飞行器性能预示模型的确定方法、装置及电子设备

1.本技术涉及飞行器气动性能预测技术领域，尤其涉及一种飞行器性能预示模型的确定方法、装置及电子设备。


背景技术：

2.近年来，飞行器的气动外形直接影响到飞行器的各种飞行性能，如何高效准确进行设计成为重中之重。目前，对飞行器进行气动计算通常有多种方式，采用基于面元法的气动力工程估算方法计算速度快，效率高，但计算精度较低，采用计算流体力学进行cfd数值仿真求解可以得到飞行器飞行过程中的流场细节，对气动力计算精度高，但需要耗费大量的时间与计算资源，计算效率低。


技术实现要素：

3.有鉴于此，本技术的目的在于至少提供一种飞行器性能预示模型的确定方法、装置及电子设备，通过加法标度模型和乘法标度模型构建混合标度变精度近似模型，提高预测精度。
4.本技术主要包括以下几个方面：
5.第一方面，本技术实施例提供一种飞行器性能预示模型的确定方法，方法包括：获取训练集和测试集，训练集包括多个训练样本，每个训练样本包括再入飞行器对应的外形参数和飞行工况参数；利用预设低精度近似模型和预设高精度近似模型分别对训练集中的多个训练样本进行处理，并根据处理结果搭建加法标度模型和乘法标度模型；根据加法标度模型以及加法标度模型对应的权重系数、乘法标度模型和预设低精度近似模型，构建混合标度变精度近似模型；基于测试集对和预设模型评价策略混合标度变精度近似模型进行测试，以得到飞行器性能预示模型，预设模型评价策略指示了混合标度变精度近似模型的评价标准。
6.在一种可能的实施方式中，通过以下方式搭建加法标度模型和乘法标度模型：将训练集中的全部训练样本输入设低精度近似模型进行计算，获取每个训练样本对应的第一气动预测结果；从训练集中随机抽取出多个目标训练样本输入预设高精度近似模型进行计算，以获取每个目标训练样本对应的第二气动预测结果；分别确定每个目标训练样本对应的加法标度和乘法标度，其中，加法标度为第二气动预测结果与第一气动预测结果之间的差值，乘法标度为第二气动预测结果与第一气动预测结果之间的第一比值减1；根据每个目标训练样本对应的加法标度和乘法标度，搭建加法标度模型和乘法标度模型。
7.在一种可能的实施方式中，根据每个目标训练样本对应的加法标度和乘法标度，搭建加法标度模型和乘法标度模型的步骤包括：分别建立第一标度神经网络模型和第二标度神经网络模型；以多个目标训练样本作为输入参数、每个目标训练样本对应的加法标度作为输出参数，对第一标度神经网络模型进行训练，以得到加法标度模型；以多个目标训练样本作为输入参数、每个目标训练样本对应的乘法标度作为输出参数，对第二标度神经网
络模型进行训练，以得到乘法标度模型。
8.在一种可能的实施方式中，通过以下方式构建混合标度变精度近似模型：对训练集中每个训练样本对应的第一气动预测结果进行拟合计算，以确定混合标度变精度近似模型与预设低精度近似模型之间的线性关系；利用加法标度模型对应的权重系数和加法标度模型确定线性关系所指示的等效截距；利用加法标度模型对应的权重系数和乘法标度模型确定线性关系所指示的等效斜率；根据等效截距、等效斜率和预设低精度近似模型，完成对混合标度变精度近似模型的构建。
9.在一种可能的实施方式中，测试集包括多个测试样本，每个测试样本包括再入飞行器对应的外形参数和飞行工况参数，其中，基于测试集和预设模型评价策略对混合标度变精度近似模型进行测试，以得到飞行器性能预示模型的步骤包括：针对测试集中的每个测试样本，将该测试样本分别输入预设高精度近似模型和混合标度变精度近似模型，得到该测试样本对应的第二气动预测结果和混合标度变精度近似模型输出的第三气动预测结果；根据预设模型评价策略对每个测试样本对应的第二气动预测结果和第三气动预测结果进行计算，以确定优化目标，结合预设约束条件和优化目标，利用遗传算法，对混合标度变精度近似模型对应的模型系数进行优化计算，以获得优化后的混合标度变精度近似模型，模型系数为加法标度模型对应的权重系数；利用优化后的混合标度变精度近似模型，确定飞行器性能预示模型。
