CN117786467B - 基于自适应加点的飞机着陆风险预测的分类模型构建方法 - Google Patents
基于自适应加点的飞机着陆风险预测的分类模型构建方法 Download PDFInfo
- Publication number
- CN117786467B CN117786467B CN202410218111.3A CN202410218111A CN117786467B CN 117786467 B CN117786467 B CN 117786467B CN 202410218111 A CN202410218111 A CN 202410218111A CN 117786467 B CN117786467 B CN 117786467B
- Authority
- CN
- China
- Prior art keywords
- model
- training
- classifier model
- aircraft
- sample set
- 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
- 238000013145 classification model Methods 0.000 title claims abstract description 20
- 238000010276 construction Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000005457 optimization Methods 0.000 claims abstract description 34
- 230000002068 genetic effect Effects 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000012804 iterative process Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims description 4
- 238000003491 array Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000238097 Callinectes sapidus Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010420 art technique Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
本发明公开了一种基于自适应加点的飞机着陆风险预测的分类模型构建方法，其包括S1获取样本集，并采用样本集对分类模型进行训练，得到分类器模型；S2判断样本集是否已进行至少一次加点操作，若是，进入步骤S4，否则进入步骤S3；S3基于分类器模型和梯度加点方法，生成预设数量的新样本点，并进入步骤S5；S4获取遗传算法的决策变量、优化目标和约束条件，采用遗传算法对分类器模型进行寻优，生成预设数量新样本点，并进入步骤S5；S5将生成的新样本点加入样本集中形成训练集，并采用训练集对分类器模型进行训练；S6判断迭代训练后的分类器模型是否满足终止训练条件，若是，则输出训练样本集和分类器模型，否则，采用训练集更新样本集，并返回步骤S2。
Description
技术领域
本发明涉及风险预测技术，具体涉及一种基于自适应加点的飞机着陆风险预测的分类模型构建方法。
背景技术
在利用仿真程序对大飞机自动着陆过程判定是否危险的临界问题预测方面，已有一些自适应加点方法被用于改善模型的精度和效率。然而，这些已有技术在寻优过程中可能存在一些限制和问题。一些自适应加点技术使用静态的加点策略，根据预定义的规则或条件选择加点位置。
然而，这些静态方法可能无法根据实际模型的需求进行动态调整，导致飞机自动着陆预测模型的精度受到影响。一些自适应加点技术采用简单的加点规则，如在模型误差较大的区域增加采样密度。然而，这种方式无法充分利用有限的采样资源，致使构建模型的样本点数量不足，从而导致训练出的模型精度不能满足预测要求。
发明内容
针对现有技术中的上述不足，本发明提供的基于自适应加点的飞机着陆风险预测的分类模型构建方法解决了现有技术加点预测方法因样本点数量不足，致使模型预测精度差的问题。
为了达到上述发明目的，本发明采用的技术方案为：
提供一种基于自适应加点的飞机着陆风险预测的分类模型构建方法，其包括步骤：
S1、获取样本集，并采用样本集对分类模型进行训练，得到分类器模型；所述样本集包括飞机着陆评估参数；
S2、判断样本集是否已进行至少一次加点操作，若是，进入步骤S4，否则进入步骤S3；
S3、基于分类器模型和梯度加点方法，生成预设数量的新样本点，并进入步骤S5；
