CN116702334B - 一种用于固体发动机总体设计案例的稀疏化存储方法 - Google Patents

一种用于固体发动机总体设计案例的稀疏化存储方法 Download PDF

Info

Publication number
CN116702334B
CN116702334B CN202310974346.0A CN202310974346A CN116702334B CN 116702334 B CN116702334 B CN 116702334B CN 202310974346 A CN202310974346 A CN 202310974346A CN 116702334 B CN116702334 B CN 116702334B
Authority
CN
China
Prior art keywords
design
cases
sample
case
design case
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
Application number
CN202310974346.0A
Other languages
English (en)
Other versions
CN116702334A (zh
Inventor
杨家伟
武泽平
张为华
王东辉
马帅超
张德权
高经纬
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202310974346.0A priority Critical patent/CN116702334B/zh
Publication of CN116702334A publication Critical patent/CN116702334A/zh
Application granted granted Critical
Publication of CN116702334B publication Critical patent/CN116702334B/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]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
    • G06F3/0601—Interfaces specially adapted for storage systems
    • G06F3/0602—Interfaces specially adapted for storage systems specifically adapted to achieve a particular effect
    • G06F3/0614—Improving the reliability of storage systems
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Hardware Design (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种用于固体发动机总体设计案例的稀疏化存储方法，包括：S1.针对所有的设计案例采用径向基方法构建预测代理模型，并获取预测代理模型针对所有设计案例的初始误差值；S2.获取设计案例中的最优设计案例；S3.保留最优设计案例，并采用增强随机进化算法进行实验设计，获取关于所有设计案例的中心点；S4.根据均匀分布的中心点对所有设计案例进行聚类处理，获取多个样本类；其中，样本类包含至少一个设计案例；S5.按照设计案例的数量，将样本类按照设计案例由多至寡的方式排序；S6.按照步骤S5的排列顺序对样本类进行冗余案例的剔除，获得稀疏化后的设计案例。本发明实现了固体发动机总体设计案例稀疏化存储。

