一种基于变可信度神经网络的飞行器气动特性数据预测方法、装置、设备及存储介质

1.一种基于变可信度神经网络的飞行器气动特性数据预测方法，其特征在于，包括：基于与飞行器对应的气动特性分析需求确定满足预设低可信度条件的第一气动特性数据集和满足预设高可信度条件的第二气动特性数据集，并利用所述第一气动特性数据集中的第一试验状态变量训练第一初始可信度神经网络，以利用得到的第一目标可信度神经网络预测所述第一气动特性数据集，得到预测结果；基于所述第一气动特性数据集与所述第二气动特性数据集对应的数据集大小确定神经网络深度与每层神经元数量，以基于所述神经网络深度、各所述神经元数量与所述预测结果搭建包括线性神经网络、非线性神经网络和自适应权重神经网络的第二初始可信度神经网络，然后利用所述第二气动特性数据集训练所述第二初始可信度神经网络，得到第二目标可信度神经网络；利用有监督学习方式、贝叶斯优化算法与损失函数，并基于所述第一气动特性数据集与所述第二气动特性数据集训练所述第二目标可信度神经网络，得到新的第二目标可信度神经网络；利用预设反标准化中心对当前所述第二目标可信度神经网络进行反标准化处理，得到气动特性数据预测模型，以利用所述气动特性数据预测模型对飞行器进行气动特性数据预测。 2.根据权利要求1所述的基于变可信度神经网络的飞行器气动特性数据预测方法，其特征在于，所述基于与飞行器对应的气动特性分析需求确定满足预设低可信度条件的第一气动特性数据集和满足预设高可信度条件的第二气动特性数据集，包括：获取与飞行器对应的气动特性分析需求，并基于预设低精度流体力学仿真规则对所述飞行器进行仿真，得到对应的第一仿真结果，以基于所述气动特性分析需求从所述第一仿真结果中获取与所述飞行器对应的第一气动特性数据集；基于预设仿真规则对所述飞行器进行仿真，得到对应的第二仿真结果，以基于所述气动特性分析需求从所述第二仿真结果中获取与所述飞行器对应的第二气动特性数据集；所述预设仿真规则包括预设高精度流体力学仿真规则、风洞试验仿真规则与飞行试验仿真规则；基于预设区间与预设线性变换方法对所述第一气动特性数据集与所述第二气动特性数据集中的试验状态变量映射到所述预设区间，得到对应的第一映射结果与第二映射结果，并对所述第一气动特性数据集与所述第二气动特性数据集中的气动特性变量进行缩放，得到对应的第一缩放结果与第二缩放结果；所述试验状态变量包括与所述飞行器对应的马赫数、攻角与侧滑角；所述气动特性变量包括与所述飞行器对应的气动力系数和力矩系数；基于所述第一映射结果与所述第一缩放结果构建新的第一气动特性数据集，并基于所述第二映射结果与所述第二缩放结果构建新的第二气动特性数据集。 3.根据权利要求2所述的基于变可信度神经网络的飞行器气动特性数据预测方法，其特征在于，所述利用所述第一气动特性数据集中的第一试验状态变量训练第一初始可信度神经网络，以利用得到的第一目标可信度神经网络预测所述第一气动特性数据集，得到预测结果，包括：利用全连接结构与预设曲正切函数搭建第一初始可信度神经网络，并利用所述第一气动特性数据集中的第一试验状态变量对所述第一初始可信度神经网络进行训练，得到对应的训练结果；所述第一初始可信度神经网络包括第一神经网络层数个第一神经网络层；各所述第一神经网络层包括第一神经元数量个神经元；利用所述训练结果对所述第一初始可信度神经网络中的神经网络层对应的第一神经网络层数以及与神经元对应的第一神经元数量进行调整，得到第二神经网络层数与第二神经元数量，以基于所述第二神经网络层数与所述第二神经元数量确定第一目标可信度神经网络；利用所述第一目标可信度神经网络对所述第一气动特性数据集进行处理，得到对应的预测结果；其中，所述第二神经网络层数大于所述第一神经网络层数，所述第二神经元数量大于所述第一神经元数量。 4.根据权利要求1所述的基于变可信度神经网络的飞行器气动特性数据预测方法，其特征在于，所述基于所述第一气动特性数据集与所述第二气动特性数据集对应的数据集大小确定神经网络深度与每层神经元数量，以基于所述神经网络深度、各所述神经元数量与所述预测结果搭建包括线性神经网络、非线性神经网络和自适应权重神经网络的第二初始可信度神经网络，然后利用所述第二气动特性数据集训练所述第二初始可信度神经网络，得到第二目标可信度神经网络，包括：确定与所述第一气动特性数据集与所述第二气动特性数据集对应的数据集大小，并基于所述数据集大小确定初始神经网络深度以及各神经网络层对应的初始神经元数量；基于所述初始神经网络深度与各所述初始神经元数量构建包括线性神经网络、非线性神经网络和自适应权重神经网络的第二初始可信度神经网络；所述线性神经网络为满足第一预设高可信度条件的高可信度线性神经网络；所述非线性神经网络为满足第二预设高可信度条件的高可信度非线性神经网络；其中，构建所述高可信度线性神经网络的过程中不引入任何非线性激活函数；将所述第二气动特性数据集输入至所述第二初始可信度神经网络中的所述高可信度线性神经网络中，以确定第一输出结果，然后将所述第二气动特性数据集输入至所述第二初始可信度神经网络中的所述高可信度非线性神经网络中，以利用双曲正切函数确定第二输出结果；基于所述第一输出结果与所述第二输出结果构建训练数据，并将所述训练数据输入至所述自适应权重神经网络中，以利用S型函数确定自适应权重输出结果；基于所述第一输出结果、所述第二输出结果与所述自适应权重输出结果对所述初始神经网络深度与各所述初始神经元数量进行调整，得到对应的目标神经网络深度与目标神经元数量，以基于所述目标神经网络深度、所述目标神经元数量构建第二目标可信度神经网络；其中，所述高可信度线性神经网络中不包括非线性激活函数。 