用于不确定度量化的导弹气动特性预测模型构建方法与流程

1.本发明涉及导弹气动特性分析领域，特别涉及用于不确定度量化的导弹气动特性预测模型构建方法。


背景技术：

2.在导弹真实飞行过程中，周围空气环境的扰动会导致导弹气动特性发生波动，严重时甚至导致任务失败或装备失效。因此在导弹设计研制过程中，需要充分考虑因飞行环境的微小变化而产生的来流条件的不确定度，分析其对导弹气动特性的影响，确保装备的鲁棒性和可靠性。
3.在不确定度量化领域，蒙特卡洛方法是最简单直接的方法。但是该方法需要大量的样本数据。如果每一个样本都通过cfd计算获得，这对于实际导弹来说计算成本过高。因此迫切需要发展满足不确定度量化精度要求的导弹气动特性快速预测方法，用以代替cfd计算，满足不确定度量化的需求。


技术实现要素：

4.针对现有技术中存在的问题，提供了一种用于不确定度量化的导弹气动特性预测模型构建方法，能够有效减少不确定度量化分析的计算成本，节省资源消耗。
5.本发明采用的技术方案如下：用于不确定度量化的导弹气动特性预测模型构建方法，包括：步骤1、获取初始样本，构建初始导弹气动特性预测模型，评估预测模型的预测误差是否满足要求，若满足则进入步骤4，否则进入步骤2；其中，初始样本包括训练样本与测试样本；步骤2、采用交叉验证准则确定序贯样本，加入并更新训练样本；步骤3、利用更新后的训练样本更新导弹气动特性预测模型，评估预测误差是否满足要求，若满足则进入步骤4，否则进入步骤2；步骤4、得到满足预测误差要求的导弹气动特性预测模型，用于导弹气动特性的不确定度量化。
6.进一步的，所述步骤1包括以下子步骤：步骤101、在试验不确定输入中抽取n个训练样本输入和m个测试样本输入；步骤102、将n个训练样本输入和m个测试样本输入分别传递给导弹气动特性求解器，得到对应导弹气动特性关注输出，分别组成训练样本和测试样本；步骤103、利用训练样本构建导弹气动特性预测模型；步骤104、利用测试样本评估导弹气动特性预测模型的预测误差，若预测误差小于预先设定的预测误差要求，则进入步骤4，否则进入步骤2。
7.进一步的，所述步骤101中的试验不确定输入为导弹气动特性不确定度量化分析的对象，例如来流条件等。
8.进一步的，所述步骤2包括以下子步骤：步骤201、从n个训练样本中，依次去除一个样本，利用剩余样本构建导弹气动特性预测模型，共得到n个预测模型；步骤202、构造预测误差评估函数，并通过遗传算法计算预测误差评估函数的极小值，确定序贯样本输入；步骤203、通过导弹气动特性求解器得到序贯样本输入对应的样本输出，序贯样本输入与对应样本输出构成1个序贯样本，将其加入到训练样本中，使训练样本数据量加1。
9.进一步的，所述步骤3包括以下子步骤：步骤301、利用更新后的训练样本构建导弹气动特性预测模型；步骤302、利用测试样本评估导弹气动特性预测模型的预测误差；若预测误差小于预先设定的预测误差要求，则进入步骤4，否则返回步骤2。
10.进一步的，所述步骤104与步骤302中，预测误差计算方法为：其中，为预测误差，m为测试样本数目，为对应测试样本输出，表示测试样本输入为的预测模型预测值。
11.进一步的，所述步骤202中，构造预测误差评估函数的方法为：对于任意的样本输入，其预测误差评估函数为：其中，n为预测模型数量，n=n，表示输入样本为的第i个预测模型，表示输入样本为的初始导弹气动特性预测模型。
12.与现有技术相比，采用上述技术方案的有益效果为：本发明建立的导弹气动特性预测模型在达到预先设定的预测误差时需要的计算成本约为原始的基于随机采样构建预测模型方法的74%，显著节省了计算成本，有效的节省了计算资源；同时，基于交叉验证方法构造预测误差评估函数，在影响导弹气动特性预测模型精度的关键区域逐步增加训练样本，直至预测模型满足不确定度量化的精度要求，避免了在对导弹气动特性预测模型精度改善作用不大的区域浪费计算资源。
附图说明
13.图1为本发明提出的用于不确定度量化的导弹气动特性预测模型构建方法流程图。
具体实施方式
14.下面详细描述本技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的模块或具有相同或类似功能的模块。下面通过参考附
图描述的实施例是示例性的，仅用于解释本技术，而不能理解为对本技术的限制。相反，本技术的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
15.如图1所示，本发明实施例提出了一种用于不确定度量化的导弹气动特性预测模型构建方法，包括以下步骤：步骤1、获取初始样本，构建初始导弹气动特性预测模型，评估预测模型的预测误差是否满足要求，若满足则进入步骤4，否则进入步骤2；其中，初始样本包括训练样本与测试样本；步骤2、采用交叉验证准则确定序贯样本，加入并更新训练样本；步骤3、利用更新后的训练样本更新导弹气动特性预测模型，评估预测误差是否满足要求，若满足则进入步骤4，否则进入步骤2；步骤4、得到满足预测误差要求的导弹气动特性预测模型，用于导弹气动特性的不确定度量化。
