[发明专利]基于动态集成算法的航空发动机气路参数预测方法及系统

说明书

本发明涉及一种基于动态集成算法的航空发动机气路参数预测方法及系统，其中方法包括：基于迭代算法对训练样本集进行学习得到基学习机，并使用基学习机对测试样本集进行预测，得到每个基学习机的预测结果；在所述训练样本集中选择测试样本的近邻样本，评估每个基学习机在近邻样本的局部性能动态确定每个基学习机的权值；基于所述每个基学习机的权值，利用加权核密度估计将每个基学习机的预测结果集成得到最终预测结果。本发明通过量化评估各学习机的局部性能，提出了动态加权核密度估计组合方法，可用于对航空发动机气路参数序列的预测任务中，不受离群值和样本不对称分布的影响，实验结果表明能够有效提高集成学习算法的预测精度。

技术领域

本发明涉及航空发动机气路参数预测技术领域，尤其涉及一种基于动态集成算法的航空发动机气路参数预测方法及系统。

背景技术

航空发动机性能参数预测是航空发动机实施视情维修的基础，现有航空发动机性能参数预测主要有支持向量机预测、离散过程神经网络预测、组合优化相关向量机(CORVM)的概率预测方法、融合预测、集成学习算法预测等。基于单一学习模型的气路参数预测，属于一种全局建模方法，这会导致模型复杂且易陷入局部最优。相比于单个学习机，将多个学习机集成起来的集成学习算法往往可获得更高的预测精度。许多学者从理论上探讨集成学习的有效性。近年来，集成学习越来越多地应用在时间序列预测和航空发动机性能参数预测问题中。相比于单个学习机，集成学习机往往可以获得更高的精度。

现有的集成学习算法所采用的组合方法大多属于平均(Mean)、取中值(Median)或它们的加权形式。平均及其加权形式的组合方法易受到离群值(Outliers)的影响，分布的不对称性(Distributional Asymmetries)对取平均和取中值及其加权形式都有影响，而核密度估计(Kernel Density Estimation，KDE)组合方法对上述两种情况均不敏感，但是现有技术中未将基学习机的局部性能考虑进来。

发明内容

本发明要解决的技术问题在于，针对基于平均、取中值的组合方法易受离群值和不对称性分布影响的问题，将基学习机局部性能评估和加权核密度估计结合，提出了一种动态加权核密度估计(DWKDE)组合方法，并对航空发动机气路参数进行预测，得到基于动态集成算法的航空发动机气路参数预测方法及系统组合方法。

为了解决上述技术问题，本发明第一方面，提供了一种基于动态集成算法的航空发动机气路参数预测方法，包括以下步骤：

迭代训练步骤、基于迭代算法对训练样本集进行学习得到基学习机，并使用基学习机对测试样本集进行预测，得到每个基学习机的预测结果；

权值确定步骤、在所述训练样本集中选择测试样本的近邻样本，评估每个基学习机在近邻样本的局部性能动态确定每个基学习机的权值；

集成预测步骤、基于所述每个基学习机的权值，利用加权核密度估计将每个基学习机的预测结果集成得到最终预测结果。

在根据本发明所述的基于动态集成算法的航空发动机气路参数预测方法中，优选地，所述权值确定步骤包括以下步骤：

(1)对于测试样本Q而言，计算所有训练样本与测试样本Q的距离，并以从小到大的顺序进行排列，按照k近邻法选择K个近邻样本；

(2)计算K个近邻样本到测试样本Q的欧几里得距离，并归一化处理后得到归一化距离；并计算加权平均绝对值误差；

(3)对于测试样本Q，基于所述加权平均绝对值误差计算第t个基学习机对应的权值。

在根据本发明所述的基于动态集成算法的航空发动机气路参数预测方法中，优选地，所述迭代训练步骤包括对于第t个基学习机执行如下迭代步骤：

(1)在样本权值分布为D_t的训练样本集上训练第t个基学习机；