【技术实现步骤摘要】
本专利技术涉及航空航天空气动力试验研究领域。更具体地说，本专利技术涉及一种基于多通道融合的风洞流场状态预测方法。
技术介绍
1、风洞作为空气动力学研究的关键设备，气动特性十分复杂，试验段流场易受多源耦合干扰影响，随着我国航空航天事业的快速发展，急需建立高精度的风洞流场模型，来支撑流场控制方法创新设计，以进一步提升流场控制精度，满足风洞开展多类型大尺度/真实飞行器高速特种空气动力试验的需求。风洞试验流场状态中马赫数与总压、静压之间具有强相关性，流场状态又受主调开度等直接控制，流场状态之间、流场与控制参数之间的强耦合关系是影响风洞流场建模精度的关键技术。现有的基于神经网络的风洞流场建模方法主要对流场不同时间点下的状态之间的相关性进行学习与挖掘，对流场状态之间、流场与控制参数之间的相关性没有之间的计算，仅有部分方法通过时间点之间的状态转移关系间接建立。对风洞流场关键参数的耦合关系建模，是提高风洞流场模型精度的关键。
技术实现思路
1、本专利技术的一个目的是解决至少上述问题和/或缺陷，并提供至少后面将说明的优点。
2、为了实现本专利技术的这些目的和其它优点，提供了一种基于多通道融合的风洞流场状态预测方法，包括：
3、s1、基于伪邻近点法fnn确定时间序列的嵌入维度，以对风洞运行数据进行预处理；
4、s2、基于预处理后的风洞运行数据设计趋势性编码器，基于多头自注意力机制实现短距离内的风洞流场相关性建模，以构建神经网络子模型ⅰ；
5、s3、基于周
6、s4、将神经网络子模型ⅰ和神经网络子模型ⅱ中固定参数部分模块进行通道拼接，将拼接后的数据输入到多层感知机和输入模块，则风洞流场预测的输出 y o可通过下式表征：
7、
8、上式中， concat表示通道拼接， mlp表示多层感知机和输出模块的神经网络层， y thend表示趋势性编码器输出， y couping表示短距离内的风洞流场相关性建模输出， y couping_l表示风洞运行数据长周期的相关性建模输出。
9、优选的是，在s1中，伪邻近点法ffn方法中的cao式判别准则如下式所示：
10、
11、上式中， l为风洞运行数据序列x总状态点数， n为时间序列的嵌入维度， d min是状态点 x t的最邻近距离，是将嵌入维度增加一维后 x t的最邻近距离， e( n)是总体伪邻近点统计量， j´( n)为判别量， e( n+1)是嵌入维度为 n+1的总体伪邻近点统计量；
12、所述预处理是指对风洞运行数据进行归一化，并根据嵌入维度将数据标签化。
13、优选的是，在s2中，所述趋势性编码器的设计方法包括：
14、s210、构建趋势性编码器，若经处理的风洞运行数据尺度满足[风洞运行时长，嵌入维度，特征数]，则将其直接输入到趋势性编码器中；
15、s211、采用transformer的编码器部分，设置3个多头自注意力，编码器的块数为3，神经网络的嵌入层设置为512，逐位前馈网络采用两层mlp，中间层神经元个数设置为256，则趋势性编码器输出 y trend为：
16、
17、上式中， x short表示风洞短周期内运行数据， encoder表示趋势性编码器的网络层。
18、优选的是，在s2中，短距离内的风洞相关性建模的实现方法包括：
19、s221、将经处理的风洞运行数据进行维度交换，以得到经过维度交换的风洞短周期内运行数据 x´ short，且 x´ short尺度满足[风洞运行时长，特征数，嵌入维度]， x´ short内含短距离的风洞运行趋势性信息；
20、s222、将 x´ short输入到多头自注意力模块 multihead中，以通过对风洞不同特征的相关性计算，基于自注意力的风洞相关性建模输出 y coupling通过下式表征：
21、
22、优选的是，所述神经网络子模型ⅰ的输出为 yo1：
23、
24、上式中，表示神经网络子模型ⅰ的输出层， concat表示通道拼接。
25、优选的是，在s3中，风洞运行数据长周期的相关性建模方法为：
26、s300、构建周期性编码器，并将尺度满足[风洞运行时长，特征数]的整个车次风洞运行数据作为周期性编码器输入，则周期性编码器的输出 y code为：
27、
28、式中， encoder表示周期性编码器的网络层， x long表示风洞长周期的运行数据；
29、s310、将周期性编码器的输出进行维度交换，且维度交换后数据尺度满足[风洞运行时长，特征数，嵌入维度]；
30、s320、若整个车次的风洞运行数据中包含了周期性的风洞长距离运行信息，则将维度交换后的数据输入到多头自注意力模块 multihead中，以通过自注意力机制实现对长距离内风洞本文档来自技高网...
【技术保护点】
1.一种基于多通道融合的风洞流场状态预测方法，其特征在于，包括：
2.如权利要求1所述的基于多通道融合的风洞流场状态预测方法，其特征在于，在S1中，伪邻近点法FFN方法中的Cao式判别准则如下式所示：
3.如权利要求1所述的基于多通道融合的风洞流场状态预测方法，其特征在于，在S2中，所述趋势性编码器的设计方法包括：
4.如权利要求3所述的基于多通道融合的风洞流场状态预测方法，其特征在于，在S2中，短距离内的风洞相关性建模的实现方法包括：
5.如权利要求4所述的基于多通道融合的风洞流场状态预测方法，其特征在于，所述神经网络子模型Ⅰ的输出为Yo1：
6.如权利要求1所述的基于多通道融合的风洞流场状态预测方法，其特征在于，在S3中，风洞运行数据长周期的相关性建模方法为：
7.如权利要求6所述的基于多通道融合的风洞流场状态预测方法，其特征在于，神经网络子模型Ⅱ的输出为Yo2：
8.如权利要求1所述的基于多通道融合的风洞流场状态预测方法，其特征在于，在S4中，还包括：
9.如权利要求8所述的基于
...【技术特征摘要】
1.一种基于多通道融合的风洞流场状态预测方法，其特征在于，包括：
2.如权利要求1所述的基于多通道融合的风洞流场状态预测方法，其特征在于，在s1中，伪邻近点法ffn方法中的cao式判别准则如下式所示：
3.如权利要求1所述的基于多通道融合的风洞流场状态预测方法，其特征在于，在s2中，所述趋势性编码器的设计方法包括：
4.如权利要求3所述的基于多通道融合的风洞流场状态预测方法，其特征在于，在s2中，短距离内的风洞相关性建模的实现方法包括：
5.如权利要求4所述的基于多通道融合的风洞流场状态预测方法...
【专利技术属性】
技术研发人员：田嘉懿，孙家奎，熊能，李聪健，杨瑷玮，杜钰锋，
申请(专利权)人：中国空气动力研究与发展中心高速空气动力研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。