Description

一种用于固体发动机总体设计案例的稀疏化存储方法
技术领域
本发明涉及固体发动机总体设计技术领域，尤其涉及一种用于固体发动机总体设计案例的稀疏化存储方法。
背景技术
固体火箭发动机是在导弹、火箭等航天运载器中广泛应用的动力系统之一，智能设计方法是提高固体发动机总体设计效率的关键，总体设计案例稀疏化存储是固体发动机总体智能化设计方法中最核心最困难的技术之一，其主要任务是在保证样本案例模型信息基础上，筛除冗余样本，优化案例库样本结构，为固体发动机总体智能化设计提供支撑。
目前常用的固体发动机总体设计案例稀疏化存储方法为人工筛选法，其针对新的总体设计案例，通过人工筛选剔除冗余样本，使剩下的样本尽可能覆盖设计域且保留部分性能优异的样本，达到优化样本结构的目的。但人工筛选法费事费力，需要大量重复性工作，且剔除样本点后模型精度难以保证，对案例的可靠度产生不利影响。
发明内容
本发明的目的在于提供一种用于固体发动机总体设计案例的稀疏化存储方法，用于解决固体发动机总体设计案例样本冗余、存储效率低的问题。
为实现上述发明目的，本发明提供一种用于固体发动机总体设计案例的稀疏化存储方法，包括以下步骤：
S1.针对所有的设计案例采用径向基方法构建预测代理模型，并获取所述预测代理模型针对所有所述设计案例的初始误差值；
S2.获取所述设计案例中的最优设计案例；
S3.保留所述最优设计案例，并采用增强随机进化算法进行实验设计，其中，将所述最优设计案例固定为所述实验设计中的一个样本点，并基于所述最优设计案例在设计空间内通过所述实验设计生成剩余数量的样本点；
通过调整剩余数量的所述样本点的位置并且迭代评估所述实验设计中所有所述样本点的均匀性，获取关于所有所述设计案例的中心点；
S4.根据均匀分布的所述中心点对所有所述设计案例进行聚类处理，获取多个样本类；其中，所述样本类包含至少一个所述设计案例；
S5.按照所述设计案例的数量，将所述样本类按照所述设计案例由多至寡的方式排序；
S6.按照步骤S5的排列顺序对所述样本类进行冗余案例的剔除，获得稀疏化后的所述设计案例。
根据本发明的一个方面，多个所述设计案例的维度均为一致的，且所述设计案例在其上下界之间分别进行归一化处理；其中，归一化公式表示为：
；
其中，为第/>个设计案例第/>维上的取值，/>和/>为第/>维的下限和上限，/>表示所述设计案例的数量。
根据本发明的一个方面，步骤S1中，获取所述预测代理模型针对所有所述设计案例的初始误差值的步骤中，基于留一交叉验证和粒子群优化算法优化所述预测代理模型的核宽度，得到的所述预测代理模型针对所有所述设计案例的预测均方根误差RMSE值，其表示为：
；
其中，为所述预测代理模型的预测输出，/>为所述设计案例的真实模型输出。
根据本发明的一个方面，步骤S3中，通过调整剩余数量的所述样本点的位置并且迭代评估所述实验设计中所有所述样本点的均匀性的步骤中，采用评估矩阵进行均匀性的迭代评估，其中，所述评估矩阵表示为：
；
其中，表示所述最优设计案例，/>是实验设计新生成的样本点；
获取关于所有所述设计案例的中心点的步骤中，以获得的p+1所述样本点作为所述中心点。
根据本发明的一个方面，步骤S4中，根据均匀分布的所述中心点对所有所述设计案例进行聚类处理，获取多个样本类的步骤中，采用欧基里德距离划分所述样本类。
根据本发明的一个方面，步骤S6中，按照步骤S5的排列顺序对所述样本类进行冗余案例的剔除，获稀疏化后的所述设计案例的步骤中，包括以下步骤：
S61.针对当前所述样本类中的所述设计案例，分别计算所述设计案例与所述中心点之间的相似度，其表示为：
；
其中，为当前所述设计案例与所述样本类的中心点之间的欧基里德距离，为所述样本类内所述设计案例距离所述中心点的最远距离，/>是当前所述设计案例与所述样本类内其他所述设计案例的最小距离，/>是所有所述样本类内所述设计案例最小距离的最大值；
S62.按照相似度从高到低的顺序删除当前相似度最高的所述设计案例，并且在删除当前相似度最高的所述设计案例后评估所述预测代理模型的精度变化；
S63.重复步骤S62直到所述预测代理模型的精度相较于所述初始误差值下降一个数量级，则停止删除当前的所述设计案例，得到当前所述样本类中剩下的所述设计案例；
S64.重复执行步骤S61至S63，针对所有所述样本类分别进行冗余案例的提出，则获得稀疏化后的所述设计案例。
根据本发明的一个方面，步骤S62中，删除当前相似度最高的所述设计案例后评估所述预测代理模型的精度变化的步骤中，基于所述样本类中剩下的所述设计案例更新所述预测代理模型，基于更新后的所述预测代理模型进行精度变化的评估。
根据本发明的一种方案，本发明实现了固体发动机总体设计案例稀疏化存储，为固体发动机智能设计提供数据基础。
根据本发明的一种方案，本发明在保持预测代理模型精度的基础上筛选样本，首先对所有样本（即设计案例）进行聚类，然后提出样本相似度准则评估样本类内样本的相似性，在保证建模精度的基础上逐个删除样本，并且循环处理完所有类后得到稀疏化的样本。由于脱离了人工，大大提高了稀疏化效率，同时在剔除样本时考虑的模型的精度，可以使稀疏化的样本最大程度的保留真实模型的信息，实现案例样本的高效可靠稀疏化存储。
根据本发明的一种方案， 本发明首先保留最优设计案例在设计域内进行实验设计，以得到的样本点为中心对所有样本（即设计案例）聚类，应用样本相似度表征方法评估类内样本的相似度，并在保证模型精度的基础上逐个提出高相似样本，实现固体发动机总体设计案例样本的高效、可靠稀疏化。
根据本发明的一种方案，本发明相对于一般人工稀疏化方法通过程序控制，实现了自动化，大大提高了稀疏化效率。
