[发明专利]具有ReMD-OSELM的FER-FSE在风洞试验冲压阶段总压实时建模中的应用

权利要求书

1.具有ReMD-OSELM的FER-FSE在风洞试验冲压阶段总压实时建模中的应用，其特征在于，包括如下步骤：

第一步：根据时间阈值τ，8s≤τ≤15s，获取冲压阶段总压模型的多批次样本，令表示第b个批次的样本，其中b＝0,1,2,…，N表示样本个数；

X(t-1)包含25个特征：

x₁(t-1),x₁(t-2),…,x₁(t-5),x₂(t-1),x₂(t-2),…,x₂(t-5),…,x₅(t-1),x₅(t-2),…,x₅(t-5)，

分别表示栅指位移、主调压阀位移、主排气阀位移、气源压力和攻角角度在历史时刻t-1,t-2,…t-5上的值；

P_o(t-1)包含5个特征：p_o(t-1),…,p_o(t-5)，

分别表示总压在历史时刻t-1,t-2,…t-5上的值；

p_o(t)表示总压在当前时刻t上的值；

总压模型的输入变量为[X(t-1),P_o(t-1)]，输出变量是p_o(t)；

第二步：在上构建全展开型递归特征子集集成FER-FSE结构；FSE方法构造低维的特征子集、具有并行的集成结构，根据试验数据大样本集的特点选择基学习机；

第二步的在上构建FER-FSE结构，其实现过程如下：

首先，在上执行基于回归树的特征选择，挑选出最重要的d_o维特征，所述d_o维特征组成特征集合

且

其中表示基于回归树的特征选择操作；根据构造第b批次低维样本集

然后，基于FSE方法构造的所有特征子集其中上标i表示特征子集序号且的输入特征集合为

最后，在上构建初代子模型

加权平均后得初代FER-FSE总压模型；…；获得后更新第b-1代子模型得第b代子模型加权平均后获得第b代FER-FSE总压模型；每一代子模型的权重都由通用集成方法计算获得；

第三步：以ReMD-OSELM算法为基学习机递归学习每一代子模型，加权融合后获得总压实时预测模型；

第三步的ReMD-OSELM算法，其实现过程是：

在MD-OSELM的目标函数中添加正则项，第b代第i个ReMD-OSELM子模型的数学表达式为：

其中

表示的隐藏层输出向量；表示的隐藏层权重向量且表示第i个ReMD-OSELM子模型的输入变量；J表示隐藏层神经元个数；G(·)是Sigmoid，RBF或者Sine激活函数；和是激活函数的参数，属于[-1,1]之间的随机数，不在递归学习过程中进行更新；

在公式(1)中，由输入特征集合和激活函数直接计算获得，ReMD-OSELM对进行估计；当b＝0时，在MD-OSELM的目标函数中加上正则项求解优化函数为得的估计值：

其中是正则项调节参数，

是的输入样本在隐藏层上的输出矩阵，是单位矩阵；

是输出向量，其元素为每个样本的输出值；MD-OSELM是时的ReMD-OSELM；

当获得后，使用递归方式更新获得

其中

是的输入样本在隐藏层上的输出矩阵；是输出向量，其元素为每个样本的输出值；是对的记忆因子，由公式(5)计算获得；

当获得第b批次样本后,b＝2,3,…，使用递归方式更新获得

其中是的输入样本在隐藏层上的输出矩阵；是输出向量，其元素为每个样本的输出值，是对的记忆因子：

其中是在子模型上的预测误差；是与的相似度，由cosine距离或欧式距离计算获得。

2.根据权利要求1所述的具有ReMD-OSELM的FER-FSE在风洞试验冲压阶段总压实时建模中的应用，其特征在于，在FSE构造特征子集之前，利用回归树算法提取最重要的d_o维特征；根据所述d_o维特征构造的低维样本集和的所有特征子集。