10.在一种可能的实施方式中，利用优化后的混合标度变精度近似模型，确定飞行器性能预示模型的步骤包括：将测试集中的全部测试样本依次输入优化后的混合标度变精度近似模型，得到每个测试样本对应的第三气动预测结果；针对每个测试样本，利用该测试样本对应的第三气动预测结果和第二气动预测结果，对优化后的混合标度变精度近似模型进行验证，以确定飞行器性能预示模型。
11.在一种可能的实施方式中，通过以下方式对优化后的混合标度变精度近似模型进行验证，以确定飞行器性能预示模型：针对每个测试样本，计算该测试样本的第三气动预测结果与第二气动预测结果之间的比值，将1与比值之间的差值的绝对值确定为预测偏差；根据各测试样本对应的预测偏差，确定平均预测偏差；判断平均预测偏差是否满足预设精度；若平均预测偏差满足预设精度，则将优化后的混合标度变精度近似模型确定为飞行器性能预示模型；若平均预测偏差不满足预设精度，则返回重新获取训练集和测试集。
12.第二方面，本技术实施例还提供一种飞行器性能预示模型的确定装置，装置包括：获取模块，用于获取训练集和测试集，训练集包括多个训练样本，每个训练样本包括再入飞行器对应的外形参数和飞行工况参数；搭建模块，用于利用预设低精度近似模型和预设高精度近似模型分别对训练集中的多个训练样本进行处理，并根据处理结果搭建加法标度模型和乘法标度模型；构建模块，用于根据加法标度模型以及加法标度模型对应的权重系数、乘法标度模型和预设低精度近似模型，构建混合标度变精度近似模型；测试模块，用于基于测试集对混合标度变精度近似模型进行测试，以得到飞行器性能预示模型。
13.第三方面，本技术实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线进行通信，所述机器可读指令被所述处理器运行时执行上述第一方面或第一方面中任一种可能的实施方式中的飞行器性能预示模型的确定方法的步骤。
14.第四方面，本技术实施例还提供了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计算机程序，所述计算机程序被处理器运行时执行上述第一方面或第一方面中任一种可能的实施方式中的飞行器性能预示模型的确定方法的步骤。
15.本技术实施例提供的一种飞行器性能预示模型的确定方法、装置及电子设备，包括：获取训练集和测试集，训练集包括多个训练样本，每个训练样本包括再入飞行器对应的外形参数和飞行工况参数；利用预设低精度近似模型和预设高精度近似模型分别对训练集中的多个训练样本进行处理，并根据处理结果搭建加法标度模型和乘法标度模型；根据加法标度模型以及加法标度模型对应的权重系数、乘法标度模型和预设低精度近似模型，构建混合标度变精度近似模型；基于测试集和预设模型评价策略对混合标度变精度近似模型进行测试，以得到飞行器性能预示模型。本技术通过加法标度模型和乘法标度模型构建混合标度变精度近似模型，提高预测精度。
16.为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
17.为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
18.图1示出了本技术实施例所提供的一种飞行器性能预示模型的确定方法的流程图；
19.图2示出了本技术实施例提供的一种标度模型的搭建方法的流程图一；
20.图3示出了本技术实施例提供的一种标度模型的搭建方法的流程图二；
21.图4示出了本技术实施例提供的一种混合标度变精度模型的测试方法的流程图；
22.图5示出了本技术实施例提供的一种飞行器性能预示模型的应用方法的流程图；
23.图6示出了本技术实施例提供的一种飞行器性能预示模型的确定装置的结构示意图；
24.图7示出了本技术实施例所提供的一种电子设备的结构示意图。
具体实施方式
25.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，应当理解，本技术中的附图仅起到说明和描述的目的，并不用于限定本技术的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本技术中使用的流程图示出了根据本技术的一些实施例实现的操作。应当理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本技术内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
