测点布局快速确定方法、系统、存储介质、设备及程序

本发明属于流体力学\人工智能，具体涉及一种基于特征空间的测点布局快速确定方法、系统、存储介质、设备及程序。

背景技术：

1、在飞行器设计领域，准确的气动分布载荷数据对于验证飞行器的气动性能、预测飞行状态以及优化飞行控制策略至关重要。然而，由于技术限制和成本考量，往往无法直接在飞行器表面布置密集的传感器网络以获取详尽的气动数据。因此，基于飞行器表面稀疏传感器测量值，精细化重构得到完整的气动分布载荷，成为了一个既具挑战性又极具实际应用价值的课题。

2、在稀疏重构技术的实施过程中，两大核心因素起着决定性的作用：稀疏重构模型的构建和稀疏传感器的优化布置。这两者相辅相成，共同决定了重构结果的准确性和可靠性。

3、首先，稀疏重构模型的构建是整个流程的基础。这类模型通常采用数据驱动的方法建立，依赖于大量已知的气动数据和传感器测量值进行训练和学习。模型的质量直接决定了从稀疏传感器测量值中提取和重构气动分布载荷的精度。然而，构建一个高效且准确的稀疏重构模型并非易事，它需要对气动流场有深入的理解，同时还需要具备先进的数学建模和算法设计能力。

4、其次，稀疏传感器的优化布置同样是一个不容忽视的问题。传感器的数量和位置对于重构结果的影响至关重要。传统方法基于严密的数学理论基础，通过优化算法来确定传感器的最佳位置和数量。然而，这些方法往往受限于评价准则的片面性，无法全面考虑各种复杂因素对重构结果的影响。此外，由于计算复杂度高和求解难度大，传统方法在实际应用中存在一定的局限性。

5、为了克服传统方法的不足，智能优化算法被引入到稀疏传感器优化布置的问题中。这些算法以搜索目标函数的全局最优值为目标，通过迭代和寻优来找到传感器的最佳布置方案。然而，智能优化算法也面临着一些挑战。目标函数的选取直接决定了优化的精度和收敛性。一个合适的目标函数应该能够全面反映重构结果的准确性和可靠性，同时还需要考虑计算复杂度和求解效率。但是，智能优化算法通常需要多次调用稀疏重构模型来计算目标函数，这导致出现了收敛速度较慢的问题。

技术实现思路

1、针对现有技术中存在的通常需要多次调用稀疏重构模型来计算目标函数，这导致出现了收敛速度较慢，无法快速获得测点布局的问题。本发明提供了一种基于特征空间的测点布局快速确定方法，通过本征正交分解法提取表面分布载荷的低维特征，依此低维特征空间维度确定稀疏测点数目，通过四阶矩表征表面分布载荷的数据统计特征，对该特征聚类得到稀疏测点位置，快速得到测点布局。

2、为达到上述目的，本发明采用了以下技术方案：

3、第一方面，本发明提供一种基于特征空间的测点布局快速确定方法，包括：

4、获得所选择的翼型的翼面压力分布数据集；

5、基于pod方法，对翼面压力分布数据集进行处理得到稀疏测点数目；

6、以稀疏测点数目为聚类数，进行测点选取，得到稀疏测点位置，完成对测点布局的确认。

7、作为本发明的进一步改进，所述获得所选择的翼型的翼面压力分布数据集，包括：

8、获得对所选择的翼型的原始流场数据；

9、根据所选择的翼型的原始流场数据，得到翼面压力分布数据集。

10、作为本发明的进一步改进，所述获得对所选择的翼型的原始流场数据，包括：

11、确定所选择的翼型的计算工况设计空间，使用拉丁超立方采样获得工况参数；

12、对得到的工况参数进行cfd仿真模拟计算，得到的原始流场数据。

13、作为本发明的进一步改进，所述基于pod方法，对翼面压力分布数据集进行处理得到稀疏测点数目，包括：

14、采用pod方法对所述所选择的翼型的翼面压力分布数据集进行降阶，得到低维空间的基模态；

15、根据能量占比和重构误差对低维空间内的基模态进行截断，确定所要保留的基模态阶数；

16、将确定所要保留的基模态阶数作为稀疏测点数目。

17、作为本发明的进一步改进，所述以稀疏测点数目为聚类数，进行测点选取，得到稀疏测点位置，包括：

18、计算不同测点处翼面压力分布的数据统计特征；

19、以稀疏测点数目为聚类数，对数据统计特征进行聚类，得到聚类结果；

20、在聚类结果中的每一类中选取距离类中心最近的测点，或者随机选择一个测点，组合作为稀疏测点位置。

21、作为本发明的进一步改进，所述以稀疏测点数目为聚类数，进行测点选取，得到稀疏测点位置，之后，根据稀疏测点位置中的稀疏测量值作为输入；将采用pod方法对翼面压力分布数据集进行降阶，得到低维空间的基模态，将维空间的基模态中的基模态系数作为输出，构建bpnn模型并进行训练。

22、第二方面，本发明提供一种基于特征空间的测点布局快速确定系统，包括：

23、获得数据集模块：用于获得所选择的翼型的翼面压力分布数据集；

24、测点数目模块：用于基于pod方法，对翼面压力分布数据集进行处理得到稀疏测点数目；

25、测点位置模块：用于以稀疏测点数目为聚类数，进行测点选取，形成稀疏测点位置，完成对测点布局的确认。

26、第三方面，本发明提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述一种基于特征空间的测点布局快速确定方法的步骤。

27、第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时所述一种基于特征空间的测点布局快速确定方法的步骤。

28、第五方面，本发明提供一种计算机程序产品，其特征在于，包括计算机指令，该计算机指令被处理器执行时实现所述一种基于特征空间的测点布局快速确定方法的步骤。

29、与现有技术相比，本发明具有以下有益效果：

30、本发明一种基于特征空间的测点布局快速确定方法，首先，利用pod方法对翼面压力分布数据集进行处理，可以快速确定稀疏测点的数目。这种方法基于数据的统计特性，能够捕捉到数据中的主要变化模式，从而有效降低数据维度。以pod方法得到的稀疏测点数目为聚类数，对测点进行聚类选取，可以快速得到一组较优的测点布局。相比传统基于优化算法的方法，避免了多次调用稀疏重构模型来计算目标函数的复杂过程，大大提高了测点优化布置的效率。其次，pod方法是一种数学上严谨的数据降阶技术，能够保留数据中的主要信息，去除噪声和冗余信息。因此，基于pod方法确定的稀疏测点数目和位置，能够较为准确地反映翼面压力分布的主要特征。通过对不同测点处压力分布数据的统计特征进行聚类，并选择每一类别中距离类中心最近的测点或随机选择一个测点作为稀疏测点，可以确保测点布局的代表性和均匀性，进一步提高了测点布局的准确性。最后，本发明提供的测点布局快速确定方法，不仅适用于翼型测点布局优化问题，还可以推广到其他具有类似数据结构和优化目标的领域，如飞行器设计、风洞试验等。通过降低分布载荷稀疏重构的误差，本方法可以提高后续数据分析和处理的准确性，为后续的科学研究和技术应用提供基础支持。