基于大数据的风洞马赫数集成建模方法的研究

　　风洞是飞行器设计初期进行空气动力学实验的设备。试验段马赫数作为风洞试验的一个重要性能指标，它的稳定性对风洞流场品质有着重要影响。为了实现马赫数的精确控制，必须对马赫数进行快速、准确预测。然而，风洞试验中累积的具有样本规模大、输入特征维数高等特点的大数据是实现马赫数快速、准确预测的主要难点。本书针对基于大数据的风洞马赫数集成建模方法进行了研究，主要工作归纳如下：1.建立了风洞流场模型结构。首先，以FL⁃26跨声速风洞为研究对象，分析风洞系统气动结构、空气环流及试验工况特点，为数据建模提供先验知识。其次，确定马赫数数据模型结构，分别建立了总压、静压NARX 辨识模型。最后，分析实现基于数据驱动的马赫数预测模型的主要难点，确定采用集成建模方法的解决方案。2.研究了风洞马赫数集成建模方法。构造多个独立的样本子集或特征子集是集成模型降低复杂度、解决大数据建模难题的有效途径。首先，建立了随机森林马赫数模型。在样本子集集成方法中，随机森林算法在降低复杂度方面最具代表性。实验表明，针对两种工况的随机森林马赫数模型取得了一定成果，但针对三种工况时，其预测速度及精度都明显下降。这主要归因于随机森林无法解决高维问题。另外，随着试验数据复杂程度的加深，即样本规模的扩大、非线性程度的加强、数据分布的不均衡，随机森林难以满足马赫数预测速度及精度的要求。其次，基于多元模糊泰勒定理，本书提出了特征子集集成（FSE） 方法。该方法能够直接、快速、全面地划分特征空间，构建低维特征子集，节省更多的计算机存储空间，间接“缩小”样本规模、“均衡”数据分布，更有利于实现马赫数的快速、准确预测。FSE方法能够有效地解决大数据规模大、种类多和要求处理速度快的问题。3.面向大数据集，研究了FSE模型中的基学习机，即子模型学习算法。预测精度高、差异大的子模型是设计好的集成模型的必要条件。适
合的基学习机是满足该条件的重要因素，同时能够有助于FSE方法解决大数据值密度低的问题。因此，本书分别以BP网络和fixed⁃size LS⁃SVM为代表，研究了FSE 方法对不稳定学习机和稳定学习机的有效性问题。实验表明，针对三种工况下的马赫数预测，相对于单一模型，FSE方法能够显著降低模型复杂度、提高预测精度，满足马赫数预测速度及精度的要求。基于FSE结构，在马赫数预测速度及精度上：同属于不稳定学习机，非线性强学习机BP 网络比线性弱学习机回归树更具优势；同属于非线性强学习机，fixed⁃size LS⁃SVM 比BP网络更具优势。4.研究了FSE 模型的集成修剪算。过多冗余的子模型会限制FSE模型的应用潜能，因此有必要在保证预测精度的条件下，减少子模型个数。针对该问题，本书提出了基于最大熵的集成修剪（MEP） 算法。首先，按误差从小到大排列子模型，以误差最小的P*个子模型作为初始工作集；其次，以工作集熵值最大为准则，不断替换工作集中的子模型。MEP 算法可以充分利用子模型的预测精度和多样性。MEP⁃FSE 方法在一定程度上解决了大数据种类多、价值密度低的问题。实验表明，MEP⁃FSE马赫数模型的预测精度高于FSE模型的预测精度。5.研究了FSE 方法对噪声数据的鲁棒性。FSE 方法全面划分特征空间，重复使用整个训练集，噪声数据也会被重复使用，限制了模型预测度的提高。首先， 为增强FSE 模型的鲁棒性， 在特征子集中引入Bootstrap 采样方法用以限制噪声数据的重复使用， 并提出了Bootstrap⁃FSE方法。该方法能够有效解决大数据真实性低的问题，并在一定程度上解决了大数据要求处理速度快的问题。其次，建立了Bootstrap⁃FSE马赫数模型， 分别在低噪声和高噪声数据集上进行验证。实验表明，Bootstrap⁃FSE 模型的鲁棒性优于FSE模型的鲁棒性，能够进一步提高马赫数的预测速度及精度。

　　

目录

1　导论／1

1.1　研究背景与意义／1
1.2　风洞简介／4
1.3　风洞建模方法及研究现状／7
1.4　工业大数据建模研究现状／9
1.5　集成建模方法及研究现状／14
2　FL⁃26 风洞流场模型结构／23
2.1　FL⁃26 大口径跨声速风洞／23
2.2　FL⁃26 风洞马赫数数据模型结构／29
2.3　马赫数数据建模难点／36
2.4　本章小结／39
3　风洞马赫数集成建模方法／40
3.1　集成模型框架／40
目录
2 基于大数据的风洞马赫数集成建模方法的研究
3.2　基于样本子集的风洞流场集成模型／43
3.3　基于特征子集的风洞流场集成模型／55
3.4　融合算法／62
3.5　本章小结／63
4　面向大数据集的基学习机研究／65
4.1　基学习机／65
4.2　基于不稳定学习机的FSE 马赫数模型／67
4.3　基于稳定学习机的FSE 马赫数模型／77
4.4　本章小结／97
5　FSE 模型修剪及鲁棒性提升／98
5.1　集成修剪／99
5.2　模型鲁棒性的提升／107
5.3　本章小结／120
6　总结／122
参考文献／124
索引／137