26.另外，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因
此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的全部其他实施例，都属于本技术保护的范围。
27.现有对飞行器进行气动优化一般采用以下方式：
28.1、工程估算进行气动力计算。工程估算的方式效率虽高但预测精度较低，会影响优化结果的准确性。
29.2、cfd数值仿真。通过cfd数值仿真对的方式进行高精度气动计算，虽然提高了预测精度，但在前期需要进行大量cfd计算，且对范围外的外推结果预测精度较差。
30.3、基于神经网络建立的代理模型，虽然通过建立再入飞行器外形参数与气动力输出之间的非线性关系，可以大大提高计算效率，当模型训练得当时也可以具有较高精度，但这种方式过分依赖数据集，需要获取大量高精度数据，若数据集中某个数据偏差较大，对优化结果会有一定影响。
31.4、基于神经网络建立的代理模型，基本上是通过单一加法标度或乘法标度构建变精度模型，这种方式评估难度较大，无法充分利用现有的高低精度样本点数据，且对于现有的评价标准一般采用平均偏差，对于拟合程度以及鲁棒性等评价体系考虑较少。
32.基于此，本技术实施例提供了一种飞行器性能预示模型的确定方法、装置及电子设备，通过加法标度模型和乘法标度模型构建混合标度变精度近似模型，提高预测精度，具体如下：
33.请参阅图1，图1示出了本技术实施例所提供的一种飞行器性能预示模型的确定方法的流程图。如图1所示，本技术实施例提供的飞行器性能预示模型的确定方法，包括以下步骤：
34.s100、获取训练集和测试集。
35.具体的，本技术通过拉丁超立方从预设数据库中抽样得到数据样本集，数据样本集中包括多个数据样本，每个数据样本包括再入飞行器对应的外形参数和飞行工况参数，按照预设比例对多个数据样本进行划分，形成训练集和测试集，训练集包括多个训练样本，测试集包括多个测试样本。
36.s200、利用预设低精度近似模型和预设高精度近似模型分别对训练集中的多个训练样本进行处理，并根据处理结果搭建加法标度模型和乘法标度模型。
37.具体的，预设低精度近似模型是由多个气动工程估算公式所搭建形成的，预设高精度近似模型为cfd数值仿真模型。
38.在一优选实施例中，请参阅图2，图2示出了本技术实施例提供的一种标度模型的搭建方法的流程图一。如图2所示，步骤s200包括：
39.s210、将训练集中的全部训练样本输入设低精度近似模型进行计算，获取每个训练样本对应的第一气动预测结果。
40.s220、从训练集中随机抽取出多个目标训练样本输入预设高精度近似模型进行计算，以获取每个目标训练样本对应的第二气动预测结果。
41.s230、分别确定每个目标训练样本对应的加法标度和乘法标度。
42.其中，加法标度为第二气动预测结果与第一气动预测结果之间的差值，乘法标度为第二气动预测结果与第一气动预测结果之间的第一比值减1。
43.s240、根据每个目标训练样本对应的加法标度和乘法标度，搭建加法标度模型和乘法标度模型。
44.本技术中，可以通过以下公式确定每个目标训练样本对应的加法标度：
45.δysp＝ysh-ysl
46.在该公式中，δysp表示加法标度，ysh表示目标训练样本对应的第二气动预测结果，ysl表示目标训练样本对应的第一气动预测结果。
47.可以通过以下公式确定每个目标训练样本对应的乘法标度：
[0048][0049]
在该公式中，δysm表示乘法标度。
[0050]
在另一优选实施中，请参阅图3，图3示出了本技术实施例提供的一种标度模型的搭建方法的流程图二。如图3所示，步骤s240包括：
[0051]
s2401、分别建立第一标度神经网络模型和第二标度神经网络模型。
[0052]
s2402、以多个目标训练样本作为输入参数、每个目标训练样本对应的加法标度作为输出参数，对第一标度神经网络模型进行训练，以得到加法标度模型。
[0053]
s2403、以多个目标训练样本作为输入参数、每个目标训练样本对应的乘法标度作为输出参数，对第二标度神经网络模型进行训练，以得到乘法标度模型。