S4、获取遗传算法的决策变量、优化目标和约束条件，采用遗传算法对分类器模型进行寻优，生成预设数量新样本点，并进入步骤S5；
S5、将生成的新样本点加入样本集中形成训练集，并采用训练集对分类器模型进行训练；
S6、判断迭代训练后的分类器模型是否满足终止训练条件，若是，则输出训练样本集和分类器模型，否则，采用训练集更新样本集，并返回步骤S2；
所述样本集和决策变量均为二维数组，每行为样本点飞机着陆评估参数，每列表示样本点的维度。
进一步地，所述步骤S3进一步包括：
计算样本集中任意两个样本点之间的输出之差与其输入之间的欧式距离的比值；
对所有比值进行降序排序，选取排名靠前的预设数量个比值，在选取的比值对应样本点的连线中点取一个新样本点。
上述技术方案的有益效果为：由于梯度最大处即为问题本身函数变化最大处，对于分类问题来说，梯度最大的两个样本点大概率分布在分类边界两边，在其中心取点大概率也就是在边界上取点，而对于构建分类器模型来讲，较大比例的在分类边界上的样本点构建出来的分类模型会更精确些。
进一步地，所述优化目标包括第一优化目标和第二优化目标，所述第一优化目标包括：
设当前迭代过程中更新的分类器模型为model_n，上一次迭代过程中更新的分类器模型为model_front；
分别采用model_n和model_front对决策变量进行预测得到预测值矩阵n和预测值矩阵front；
计算预测值矩阵n与预测值矩阵front之差的绝对值矩阵model_mse，并最大化绝对值矩阵model_mse中每一行的model_mse值；
所述第二优化目标包括：
计算决策变量中每行相对于其他行的最大距离，并将最大距离按预设比例缩小，得到缩小距离；
将决策变量中的每行作为一个个体，以决策变量中每个个体为球心，个体对应的缩小距离为半径做一个超立方球体；
统计超立方球体中model_mse值为1的个数count，并最大化每一行的个数count。
上述技术方案的有益效果为：第一优化目标model_mse最大化了前后模型之间的绝对差值，第二优化目标则考虑了这个绝对差值的聚集性，经过测试发现，前后模型之间的绝对差值为1的情况集中发生于分类边界处，这使得样本点能够尽可能多的加到分类边界处，提高样本点的质量，以尽量小的样本数构建出尽量高精度的分类器模型。
进一步地，采用遗传算法对分类器模型进行寻优，生成预设数量新样本点的方法包括：
S41、初始化种群为满足约束条件的决策变量；
S42、分别采用第一优化目标和第二优化目标得到种群中每一行最大化操作的model_mse值和个数count；
S43、将最大化操作的model_mse值和个数count分别映射到（0,1）范围内，并相加作为适应度；
S44、判断适应度是否达到期望值或者迭代次数达到最大值，若满足任一条件，则进入步骤S46，否则进入步骤S45；
S45、对种群中的所有个体进行交叉变异，得到新的种群，并将迭代次数加一，之后返回步骤S42；
S46、在最后一次迭代的种群中选取预设数量个满足model_mse为1的个体作为新样本点。
上述技术方案的有益效果为：遗传算法作为一种全局优化算法，使用多目标遗传算法能尽量全局地，而不是陷入局部最优地找到期望得到的前后模型绝对差值聚集的加点位置。
进一步地，步骤S46包括：对所有个体的个数count按降序排序，选取排名靠前的预设数量个数count对应的个体作为新样本点。
进一步地，所述约束条件为：决策变量中每一行与其他行的最小欧式距离大于最小距离阈值。
进一步地，当决策变量为九个维度的二维数组时，其第一个维度特征为飞机质量，第二个维度特征为飞机重心，第三个维度特征为飞机转动惯量，第四个维度特征为飞机初始空速，第五个维度特征为飞机初始位置，第五个维度特征为气动参数不确定性，第六个维度特征为阵风参数，第七个维度特征为初始大气压强，第八个维度特征为初始大气温度，第九个维度特征为各类噪声。
进一步地，所述样本集为实验或仿真数据；或者所述样本集中样本点为基于最大化最小距离准则的最优拉丁超立方采样方法生成。
进一步地，所述终止训练条件为优化终止条件或者最大迭代训练次数；
所述优化终止条件为在连续十次迭代训练过程中，均未找到满足当前迭代过程中更新的分类器模型与上一次迭代过程中更新的分类器模型的model_mse值为1的个体。
进一步地，本方案的分类模型构建方法还包括获取飞机的飞机着陆评估参数，并将其输入步骤S6输出的分类器模型中进行风险预测，得到飞机着陆的预测结果。
与现有技术相比，本发明的有益效果是：
(1)本方案通过遗传算法对模型寻优，生成新的样本点进行再次训练，实现小样本的扩充，以在较短时间内得到一个小样本高精度的分类器模型，以较少的样本点代价预测出足够精确的分类边界。
(2) 本方案通过加点的方式对样本进行扩充，可以在有限的样本资源下获得对分类边界足够准确的预测结果。
