需要判断当前的迭代次数是否小于所述预设模型迭代次数，若否，即表示当前的迭代次数达到目标迭代次数可以停止对网络参数进行训练，可以将更新后的所述当前网络参数输出以得到最优网络参数。
步骤S29：若是，则利用更新后的所述当前网络参数分别输入至相应的所述第一来源气动数据预测网络、所述第二来源气动数据预测网络和所述第三来源气动数据预测网络以对三种来源气动数据预测网络进行更新，并重新跳转至所述将所述训练集传输至第一来源气动数据预测网络以得到基于所述三种来源气动数据输入条件输出的第一预测结果的步骤。
本实施例中，若是，则表明当前的迭代次数还未达到目标迭代次数，利用更新后的当前网络参数分别输入至相应的预测网络以对三种来源气动数据预测网络进行更新，即将
输入至所述第一来源气动数据预测网络，将/>
、/>
和权重系数w1输入至所述第二来源气动数据预测网络，并将/>
、/>
和权重系数w2输入至所述第三来源气动数据预测网络，并重新跳转至步骤S22以进行下一次训练，这样一来，通过不断对预测网络和网络参数进行更新迭代，可以不断得到最优的网络参数，使预测网络可以自适应的学习多源数据之间复杂的关联关系，提高模型的泛化能力。
可见，本实施例利用三个来源气动数据预测网络输出的预测值计算损失函数，并基于损失函数对三个来源气动数据预测网络中得当前网络参数进行更新训练，将训练后的网络参数分别输入至三个来源气动数据预测网络中以对预测网络进行更新进行下一轮模型训练过程，直至模型训练迭代次数达到预设模型迭代次数时，即可直接输出最优网络参数。这样一来，通过不断对预测网络和网络参数进行更新迭代，可以不断得到最优的网络参数，使预测网络可以自适应的学习多源数据之间复杂的关联关系，提高模型的泛化能力。
参见图4所示，本申请实施例公开了一种具体的数据融合模型训练方法，包括：首先将第一来源气动数据流动状态、第二来源气动数据流动状态和第三来源气动数据流动状态输入至第一来源气动数据预测网络中，经过所述第一来源气动数据预测网络输出第一来源气动数据预测网络在所述第一来源气动数据流动状态的预测值、第一来源气动数据预测网络在所述第二来源气动数据流动状态的预测值和第一来源气动数据预测网络在所述第三来源气动数据流动状态的预测值；接着将第一来源气动数据预测网络在所述第二来源气动数据流动状态的预测值、第二来源气动数据流动状态、第一来源气动数据预测网络在所述第三来源气动数据流动状态的预测值以及第三来源气动数据流动状态输入至第二来源气动数据预测网络中，并基于所述第二来源气动数据预测网络中的线性关联关系预测网络和非线性关联关系预测网络输出第二来源气动数据预测网络在所述第二来源气动数据流动状态的预测值和第二来源气动数据预测网络在所述第三来源气动数据流动状态的预测值；然后将第一来源气动数据预测网络在所述第三来源气动数据流动状态的预测值、第二来源气动数据预测网络在所述第三来源气动数据流动状态的预测值以及第三来源气动数据流动状态输入至第三来源气动数据预测网络中，基于所述第三来源气动数据预测网络中的线性关联关系预测网络和非线性关联关系预测网络输出第三来源气动数据预测网络在所述第三来源气动数据流动状态的预测值；最后基于第一来源气动数据预测网络在所述第一来源气动数据流动状态的预测值与相应的第一来源气动数据标签、第二来源气动数据预测网络在所述第二来源气动数据流动状态的预测值与相应的第二来源气动数据标签和第三来源气动数据预测网络在所述第三来源气动数据流动状态的预测值与相应的第三来源气动数据标签计算损失函数，并根据损失函数对所述第一来源气动数据预测网络、第二来源气动数据预测网络和第三来源气动数据预测网络进行训练。
参考图5所述，本申请实施例还相应公开了一种数据融合模型训练装置，包括：
训练集获取模块11，用于获取包含三种来源气动数据输入条件以及相应的来源气动数据标签值的训练集；所述三种来源气动数据输入条件包括第一来源气动数据输入条件、第二来源气动数据输入条件和第三来源气动数据输入条件；
第一网络预测模块12，用于将所述训练集传输至第一来源气动数据预测网络以得到基于所述三种来源气动数据输入条件输出的第一预测结果；所述第一来源气动数据预测网络用于学习所述三种来源气动数据输入条件与第一来源气动数据之间的非线性关系；
第二网络预测模块13，用于将所述第一预测结果传输至第二来源气动数据预测网络以得到分别基于所述第二来源气动数据输入条件和所述第三来源气动数据输入条件输出的第二预测结果；所述第二来源气动数据预测网络用于基于所述第一预测结果学习所述第一来源气动数据与第二来源气动数据之间的关联关系；
第三网络预测模块14，用于将所述第二预测结果传输至用于学习三种来源气动数据之间关联关系的第三来源气动数据预测网络以得到基于所述第三来源气动数据输入条件输出的第三预测结果；
网络参数训练模块15，用于根据所述第一预测结果、所述第二预测结果和所述第三预测结果确定损失函数以对三种来源气动数据预测网络中的当前网络参数进行训练得到更新后的当前网络参数。