[0054]
具体的，第一标度神经网络模型和第二标度神经网络模型均为常规bp神经网络模型，针对第一标度神经网络模型，以多个目标训练样本作为输入参数，以每个目标训练样本对应的δysp作为输出参数，对输入输出之间的非线性关系进行训练，当满足第一标度神经网络模型预设的收敛条件时，即得到加法标度模型。
[0055]
对于乘法标度模型的构建方式与加法标度模型类似，在此不做赘述。
[0056]
返回图1，s300、根据加法标度模型以及加法标度模型对应的权重系数、乘法标度模型和预设低精度近似模型，构建混合标度变精度近似模型。
[0057]
在一优选实施例中，通过以下方式构建混合标度变精度近似模型：
[0058]
对训练集中每个训练样本对应的第一气动预测结果进行拟合计算，以确定混合标度变精度近似模型与预设低精度近似模型之间的线性关系，利用加法标度模型对应的权重系数和加法标度模型确定线性关系所指示的等效截距，利用加法标度模型对应的权重系数和乘法标度模型确定线性关系所指示的等效斜率，根据等效截距、等效斜率和预设低精度近似模型，完成对混合标度变精度近似模型的构建。
[0059]
其中，对每个训练样本对应的第一气动预测结果进行拟合计算所确定出的线性关系可以表示为：
[0060]
t1(x)＝kt
·
l(x)+bt
[0061]
其中，t1(x)表示混合标度变精度近似模型，x表示数据样本，l(x)表示预设低精度近似模型，kt表示等效斜率，bt表示等效截距，对加法标度模型和乘法标度模型进行线性加权即可确定混合标度变精度近似模型等效斜率kt和等效截距bt，若将加法标度模型对应的权重系数表示为a，则等效斜率kt可表示为kt＝1+(1-a)
×
fm(x)，其中，fm(x)表示乘法标度模型，等效截距bt可表示为bt＝a
×
fp(x)，fp(x)表示加法标度模型，在该过程中，权重系数a还是未知数，在该步骤中，构建的混合标度变精度近似模型是存在未知数a的模型，需要通
过后续测试过程得到a的值即可确定出最后的混合标度变精度近似模型。
[0062]
s400、基于测试集和预设模型评价策略对混合标度变精度近似模型进行测试，以得到飞行器性能预示模型。
[0063]
在一优选实施例中，请参阅图4，图4示出了本技术实施例提供的一种混合标度变精度模型的测试方法的流程图。如图4所示，步骤s400包括：
[0064]
s401、针对测试集中的每个测试样本，将该测试样本分别输入预设高精度近似模型和混合标度变精度近似模型，得到该测试样本对应的第二气动预测结果和混合标度变精度近似模型输出的第三气动预测结果。
[0065]
s402、根据预设模型评价策略对每个测试样本对应的第二气动预测结果和第三气动预测结果进行计算，以确定优化目标。
[0066]
在本技术中，预设模型评价策略是根据实际需求预先确定好的，不同的模型评价策略指示了不同的评价标准，不同的评价标准对应的优化目标也是不同的，具体的，模型评价策略包括但不限于相关性系数评价策略、均方根误差评价策略、mae评价策略和rmae评价策略。
[0067]
相关性系数评价策略主要衡量混合标度变精度近似模型拟合前后数据的相关性程度，其对应的评价标准为r2，r2越接近1，拟合相关性越好，即相关性系数评价策略对应的优化目标为r2最小，其中：
[0068][0069]
在该公式中，r2表示相关性系数，n表示测试集中的测试样本的总数，ytthi表示第i个测试样本对应的第二气动预测结果，yttqi表示第i个测试样本对应的第三气动预测结果，表示测试集中全部测试样本对应的第二气动预测结果的平均值。
[0070]
均方根误差评价策略主要衡量混合标度变精度近似模型整体预测精度与离散程度，其对应的评价标准为均方根误差rmse，均方根误差评价策略对应的优化目标为rmse最小，其中：
[0071][0072]
mae评价策略是一种相对度量，它使用绝对值来避免正误差和负误差相互抵消，反映了对于每个数据样本的预测精度其对应的评价标准为mae(指平均绝对百分比误差)，mae评价策略对应的优化目标为mae最小，其中：
[0073][0074]