根据本发明的一种方案，本发明在稀疏化中引入了模型全局精度评估，在实现案例样本稀疏化的同时，进一步考虑了样本的全局预测精度，保证了案例的可靠性。
根据本发明的一种方案，本发明已经在多种不同的固体发动机总体智能化设计中得到了应用，与现有方法相比，案例样本结构更优，可靠性更好，相对于一般训练时间长、可靠性低的人工稀疏化方法，本发明提出的方法具有更高的效率和可靠性，能有效满足固体发动机总体设计智能化的案例稀疏化存储需求。
附图说明
图1是示意性表示根据本发明的一种实施方式的稀疏化存储方法的步骤框图；
图2是示意性表示根据本发明的一种实施方式的稀疏化存储方法的流程图；
图3是示意性表示根据本发明的一种实施方式的固体发动机推力性能迭代设计收敛图；
图4是示意性表示根据本发明的一种实施方式的固体发动机推力性能匹配设计结果图；
图5是示意性表示根据本发明的一种实施方式的实施例1中删除样本后模型全局精度变化图。
具体实施方式
下面结合附图和具体实施方式对本发明作详细地描述，实施方式不能在此一一赘述，但本发明的实施方式并不因此限定于以下实施方式。
结合图1和图2所示，根据本发明的一种实施方式，本发明的一种用于固体发动机总体设计案例的稀疏化存储方法，包括以下步骤：
S1.针对所有的设计案例采用径向基方法构建预测代理模型，并获取预测代理模型针对所有设计案例的初始误差值；
S2.基于初始误差值获取设计案例中的最优设计案例；
S3. 保留最优设计案例，并采用增强随机进化算法进行实验设计，其中，将最优设计案例固定为实验设计中的一个样本点，并基于最优设计案例在设计空间内通过实验设计生成剩余数量的样本点；
通过调整剩余数量的样本点的位置并且迭代评估实验设计中所有样本点的均匀性，获取关于所有所述设计案例的中心点；
S4.根据均匀分布的中心点对所有设计案例进行聚类处理，获取多个样本类；其中，样本类包含至少一个设计案例；
S5.按照设计案例的数量，将样本类按照设计案例由多至寡的方式排序；
S6.按照步骤S5的排列顺序对样本类进行冗余案例的剔除，获得稀疏化后的设计案例。
结合图1和图2所示，根据本发明的一种实施方式，多个设计案例（即样本）的维度均为一致的，且设计案例在其上下界之间分别进行归一化处理；其中，归一化公式表示为：
；
其中，为第/>个设计案例第/>维上的取值，/>和/>为第/>维的下限和上限，表示所述设计案例的数量。
结合图1和图2所示，根据本发明的一种实施方式，步骤S1中，针对所有的设计案例采用径向基方法构建预测代理模型的步骤中，基于真实模型构建预测代理模型，具体的，每个设计案例都是真实模型的样本点，包含真实模型的输入和输出；其中，构建预测代理模型是为了获得真实模型的低成本近似，进而，步骤S1中所采用的设计案例可采用真实模型的高精度样本点生成，用于以实现后续案例稀疏化的目的（即在尽可能不减小预测代理模型精度的情况下减少样本点）。
在本实施方式中，步骤S1中，获取预测代理模型针对所有设计案例的初始误差值的步骤中，基于留一交叉验证和粒子群优化算法优化预测代理模型的核宽度，得到的预测代理模型针对所有设计案例的预测均方根误差RMSE值，其表示为：
；
其中，为预测代理模型的预测输出，/>为设计案例的真实模型输出。
结合图1和图2所示，根据本发明的一种实施方式，步骤S2中，获取设计案例中的最优设计案例的步骤中，基于目标函数值对设计案例进行评估，以目标函数值最优的设计案例作为最优设计案例，其中，目标函数值最优即真实模型最优解，是在一轮优化任务中针对某个问题优化出来的最优解。
结合图1和图2所示，根据本发明的一种实施方式，步骤S3中，保留最优设计案例，并采用增强随机进化算法进行实验设计的步骤中，实验设计的目的是生成一些设计空间内均匀分布的样本点，进一步以这些样本点作为所有设计案例的聚类中心。在本实施方式中，为实现实验设计中样本点的生成，以保留的最优设计案例作为一个固定的样本点，以此样本点为基础结合增强随机进化算法在涉及空间内生成其余的样本点，以此保证最优设计案例与其余样本点的空间均匀性，以实现所生成的样本点能够作为下一步的聚类中心的目的。
在本实施方式中，通过调整剩余数量的样本点的位置并且迭代评估实验设计中所有样本点的均匀性步骤中，采用评估矩阵进行均匀性的迭代评估，即每次迭代评估均匀性时与最优设计案例一同评估；其中，评估矩阵表示为：
；
其中，表示最优设计案例，/>是实验设计新生成的样本点，最终得到p+1个设计域内均匀分布的样本点；
在本实施方式中，获取关于所有设计案例的中心点的步骤中，以获得的p+1样本点作为中心点。
结合图1和图2所示，根据本发明的一种实施方式，步骤S4中，根据均匀分布的中心点对所有设计案例进行聚类处理，获取多个样本类的步骤中，采用欧基里德距离划分样本类；其中，以p+1个样本点为中心对所有设计案例做聚类处理，即离同一个中心样本欧基里德距离最近的样本被划分的同一类。
结合图1和图2所示，根据本发明的一种实施方式，步骤S6中，按照步骤S5的排列顺序对样本类进行冗余案例的剔除，获稀疏化后的设计案例的步骤中，包括以下步骤：
S61.针对当前样本类中的设计案例，分别计算设计案例与中心点之间的相似度，其表示为：
；
其中，为当前设计案例与样本类的中心点之间的欧基里德距离，/>为样本类内设计案例距离中心点的最远距离，/>是当前设计案例与样本类内其他设计案例的最小距离，/>是所有样本类内设计案例最小距离的最大值；
S62按照相似度从高到低的顺序删除当前相似度最高的所述设计案例，并且再删除当前相似度最高的设计案例后评估预测代理模型的精度变化；在本实施方式中，基于样本类中剩下的设计案例更新预测代理模型，基于更新后的预测代理模型进行精度变化的评估。其中，可通过剩下的设计案例重新构建预测代理模型以达到更新预测代理模型的作用。