(3) 本方案的基于模型寻优的自适应加点技术可以根据模型寻优过程动态调整样本点的位置和密度，利用有限采样资源最大限度地提高预测模型的整体性能，尤其是在临界问题区域，以满足实际应用的需求。
附图说明
图1为本方案的基于自适应加点的飞机着陆风险预测的分类模型构建方法一个实施例的流程图。
图2为采用遗传算法对分类器模型进行寻优，生成预设数量新样本点的流程图。
图3为本方案的二维可视化效果演示云图。
图4为本方案的二维可视化演示图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
参考图1，图1示出了基于自适应加点的飞机着陆风险预测的分类模型构建方法一个实施例的流程图；如图1所示，该方法S包括步骤S1~步骤S6。
在步骤S1中，获取样本集，并采用样本集对分类模型进行训练，得到分类器模型；所述样本集包括飞机着陆评估参数，飞机着陆评估参数包括飞机质量、飞机重心、飞机转动惯量、飞机初始空速、飞机初始位置、气动参数不确定性、阵风参数、初始大气压强、初始大气温度和各类噪声。
在本方案中，若存在飞机着陆过程中的实验或仿真数据，样本集则直接采用实验或仿真数据；若不存在这些数据，则利用基于最大化最小距离准则的最优拉丁超立方采样方法生成初始样本点集，以使用较少数量的初始样本点达到较高的空间填充率。
在步骤S2中，判断样本集是否已进行至少一次加点操作，若是，进入步骤S4，否则进入步骤S3；
在步骤S3中，基于分类器模型和梯度加点方法，生成预设数量的新样本点，并进入步骤S5；
实施时，本方案优选步骤S3进一步包括：
计算样本集中任意两个样本点之间的输出之差与其输入之间的欧式距离的比值；
对所有比值进行降序排序，选取排名靠前的预设数量个比值，在选取的比值对应样本点的连线中点取一个新样本点。
在步骤S4中，获取遗传算法的决策变量、优化目标和约束条件，采用遗传算法对分类器模型进行寻优，生成预设数量新样本点，并进入步骤S5；
在本发明的一个实施例中，优化目标包括第一优化目标和第二优化目标，所述第一优化目标包括：
设当前迭代过程中更新的分类器模型为model_n，上一次迭代过程中更新的分类器模型为model_front；
分别采用model_n和model_front对决策变量进行预测得到预测值矩阵n和预测值矩阵front；
计算预测值矩阵n与预测值矩阵front之差的绝对值矩阵model_mse，并最大化绝对值矩阵model_mse中每一行的model_mse值。
所述第二优化目标包括：
计算决策变量中每行相对于其他行的最大距离，并将最大距离按预设比例缩小，得到缩小距离；
将决策变量中的每行作为一个个体，以决策变量中每个个体为球心，个体对应的缩小距离为半径做一个超立方球体；
统计超立方球体中model_mse值为1的个数count，并最大化每一行的个数count。由于目标问题是分类问题，因此输出仅有0或1，所以此次统计的是model_mse值为1的数量。
所述约束条件为：决策变量中每一行与其他行的最小欧式距离大于最小距离阈值。
如图2所示，在本发明的一个实施例中，采用遗传算法对分类器模型进行寻优，生成预设数量新样本点的方法包括：
S41、初始化种群为满足约束条件的决策变量；
S42、分别采用第一优化目标和第二优化目标得到种群中每一行最大化操作的model_mse值和个数count；
S43、将最大化操作的model_mse值和个数count分别映射到（0,1）范围内，并相加作为适应度；
S44、判断适应度是否达到期望值或者迭代次数达到最大值，若满足任一条件，则进入步骤S46，否则进入步骤S45；
S45、对种群中的所有个体进行交叉变异，得到新的种群，并将迭代次数加一，之后返回步骤S42；
S46、在最后一次迭代的种群中选取预设数量个满足model_mse为1的个体作为新样本点。
为了进一步使选取的样本点尽可能的位于分类边界附近，本方案先对所有个体的个数count按降序排序，再选取排名靠前的预设数量个数count对应的个体作为新样本点。
在步骤S5中，将生成的新样本点加入样本集中形成训练集，并采用训练集对分类器模型进行训练；
在步骤S6中，判断迭代训练后的分类器模型是否满足终止训练条件，若是，则输出训练样本集和分类器模型，否则，采用训练集更新样本集，并返回步骤S2；
所述样本集和决策变量均为二维数组，每行为样本点飞机着陆评估参数，每列表示样本点的维度。当决策变量为九个维度的二维数组时，其第一个维度特征为飞机质量，第二个维度特征为飞机重心，第三个维度特征为飞机转动惯量，第四个维度特征为飞机初始空速，第五个维度特征为飞机初始位置，第五个维度特征为气动参数不确定性，第六个维度特征为阵风参数，第七个维度特征为初始大气压强，第八个维度特征为初始大气温度，第九个维度特征为各类噪声。
实施时，本方案优选终止训练条件为优化终止条件或者最大迭代训练次数；