rmae评价策略主要体现了混合标度变精度近似模型在整个设计空间中的最大预测误差，反映了混合标度变精度近似模型局部预测精度，其对应的评价标准为rmae，rmae值越小，局部预测精度越高，即rmae评价策略对应的优化目标为rmae最小，其中：
[0075][0076][0077]
s403、结合预设约束条件和优化目标，利用遗传算法，对混合标度变精度近似模型对应的模型系数进行优化计算，以获得优化后的混合标度变精度近似模型。
[0078]
模型系数为加法标度模型对应的权重系数。
[0079]
利用优化后的混合标度变精度近似模型，确定飞行器性能预示模型。
[0080]
本技术中，加法标度模型对应的权重系数a即为混合标度变精度近似模型的优化变量，以评价标准rmae举例，优化目标为rmae最小，在给定约束条件的情况下，使用遗传算法，以rmae最小为优化目标，确定权重系数a的最优值，在权重系数a的值确定的情况下，即可得到飞行器性能预示模型。
[0081]
如图4所示，利用优化后的混合标度变精度近似模型，确定飞行器性能预示模型的步骤包括：
[0082]
s404、将测试集中的全部测试样本依次输入优化后的混合标度变精度近似模型，得到每个测试样本对应的第三气动预测结果。
[0083]
针对每个测试样本，利用该测试样本对应的第三气动预测结果和第二气动预测结果，对优化后的混合标度变精度近似模型进行验证，以确定飞行器性能预示模型。
[0084]
具体的，通过以下方式对对优化后的混合标度变精度近似模型进行验证，以确定飞行器性能预示模型：
[0085]
s405、针对每个测试样本，计算该测试样本的第三气动预测结果与第二气动预测结果之间的比值，将1与比值之间的差值的绝对值确定为预测偏差。
[0086]
s406、根据各测试样本对应的预测偏差，确定平均预测偏差。
[0087]
s407、判断平均预测偏差是否满足预设精度。
[0088]
s408、若平均预测偏差满足预设精度，则将优化后的混合标度变精度近似模型确定为飞行器性能预示模型。
[0089]
若平均预测偏差不满足预设精度，则返回执行s100。
[0090]
具体的，可以通过以下公式确定平均预测偏差：
[0091][0092]
在该公式中，ett表示平均预测偏差，yttqqi表示优化后的混合标度变精度近似模型输出的第i个测试样本对应的第三气动预测结果。
[0093]
在平均预测偏差不满足预设精度的情况下，说明优化后的混合标度变精度模型无法满足再入飞行器的气动性能预测需求，需要返回步骤s100重新构建飞行器性能预示模型。
[0094]
在平均预测偏差满足预设精度的情况下，则直接将优化后的混合标度变精度近似模型确定为飞行器性能预示模型即可，可直接使用飞行器性能预示模型对再入飞行器进行
气动外形优化，具体的，请参阅图5，图5示出了本技术实施例提供的一种飞行器性能预示模型的应用方法的流程图。如图5所示，包括：
[0095]
s500、获取待优化再入飞行器对应的飞行器参数。
[0096]
飞行器参数包括待优化再入飞行器对应的外形参数和飞行工况参数。
[0097]
s510、将待优化再入飞行器对应的飞行器参数输入飞行器性能预示模型，获取飞行器性能预示模型所反馈的待优化再入飞行器对应的气动预测结果。
[0098]
s520、确定飞行器优化变量及其对应的优化目标和优化约束条件。
[0099]
本技术中，飞行器优化变量可以为飞行器性能预示模型输出的气动预测结果，预先设定好基于气动预测结果的优化目标和优化约束条件。
[0100]
s530、结合待优化再入飞行器对应的飞行器优化变量及其对应的优化目标和优化约束条件，利用遗传算法对再入飞行器对应的飞行器参数进行优化计算。
[0101]
s540、判断遗传算法优化过程是否收敛。
[0102]
s550、若遗传算法优化过程收敛，则直接输出优化结果。
[0103]
若遗传算法优化过程未收敛，则返回执行s530。
[0104]
本技术中，在利用遗传算法对再入飞行器对应的飞行器参数进行优化计算的过程中，需要结合预设收敛条件进行处理，具体的，若遗传算法优化过程达到收敛条件，则直接输出优化结果，若遗传算法优化过程未达到收敛条件，则需要返回步骤s530进行优化循环。
[0105]