16.本实施例中，试验样本数据由指定的、导弹气动特性不确定度量化分析需要的、由来流条件等变量组成。
17.具体的，所述步骤1包括以下过程：步骤101、训练样本和测试样本抽样。
18.使用随机抽样方法抽样得到n个训练样本的输入信息。其中为来流条件（马赫数ma，攻角α，侧滑角β等）的组合向量。
19.使用随机抽样方法抽样得到m个测试样本的输入信息。
20.步骤102、将每个训练样本的输入信息传递给导弹气动特性求解器，得到导弹气动特性关注输出（例如阻力系数cd），组成训练样本输出。将每个测试样本的输入信息传递给导弹气动特性求解器，得到导弹气动特性关注输出，组成测试样本输出。第i个样本由输入信息和关注输出组成。
21.步骤103、使用n个训练样本构建导弹气动特性预测模型。
22.步骤104、在测试样本上评估预测模型的预测误差：其中，为预测误差，m为测试样本数目，为对应测试样本输出，表示测试样本输入为的预测模型预测值。
23.将计算得到的预测误差与预先设定的预测误差要求进行比较，如果小于,认为预测模型满足要求终止过程；如果大于或等于通过后续的步骤改进模型。
24.如果初始导弹气动特性预测模型的预测误差不满足要求，则需要进行训练样本的更新，具体过程如步骤2所示：步骤201、从n个训练样本中，依次去除一个样本，使用剩余的n-1个样本构建导弹气动特性预测模型。
25.步骤202、构造预测误差评估函数。对于任意的样本输入，构造如下形式的预测误差评估函数：其中，n为预测模型数量,n=n，表示输入样本为的第i个预测模型，表示输入样本为的初始导弹气动特性预测模型。
26.步骤203、通过遗传算法求解预测误差评估函数的极小值，得到序贯样本输入。其中，遗传算法是一种经典的寻优算法，采用现有算法即可，在此不做赘述步骤204、将序贯样本输入传递给导弹气动特性求解器，得到导弹气动特性关注输出。将和构成序贯样本加入到训练样本中，样本数据量n加1，即得到更新后的n+1个训练样本。
27.在完成训练样本更新后，重新进行导弹气动特性预测模型的构建，具体过程如下：步骤301、利用更新后的训练样本构建导弹气动特性预测模型；步骤302、利用测试样本评估导弹气动特性预测模型的预测误差；若预测误差小于预先设定的预测误差要求，则认为预测模型满足要求终止过程，否则返回循环进行优化，直至预测误差小于，终止优化过程。
28.为了更好的阐述本发明提出的预测模型构建方法，下面以某导弹阻力系数不确定度分析为例。
29.步骤1包括：（1）在不同来流条件（马赫数ma, 攻角α，侧滑角β）下共需要364个试验样本数据。
30.（2）使用随机抽样在给定试验设计中选取20个初始训练样本输入，即n=20；（3）使用随机抽样在给定试验设计中选取30个测试样本输入，即m=30；（4）将每个训练样本的输入参数传递给导弹气动特性求解器，得到每个样本的导弹阻力系数，组成训练样本输出；（5）将每个测试样本的输入参数传递给导弹气动特性求解器，得到每个样本的导弹阻力系数，组成测试样本输出；（6）使用20个初始训练样本构建导弹阻力系数的克里金预测模型；（7）在30个测试样本上评估预测模型的预测误差为0.2654；（8）模型预测误差大于要求值，因此需要进行后续的模型改进。
31.步骤2包括：（1）从20个训练样本中，依次去除一个样本，利用剩余的19个样本构建导弹阻力系数的克里金预测模型。循环20次，共获得20个预测模型，记为。
32.（2）构造预测误差评估函数，；（3）通过遗传算法求解预测误差评估函数的极小值，得到下一个样本输入；
（4）将传递给导弹气动特性求解器，得到阻力系数。将和加入到训练样本中，现有训练样本为n=21个。
33.步骤3包括：（1）使用21个训练样本构建导弹阻力系数的克里金预测模型；（2）在测试样本上评估预测模型的预测误差为0.2256；（3）模型预测误差仍然大于要求值，因此循环步骤2和步骤3。
34.在循环45次之后，预测模型的预测误差为0.0961，小于要求值，此时终止优化过程。
35.最终共有训练样本65个，得到用于不确定度量化的导弹阻力系数预测模型。
36.为了验证本发明方法的优势，与原始的基于随机样本数据构建预测模型的方法进行比较。为消除随机样本选取的影响，本方法与原始方法均重复了50次，比较两者达到阻力系数预测误差要求的训练样本数量。比较结果如表1所示。本发明方法需要的平均样本数为68.68，原始方法需要的平均样本数为92.9。本发明方法的计算量为原始方法的74%，显著降低了计算成本。
37.表1 预测误差要求下的样本量（重复50次）试验编号原始随机抽样方法本发明的自适应方法111291210212838461414842511236612144781808856591456510204911616112135129136567149445157255167166171118518796319105802080472155522210792