所述优化终止条件为在连续十次迭代训练过程中，均未找到满足当前迭代过程中更新的分类器模型与上一次迭代过程中更新的分类器模型的model_mse值为1的个体。
本方案的分类模型构建方法还包括获取飞机的飞机着陆评估参数，并将其输入步骤S6输出的分类器模型中进行风险预测，得到飞机着陆的预测结果。
下面结合图3和图4对本方案的基于自适应加点的飞机着陆风险预测的分类模型构建方法的效果进行描述：
图3和图4是以python中的matplotlib库为条件生成的，通过计算分类问题本身的边界数据与预测模型（MLP多层感知机神经网络分类器模型）预测得到的边界数据画出了图3所示的云图数据，通过记录本方案执行过程中得到的加点位置以及初始点位置画出了图4所示的加点位置图。在图3和图4中，横纵坐标均为输入预测模型的两个维度（即特征1和特征2），这两个纬度的取值范围为0-1。
在图3中，紫黄色交界是本方案预测的边界，其中的黑线是二维分类问题本身的边界，不同的颜色代表着一种分类，黄色代表1，紫色代表0，这些点是使用sobol点序列给出的100个较为均匀的测试点，通过图3可以看到这些点在所处范围内颜色均与预测边界内颜色一致，这表示预测均正确。
在图4中，蓝色点代表初始生成的200个初始样本点，而后续红色点即为本方案后续寻找到的加点位置所产生的新样本点，通过与图3比较可以发现，本方案所产生的新样本点位置大都存在于二维分类问题的边界处，即算法能够自适应地寻找到分类问题的边界并选取此区域中的点作为加点位置，以此产生的新样本点在分类预测模型的训练过程中会产生不错的效益。
通过对比图3与图4可以发现，本方案方法得到的加点位置大多处在分类问题边界附近区域，这符合算法的预期效果。且最终得到的预测边界效果如图3所示十分准确。
综上所述，本方案可以动态地调整新样本点的位置使其尽可能的位于分类边界附近，以更加精确地预测临界问题的分类边界，从而保证了预测精度。
Claims (7)
1.基于自适应加点的飞机着陆风险预测的分类模型构建方法，其特征在于，包括步骤：
S1、获取样本集，并采用样本集对分类模型进行训练，得到分类器模型；所述样本集包括飞机着陆评估参数；
S2、判断样本集是否已进行至少一次加点操作，若是，进入步骤S4，否则进入步骤S3；
S3、基于分类器模型和梯度加点方法，生成预设数量的新样本点，并进入步骤S5；
S4、获取遗传算法的决策变量、优化目标和约束条件，采用遗传算法对分类器模型进行寻优，生成预设数量新样本点，并进入步骤S5；
S5、将生成的新样本点加入样本集中形成训练集，并采用训练集对分类器模型进行训练；
S6、判断迭代训练后的分类器模型是否满足终止训练条件，若是，则输出训练样本集和分类器模型，否则，采用训练集更新样本集，并返回步骤S2；
所述样本集和决策变量均为二维数组，每行为样本点飞机着陆评估参数，每列表示样本点的维度；
所述步骤S3进一步包括：
计算样本集中任意两个样本点之间的输出之差与其输入之间的欧式距离的比值；
对所有比值进行降序排序，选取排名靠前的预设数量个比值，在选取的比值对应样本点的连线中点取一个新样本点；
所述优化目标包括第一优化目标和第二优化目标，所述第一优化目标包括：
设当前迭代过程中更新的分类器模型为model_n，上一次迭代过程中更新的分类器模型为model_front；
分别采用model_n和model_front对决策变量进行预测得到预测值矩阵n和预测值矩阵front；
计算预测值矩阵n与预测值矩阵front之差的绝对值矩阵model_mse，并最大化绝对值矩阵model_mse中每一行的model_mse值；
所述第二优化目标包括：
计算决策变量中每行相对于其他行的最大距离，并将最大距离按预设比例缩小，得到缩小距离；
将决策变量中的每行作为一个个体，以决策变量中每个个体为球心，个体对应的缩小距离为半径做一个超立方球体；
统计超立方球体中model_mse值为1的个数count，并最大化每一行的个数count；
采用遗传算法对分类器模型进行寻优，生成预设数量新样本点的方法包括：
S41、初始化种群为满足约束条件的决策变量；
S42、分别采用第一优化目标和第二优化目标得到种群中每一行最大化操作的model_mse值和个数count；
S43、将最大化操作的model_mse值和个数count分别映射到（0,1）范围内，并相加作为适应度；
S44、判断适应度是否达到期望值或者迭代次数达到最大值，若满足任一条件，则进入步骤S46，否则进入步骤S45；
S45、对种群中的所有个体进行交叉变异，得到新的种群，并将迭代次数加一，之后返回步骤S42；
S46、在最后一次迭代的种群中选取预设数量个满足model_mse为1的个体作为新样本点。
2.根据权利要求1所述的分类模型构建方法，其特征在于，步骤S46进一步包括：对所有个体的个数count按降序排序，选取排名靠前的预设数量个数count对应的个体作为新样本点。
