典型文献
一种气动大差异性数据多任务学习方法
文献摘要：
与传统方法相比,基于深度学习的空气动力学建模方法建模速度快、精度高.但是传统深度学习采用的全连接神经网络或卷积神经网络往往没有考虑输入数据本身的差异对预测结果的影响,而飞行器的外形特征参数和飞行状态参数在数据类型上存在较大差异.在同时使用这两种参数预测气动特性时,如果忽视这些差异性,预测结果的精度势必会损失.受到多任务学习和集群网络方法的启发,提出了一种基于多任务学习的翼型外形参数与飞行状态参数联合建模方法:大差异性多任务学习网络(LD-MTL).该方法首先将数据集划分为多个任务,随后将整个学习网络分为多个集群,分别根据不同的任务学习所预测的气动性能相关知识,最终对每个集群所学习到的相关知识进行融合,得到预测结果.通过对比实验,证明了在进行气动大差异性数据建模时,本文提出的结构能更好地反映数据差异性对模型预测精度的影响程度,有更高的预测精度,且能对此差异性进行量化分析.
文献关键词：
大差异性;多任务学习;集群网络;空气动力学数据建模;融合预测
中图分类号：
作者姓名：
张骏;张广博;程艳青;胡力卫;向渝;汪文勇
作者机构：
电子科技大学,成都 611731;中国空气动力研究与发展中心,绵阳 621000
文献出处：
引用格式：
[1]张骏;张广博;程艳青;胡力卫;向渝;汪文勇-.一种气动大差异性数据多任务学习方法)[J].空气动力学学报,2022(06):64-72
A类：
空气动力学数据建模
B类：
大差异性,多任务学习,动力学建模,全连接神经网络,输入数据,飞行器,外形特征,状态参数,数据类型,参数预测,气动特性,势必会,集群网络,翼型外形,外形参数,数联,联合建模,学习网络,LD,MTL,数据集划分,气动性能,所学,行气,融合预测
AB值：
0.253958
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