23105542498782558742685114279679288161299389309539318278321265733926334837935134723694673760903812779397530407981411574942615543118534484694586574665934711058488395497853509565表2为某次具体试验，初始随机抽样方法与本发明建立的模型预测误差随着训练样本数目增加的结果。同样达到阻力系数预测误差，本发明方法需要65个训练样本，而原始随机采样建模方法需要95个训练样本。
38.表2 某次实验预测误差变化趋势训练样本数量原始随机抽样方法本发明的自适应方法200.4372062450.437206245210.431302290.335908065220.4309219130.295174883230.4340487420.272721716240.334701870.356185795250.3115516720.332658955
260.2488204930.250084946270.3373848670.245693394280.3257685230.228764115290.3214247760.228001873300.2325771350.207948976310.23125810.232819014320.2303732880.195117628330.2320082270.196952539340.2353532830.185788169350.2360133670.191669412360.2308410410.162164724370.2158508470.152520609380.2476003610.2290124390.2473208150.230687138400.2465394640.226359237410.2300005150.225519685420.2302615230.223075272430.2200491720.21908814440.221050310.194580524450.2209235220.191965729460.2185862420.192240143470.2192488250.189862812480.2154458920.189555278490.2143443510.182269424500.2168953050.18074156510.215493480.135762679520.214793970.150032928530.3798983750.145894741540.3256431880.141205187550.3249566670.128811557560.3233623530.131640448570.3232854740.130508891580.324303690.131385241590.3244054420.131817684600.3236545490.130789003610.3219947570.134603389620.2583085190.126459196630.2533190.126038640.2821970.096092
650.3712580.096986660.3991140.09651670.3911580.095719680.268460.113937690.2677560.112052700.2692890.122219710.2674870.059062720.2926470.059461730.2293710.058254740.2488450.056757750.2685570.099374760.2488340.071998770.2720080.075459780.2833230.073683790.2168280.073577800.1669950.07388810.1660240.072474820.163920.073375830.2061440.060349840.2062710.090678850.2829780.055405860.2848020.046476870.2843840.049677880.2845530.049754890.2698540.049174900.2838470.048113910.1807840.048204920.2694880.039767930.2491070.039014940.0981930.026789需要说明的是，在本发明实施例的描述中，除非另有明确的规定和限定，术语“设置”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接连接，也可以通过中间媒介间接连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义；实施例中的附图用以对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
39.尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述
实施例进行变化、修改、替换和变型。