可见，本实施例首先获取包含三种来源气动数据输入条件以及相应的来源气动数据标签值的训练集；所述三种来源气动数据输入条件包括第一来源气动数据输入条件、第二来源气动数据输入条件和第三来源气动数据输入条件；接着将所述训练集传输至第一来源气动数据预测网络以得到基于所述三种来源气动数据输入条件输出的第一预测结果；所述第一来源气动数据预测网络用于学习所述三种来源气动数据输入条件与第一来源气动数据之间的非线性关系；然后将所述第一预测结果传输至第二来源气动数据预测网络以得到分别基于所述第二来源气动数据输入条件和所述第三来源气动数据输入条件输出的第二预测结果；所述第二来源气动数据预测网络用于基于所述第一预测结果学习所述第一来源气动数据与第二来源气动数据之间的关联关系；将所述第二预测结果传输至用于学习三种来源气动数据之间关联关系的第三来源气动数据预测网络以得到基于所述第三来源气动数据输入条件输出的第三预测结果，并根据所述第一预测结果、所述第二预测结果和所述第三预测结果确定损失函数以对三种来源气动数据预测网络中的当前网络参数进行训练得到更新后的当前网络参数。由此可知，本实施例将三种来源气动数据输入条件依次通过三个来源气动数据预测网络以得到相应的预测结果，并基于预测结果对三个来源气动数据预测网络中的当前网络参数进行更新训练，这样一来，通过三个预测网络可以同时对三种来源的气动数据进行融合处理，并且本方案无需根据经验寻找多源数据之间相关性的先验知识，可以直接利用深度预测网络中的万能逼近特性对多源气动数据之间的复杂相关关系进行自适应学习，对新的来源气动数据具有更强的泛化性，简化数据融合过程的同时还可以最大限度地提取数据中的有效信息。
在一些具体的实施例中，所述训练集获取模块11，具体可以用于利用预设方法产生包含三种来源气动数据输入条件以及相应的来源气动数据标签值的训练集，并设置模型训练参数；所述模型训练参数包括预设模型迭代次数。
在一些具体的实施例中，所述数据融合模型训练装置，还可以包括：
模型初始化模块，用于通过预设初始化器初始化处理所述三种来源气动数据预测网络以及所述三种来源气动数据预测网络中的初始网络参数。
在一些具体的实施例中，所述第一网络预测模块12，具体可以用于将所述训练集传输至第一来源气动数据预测网络以得到分别基于所述第一来源气动数据输入条件、所述第二来源气动数据输入条件和所述第三来源气动数据输入条件输出的第一预测值、第二预测值和第三预测值。
在一些具体的实施例中，所述第二网络预测模块13，具体可以用于将所述第二预测值和所述第三预测值传输至所述第二来源气动数据预测网络以得到分别基于所述第二来源气动数据输入条件和所述第三来源气动数据输入条件输出相应的第四预测值和第五预测值；
相应的，所述第三网络预测模块14，具体可以用于将所述第五预测值传输至用于学习三种来源气动数据之间关联关系的第三来源气动数据预测网络以得到基于所述第三来源气动数据输入条件输出的第六预测值。
在一些具体的实施例中，所述网络参数训练模块15，具体可以包括：
均方误差计算单元，用于分别基于所述第一预测值和对应的第一来源气动数据标签值、所述第四预测值和对应的第二来源气动数据标签值以及所述第六预测值和对应的第三来源气动数据标签值确定出相应的第一均方误差、第二均方误差以及第三均方误差；所述第一来源气动数据标签值、所述第二来源气动数据标签值和所述第三来源气动数据标签值为所述训练集中分别与所述第一来源气动数据输入条件、所述第二来源气动数据输入条件和所述第三来源气动数据输入条件对应的来源气动数据标签值；
损失函数确定单元，用于利用所述第一均方误差、所述第二均方误差和所述第三均方误差确定所述损失函数，并根据所述损失函数计算所述当前网络参数的参数梯度；
网络参数训练单元，用于通过预设参数优化方法和所述参数梯度对所述三种来源气动数据预测网络中的所述当前网络参数进行训练以得到相应的更新后的当前网络参数。
在一些具体的实施例中，所述数据融合模型训练装置，还可以包括：
迭代次数判断模块，用于判断当前迭代次数是否小于预设模型迭代次数；
预测网络更新模块，用于若是，则利用更新后的所述当前网络参数分别输入至相应的所述第一来源气动数据预测网络、所述第二来源气动数据预测网络和所述第三来源气动数据预测网络以对三种来源气动数据预测网络进行更新，并重新跳转至所述将所述训练集传输至第一来源气动数据预测网络以得到基于所述三种来源气动数据输入条件输出的第一预测结果的步骤；
网络参数输出模块，用于若否，则将更新后的所述当前网络参数输出以得到最优网络参数。
进一步的，本申请实施例还公开了一种电子设备，图6是根据一示例性实施例示出的电子设备20结构图，图中的内容不能认为是对本申请的使用范围的任何限制。
