Document
拖动滑块完成拼图
首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

基于兴趣参数域的飞行器多模型融合近似表征方法 

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:北京理工大学

摘要:本发明公开的一种基于兴趣参数域的飞行器多模型融合近似表征方法,属于飞行器设计优化技术领域。本发明采用综合标度方法的多模型融合框架,融合高、低精度飞行器模型信息。分别建立全局及局部误差指标,并基于NSGA‑Ⅱ求解一组包含缩放因子及形状函数的Pareto非劣解集,并由Pareto非劣解集中的参数边界确定兴趣参数域。基于缩放因子步长及形状参数步长,通过多目标优化充分探索参数组合,在兴趣参数域中确定各基代理模型参数组合。引入基于交叉验证与相关度系数的权重计算方法,高效计算每个基代理模型权重。将各基代理模型表征值加权求和,作为该多模型融合近似表征方法的近似表征值,提高对飞行器系统的近似表征与优化的精度和效率。

主权项:1.基于兴趣参数域的飞行器多模型融合近似表征方法,称为IPD-MFS方法,其特征在于:包括如下步骤,步骤一:定义IPD-MFS方法各项参数;参数包括总计算成本ctotal、高精度样本计算成本cH、高-低精度样本计算成本比r、形状参数步数nc和缩放因子步数nρ;步骤二:由拉丁超方试验设计方法在设计空间中分别生成一组高精度与低精度样本点,作为IPD-MFS的训练样本点;高精度样本点的数量:nH=cH1低精度样本点的数量:nL=ctotal-cH·r2分别调用飞行器高精度分析模型、低精度分析模型,相应获取高精度样本点、低精度样本点处的模型响应值;基于低精度样本响应值,建立低精度分析模型的RBF代理模型基于高精度样本响应值,计算偏差函数响应值,如式3所示: 式中,fH,i为第i个高精度响应值、ρ为缩放因子、为低精度分析模型的RBF代理模型对于第i个高精度响应值的预测值;步骤三:基于步骤二得到的低精度偏差函数响应值,建立如式4所示的全局误差指标: 基于步骤二得到的低精度偏差函数响应值,以及由第i个高精度样本之外的其他高精度样本建立的偏差函数RBF代理模型建立如式5所示的局部误差指标: 步骤四:基于步骤三得到的全局误差指标、局部误差指标,建立如式6所示的多目标优化问题,并由NSGA-Ⅱ求解该多目标优化问题,获取一组包含缩放因子ρ及形状参数c的Pareto非劣解集; 步骤五:基于步骤四中Pareto非劣解集的缩放因子及形状系数,确定兴趣参数域,如式7所示IPD=[ρmin,ρmax]×[cmin,cmax]7式中,ρmin、ρmax为Pareto非劣解集中缩放因子的最小、最大值;cmin、cmax为Pareto非劣解集中形状系数的最小值、最大值;基于兴趣参数域、形状参数步数nc及缩放因子步数nρ,确定如式8所示的基代理模型,基代理模型中的参数组合如式9所示 式中I与J由式10确定 式中reskρ表示k除以nρ的余数;[]表示向下取整操作;步骤六:由式11确定式8中各基代理模型的权重 式11中的indexk由下式确定 式中,为高精度分析模型响应平均值;为第k个基代理模型响应平均值;式12中的第一项表示基代理模型与高精度分析模型之间的相关性,第二项表示基代理模型局部误差的倒数;步骤七:基于步骤六中的基代理模型响应值与步骤六中的权重ωk,由式13计算IPD-MFS的近似表征值 式中,ω表示权重向量、表示基代理模型响应值向量;根据式13确定的近似表征值实现飞行器多模型融合近似表征。

全文数据:

权利要求:

百度查询: 北京理工大学 基于兴趣参数域的飞行器多模型融合近似表征方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。