技术特征：
1.用于不确定度量化的导弹气动特性预测模型构建方法，其特征在于，包括：步骤1、获取初始样本，构建初始导弹气动特性预测模型，评估预测模型的预测误差是否满足要求，若满足则进入步骤4，否则进入步骤2；其中，初始样本包括训练样本与测试样本；步骤2、采用交叉验证准则确定序贯样本，加入并更新训练样本；步骤3、利用更新后的训练样本更新导弹气动特性预测模型，评估预测误差是否满足要求，若满足则进入步骤4，否则进入步骤2；步骤4、得到满足预测误差要求的导弹气动特性预测模型，用于导弹气动特性的不确定度量化。2.根据权利要求1所述的用于不确定度量化的导弹气动特性预测模型构建方法，其特征在于，所述步骤1包括以下子步骤：步骤101、在试验不确定输入中抽取n个训练样本输入和m个测试样本输入；步骤102、将n个训练样本输入和m个测试样本输入分别传递给导弹气动特性求解器，得到对应导弹气动特性关注输出，分别组成训练样本和测试样本；步骤103、利用训练样本构建导弹气动特性预测模型；步骤104、利用测试样本评估导弹气动特性预测模型的预测误差，若预测误差小于预先设定的预测误差要求，则进入步骤4，否则进入步骤2。3.根据权利要求1或2所述的用于不确定度量化的导弹气动特性预测模型构建方法，其特征在于，所述步骤101中的试验不确定输入为导弹气动特性不确定度量化分析的对象，包括来流条件。4.根据权利要求2所述的用于不确定度量化的导弹气动特性预测模型构建方法，其特征在于，所述步骤2包括以下子步骤：步骤201、从n个训练样本中，依次去除一个样本，利用剩余样本构建导弹气动特性预测模型，共得到n个预测模型；步骤202、构造预测误差评估函数，并通过遗传算法计算预测误差评估函数的极小值，确定序贯样本输入；步骤203、通过导弹气动特性求解器得到序贯样本输入对应的样本输出，序贯样本输入与对应样本输出构成1个序贯样本，将其加入到训练样本中，使训练样本数据量加1。5.根据权利要求4所述的用于不确定度量化的导弹气动特性预测模型构建方法，其特征在于，所述步骤3包括以下子步骤：步骤301、利用更新后的训练样本构建导弹气动特性预测模型；步骤302、利用测试样本评估导弹气动特性预测模型的预测误差；若预测误差小于预先设定的预测误差要求，则进入步骤4，否则返回步骤2。6.根据权利要求5所述的用于不确定度量化的导弹气动特性预测模型构建方法，其特征在于，所述步骤104与步骤302中，预测误差计算方法为：
其中，为预测误差，m为测试样本数目，为对应测试样本输出，表示测试样本输入为的预测模型预测值。7.根据权利要求4所述的用于不确定度量化的导弹气动特性预测模型构建方法，其特征在于，所述步骤202中，构造预测误差评估函数的方法为：对于任意的样本输入，其预测误差评估函数为：其中，n为预测模型数量，n=n，表示输入样本为的第i个预测模型，表示输入样本为的初始导弹气动特性预测模型。

技术总结
本发明提供了用于不确定度量化的导弹气动特性预测模型构建方法，包括：步骤1、获取初始样本，构建初始导弹气动特性预测模型，评估预测模型的预测误差是否满足要求。步骤2、预测误差不满足要求时，采用交叉验证准则确定序贯样本，加入并更新训练样本；步骤3、利用更新后的训练样本更新导弹气动特性预测模型，评估预测误差是否满足要求；步骤4、获得满足预测误差要求的导弹气动特性预测模型，可用于导弹气动特性的不确定度量化。本发明能够显著节省计算资源，降低计算成本。降低计算成本。降低计算成本。


技术研发人员：陈坚强 陈江涛 章超 赵炜 张培红 赵娇 肖维 吕罗庚 胡向鹏 沈盈盈
受保护的技术使用者：中国空气动力研究与发展中心计算空气动力研究所
技术研发日：2023.09.01
技术公布日：2023/10/7