3.根据权利要求1所述的分类模型构建方法，其特征在于，所述约束条件为：决策变量中每一行与其他行的最小欧式距离大于最小距离阈值。
4.根据权利要求1所述的分类模型构建方法，其特征在于，当决策变量为九个维度的二维数组时，其第一个维度特征为飞机质量，第二个维度特征为飞机重心，第三个维度特征为飞机转动惯量，第四个维度特征为飞机初始空速，第五个维度特征为飞机初始位置，第五个维度特征为气动参数不确定性，第六个维度特征为阵风参数，第七个维度特征为初始大气压强，第八个维度特征为初始大气温度，第九个维度特征为各类噪声。
5.根据权利要求1所述的分类模型构建方法，其特征在于，所述样本集为实验或仿真数据；或者所述样本集中样本点为基于最大化最小距离准则的最优拉丁超立方采样方法生成。
6.根据权利要求1所述的分类模型构建方法，其特征在于，所述终止训练条件为优化终止条件或者最大迭代训练次数；
所述优化终止条件为在连续十次迭代训练过程中，均未找到满足当前迭代过程中更新的分类器模型与上一次迭代过程中更新的分类器模型的model_mse值为1的个体。
7.根据权利要求1所述的分类模型构建方法，其特征在于，还包括获取飞机的飞机着陆评估参数，并将其输入步骤S6输出的分类器模型中进行风险预测，得到飞机着陆的预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410218111.3A CN117786467B (zh) | 2024-02-28 | 2024-02-28 | 基于自适应加点的飞机着陆风险预测的分类模型构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410218111.3A CN117786467B (zh) | 2024-02-28 | 2024-02-28 | 基于自适应加点的飞机着陆风险预测的分类模型构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117786467A CN117786467A (zh) | 2024-03-29 |
| CN117786467B true CN117786467B (zh) | 2024-04-30 |
Family
ID=90385407
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410218111.3A Active CN117786467B (zh) | 2024-02-28 | 2024-02-28 | 基于自适应加点的飞机着陆风险预测的分类模型构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117786467B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110609975A (zh) * | 2019-09-20 | 2019-12-24 | 大连理工大学 | 一种基于Kriging代理模型的并行计算全局优化算法 |
| CN110610225A (zh) * | 2019-08-28 | 2019-12-24 | 吉林大学 | 一种基于kriging代理模型加点策略的多目标粒子群优化算法 |
| EP3620983A1 (en) * | 2018-09-05 | 2020-03-11 | Sartorius Stedim Data Analytics AB | Computer-implemented method, computer program product and system for data analysis |
| CN111310328A (zh) * | 2020-02-11 | 2020-06-19 | 大连理工大学 | 一种梯度增强协同代理模型的加点更新优化方法 |
| CN111597641A (zh) * | 2020-05-22 | 2020-08-28 | 大连理工大学 | 一种适用于热塑性编织复合材料航天承力构件的材料-结构-制造一体化优化设计方法 |
| CN111597698A (zh) * | 2020-05-08 | 2020-08-28 | 浙江大学 | 一种基于深度学习的多精度优化算法实现气动优化设计的方法 |
| EP3719602A1 (en) * | 2019-04-04 | 2020-10-07 | Honeywell International Inc. | Pattern classification system with smart data collection for environmental control system fault isolation |