S63.重复步骤S62直到预测代理模型的精度相较于初始误差值下降一个数量级，则停止删除当前的设计案例，得到当前样本类中剩下的设计案例；在本实施方式中，重复执行步骤S62的过程中，以相似度从高到低的顺序逐个删除设计案例，并且评估每多删除一个设计案例后预测代理模型的精度变化，直到预测代理模型的精度相较于初始误差值下降一个数量级，则停止删除当前的设计案例；
S64.重复执行步骤S61至S63，针对所有样本类分别进行冗余案例的提出，则获得稀疏化后的设计案例。
为进一步说明本方案，结合具体的实施例对其作进一步详细说明。
以已完成的固体发动机推力性能匹配设计为例，给出一个样本稀疏化算例。发动机性能匹配设计是通过调整发动机几何构型参数，在满足设计要求的前提下，使得到的推力曲线/>与特定推力曲线需求/>，/>一致，即求解如下问题：
；
其中，为发动机总体设计参数。由于实际工作过程中，通常不存在/>使上式严格成立，因此将上述问题转化为优化问题求解，即上式的最小二乘解：
；
其中，为设计变量，/>和/>为设计变量的下界和上界；固体发动机推力匹配性能设计实施方案具体见下表1。
表1
结合图3和图4所示，在本实施方式中，匹配需求常温工作时间60s，平均推力16000kN，匹配设计的结果如下所示，从图3可以看出，种群在最优点附近进行了大量的迭代以促进收敛，造成样本冗余，需要进行稀疏化以剔除多余样本。
在本实施方式中，首先针对所有样本（即设计案例）构建预测代理模型并评估模型精度，找到当前所有样本的最优点（即最优设计案例），结合当前最优点进行9样本的实验设计，得到10个中心点，以中心点对所有样本进行聚类，按样本由多至少的顺序逐类处理剔除冗余样本。针对某一类样本，计算样本类内样本的相似度，按从大到小的顺序逐个删除样本，直到当前模型精度相较于初始精度下降一个数量级则转下一类，直到处理完所有类得到稀疏化后的样本点。
具体步骤如下：
1)采用所有样本训练径向基代理模型（即预测代理模型）优化超参数，并且评估样本的均方根误差；
2)找到案例样本最优点；
3)保留最优点同时利用优化拉丁超立方方法进行实验设计生成9个样本点，得到包含最优点在内的10个均匀分布的中心点；
4)按10个中心点对所有样本聚类；
5)按样本数量由多至少的顺序将样本类排序；
6)按照前述的排列顺序对样本类逐类处理剔除冗余样本；其中，包括：
61)针对特定类，计算样本类内样本的相似度；
62)按照相似度由高到低的顺序删除当前相似度最高的样本；其中，每删除一个样本，以剩下的样本训练径向基代理模型（即预测代理模型），并在所有样本（即指包含已经删除的样本）上评估均方根误差；
63)逐个删除冗余样本，直到径向基代理模型（即预测代理模型）精度下降一个数量级，则停止删除当前样本，转下一类进行处理，迭代处理完所有类后得到稀疏化后的样本。
在本实施方式中，在本步骤62)中进行样本的删除过程是一个预删除步骤，每次减去一个样本后在所有的样本(包含已删除样本)的基础上评估均方根误差，以评价顺序减去样本对整体的预测代理模型的模型精度的影响，当最后步骤63)执行完成后将决定要删除的样本进行彻底删除。
实施例1
针对所有样本（即设计案例），构建设计案例的预测代理模型，并且评估其在所有样本上的预测均方根误差为0.0594，筛选出样本的最优点（即最优设计案例），保留该最优点并生成9样本的实验设计，得到10个设计空间内均匀分布的中心点，以中心点对设计空间内所有样本聚类，所有样本被聚成10类，各类的样本数量如表2所示。按样本从多至少的顺序，从第10类开始，首先对类内样本进行相似度计算，并且逐个评估删除该样本后的模型在所有145个样本上的预测精度，持续删除样本直到模型精度下降一个数量级则停止删除，最终各类样本保留数量同样见表2。由表中可以看出，1~9类的样本每删除1个都会对模型精度产生较大影响，第10类样本是最优点所在类，优化设计过程中需要大量的迭代以定位当前最优点，因此产生了大量冗余点，也是被删除样本最多的类。
表2
每多删除一个样本，全局模型在所有样本上的预测均方根误差如图5所示，随着删除样本数量的增多，模型的全局精度整体呈下降趋势，由于删除后样本的分布改变，全局样本的预测误差有所波动，但整体呈上升趋势，在样本删除数量达到45后模型精度随着样本的删除急剧上升，在达到第46个样本时全局预测均方根误差值达到了0.1332，相较于0.0594精度下降了一个数量级，算法停止，针对145个样本的案例，成功稀疏化了46个冗余样本，优化了案例样本的结构。
根据本发明，首先保留最优设计案例（即最优点）进行均匀性实验设计，将所得的样本点作为中心对所有样本进行聚类处理，通过制定的样本相似性准则在保证预测代理模型精度的基础上逐个剔除样本，直到预测代理模型的精度下降一个数量级停止，实现设计案例的稀疏化处理。不同于一般的人工案例稀疏化方法，本发明通过算法实现自动化处理，提高了效率，同时考虑了设计案例的精度，提高了稀疏化后案例的可靠度。
根据本发明，通过对已有样本进行聚类筛选出冗余样本密集区域，并采用相似度评估准则和模型全局精度校验方法逐个删除样本，在保证案例样本有效性的基础上实现样本结构优化和稀疏化存储。
上述内容仅为本发明的具体方案的例子，对于其中未详尽描述的设备和结构，应当理解为采取本领域已有的通用设备及通用方法来予以实施。
以上所述仅为本发明的一个方案而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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 (7)