本技术中基于混合标度构建的飞行器性能预示模型，可以根据输入的再入飞行器对应的外形参数和飞行工况参数，获取再入飞行器对应的飞行性能预示结果，相比于现有技术中对再入飞行器的性能预示，进一步提高了性能预示精度以及准确率。
[0106]
本技术中，飞行器性能预示模型，结合了两种不同标度的变精度近似模型的优势，实现对样本点数据更为充分的利用，且保证预测精度的同时兼并预测效率，且混合标度配合基于标准最优化的优化过程，可以在模型生成过程中实现一轮寻优，大大降低了预测偏差过大问题出现的概率，且可以根据实际需要灵活选取对飞行器性能预示模型的评价标准，可以使建立的飞行器性能预示模型适用于不同场景。
[0107]
基于同一申请构思，本技术实施例中还提供了与上述实施例提供的飞行器性能预示模型的确定方法对应的飞行器性能预示模型的确定装置，由于本技术实施例中的装置解决问题的原理与本技术上述实施例的飞行器性能预示模型的确定方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
[0108]
请参阅图6，图6示出了本技术实施例提供的一种飞行器性能预示模型的确定装置的结构示意图。如图6所示，装置包括：
[0109]
获取模块600，用于获取训练集和测试集，训练集包括多个训练样本，每个训练样本包括再入飞行器对应的外形参数和飞行工况参数。
[0110]
搭建模块610，用于利用预设低精度近似模型和预设高精度近似模型分别对训练集中的多个训练样本进行处理，并根据处理结果搭建加法标度模型和乘法标度模型。
[0111]
构建模块620，用于根据加法标度模型以及加法标度模型对应的权重系数、乘法标度模型和预设低精度近似模型，构建混合标度变精度近似模型。
[0112]
测试模块630，用于基于测试集和预设模型评价策略对混合标度变精度近似模型进行测试，以得到飞行器性能预示模型。
[0113]
优选的，搭建模块610还用于：分别建立第一标度神经网络模型和第二标度神经网络模型；以多个目标训练样本作为输入参数、每个目标训练样本对应的加法标度作为输出参数，对第一标度神经网络模型进行训练，以得到加法标度模型；以多个目标训练样本作为输入参数、每个目标训练样本对应的乘法标度作为输出参数，对第二标度神经网络模型进行训练，以得到乘法标度模型。
[0114]
优选的，构建模块620还用于：对训练集中每个训练样本对应的第一气动预测结果进行拟合计算，以确定混合标度变精度近似模型与预设低精度近似模型之间的线性关系；利用加法标度模型对应的权重系数和加法标度模型确定线性关系所指示的等效截距；利用加法标度模型对应的权重系数和乘法标度模型确定线性关系所指示的等效斜率；根据等效截距、等效斜率和预设低精度近似模型，完成对混合标度变精度近似模型的构建。
[0115]
优选的，测试集包括多个测试样本，每个测试样本包括再入飞行器对应的外形参数和飞行工况参数，其中，测试模块630还用于：针对测试集中的每个测试样本，将该测试样本分别输入预设高精度近似模型和混合标度变精度近似模型，得到该测试样本对应的第二气动预测结果和混合标度变精度近似模型输出的第三气动预测结果；根据预设模型评价策略对每个测试样本对应的第二气动预测结果和第三气动预测结果进行计算，以确定优化目标，结合预设约束条件和优化目标，利用遗传算法，对混合标度变精度近似模型对应的模型系数进行优化计算，以获得优化后的混合标度变精度近似模型，模型系数为加法标度模型对应的权重系数；利用优化后的混合标度变精度近似模型，确定飞行器性能预示模型。
[0116]
优选的，测试模块630还用于：将测试集中的全部测试样本依次输入优化后的混合标度变精度近似模型，得到每个测试样本对应的第三气动预测结果；针对每个测试样本，利用该测试样本对应的第三气动预测结果和第二气动预测结果，对优化后的混合标度变精度近似模型进行验证，以确定飞行器性能预示模型。
[0117]
优选的，测试模块630还用于：针对每个测试样本，计算该测试样本的第三气动预测结果与第二气动预测结果之间的比值，将1与比值之间的差值的绝对值确定为预测偏差；根据各测试样本对应的预测偏差，确定平均预测偏差；判断平均预测偏差是否满足预设精度；若平均预测偏差满足预设精度，则将优化后的混合标度变精度近似模型确定为飞行器性能预示模型；若平均预测偏差不满足预设精度，则返回重新获取训练集和测试集。