| CN112528556A (zh) * | 2020-11-30 | 2021-03-19 | 广东工业大学 | 一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法 |
| CN113392842A (zh) * | 2021-06-03 | 2021-09-14 | 电子科技大学 | 一种基于点数据网络结构改进的点云语义分割方法 |
| CN114117967A (zh) * | 2021-12-28 | 2022-03-01 | 北京航空航天大学 | 一种飞行包线下飞机油箱内燃油温度的动态快速预测方法 |
| CN115099682A (zh) * | 2022-07-18 | 2022-09-23 | 同济大学 | 一种盾构隧道掌子面软硬分类及开挖风险分级方法 |
| CN115859805A (zh) * | 2022-11-29 | 2023-03-28 | 中国人民解放军国防科技大学 | 基于混合加点准则的自适应序贯试验设计方法和装置 |
| CN115908697A (zh) * | 2022-10-19 | 2023-04-04 | 丽水学院 | 基于点云概率分布学习的生成模型及其方法 |
-
2024
- 2024-02-28 CN CN202410218111.3A patent/CN117786467B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3620983A1 (en) * | 2018-09-05 | 2020-03-11 | Sartorius Stedim Data Analytics AB | Computer-implemented method, computer program product and system for data analysis |
| EP3719602A1 (en) * | 2019-04-04 | 2020-10-07 | Honeywell International Inc. | Pattern classification system with smart data collection for environmental control system fault isolation |
| CN110610225A (zh) * | 2019-08-28 | 2019-12-24 | 吉林大学 | 一种基于kriging代理模型加点策略的多目标粒子群优化算法 |
| CN110609975A (zh) * | 2019-09-20 | 2019-12-24 | 大连理工大学 | 一种基于Kriging代理模型的并行计算全局优化算法 |
| CN111310328A (zh) * | 2020-02-11 | 2020-06-19 | 大连理工大学 | 一种梯度增强协同代理模型的加点更新优化方法 |
| CN111597698A (zh) * | 2020-05-08 | 2020-08-28 | 浙江大学 | 一种基于深度学习的多精度优化算法实现气动优化设计的方法 |
| CN111597641A (zh) * | 2020-05-22 | 2020-08-28 | 大连理工大学 | 一种适用于热塑性编织复合材料航天承力构件的材料-结构-制造一体化优化设计方法 |
| CN112528556A (zh) * | 2020-11-30 | 2021-03-19 | 广东工业大学 | 一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法 |
| CN113392842A (zh) * | 2021-06-03 | 2021-09-14 | 电子科技大学 | 一种基于点数据网络结构改进的点云语义分割方法 |
| CN114117967A (zh) * | 2021-12-28 | 2022-03-01 | 北京航空航天大学 | 一种飞行包线下飞机油箱内燃油温度的动态快速预测方法 |
| CN115099682A (zh) * | 2022-07-18 | 2022-09-23 | 同济大学 | 一种盾构隧道掌子面软硬分类及开挖风险分级方法 |
| CN115908697A (zh) * | 2022-10-19 | 2023-04-04 | 丽水学院 | 基于点云概率分布学习的生成模型及其方法 |
| CN115859805A (zh) * | 2022-11-29 | 2023-03-28 | 中国人民解放军国防科技大学 | 基于混合加点准则的自适应序贯试验设计方法和装置 |
Non-Patent Citations (6)
| Title |
|---|
| Aerodynamic optimization of NACA 0012 airfoils with attached Gurney flap in the rarefied gas flow;Keren Lin等;《AIP Advances 》;20231201;第13卷(第12期);1-16 * |
