[发明专利]气动建模方法、系统及装置

说明书

本发明公开了一种气动建模方法、系统及装置，包括，S1、获取气动力数据训练集和验证集；S2、建立机器学习模型，设定机器学习模型的参数；S3、将训练集输入机器学习模型，评估机器学习效率和精度；S4、改变机器学习模型的参数，直到机器学习效率和精度达到最优，形成基于REPTILE的气动建模内部循环；S5、在内部循环外加入元学习循环，使得模型在不同组的训练集之间来回学习；S6、通过机器学习，获得元学习的损失函数，直至损失函数收敛，得到基于REPTILE的气动模型，若学习发散，改变机器学习模型的参数，直至损失函数收敛。本发明可以实现气动建模。

技术领域

本发明涉及气动建模领域，尤其是涉及一种气动建模方法、系统及装置。

背景技术

目前工程上广泛应用的非线性非定常气动力建模方法主要有两类研究方法：一类是建立气动力和飞行物理量相关的传统数学类的气动模型(如代数模型、阶跃响应模型等)，另一类是智能学习类的气动模型(如模糊逻辑法、支持向量机(SVM)等)。其中传统数学类方法是进行大量的气动数据来进行分段线性气动建模，模型精度较低，参数辨识难度大，已逐渐无法满足现有工程需求。智能学习类方法可以建立较高精度的多输入多输出非线性气动模型，非常适合非线性非定常气动力建模，但由于此类方法主要为数据驱动，普遍存在数据需求量大、学习时间长、易出现过拟合、小样本泛化能力较弱的问题，这大大限制了智能学习类气动建模方法的工程化应用。

发明内容

本发明的目的在于提供一种气动建模方法、系统及装置，旨在解决气动建模。

本发明提供一种气动建模方法，包括：

S1、获取气动力数据训练集和验证集；

S2、建立机器学习模型，设定机器学习模型的参数；

S3、将训练集输入机器学习模型，评估机器学习效率和精度；

S4、改变机器学习模型的参数，直到机器学习效率和精度达到最优，形成基于REPTILE的气动建模内部循环；

S5、在内部循环外加入元学习循环，使得模型在不同组的训练集之间来回学习；

S6、通过机器学习，获得元学习的损失函数，直至损失函数收敛，得到基于REPTILE的气动模型，若学习发散，改变机器学习模型的参数，直至损失函数收敛。

本发明还提供一种气动建模系统，包括：

获取模块：用于获取气动力数据训练集和验证集；

建立模块；用于建立机器学习模型，设定机器学习模型的参数；

评估模块：用于将训练集输入机器学习模型，评估机器学习效率和精度；

最优模块：用于改变机器学习模型的参数，直到机器学习效率和精度达到最优，形成基于REPTILE的气动建模内部循环；

元学习模块：用于在内部循环外加入元学习循环，使得模型在不同组的训练集之间来回学习；

收敛模块：用于通过机器学习，获得元学习的损失函数，直至损失函数收敛，得到基于REPTILE的气动模型，若学习发散，改变机器学习模型的参数，直至损失函数收敛。

本发明实施例还提供一种气动建模装置，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述方法的步骤。

本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现上述方法的步骤。

采用本发明实施例，本发明提高少样本下的泛化能力，兼顾精度与学习效率。