(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210977649.3 (22)申请日 2022.08.16 (71)申请人 北京航空航天大 学 地址 100191 北京市海淀区学院路37号 (72)发明人 刘虎　郭强　田永亮　 (74)专利代理 机构 北京天汇航智知识产权代理 事务所(普通 合伙) 11987 专利代理师 高永 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/15(2020.01) G06N 20/00(2019.01) (54)发明名称 一种基于机器学习的飞行器设计参数预估 方法 (57)摘要 本发明涉及飞行器设计与数据分析处理技 术领域， 具体为一种基于机器学习的飞行器设计 参数预估 方法， 包括根据要进行快速参数预估的 飞行器类型， 确定需要预估的因变量参数和需要 作为输入的自变量参数， 收集相关数据形成参数 数据集， 对 所获取的参数数据集进行数据预处理 和特征工程的数据加工后， 将所确定的自变量参 数作为输入参数， 采用基于机器学习的回归算法 进行训练， 形成参数预估器； 并根据形成的参数 预估器， 改变相关输入参数， 得到该种类型飞行 器的参数预估 结果； 本发明解决了传统飞行器参 数预估中需求大量经验数据的积累， 迭代过程复 杂， 不易快速得到飞行器参数组合的问题， 能够 在飞行器体系化仿真中快速实现飞行器参数组 合空间。 权利要求书2页 说明书6页 附图2页 CN 115048874 A 2022.09.13 CN 115048874 A 1.一种基于 机器学习的飞行器设计参数 预估方法， 其特 征在于， 包括以下步骤： 步骤S1， 根据要进行快速参数预估的飞行器类型， 确定需要预估的因变量参数和需要 作为输入的自变量参数， 所述需要预估的因变量参数和需要作为输入的自变量参数为体系 任务下飞行器的性能参数， 所述因变量参数包括实用升限、 最大许用速度、 垂直爬升速度、 发动机功率和桨盘面积； 所述自变量参数包括最大航程、 最大平飞速度、 最大载荷重量、 动 升限和直升 机布局； 并收集同类型飞行器的相关数据， 形成飞行器参数 数据集； 步骤S2， 对步骤S1中所获取的飞行器参数数据集进行数据 预处理和特征工程的数据加 工； 步骤S3， 以步骤S2中进行数据加工后的飞行器参数数据集为基础， 将S1中所确定的自 变量参数作为模型输入， 步骤S1中所划分的因变量参数作为模型输出， 采用基于机器学习 的回归算法进行训练， 形成参数 预估器； 步骤S4， 通过步骤S3中所形成的参数预估器， 输入具体的参数值， 得到该种类型飞行器 的参数预估结果。 2.根据权利要求1所述的一种基于机器学习的飞行器设计参数预估方法， 其特征在于， 所述步骤S2中对飞行器参数数据集进 行的数据预 处理操作包括数据无量纲 化、 缺失值处理 和分类型编码。 3.根据权利要求2所述的一种基于机器学习的飞行器设计参数预估方法， 其特征在于， 所述步骤S2中的特征工程包括利用先验知识以及相关性检验剔除无关或自相关数据， 并利 用降维算法对数据中参数维度进行降维。 4.根据权利要求2所述的一种基于机器学习的飞行器设计参数预估方法， 其特征在于， 所述数据无量纲化方法包括： 1） 利用线性的无量纲化方法， 即中心化和缩放处理将数据放 缩至某个固定闭区间范围内； 和2） 利用非线性的无量纲 化方法将数据放缩至某个固定开区 间范围内。 5.根据权利要求2所述的一种基于机器学习的飞行器设计参数预估方法， 其特征在于， 所述缺失值处理方法包括在飞行器参数数据集中利用过滤算法剔除异常值和错误值， 并采 用插补法插 入被剔除的和空缺的数据。 6.根据权利要求2所述的一种基于机器学习的飞行器设计参数预估方法， 其特征在于， 所述分类型编 码包括面向不同的文字、 标签类数据采用连续编 码或哑变量编码的方式转化 为机器学习模型接受的数据类型。 7.根据权利要求2所述的一种基于机器学习的飞行器设计参数预估方法， 其特征在于， 所述步骤S 3中的机器学习算法为随机森林回归算法， 以步骤S2中进 行数据加工后的飞行器 参数数据集为基础， 将步骤S1中所确定的自变量参数作为模型输入， 步骤S1中所划分的因 变量参数作为模型输出， 形成参数 预估器的步骤 包括： 1） 将步骤S2中所搜集获得的各类样本数据， 划分为训练集与测试集， 基于飞行器参数 数据集的小样本特点， 采用k 折交叉验证法划分训练集和 测试集； 2） 以步骤S1中所划分的自变量参数作为模型输入， 以步骤S1中所划分的因变量参数作 为模型输出， 训练机器学习模型； 所述机器学习模型的优化过程采用决定系数 作为优 化目标， 具体如下式所示：权　利　要　求　书 1/2 页 2 CN 115048874 A 2式中， 为决定系数， 为第i次预测的真实值， 为第i次预测的预测值， 为所有 预测真实值的平均值； 3） 根据决定系数 ， 采用网格参数搜索法， 调整随机森林回归算法的超参数组合， 优 化机器学习模型的表现； 4） 判断决定系数 是否大于等于预设的决定系数阈值， 如果是， 则完成机器学习模型 的训练， 输出 该模型作为 参数预估器； 如果否， 则回到步骤3） 继续调整超参数组合。权　利　要　求　书 2/2 页 3 CN 115048874 A 3