本发明属于飞行器气动领域，尤其是涉及一种结合空间坐标的飞行器分布载荷多保真融合方法及系统。
背景技术：
1、在空气动力学领域，通常采用风洞实验、数值计算和模拟飞行试验这三种方法来获取飞行器的气动力数据，然而，每种方法都存在其优缺点。目前在短时间内提高上述任一种气动评估方法的准确度都十分困难，且需要耗费高昂的成本。
2、如公开号为cn112182771a的中国专利文献公开了基于数值模拟的数据处理方法，包括：确定在流体力学数值模拟中的流场数值计算类型，根据所述流场数值计算类型，对通过n-s方程求解类型求解的流场数值、通过边界条件求解类型求解的流场数值、通过湍流方程求解类型求解的流场数值进行修正；根据修正结果进行飞行器的气动力或者热特性的数值模拟。
3、公开号为cn114168796a的中国专利文献公开了一种建立飞行器高空气动力数据库的方法，涉及飞行器研究领域，包括：获得飞行器外形参数；设定状态参数，基于所述状态参数生成若干个虚拟飞行状态；基于所述飞行器外形参数，对每个所述虚拟飞行状态进行数值模拟计算，每个所述虚拟飞行状态对应获得相应的气动力数据；基于所有所述虚拟飞行状态对应的气动力数据获得飞行器高空气动力数据库。
4、为缩短研制周期、降低设计成本，建立气动力代理模型作为高效获取气动力数据的手段备受关注。这种模型的建立通常涉及飞行器的物理特性、数学统计规律，或者通过拟合、插值已有数据，以预测任意飞行状态的响应。尽管建立气动力代理模型是一种高效获取气动力数据的方法，但要建立良好的模型，前提是有充足且高精度的气动力数据。由于很难通过单一数据显著提高代理模型气动数据的精度。
5、为了解决上述问题，亟需设计一种新的数据融合技术来整合不同来源的气动力数据，用于提升空气动力学研究的质量和适用范围，并通过数据管理、数据融合和数据再利用技术，提高数据的精准度。
技术实现思路
1、本发明提供了一种结合空间坐标的飞行器分布载荷多保真融合方法及系统，利用有限的试验数据和数值仿真数据，可以低成本获取飞行器高精度分布载荷数据。
2、一种结合空间坐标的飞行器分布载荷多保真融合方法，包括以下步骤：
3、(1)通过数值仿真计算得到飞行器在不同工况下的分布载荷数据集，定义为低保真气动数据；通过实际试验得到飞行器在不同工况下的分布载荷数据集，定义为高保真气动数据；
4、(2)在预训练后的原始数据融合层中，利用高保真数据对低保真气动数据进行初步融合，得到高质量的低保真气动数据，并保留原始的高保真气动数据；
5、(3)在预训练后的自定义空间坐标数据层中，优化高保真气动数据和初步融合后的低保真气动数据的空间坐标特征，生成自定义高保真数据和自定义低保真数据样本集合；
6、(4)在预训练后的结合空间坐标数据融合层中，引入样本点空间坐标特征学习，丰富数据样本点间关系信息，进一步融合上一层中的自定义高保真和自定义低保真数据集合，得到最终融合后的飞行器目标分布载荷数据。
7、步骤(2)中，原始数据融合层的网络结构为全连接层，在预训练过程中，分别计算两个高保真原始数据集和低保真原始数据集的损失，公式为：
8、
9、其中，为高保真原始数据在原始数据融合层的前向计算预测值，为低保真气动数据在原始数据融合层的前向计算预测值，为高保真原始数据，为低保真原始数据，l为高保真原始数据数量，q为低保真原始数据数量；通过加权方式计算总损失通过加权方式计算总损失的公式如下：
10、
11、其中，ρ是一个可调参数，通过网格优化方法寻找最优解。
12、步骤(3)中，自定义空间坐标数据层包含生成器和判别器，生成器用来生成指定空间坐标特征的样本，预训练过程中，生成器的损失函数为
13、
14、判别器筛选出满足真实数据的自定义数据集合，判别器的损失函数为
15、
16、其中，z为来自自定义空间的随机噪声向量，x为真实样本，g(z)为输入为随机噪声并输出为生成的数据样本，d(x)表示样本x被判别为真实样本的概率，d(g(z))表示生成样本被判别为真实样本的概率，表示对潜在空间中所有可能的输入进行平均，pdata(x)表示真实数据的分布，pz(z)表示潜在空间的分布。