图6为本申请实施例提供的一种电子设备20的结构示意图。该电子设备 20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的数据融合模型训练方法中的相关步骤。另外，本实施例中的电子设备20具体可以为电子计算机。
本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵 循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进 行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、 磁盘或者光盘等，其上所存储的资源可以包括操作系统221、计算机程序222 等，存储方式可以是短暂存储或者永久存储。
其中，操作系统221用于管理与控制电子设备20上的各硬件设备以及计算 机程序222，其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的数据融合模型训练方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。
进一步的，本申请还公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的数据融合模型训练方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容，在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后，还需要说明的是，在本文中，诸如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。
以上对本申请所提供的技术方案进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (8)
1.一种数据融合模型训练方法，其特征在于，包括：
获取包含三种来源气动数据输入条件以及相应的来源气动数据标签值的训练集；所述三种来源气动数据输入条件包括第一来源气动数据输入条件、第二来源气动数据输入条件和第三来源气动数据输入条件；其中，三种来源包括数值计算、风洞实验和飞行试验，且所述三种来源互不相同；
将所述训练集传输至第一来源气动数据预测网络以得到分别基于所述第一来源气动数据输入条件、所述第二来源气动数据输入条件和所述第三来源气动数据输入条件输出的第一预测值、第二预测值和第三预测值；所述第一来源气动数据预测网络用于学习所述三种来源气动数据输入条件与第一来源气动数据之间的非线性关系；
将所述第二预测值和所述第三预测值传输至第二来源气动数据预测网络以得到分别基于所述第二来源气动数据输入条件和所述第三来源气动数据输入条件输出相应的第四预测值和第五预测值；所述第二来源气动数据预测网络用于学习在不同来源气动数据输入条件下所述第一来源气动数据与第二来源气动数据之间的关联关系；
将所述第五预测值传输至用于学习三种来源气动数据之间关联关系的第三来源气动数据预测网络以得到基于所述第三来源气动数据输入条件输出的第六预测值，并根据所述第一预测值、所述第四预测值和所述第六预测值确定损失函数以对三种来源气动数据预测网络中的当前网络参数进行训练得到更新后的当前网络参数。
2.根据权利要求1所述的数据融合模型训练方法，其特征在于，所述获取包含三种来源气动数据输入条件以及相应的来源气动数据标签值的训练集，包括：
利用预设方法产生包含三种来源气动数据输入条件以及相应的来源气动数据标签值的训练集，并设置模型训练参数；所述模型训练参数包括预设模型迭代次数。
3.根据权利要求1所述的数据融合模型训练方法，其特征在于，所述将所述训练集传输至第一来源气动数据预测网络以得到分别基于所述第一来源气动数据输入条件、所述第二来源气动数据输入条件和所述第三来源气动数据输入条件输出的第一预测值、第二预测值和第三预测值之前，还包括：
通过预设初始化器初始化处理所述三种来源气动数据预测网络以及所述三种来源气动数据预测网络中的初始网络参数。
4.根据权利要求1所述的数据融合模型训练方法，其特征在于，所述根据所述第一预测值、所述第四预测值和所述第六预测值确定损失函数以对三种来源气动数据预测网络中的当前网络参数进行训练得到更新后的当前网络参数，包括：
分别基于所述第一预测值和对应的第一来源气动数据标签值、所述第四预测值和对应的第二来源气动数据标签值以及所述第六预测值和对应的第三来源气动数据标签值确定出相应的第一均方误差、第二均方误差以及第三均方误差；所述第一来源气动数据标签值、所述第二来源气动数据标签值和所述第三来源气动数据标签值为所述训练集中分别与所述第一来源气动数据输入条件、所述第二来源气动数据输入条件和所述第三来源气动数据输入条件对应的来源气动数据标签值；
利用所述第一均方误差、所述第二均方误差和所述第三均方误差确定所述损失函数，并根据所述损失函数计算所述当前网络参数的参数梯度；