1.一种用于固体发动机总体设计案例的稀疏化存储方法，其特征在于，包括以下步骤：
S1.针对所有的设计案例采用径向基方法构建预测代理模型，并获取所述预测代理模型针对所有所述设计案例的初始误差值；
S2.获取所述设计案例中的最优设计案例；
S3.保留所述最优设计案例，并采用增强随机进化算法进行实验设计，其中，将所述最优设计案例固定为所述实验设计中的一个样本点，并基于所述最优设计案例在设计空间内通过所述实验设计生成剩余数量的样本点；
通过调整剩余数量的所述样本点的位置并且迭代评估所述实验设计中所有所述样本点的均匀性，获取关于所有所述设计案例的中心点；
S4.根据均匀分布的所述中心点对所有所述设计案例进行聚类处理，获取多个样本类；其中，所述样本类包含至少一个所述设计案例；
S5.按照所述设计案例的数量，将所述样本类按照所述设计案例由多至寡的方式排序；
S6.按照步骤S5的排列顺序对所述样本类进行冗余案例的剔除，获得稀疏化后的所述设计案例，包括以下步骤：
S61.针对当前所述样本类中的所述设计案例，分别计算所述设计案例与所述中心点之间的相似度；
S62.按照相似度从高到低的顺序删除当前相似度最高的所述设计案例，并且在删除当前相似度最高的所述设计案例后评估所述预测代理模型的精度变化；
S63.重复步骤S62直到所述预测代理模型的精度相较于所述初始误差值下降一个数量级，则停止删除当前的所述设计案例，得到当前所述样本类中剩下的所述设计案例；
S64.重复执行步骤S61至S63，针对所有所述样本类分别进行冗余案例的提出，则获得稀疏化后的所述设计案例。
2.根据权利要求1所述的稀疏化存储方法，其特征在于，多个所述设计案例的维度均为一致的，且所述设计案例在其上下界之间分别进行归一化处理；其中，归一化公式表示为：
，
其中，x i，j为第i个设计案例第j维上的取值，Lb j和Ub j为第j维的下限和上限，N表示所述设计案例的数量。
3.根据权利要求2所述的稀疏化存储方法，其特征在于，步骤S1中，获取所述预测代理模型针对所有所述设计案例的初始误差值的步骤中，基于留一交叉验证和粒子群优化算法优化所述预测代理模型的核宽度，得到的所述预测代理模型针对所有所述设计案例的预测均方根误差RMSE值，其表示为：
，
其中，为所述预测代理模型的预测输出，/>为所述设计案例的真实模型输出。
4.根据权利要求3所述的稀疏化存储方法，其特征在于，步骤S3中，通过调整剩余数量的所述样本点的位置并且迭代评估所述实验设计中所有所述样本点的均匀性的步骤中，采用评估矩阵进行均匀性的迭代评估，其中，所述评估矩阵表示为：
，
其中，x *表示所述最优设计案例，S 1，…，S p是实验设计新生成的样本点；
获取关于所有所述设计案例的中心点的步骤中，以获得的p+1所述样本点作为所述中心点。
5.根据权利要求4所述的稀疏化存储方法，其特征在于，步骤S4中，根据均匀分布的所述中心点对所有所述设计案例进行聚类处理，获取多个样本类的步骤中，采用欧基里德距离划分所述样本类。
6.根据权利要求5所述的稀疏化存储方法，其特征在于，步骤S61中，所述设计案例与所述中心点之间的相似度表示为：
，
其中，d 1为当前所述设计案例与所述样本类的中心点之间的欧基里德距离，d 1,max为所述样本类内所述设计案例距离所述中心点的最远距离，d 2 是当前所述设计案例与所述样本类内其他所述设计案例的最小距离，d 2,max是所有所述样本类内所述设计案例最小距离的最大值。
7.根据权利要求6所述的稀疏化存储方法，其特征在于，步骤S62中，在删除当前相似度最高的所述设计案例后评估所述预测代理模型的精度变化的步骤中，基于所述样本类中剩下的所述设计案例更新所述预测代理模型，基于更新后的所述预测代理模型进行精度变化的评估。
CN202310974346.0A 2023-08-04 2023-08-04 一种用于固体发动机总体设计案例的稀疏化存储方法 Active CN116702334B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310974346.0A CN116702334B (zh) 2023-08-04 2023-08-04 一种用于固体发动机总体设计案例的稀疏化存储方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310974346.0A CN116702334B (zh) 2023-08-04 2023-08-04 一种用于固体发动机总体设计案例的稀疏化存储方法

