(19)中华 人民共和国 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 202111658286.9 (22)申请日 2021.12.3 0 (71)申请人 中国特种飞行器 研究所 地址 448035 湖北省荆门市航空路8号 (72)发明人 王明振　吕宏强　曹楷　刘学军　 胡奇　唐博建　王凡　 (74)专利代理 机构 中国航空专利中心 1 1008 代理人 张昕 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/00(2019.01) G06F 119/14(2020.01) (54)发明名称 一种水陆两栖飞机典型截面的着水面载荷 预测方法 (57)摘要 本发明实施例公开了一种水陆两栖飞机典 型截面的着水面载荷预测方法， 典型着水截面设 置为二元楔形体截面， 预测方法包括： 步骤1， 采 集水陆两栖飞机着水表面中预设数量离散位置 点的着水载荷； 步骤2， 对步骤1所采集的数据进 行平滑处理， 并从处理后的到的数据中选取训练 样本和测试样本； 其中， 所述测试样本中包括训 练样本； 步骤3， 采用基于机器学习方式， 对二元 楔形体截面采用现有训练样本进行模型训练构 建出载荷预测模 型， 用于预测出二元楔形体截面 的所有表 面点的压力变化趋势。 本发 明实施例提 供的技术方案解决了现有着水面载荷的预测方 法， 难以对复杂剖面构型及三维问题实现着水面 载荷预测的问题。 权利要求书2页 说明书7页 附图3页 CN 114357878 A 2022.04.15 CN 114357878 A 1.一种水陆两栖飞机典型截面的着水面载荷预测方法， 其特征在于， 所述水陆两栖飞 机的典型着水截面设置为 二元楔形体截面， 所述着水面载荷预测方法包括： 步骤1， 采集水陆两栖飞机着水表面中预设数量离 散位置点的着水 载荷； 步骤2， 对步骤1所采集的数据进行平滑处理， 并从处理后的到的数据中选取训练样本 和测试样本； 其中， 所述测试样本中包括训练样本； 步骤3， 采用基于机器学习方式， 对二元楔形体截面采用现有训练样本进行模型训练构 建出载荷预测模型， 用于预测出二元楔形体截面的所有表面 点的压力变化趋势。 2.根据权利要求1所述的水陆两栖飞机典型截面的着水面载荷预测方法， 其特征在于， 所述步骤3包括： 使用高斯过程建立着水载荷预测模型； 结合多层感知的神经网络模型， 完成对着水载 荷预测模型进 行微调， 进而获得水陆两栖飞机典型截面表面任意点处的压力时序变化规律 数据， 以对整个水陆两栖飞机典型截面入水时表面压力变化趋势的补全。 3.根据权利要求2所述的水陆两栖飞机典型截面的着水面载荷预测方法， 其特征在于， 还包括： 步骤A， 水陆两栖飞机典型截面的物理模型进行参数化， 所述 参数化的结果包括： 水陆两栖飞机典型截面中各点 位置的横向坐标为： Xi＝c0+(i‑1)*c1； 水陆两栖飞机典型截面表面任意 点坐标(Xi， Yi)可以通过斜升角来表征， 即Y＝tanα *X， 其中， 斜升角为 二元楔形体截面与水平轴的夹角。 4.根据权利要求3所述的水陆两栖飞机典型截面的着水面载荷预测方法， 其特征在于， 所述步骤1包括： 利用模型试验或数值仿真得到不同工况下有限点处 的着水压力载荷时间序列 数据， 采 样频率不低于25 00赫兹。 5.根据权利要求4所述的水陆两栖飞机典型截面的着水面载荷预测方法， 其特征在于， 所述步骤3包括： 步骤31， 特征参数提取和选择； 建立斜升角、 入水速度、 测量点横轴坐标以及时间与压 力值之间的非线性映射关系， 将斜升角、 入水速度、 测量点横轴坐标、 时间等落水参数作为 输入参数， 将压力参数作为输出参数； 步骤32， 将原 始问题划分为两个回归拟合子问题； 步骤33， 建立高斯过程的弱回归模型， 并采用训练样本对建立的高斯过程的弱回归模 型进行训练， 得到斜升角、 入水速度、 横向坐标、 时间与压力的对应关系， 进而得到载荷预测 模型； 步骤34， 基于 机器学习框架采用多层感知(MLP)神经网络对载荷预测模型进行微调。 6.根据权利要求5所述的水陆两栖飞机典型截面的着水面载荷预测方法， 其特征在于， 所述步骤32中所划分为两个回归拟合子问题包括： 子问题1、 固定斜升角时入水速度、 横轴坐标、 时间与压力值的回归拟合问题； 子问题1、 固定入水速度时斜升角、 横轴坐标、 时间与压力值的回归拟合问题。 7.根据权利要求6所述的水陆两栖飞机典型截面的着水面载荷预测方法， 其特征在于， 所述步骤34包括：权　利　要　求　书 1/2 页 2 CN 114357878 A 2将基于高斯过程的载荷预测模型作为弱分类器， 训练出强分类器， 并采用多层感知 (MLP)神经网络将强分类器作为输入， 对载荷预测模型进行微调 最终形成基于机器学习的 着水载荷预测模型。 8.根据权利要求7所述的水陆两栖飞机典型截面的， 其特征在于， 所述步骤34中， 基于 机器学习的着水 载荷预测模型的构建过程， 包括： 建立3个均为高斯回归模型的非线性弱学习器、 3层神经网络模型， 基于迭代算分别对 训练样本进 行学习； 学习过程中， 首先确定弱学习器参数， 再根据基学习器预测每个基学习 器的结果， 将基学习器预测结果再作为输入， 利用神经网络共享权值。权　利　要　求　书 2/2 页 3 CN 114357878 A 3