通过预设参数优化方法和所述参数梯度对所述三种来源气动数据预测网络中的所述当前网络参数进行训练以得到相应的更新后的当前网络参数。
5.根据权利要求1至4任一项所述的数据融合模型训练方法，其特征在于，所述根据所述第一预测值、所述第四预测值和所述第六预测值确定损失函数以对三种来源气动数据预测网络中的当前网络参数进行训练得到更新后的当前网络参数之后，还包括：
判断当前迭代次数是否小于预设模型迭代次数；
若是，则利用更新后的所述当前网络参数分别输入至相应的所述第一来源气动数据预测网络、所述第二来源气动数据预测网络和所述第三来源气动数据预测网络以对三种来源气动数据预测网络进行更新，并重新跳转至所述将所述训练集传输至第一来源气动数据预测网络以得到分别基于所述第一来源气动数据输入条件、所述第二来源气动数据输入条件和所述第三来源气动数据输入条件输出的第一预测值、第二预测值和第三预测值的步骤；
若否，则将更新后的所述当前网络参数输出以得到最优网络参数。
6.一种数据融合模型训练装置，其特征在于，包括：
训练集获取模块，用于获取包含三种来源气动数据输入条件以及相应的来源气动数据标签值的训练集；所述三种来源气动数据输入条件包括第一来源气动数据输入条件、第二来源气动数据输入条件和第三来源气动数据输入条件；其中，三种来源包括数值计算、风洞实验和飞行试验，且所述三种来源互不相同；
第一网络预测模块，用于将所述训练集传输至第一来源气动数据预测网络以得到分别基于所述第一来源气动数据输入条件、所述第二来源气动数据输入条件和所述第三来源气动数据输入条件输出的第一预测值、第二预测值和第三预测值；所述第一来源气动数据预测网络用于学习所述三种来源气动数据输入条件与第一来源气动数据之间的非线性关系；
第二网络预测模块，用于将所述第二预测值和所述第三预测值传输至第二来源气动数据预测网络以得到分别基于所述第二来源气动数据输入条件和所述第三来源气动数据输入条件输出相应的第四预测值和第五预测值；所述第二来源气动数据预测网络用于学习在不同来源气动数据输入条件下所述第一来源气动数据与第二来源气动数据之间的关联关系；
第三网络预测模块，用于将所述第五预测值传输至用于学习三种来源气动数据之间关联关系的第三来源气动数据预测网络以得到基于所述第三来源气动数据输入条件输出的第六预测值；
网络参数训练模块，用于根据所述第一预测值、所述第四预测值和所述第六预测值确定损失函数以对三种来源气动数据预测网络中的当前网络参数进行训练得到更新后的当前网络参数。
7.一种电子设备，其特征在于，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序以实现如权利要求1至5任一项所述的数据融合模型训练方法。
8.一种计算机可读存储介质，其特征在于，用于保存计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的数据融合模型训练方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310188273.2A CN115879008B (zh) | 2023-03-02 | 2023-03-02 | 一种数据融合模型训练方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310188273.2A CN115879008B (zh) | 2023-03-02 | 2023-03-02 | 一种数据融合模型训练方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115879008A CN115879008A (zh) | 2023-03-31 |
| CN115879008B true CN115879008B (zh) | 2023-05-26 |
Family
ID=85761772
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310188273.2A Active CN115879008B (zh) | 2023-03-02 | 2023-03-02 | 一种数据融合模型训练方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115879008B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116976011B (zh) * | 2023-09-21 | 2023-12-15 | 中国空气动力研究与发展中心计算空气动力研究所 | 低高保真度气动数据特征关联深度复合网络模型及方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108898218A (zh) * | 2018-05-24 | 2018-11-27 | 阿里巴巴集团控股有限公司 | 一种神经网络模型的训练方法、装置、及计算机设备 |