| Comparison of the criteria for updating Kriging response surface models in multi-objective optimization;Koji Shimoyama等;《 2012 IEEE Congress on Evolutionary Computation》;20120802;1-8 * |
| Multi-Objective Optimization Design of Liftbody Aircraft Using Kriging Model;Liang Xu等;《Journal of Physics: Conference Series》;20210627;第1985卷;1-9 * |
| 基于Kriging代理模型的多点加点序列优化方法;高月华等;《工程力学》;20120425;第29卷(第04期);90-95 * |
| 基于自适应Kriging模型的人行斜拉桥有限元模型修正;秦世强等;《中山大学学报(自然科学版)》;20210109;第60卷(第06期);43-53 * |
| 基于重点域的自适应加点方法;毛勇等;《电子科技大学学报》;20210330;第50卷(第02期);193-198 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117786467A (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111507469B (zh) | 对自动标注装置的超参数进行优化的方法和装置 | |
| CN110799995A (zh) | 数据识别器训练方法、数据识别器训练装置、程序及训练方法 | |
| CN111898730A (zh) | 一种利用图卷积神经网络结构加速的结构优化设计方法 | |
| CN111260118A (zh) | 一种基于量子粒子群优化策略的车联网交通流量预测方法 | |
| CN111104831B (zh) | 一种视觉追踪方法、装置、计算机设备以及介质 | |
| CN111950643A (zh) | 模型训练方法、图像分类方法及对应装置 | |
| CN112912902A (zh) | 人工神经网络和利用表观遗传神经发生训练人工神经网络的方法 | |
| CN110991621A (zh) | 一种基于通道数搜索卷积神经网络的方法 | |
| KR20210093875A (ko) | 비디오 분석 방법 및 연관된 모델 훈련 방법, 기기, 장치 | |
| CN115115389A (zh) | 一种基于价值细分和集成预测的快递客户流失预测方法 | |
| CN115018193A (zh) | 基于lstm-ga模型的时间序列风能数据预测方法 | |
| CN112819063A (zh) | 一种基于改进的Focal损失函数的图像识别方法 | |
| CN116170328A (zh) | 图形编码的使用带宽预测方法及装置 | |
| CN113627075B (zh) | 基于自适应粒子群优化极限学习的弹丸气动系数辨识方法 | |
| CN113591997B (zh) | 基于图学习卷积神经网络的装配特征图连接关系分类方法 | |
| CN111191722A (zh) | 通过计算机训练预测模型的方法及装置 | |
| CN117786467B (zh) | 基于自适应加点的飞机着陆风险预测的分类模型构建方法 | |
| CN109697531A (zh) | 一种物流园区腹地物流需求预测方法 | |
| CN111652264B (zh) | 基于最大均值差异的负迁移样本筛选方法 | |
| CN114595770B (zh) | 一种船舶轨迹的长时序预测方法 | |
| CN114861739A (zh) | 一种特征通道可选择的多组件系统退化预测方法及系统 | |
| US20220284261A1 (en) | Training-support-based machine learning classification and regression augmentation | |
| CN113763710A (zh) | 一种基于非线性自适应系统的短期交通流预测方法 | |
| CN111008656B (zh) | 一种基于预测框误差多阶段回环处理的目标检测方法 | |
| KR102527718B1 (ko) | 렌즈모듈 조립 최적화 방법 |
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 |