买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京航空航天大学

摘要：本发明公开了一种高超飞行器数据驱动和机理驱动融合的智能建模方法，包括如下步骤：首先建立高超飞行器机理驱动的参数化模型，确定飞行器影响模型性能的关键参数，快速获取飞行器机理模型数据，其次根据有限的参考数据，通过深度学习算法修正建模误差，构建出飞行器智能模型，最后对数据驱动与机理驱动融合的智能模型进行评估与分析，验证智能模型的有效性。该建模方法兼顾精度和效率，具有较好的工程应用价值，为工程实际设计提供好的技术支撑。

主权项：1.一种高超飞行器数据驱动和机理驱动融合的智能建模方法，其特征在于，包括如下步骤：步骤1、建立高超飞行器参数化模型，确定高超声速飞行器的受力与力矩同飞行姿态、飞行环境因素以及布局参数之间的函数关系，分析布局参数变化对飞行状态和性能的影响规律，推演出高超声速飞行器融合布局的参数化模型；步骤2、对参数化模型飞行性能数据进行优选，根据有限的参考数据，应用深度神经网络对机理驱动的模型参数进行训练，构建出机理驱动与数据驱动融合的飞行器智能模型；步骤3、将飞行器智能模型的输出的升阻比数据与有限的参考数据进行对比分析，应用拟合优度评估所构建智能模型的有效性；所述步骤1进一步为：步骤11、对飞行器进行部件分解，根据飞行器部件的外部特征将飞行器的组成部件分为机身类和机翼类；其中，机身类为与发动机耦合的机身；机翼类包括平尾和垂尾；步骤12、采用二次曲线法进行几何外形参数化方法，对步骤11得到的飞行器部件进行参数化建模；在各个部件建模完成后，再进行整合得出完整的飞行器外形参数化模型；步骤13、使用面元法将飞行器的外形曲面划分成若干的小曲面，然后使用平行四边形的小平面代替小曲面，之后计算小平面上的气动力和力矩来代替小曲面上的气动力和力矩，每个平行四边形的小平面为一个面元，计算出面元参数，最后对这些面元上的气动力和力矩进行求和，得到总的气动力和力矩的估计值；在面元参数确定后，根据工程估算方法获得飞行器所受到的气动力和力矩；所述步骤2进一步为：采用级联回归结构结合多变量标记分布方法与基于LSTM的自编码网络对系统关键参数进行训练学习，提高系统解算精度；步骤21、首先融合机理模型与有效试验数据，进行数据预处理，对数据进行清洗以消除错误、冗余和数据噪音，通过聚集，删除冗余特征方法进行数据归约以压缩数据，将数据进行归一化；然后基于深度残差网络训练数据提取比较鲁棒的初始化值，深度残差网络采用一个深层的残差学习来解决梯度消失问题，通过“跳跃连接”避免网络学习恒等映射；最后获取一个比较鲁棒的初始化值，使得最终的系统输出结果基本不依赖初值的影响；步骤22、采用尺度不变约束均方差作为网络的损失函数，基于深度神经网络的回归模型对系统关键参数进行估计；步骤23、基于姿态敏感多变量标记分布学习算法对系统关键参数进行估计；通过标准差拟合方法，为不同的输入的测量值找到当前状态下最合适的分布标准差，根据获得的标准差，为训练集中每一个样本重新产生一个对应的标记分布，并由此更新训练集，跟据多变量标记分布学习算法所预测的标记分布获得最终的关键参数估计值；步骤24、采用回声状态网络和基于LSTM的自编码网络表征飞行器建模的特征，结合机理模型的先验知识，构建两阶段回归结构，通过采用级联回归结构对系统关键参数进行训练学习，提高系统解算精度；基于LSTM的自编码网络包括两个部分，这两个部分分别为编码部分和解码部分；其中编码部分通过一个多层的LSTM模块把行为序列数据编码成一个固定长度的向量；解码部分则是通过另外一个多层的LSTM模块把上述固定向量还原为序列数据；这个基于LSTM的自编码网络经过训练后，通过该模型编码器部分把行为序列表征为固定长度的向量，记为G＝g1,g2,...,gm，其中，m是样本数；这个向量能够对输入序列数据进行高度抽象地表达，因此，它被称为全局特征；获得全局特征后，通过k均值聚类对该全局特征进行聚类，根据聚类结果获得样本的粗分类标签集L*，其中粗分类类别数为K1；虽然上述分类只是对样本数据的一个简单的分类，但其反映了相似数据之间的关联性和不相似数据之间的区分性，为精确分类提供先验知识；为了充分地利用该先验知识，设置局部加强向量该向量是一个手动设置参数，设置规则为：若细分类标签落在粗分类标签的某个标签范围内，那么对粗分类中这个分类标签进行加强，反之，不进行加强；然后采用两阶段回归方法进行训练学习。

全文数据：

权利要求：

百度查询： 南京航空航天大学 一种高超飞行器数据驱动和机理驱动融合的智能建模方法