| WO2021052159A1 (zh) * | 2019-09-20 | 2021-03-25 | 五邑大学 | 基于对抗迁移学习的人脸美丽预测方法及装置 |
| CN115290286A (zh) * | 2022-10-10 | 2022-11-04 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种亚跨超声速风洞流场稳定性的集成学习评估系统 |
| CN115546576A (zh) * | 2022-08-30 | 2022-12-30 | 阿里巴巴达摩院(杭州)科技有限公司 | 建立预测模型的方法及装置 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014149043A1 (en) * | 2013-03-20 | 2014-09-25 | International Truck Intellectual Property Company, Llc | Smart cruise control system |
| US11008120B2 (en) * | 2017-05-23 | 2021-05-18 | The Boeing Company | System and method for predicting preliminary design requirements using artificial neural networks |
| CN110188378B (zh) * | 2019-04-12 | 2020-12-08 | 浙江大学 | 一种基于神经网络的气动数据融合方法 |
| CN110222910B (zh) * | 2019-06-20 | 2023-02-10 | 武汉大学 | 一种有源配电网态势预测方法及预测系统 |
| CN111310862B (zh) * | 2020-03-27 | 2024-02-09 | 西安电子科技大学 | 复杂环境下基于图像增强的深度神经网络车牌定位方法 |
| CN112734723B (zh) * | 2021-01-08 | 2023-06-30 | 温州医科大学 | 一种面向多源数据的乳腺肿瘤图像分类预测方法及装置 |
| CN113656859A (zh) * | 2021-07-05 | 2021-11-16 | 哈尔滨工业大学 | 一种基于深度学习的不同外形桥梁自激振动预测建模方法 |
| CN113777931B (zh) * | 2021-11-09 | 2022-02-11 | 中国空气动力研究与发展中心计算空气动力研究所 | 结冰翼型气动模型构造方法、装置、设备及介质 |
| CN114510076A (zh) * | 2022-02-10 | 2022-05-17 | 中国人民解放军战略支援部队信息工程大学 | 基于无迹变换的目标协同探测与制导一体化方法及系统 |
| 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 |
| CN115271181A (zh) * | 2022-07-06 | 2022-11-01 | 同济大学 | 一种基于多模态数据融合的台风概率预报智能方法及装置 |
| CN115238836B (zh) * | 2022-09-23 | 2023-04-28 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于气动数据和物理模型相关度的融合方法 |
| CN115587541A (zh) * | 2022-10-25 | 2023-01-10 | 西安交通大学 | 一种利用多特征融合残差网络描述涡扇发动机过程特性的方法 |
-
2023
- 2023-03-02 CN CN202310188273.2A patent/CN115879008B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108898218A (zh) * | 2018-05-24 | 2018-11-27 | 阿里巴巴集团控股有限公司 | 一种神经网络模型的训练方法、装置、及计算机设备 |
| WO2021052159A1 (zh) * | 2019-09-20 | 2021-03-25 | 五邑大学 | 基于对抗迁移学习的人脸美丽预测方法及装置 |
| CN115546576A (zh) * | 2022-08-30 | 2022-12-30 | 阿里巴巴达摩院(杭州)科技有限公司 | 建立预测模型的方法及装置 |