5.根据权利要求1所述的基于变可信度神经网络的飞行器气动特性数据预测方法，其特征在于，所述利用有监督学习方式、贝叶斯优化算法与损失函数，并基于所述第一气动特性数据集与所述第二气动特性数据集训练所述第二目标可信度神经网络，得到新的第二目标可信度神经网络，包括：基于所述第一气动特性数据集与所述第二气动特性数据集构建训练样本，并初始化所述第二目标可信度神经网络的结构参数；利用有监督训练方式将所述第一气动特性数据集输入至所述第一目标可信度神经网络中得到第一处理结果，并将所述第二气动特性数据集输入至所述第一目标可信度神经网络中得到第二处理结果；将所述第二气动特性数据集分别输入至所述线性神经网络与所述非线性神经网络中，得到对应的线性输出结果与非线性输出结果；基于所述第一处理结果、所述第二处理结果、所述线性输出结果与所述非线性输出结果，并利用损失函数以及预设权重系数确定当前训练状态的误差值；利用交叉验证与贝叶斯优化方法动态调整训练与所述第二目标可信度神经网络对应的包括批处理大小、学习率与梯度阈值的超参数，以基于所述误差值与所述超参数对所述第二目标可信度神经网络进行梯度求解，得到对应的梯度方向；基于所述梯度方向与优化算法更新所述第二目标可信度神经网络中的线性神经网络、非线性神经网络和自适应权重神经网络分别对应的权重参数，以基于所述权重参数构建新的第二目标可信度神经网络。 6.根据权利要求5所述的基于变可信度神经网络的飞行器气动特性数据预测方法，其特征在于，所述利用交叉验证与贝叶斯优化方法动态调整训练与所述第二目标可信度神经网络对应的包括批处理大小、学习率与梯度阈值的超参数，包括：确定与所述第二目标可信度神经网络对应的超参数组合，并利用交叉验证方法评估各所述超参数组合对应的网络性能，得到网络性能评估结果，然后利用贝叶斯优化算法并基于所述网络性能评估结果搜索超参数空间，得到包括批处理大小、学习率与梯度阈值的超参数。 7.根据权利要求1至6任一项所述的基于变可信度神经网络的飞行器气动特性数据预测方法，其特征在于，所述利用预设反标准化中心对当前所述第二目标可信度神经网络进行反标准化处理，得到气动特性数据预测模型，以利用所述气动特性数据预测模型对飞行器进行气动特性数据预测，包括：利用当前所述第二目标可信度神经网络对待处理数据进行处理，得到网络输出结果，并利用预设反标准化中心对所述网络输出结果进行逆变换，得到待处理气动特性预测数据；利用所述待处理气动特性预测数据对当前所述第二目标可信度神经网络对应的参数进行调整，得到气动特性数据预测模型，以利用所述气动特性数据预测模型对飞行器对应的飞行器数据进行气动特性数据预测，得到气动特性数据预测结果；其中，所述气动特性数据预测对应的量纲与所述飞行器数据对应的量纲一致。 8.一种基于变可信度神经网络的飞行器气动特性数据预测装置，其特征在于，包括：数据集确定模块，用于基于与飞行器对应的气动特性分析需求确定满足预设低可信度条件的第一气动特性数据集和满足预设高可信度条件的第二气动特性数据集，并利用所述第一气动特性数据集中的第一试验状态变量训练第一初始可信度神经网络，以利用得到的第一目标可信度神经网络预测所述第一气动特性数据集，得到预测结果；神经网络深度确定模块，用于基于所述第一气动特性数据集与所述第二气动特性数据集对应的数据集大小确定神经网络深度与每层神经元数量，以基于所述神经网络深度、各所述神经元数量与所述预测结果搭建包括线性神经网络、非线性神经网络和自适应权重神经网络的第二初始可信度神经网络，然后利用所述第二气动特性数据集训练所述第二初始可信度神经网络，得到第二目标可信度神经网络；神经网络训练模块，用于利用有监督学习方式、贝叶斯优化算法与损失函数，并基于所述第一气动特性数据集与所述第二气动特性数据集训练所述第二目标可信度神经网络，得到新的第二目标可信度神经网络；预测模型确定模块，用于利用预设反标准化中心对当前所述第二目标可信度神经网络进行反标准化处理，得到气动特性数据预测模型，以利用所述气动特性数据预测模型对飞行器进行气动特性数据预测。 9.一种电子设备，其特征在于，包括：存储器，用于保存计算机程序；处理器，用于执行所述计算机程序，以实现如权利要求1至7任一项所述的基于变可信度神经网络的飞行器气动特性数据预测方法。 10.一种计算机可读存储介质，其特征在于，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于变可信度神经网络的飞行器气动特性数据预测方法。