[0118]
基于同一申请构思，请参阅图7，图7示出了本技术实施例提供的一种电子设备的结构示意图，电子设备700包括：处理器710、存储器720和总线730，存储器720存储有处理器710可执行的机器可读指令，当电子设备700运行时，处理器710与存储器720之间通过总线730进行通信，机器可读指令被处理器710运行时执行如上述实施例中任一提供的飞行器性能预示模型的确定方法的步骤。
[0119]
基于同一申请构思，本技术实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述实施例提供的飞行器性能预示模型的确定方法的步骤。
[0120]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本技术所提供的几个实施例中，应所述理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑
功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0121]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0122]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0123]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者所述技术方案的部分可以以软件产品的形式体现出来，所述计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0124]
以上仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。

技术特征：
1.一种飞行器性能预示模型的确定方法，其特征在于，所述方法包括：获取训练集和测试集，所述训练集包括多个训练样本，每个训练样本包括再入飞行器对应的外形参数和飞行工况参数；利用预设低精度近似模型和预设高精度近似模型分别对所述训练集中的多个训练样本进行处理，并根据处理结果搭建加法标度模型和乘法标度模型；根据加法标度模型以及加法标度模型对应的权重系数、乘法标度模型和预设低精度近似模型，构建混合标度变精度近似模型；基于所述测试集和预设模型评价策略对所述混合标度变精度近似模型进行测试，以得到飞行器性能预示模型，预设模型评价策略指示了混合标度变精度近似模型的评价标准。2.根据权利要求1所述的方法，其特征在于，通过以下方式搭建加法标度模型和乘法标度模型：将训练集中的全部训练样本输入所述设低精度近似模型进行计算，获取每个训练样本对应的第一气动预测结果；从所述训练集中随机抽取出多个目标训练样本输入所述预设高精度近似模型进行计算，以获取每个目标训练样本对应的第二气动预测结果；分别确定每个目标训练样本对应的加法标度和乘法标度，其中，所述加法标度为第二气动预测结果与第一气动预测结果之间的差值，所述乘法标度为第二气动预测结果与第一气动预测结果之间的第一比值减1；根据每个目标训练样本对应的加法标度和乘法标度，搭建加法标度模型和乘法标度模型。3.根据权利要求2所述的方法，其特征在于，根据每个目标训练样本对应的加法标度和乘法标度，搭建加法标度模型和乘法标度模型的步骤包括：分别建立第一标度神经网络模型和第二标度神经网络模型；以所述多个目标训练样本作为输入参数、每个目标训练样本对应的加法标度作为输出参数，对所述第一标度神经网络模型进行训练，以得到加法标度模型；以所述多个目标训练样本作为输入参数、每个目标训练样本对应的乘法标度作为输出参数，对所述第二标度神经网络模型进行训练，以得到乘法标度模型。4.根据权利要求2所述的方法，其特征在于，其中，通过以下方式构建混合标度变精度近似模型：对训练集中每个训练样本对应的第一气动预测结果进行拟合计算，以确定混合标度变精度近似模型与预设低精度近似模型之间的线性关系；利用所述加法标度模型对应的权重系数和加法标度模型确定所述线性关系所指示的等效截距；利用所述加法标度模型对应的权重系数和乘法标度模型确定所述线性关系所指示的等效斜率；根据所述等效截距、等效斜率和所述预设低精度近似模型，完成对混合标度变精度近似模型的构建。5.根据权利要求1所述的方法，其特征在于，所述测试集包括多个测试样本，每个测试样本包括再入飞行器对应的外形参数和飞行工况参数，
