[发明专利]一种基于神经网络的气动数据融合方法

说明书

本发明公开了一种基于神经网络的气动数据融合方法，该方法是在传统神经网络融合的基础上，利用VCM融合方法修正神经网络融合时对数据量的相关性，并针对高精度数据的融合性质，引入了影响权重参数来帮助融合，最终得到改进的VCM方法与神经网络方法相结合的气动数据融合方法。本发明提出的融合方法能够有效克服传统神经网络融合方法与数据量的相关性，限制高精度数据的融合影响范围，得到整体融合趋势与大数据量数据趋势一致，在高精度数据影响范围与高精度数据一致的融合数据。

技术领域

本发明涉及空气动力学中不同气动数据源之间的融合，尤其涉及一种基于神经网络的气动数据融合方法，该方法可将优缺点相互补充的气动数据源进行融合，此外也可应用于传感器等其它存在多数据源的领域。

背景技术

在空气动力学常采用风洞实验、数值计算和飞行试验(模型飞行试验)三种方法来获取飞行器气动数据，但是每种方法都有其优缺点。风洞实验的数据精度高，但存在洞壁干扰、支架干扰真实效应等影响，与真实飞行情况有很大差异；数值计算方便灵活，但对网格依赖性较大，对硬件软件都有一定要求，而且计算精度有待进一步提高；飞行试验可以模拟真实飞行状态，但仍受限于传感器精度和大气扰动等，而且实验数据有限，飞行成本高。

在短时间内，很难通过单一方式来较大程度地提高气动数据的精度。但如果只是针对于某个飞行器的话，通过前面所述的三种手段获得的数据是针对同一对象的多源数据，三种信息相互之间有一定冗余性和互补性，因此从理论上来说，使用气动数据融合的方式是完全可行的。

与现有的数据融合技术相比，气动数据误差来源比较复杂，往往不知其真值，很难建立描述气动数据误差传递的数学模型，因此直接将现有数据融合技术应用于气动领域是非常困难的。如果按照传统的数据融合分类方式进行划分，气动数据融合应属于数据级融合，其主要任务是将多源数据融合为一可靠性高、精度高，数据充足的数据源。在气动数据融合中，可以将各种实验数据认为是高精度数据源，将各种数值模拟数据认为是低精度数据源。

针对不同气动数据源之间的融合，国内外发展了大量的研究方法。在2001年NASA的兰利研究中心与Dryden飞行研究中心进行了合作，针对F-16XL-1飞机的梯形机翼，在亚音速和跨音速下，对其飞行试验、风洞实验以及数值模拟条件计算得到的可视化结果进行了比较分析，从而获得机翼表面准确的流动结果。其融合过程主要通过人为的比较分析，来获取最终的结果，难免会在其中引入人为因素。此外还有NASA的兰利研究中心与布朗大学合作对波音757飞机的试验结果进行融合，主要通过三维变换及重建技术，将不同相机获取的二维可视化流动结果融合至原模型的三维流动结构。

2003年南安普顿大学的A.J.Keane通过数据融合的方法将DOE(Design ofExperiment)数据与CFD数据进行了融合，来进行机翼的气动优化数据获取。其采用的融合方法为Kriging 相应曲面法，并且融合结果明显比采用单一的结果更加精确。同期NASA内部ELORET组织的ChungTang等人，使用了VCM算法来融合DOE数据以及CFD数据，其融合的研究对象为气动力系数随攻角的变化，并将该方法构建至专家系统来获取气动数据。

由于神经网络在函数拟合功能上的任意逼近性、多维性，2004年威廉马什赖斯大学的J.A. Navarrete等人将神经网络中的RBF网络引入到气动数据融合领域，同样其研究对象为气动力系数随攻角变化的实验数据和CFD数据，并对神经网络方法在融合中的局限性和潜力提出了研究建议。

在2018年的AIAA会议上，韩国大学的Maxim Tyan等人为构建飞行模拟的气动数据库，采用综合的数据融合技术来构建气动数据。在融合过程中，使用了Kriging方法、自适应采样法以及VFM方法(Variable Fidelity Modeling)，三种方法，然后根据融合时的设置进行算法的选取。