[發明專利]一種融合專家經驗的高維小數據的代理模型構建方法

有效

• 申請號: 201810622595.2
• 申請日: 2018-06-15
• 公開（公告）號: CN109117491B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 郝佳;葉文斌;王國新;閻艷;唐旭晴;徐靈艷
• 申請（專利權）人: 北京理工大學
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06N3/0464;G06N3/08;G06N3/126
• 代理公司: 北京理工大學專利中心 11120
• 代理人: 代麗;仇蕾安

1.一種融合專家經驗的高維小數據的代理模型構建方法，其特征在于，包括如下步驟：

步驟1，咨詢匯總專家對于機翼形狀設計中設計變量和設計目標間的對應關系的專家經驗；所述專家經驗包括輸入參數與輸出參數之間的函數關系；

步驟2，構建神經網絡，其中，神經網絡的輸入為設計變量，輸出為設計目標；其中，輸入參數為機翼長度、機翼寬度、重量形狀參數；輸出參數為升力系數，阻力系數；

步驟3，采用遺傳算法對步驟2構建的神經網絡的權值進行訓練，并以專家經驗和擬合精度作為約束條件，訓練得到的最優神經網絡即為所求代理模型；具體包括如下子步驟：

步驟3.1，以神經網絡為遺傳算法中的種群個體，以神經網絡的權值為個體基因，設定遺傳算法種群大小，構建種群，設定交叉概率與變異概率；其中，初始種群中，各個體的初始權值為隨機生成；

步驟3.2，針對當前種群，以樣本集中的輸入參數為作為各個體的輸入，得到各個體的輸出值；計算各個體的專家經驗通過率和擬合精度；

所述專家經驗通過率和擬合精度的計算方法如下：

針對各個體，針對其每次輸入，改變輸入值大小，判斷其輸出量的變化是否滿足對應的專家經驗，統計該個體在所有輸入樣本下的滿足專家經驗的百分比，獲得該個體的專家經驗通過率；

針對各個體，針對其的每次輸入，計算其輸出值與期望值之間的差值，統計該個體在所有輸入樣本下的輸出值與期望值之間的差值，獲得該個體的擬合精度；

步驟3.3，判斷是否達到迭代次數要求，或者當前種群滿足如下條件：種群中各個體的專家經驗通過率均為100％且擬合精度均達到設定要求，若滿足，則從當前種群中挑選出專家經驗通過率最高且擬合精度也最高的個體所對應的神經網絡作為代理模型輸出；若不滿足，則執行步驟3.4；

步驟3.4，以當前種群為父代種群，對父代種群實行遺傳操作，得到子代種群；按照步驟3.2的方式，計算獲得子代種群各個體的專家經驗通過率和擬合精度；從父代種群和子代種群中挑選出專家經驗通過率高的個體，組成新種群，其中，若專家經驗通過率相同，則從中挑選出擬合精度高的個體，組成新種群；以新種群作為當前種群，執行步驟3.2～3.4，直到獲得代理模型。

2.如權利要求1所述的融合專家經驗的高維小數據的代理模型構建方法，其特征在于，所述步驟1中，對匯總的專家經驗按照粒度進行分層，對于同一類型的專家經驗，僅保留粒度最細的專家經驗。

3.如權利要求2所述的融合專家經驗的高維小數據的代理模型構建方法，其特征在于，所述專家經驗分為如下四層：

第一層為對輸入參數與輸出參數之間函數基礎特征的認識；第二層為輸入與輸出之間函數的單調性關系；第三層為輸入參數與輸出參數之間的倍數關系；第四層為輸入參數與輸出參數之間的完整關系式；層數越高，粒度越細。

4.如權利要求1所述的融合專家經驗的高維小數據的代理模型構建方法，其特征在于，所述步驟2中，所述神經網絡為全連接三層神經網絡；其中，神經網絡的激活函數為Sigmoid激活函數，神經網絡的初始權值為-1到1之間的隨機數；隱含層節點個數H由下式計算得到：

其中，m為輸入層節點個數，n為輸出層節點個數，a為1～10之間的調節常數。

5.如權利要求1所述的融合專家經驗的高維小數據的代理模型構建方法，其特征在于，所述遺傳操作包括交叉和變異。