其中，基于所述测试集和预设模型评价策略对所述混合标度变精度近似模型进行测试，以得到飞行器性能预示模型的步骤包括：针对所述测试集中的每个测试样本，将该测试样本分别输入所述预设高精度近似模型和所述混合标度变精度近似模型，得到该测试样本对应的第二气动预测结果和所述混合标度变精度近似模型输出的第三气动预测结果；根据预设模型评价策略对所述每个测试样本对应的第二气动预测结果和所述第三气动预测结果进行计算，以确定优化目标，结合预设约束条件和所述优化目标，利用遗传算法，对所述混合标度变精度近似模型对应的模型系数进行优化计算，以获得优化后的混合标度变精度近似模型，所述模型系数为所述加法标度模型对应的权重系数；利用优化后的混合标度变精度近似模型，确定飞行器性能预示模型。6.根据权利要求5所述的方法，其特征在于，利用优化后的混合标度变精度近似模型，确定飞行器性能预示模型的步骤包括：将所述测试集中的全部测试样本依次输入优化后的混合标度变精度近似模型，得到每个测试样本对应的第三气动预测结果；针对每个测试样本，利用该测试样本对应的第三气动预测结果和第二气动预测结果，对优化后的混合标度变精度近似模型进行验证，以确定飞行器性能预示模型。7.根据权利要求6所述的方法，其特征在于，通过以下方式对优化后的混合标度变精度近似模型进行验证，以确定飞行器性能预示模型：针对每个测试样本，计算该测试样本的第三气动预测结果与第二气动预测结果之间的比值，将1与所述比值之间的差值的绝对值确定为预测偏差；根据各测试样本对应的预测偏差，确定平均预测偏差；判断所述平均预测偏差是否满足预设精度；若所述平均预测偏差满足预设精度，则将优化后的混合标度变精度近似模型确定为飞行器性能预示模型；若所述平均预测偏差不满足预设精度，则返回重新获取训练集和测试集。8.一种飞行器性能预示模型的确定装置，其特征在于，所述装置包括：获取模块，用于获取训练集和测试集，所述训练集包括多个训练样本，每个训练样本包括再入飞行器对应的外形参数和飞行工况参数；搭建模块，用于利用预设低精度近似模型和预设高精度近似模型分别对所述训练集中的多个训练样本进行处理，并根据处理结果搭建加法标度模型和乘法标度模型；构建模块，用于根据加法标度模型以及加法标度模型对应的权重系数、乘法标度模型和预设低精度近似模型，构建混合标度变精度近似模型；测试模块，用于基于所述测试集和预设模型评价策略对所述混合标度变精度近似模型进行测试，以得到飞行器性能预示模型。9.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线进行通信，所述机器可读指令被所述处理器运行时执行如权利要求1至7任一所述的飞行器性能预示模型的确定方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至7任一所述的飞行器性能预示模型的确定方法的步骤。

技术总结
本申请提供了一种飞行器性能预示模型的确定方法、装置及电子设备，包括：获取训练集和测试集，训练集包括多个训练样本，每个训练样本包括再入飞行器对应的外形参数和飞行工况参数；利用预设低精度近似模型和预设高精度近似模型分别对训练集中的多个训练样本进行处理，并根据处理结果搭建加法标度模型和乘法标度模型；根据加法标度模型以及加法标度模型对应的权重系数、乘法标度模型和预设低精度近似模型，构建混合变精度近似模型；基于测试集和预设模型评价策略对混合标度变精度近似模型进行测试，以得到飞行器性能预示模型。本申请通过加法标度模型和乘法标度模型构建混合标度变精度近似模型，提高预测精度。提高预测精度。提高预测精度。


技术研发人员：朱浩 孙俊杰 郝文智 田嘉琪 张川宇 蔡国飙
受保护的技术使用者：北京航空航天大学
技术研发日：2023.07.12
技术公布日：2023/10/19