[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

本發明公開了一種融合專家經驗的高維小數據的代理模型構建方法。使用本發明能夠得到在高維小數據情況下的高精度代理模型。本發明利用神經網絡反映設計模型中設計變量與設計目標之間的函數關系，并利用遺傳算法對神經網絡的權值進行訓練，并在訓練過程中，融入專家對于設計變量和設計目標間的對應關系式的經驗認識，補充缺失的映射規律，從而成功克服了高維小數據條件下代理模型精度不高的問題。本發明沒有增加樣本量，不會帶來數據噪音。

技術領域

本發明涉及工程設計代理模型構建技術領域，具體涉及一種融合專家經驗的高維小數據的代理模型構建方法。

背景技術

隨著近幾年科學技術的快速發展，對工程問題的研究也在逐漸深入。由于無法獲知設計目標與設計變量之間的函數關系式，大多數工程設計問題，需要模擬實驗來評估采用不同設計參數時的目標函數和約束函數。例如，為了找到最佳的機翼形狀，常常針對不同的形狀參數(長度，曲率，材料等)模擬機翼周圍的氣流。但是對于許多實際問題，單次模擬可能需要數分鐘、數小時、甚至數天才能完成。類似設計優化、設計空間搜索、靈敏性分析和假設分析這種，需要進行數千、甚至數百萬次的模擬，直接對原模型求解將耗費大量的時間與物力。改善這種情況的一個辦法就是使用代理模型(也被稱為響應曲面模型，元模型或模擬器)來模擬高精度模型。針對計算量過大、不容易求解的原模型，可以使用計算量較小、求解迅速的簡化模型來代替原模型，加速優化過程。

但是在眾多工程問題中，由于硬件設施和研究對象等問題，其中一部分工程問題面臨著已有數據少、設計參數多、設計過程復雜，即高維小數據的特點，極大地增加了模型構建的難度。訓練代理模型的目的是為了找到設計目標與設計變量之間的映射關系，并代替該映射關系，完成從設計變量到設計目標的轉變。傳統模式下，代理模型的構建過程往往基于大量數據，或者雖然是小量數據但是設計過程參數少、數據點較為規律。在大量數據的情況下，數據中已近似包含完整的映射關系，對數據進行迭代訓練就可以找到該映射關系；而在小數據量情況下，尤其是高維小數據，映射關系復雜的情況下，小量樣本無法包含完整的、復雜的映射關系，訓練得到的代理模型的精度無法保障。

目前許多研究人員對高維小數據展開研究，解決方案主要分為三個方面：數據收集方法、數據集擴展方法、學習策略選擇方法。第一種方法通過選擇合適的采樣方法，例如過采樣或欠采樣，保留數據中的有效信息，并降低噪聲效應。第二種方法依賴于插值等方法獲得額外的訓練樣本，從而增加樣本量，提高模型精度。最后一種方法針對數據特征，選擇適當的學習策略，如遷移學習或綜合學習等方法，進而提高模型精度。

上述三種方法可以提高由高維小數據訓練的代理模型的精度。但這三個方案都有自己的問題。第一，數據采集方法，雖然這種方法可以有效地減少樣本噪聲的影響，但數據蘊含的規律信息沒有變化，當數據集的數據信息非常稀少時，該方法的效果并不顯著；二是擴展方法，在擴展數據的過程中，通過插值得到擴展數據，增加了數據噪音，因此在模型中會出現偏差；最后是學習策略，這種方案選擇契合數據特征的學習策略，沒有從本質上解決問題，即小數據樣本量不足導致規律信息匱乏的情況。因此，針對這些情況，亟需一種新的解決方案，在補充樣本信息量的同時，提高代理模型的精度。

發明內容

有鑒于此，本發明提供了一種融合專家經驗的高維小數據的代理模型構建方法，通過融合專家經驗的方式，將總結所得的設計知識(設計變量和設計目標間的對應關系式)融入到訓練過程中，補充缺失的映射規律，從而提高訓練得到的模型精度，進而得到在高維小數據情況下的高精度代理模型。

本發明的融合專家經驗的高維小數據的代理模型構建方法，包括如下步驟：

步驟1，咨詢匯總專家對于設計變量和設計目標間的對應關系的專家經驗；

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；

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：