Publications (2)

Publication Number Publication Date
CN116702334A CN116702334A (zh) 2023-09-05
CN116702334B true CN116702334B (zh) 2023-10-20

Family

ID=87831452

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310974346.0A Active CN116702334B (zh) 2023-08-04 2023-08-04 一种用于固体发动机总体设计案例的稀疏化存储方法

Country Status (1)

Country Link
CN (1) CN116702334B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109902018A (zh) * 2019-03-08 2019-06-18 同济大学 一种智能驾驶系统测试案例的获取方法
CN110263119A (zh) * 2019-07-01 2019-09-20 西北师范大学 一种案例推理分类器案例检索方法
CN111900716A (zh) * 2020-06-10 2020-11-06 浙大城市学院 一种基于稀疏混沌多项式逼近的随机潮流不确定性量化方法
CN112861260A (zh) * 2021-02-01 2021-05-28 中国人民解放军国防科技大学 固体火箭发动机装药性能匹配方法、装置和设备
CN114372373A (zh) * 2022-01-12 2022-04-19 中国人民解放军国防科技大学 变推力固体发动机总体参数多目标优化设计方法
CN114862081A (zh) * 2021-02-04 2022-08-05 西安电子科技大学青岛计算技术研究院 一种基于案例推理和人工神经网络的辅助决策方法
CN114997225A (zh) * 2022-05-30 2022-09-02 南京航空航天大学 一种考虑数据特征的非对称堆叠稀疏自编码故障诊断方法
WO2023056614A1 (zh) * 2021-10-09 2023-04-13 大连理工大学 一种基于堆叠长短期记忆网络的轴流压气机旋转失速预测方法
CN116401756A (zh) * 2023-02-28 2023-07-07 沈阳航空航天大学 基于深度学习与数据增强的固体火箭发动机性能预测方法、预测系统、存储介质和设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8498950B2 (en) * 2010-10-15 2013-07-30 Yahoo! Inc. System for training classifiers in multiple categories through active learning