17、步骤(4)中，结合空间坐标数据融合层使用编码器和解码器生成样本之间空间位置序列关系，利用自注意力机制关注样本间的空间坐标序列，捕捉不同样本之间的关系，提取数据的细节特征；
18、结合空间坐标数据融合层的预训练过程中，通过加权方式计算总损失j(θ1)mse*，公式为
19、
20、式中，和为结合空间坐标数据融合层前向计算预测值，为高保真原始数据，为低保真原始数据，q为低保真原始数据数量，w为高保真原始数据数量，λ是一个可调参数，用于控制两个数据集的损失在总损失中的比例，通过该层结合样本空间坐标序列，再次融合自定义高低保真数据。
21、在hyperband的多臂赌博机框架下，利用贝叶斯优化来选择可调参数λ的配置，具体过程如下：
22、首先初始化设定最大资源r，减少因子η，计算最大步数smax＝logη(r)；然后按如下循环执行，根据当前步数s，随机选择超参数配置，为每个超参数配置训练周期并评估其性能，使用评估结果更新贝叶斯优化模型；检查是否满足终止条件，如果不满足终止条件，继续优化过程；如果满足终止条件，输出在所有评估中性能最好的超参数λ。
23、进一步地，终止条件为总损失达到最大评估次数或预训练阶段结合空间坐标数据融合层性能不再显著提升。
24、一种结合空间坐标的飞行器分布载荷多保真融合系统，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现上述结合空间坐标的飞行器分布载荷多保真融合方法。
25、与现有技术相比，本发明具有以下有益效果：
26、本发明通过在原始数据融合层，初步融合高保真数据，提高低保真气动数据质量；在空间坐标数据自定义层，优化高保真数据和初步融合后的低保真数据的空间坐标特征，生成自定义高保真数据和自定义低保真数据样本集合；在结合空间坐标数据融合层，引入样本点空间坐标特征学习，丰富数据样本点间关系信息，进一步融合上一层中的自定义高保真和自定义低保真数据集合，并在hyperband的多臂赌博机框架下，利用贝叶斯优化来选择超参数配置，实现融合通过不同种方法获取的飞行器分布载荷数据。结合空间坐标，两次融合数据，模型高效地实现两个气动数据集的数据融合。
1.一种结合空间坐标的飞行器分布载荷多保真融合方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的结合空间坐标的飞行器分布载荷多保真融合方法，其特征在于，步骤(2)中，原始数据融合层的网络结构为全连接层，在预训练过程中，分别计算两个高保真原始数据集和低保真原始数据集的损失，公式为：
3.根据权利要求2所述的结合空间坐标的飞行器分布载荷多保真融合方法，其特征在于，通过加权方式计算总损失的公式如下：
4.根据权利要求1所述的结合空间坐标的飞行器分布载荷多保真融合方法，其特征在于，步骤(3)中，自定义空间坐标数据层包含生成器和判别器，生成器用来生成指定空间坐标特征的样本，预训练过程中，生成器的损失函数为
5.根据权利要求1所述的结合空间坐标的飞行器分布载荷多保真融合方法，其特征在于，步骤(4)中，结合空间坐标数据融合层使用编码器和解码器生成样本之间空间位置序列关系，利用自注意力机制关注样本间的空间坐标序列，捕捉不同样本之间的关系，提取数据的细节特征；
6.根据权利要求5所述的结合空间坐标的飞行器分布载荷多保真融合方法，其特征在于，在hyperband的多臂赌博机框架下，利用贝叶斯优化来选择可调参数λ的配置，具体过程如下：
7.根据权利要求6所述的结合空间坐标的飞行器分布载荷多保真融合方法，其特征在于，终止条件为总损失达到最大评估次数或预训练阶段结合空间坐标数据融合层性能不再显著提升。
8.一种结合空间坐标的飞行器分布载荷多保真融合系统，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1-7中任一项所述的结合空间坐标的飞行器分布载荷多保真融合方法。