| CN115290286A (zh) * | 2022-10-10 | 2022-11-04 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种亚跨超声速风洞流场稳定性的集成学习评估系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115879008A (zh) | 2023-03-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10951500B2 (en) | Method and apparatus for warning | |
| CN110520871B (zh) | 使用学习进度测量训练机器学习模型 | |
| CN110832509B (zh) | 使用神经网络的黑盒优化 | |
| KR20200110400A (ko) | 학습 데이터 증강 정책 | |
| CN115879008B (zh) | 一种数据融合模型训练方法、装置、设备及存储介质 | |
| JP2020506488A (ja) | バッチ再正規化層 | |
| US20220019866A1 (en) | Controlling robots using entropy constraints | |
| Jiang et al. | An Improved Sarsa ($\lambda $) Reinforcement Learning Algorithm for Wireless Communication Systems | |
| WO2018215344A1 (en) | Noisy neural network layers | |
| CN116703131B (zh) | 电力资源分配方法、装置、电子设备和计算机可读介质 | |
| Tutsoy et al. | An analysis of value function learning with piecewise linear control | |
| CN115546293A (zh) | 障碍物信息融合方法、装置、电子设备和计算机可读介质 | |
| Huang | Neuro‐observer based online finite‐horizon optimal control for uncertain non‐linear continuous‐time systems | |
| Izadipour et al. | Distributed robust adaptive flocking for uncertain nonlinear multi-agent systems with time-varying communication delay | |
| CN112165402A (zh) | 一种网络安全态势预测的方法和装置 | |
| CN116775837A (zh) | 一种智能对话隐私保护方法、装置、设备及存储介质 | |
| WO2020173270A1 (zh) | 用于分析数据的方法、设备和计算机存储介质 | |
| CN116451872A (zh) | 碳排放预测分布式模型训练方法、相关方法及装置 | |
| CN110991661A (zh) | 用于生成模型的方法和装置 | |
| CN116017528A (zh) | 流量预测方法、装置及服务器 | |
| Wang et al. | Dynamic learning‐based event‐triggered control of strict‐feedback systems with finite‐time prescribed performance | |
| Jiang et al. | Synthesis of mixed objective output feedback robust model predictive control | |
| Xia et al. | Adaptive DSC of stochastic non‐linear systems with input unmodelled dynamics | |
| Zhou et al. | High‐order moment multi‐sensor fusion filter design of Markov jump linear systems | |
| Zou et al. | Recursive Filtering for Time-Varying Systems with Random Access Protocol |
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 |