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109902018A (zh) * 2019-03-08 2019-06-18 同济大学 一种智能驾驶系统测试案例的获取方法
CN110263119A (zh) * 2019-07-01 2019-09-20 西北师范大学 一种案例推理分类器案例检索方法
CN111900716A (zh) * 2020-06-10 2020-11-06 浙大城市学院 一种基于稀疏混沌多项式逼近的随机潮流不确定性量化方法
CN112861260A (zh) * 2021-02-01 2021-05-28 中国人民解放军国防科技大学 固体火箭发动机装药性能匹配方法、装置和设备
CN114862081A (zh) * 2021-02-04 2022-08-05 西安电子科技大学青岛计算技术研究院 一种基于案例推理和人工神经网络的辅助决策方法
WO2023056614A1 (zh) * 2021-10-09 2023-04-13 大连理工大学 一种基于堆叠长短期记忆网络的轴流压气机旋转失速预测方法
CN114372373A (zh) * 2022-01-12 2022-04-19 中国人民解放军国防科技大学 变推力固体发动机总体参数多目标优化设计方法
CN114997225A (zh) * 2022-05-30 2022-09-02 南京航空航天大学 一种考虑数据特征的非对称堆叠稀疏自编码故障诊断方法
CN116401756A (zh) * 2023-02-28 2023-07-07 沈阳航空航天大学 基于深度学习与数据增强的固体火箭发动机性能预测方法、预测系统、存储介质和设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
序列近似优化方法;胡凡;国防科技大学学报;第92-101页 *
应用径向基代理模型实现序列自适应再采样优化策略;武泽平;国防科技大学学报;第18-24页 *

Also Published As

Publication number Publication date
CN116702334A (zh) 2023-09-05

Similar Documents

Publication Publication Date Title
US20220067280A1 (en) Multi-token embedding and classifier for masked language models
CN112819246A (zh) 基于布谷鸟算法优化神经网络的能源需求预测方法
CN113255235B (zh) 飞行器复杂结构近似建模方法、装置、设备和介质
CN116780507A (zh) 一种基于psvlba模型的电力负荷预测方法
CN113094899B (zh) 一种随机潮流计算方法、装置、电子设备及存储介质
CN114282320B (zh) 一种利用贝叶斯优化算法优化工程参数的方法
CN110048886B (zh) 一种大数据分析任务的高效云配置选择算法
CN116702334B (zh) 一种用于固体发动机总体设计案例的稀疏化存储方法
CN114647790A (zh) 应用于行为意图分析的大数据挖掘方法及云端ai服务系统
Hu et al. Dynamic sample budget allocation in model-based optimization
Akimoto et al. Adaptive objective selection for multi-fidelity optimization
Liu et al. A load-balancing approach based on modified K-ELM and NSGA-II in a heterogeneous cloud environment
Li et al. An enhanced and efficient clustering algorithm for large data using MapReduce
CN113485848B (zh) 深度神经网络部署方法、装置、计算机设备和存储介质
CN113761033B (zh) 基于档案数字化管理的信息整理方法及系统
CN113963758A (zh) 无序材料热力学稳定结构的预测推荐方法、设备、终端
CN117952024B (zh) 异构数据融合的固体发动机先验模型构建方法及应用
He et al. Glowworm swarm optimization algorithm based on hierarchical multi-subgroups
CN111931994A (zh) 一种短期负荷及光伏功率预测方法及其系统、设备、介质
White et al. Speeding up NAS with adaptive subset selection
CN118017503B (zh) 一种用户用电负荷数据预测方法、系统、终端及存储介质
CN117312579B (zh) 一种数据模型搜索分析文本的生成方法及系统
CN113792476B (zh) 一种基于优化-自适应稀疏网格的替代模型方法
US20230125436A1 (en) Method for generating neural network architecture and computing apparatus executing the same
US20220284293A1 (en) Combining compression, partitioning and quantization of dl models for fitment in hardware processors

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