| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.1.1 空气动力学数据分析 | 第10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 国内外现状及发展趋势 | 第11-13页 |
| 1.2.1 空气动力学数据的数据挖掘 | 第11-12页 |
| 1.2.2 空气动力学数据平台 | 第12-13页 |
| 1.3 本文主要研究内容 | 第13页 |
| 1.4 论文结构 | 第13-15页 |
| 第二章 空气动力学数据 | 第15-22页 |
| 2.1 数据分类与组织 | 第15-17页 |
| 2.2 气动数据文件特性 | 第17-21页 |
| 2.3 本章小结 | 第21-22页 |
| 第三章 一种基于极端随机森林的有限元表面数据预测方法 | 第22-46页 |
| 3.1 问题描述以及现有方法 | 第22-24页 |
| 3.1.1 问题描述 | 第22-23页 |
| 3.1.2 已有方法介绍 | 第23-24页 |
| 3.2 极端随机森林 | 第24-26页 |
| 3.3 有限元曲面数据 | 第26-32页 |
| 3.3.1 有限元数据和有限元曲面数据 | 第26-28页 |
| 3.3.2 有限元表面数据关键字段 | 第28-32页 |
| 3.4 实验设计与结果分析 | 第32-45页 |
| 3.4.1 数据处理流程 | 第33-39页 |
| 3.4.2 训练过程与预测流程 | 第39-41页 |
| 3.4.3 实验结果分析 | 第41-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第四章 拟牛顿法训练的BP神经网络预测气动系数 | 第46-57页 |
| 4.1 梯度下降法与拟牛顿法 | 第46-48页 |
| 4.1.1 梯度下降法 | 第46-47页 |
| 4.1.2 拟牛顿法 | 第47-48页 |
| 4.2 拟牛顿法训练的BP神经网络预测气动系数 | 第48-53页 |
| 4.2.1 流场统计文件介绍 | 第48-50页 |
| 4.2.2 拟牛顿法训练的神经网络预测气动系数 | 第50-51页 |
| 4.2.3 实验结果与分析 | 第51-53页 |
| 4.3 拟牛顿法训练时的过拟合拟制 | 第53-56页 |
| 4.3.1 过拟合现象与抑制过拟合方法 | 第53页 |
| 4.3.2 过拟合现象的抑制 | 第53-56页 |
| 4.3.3 实验结果与分析 | 第56页 |
| 4.4 本章小结 | 第56-57页 |
| 第五章 空气动力学数据平台与存储设计 | 第57-69页 |
| 5.1 现有气动数据平台 | 第57-59页 |
| 5.1.1 现有气动数据平台 | 第57-58页 |
| 5.1.2 现有气动平台分析 | 第58-59页 |
| 5.2 存储设计 | 第59-64页 |
| 5.2.1 关系数据库的不足与NoSQL | 第59-61页 |
| 5.2.2 MongoDB中的存储设计 | 第61-63页 |
| 5.2.3 存储设计 | 第63-64页 |
| 5.3 平台整体框架设计 | 第64-68页 |
| 5.3.1 功能需求 | 第64-65页 |
| 5.3.2 平台整体框架设计 | 第65页 |
| 5.3.3 系统用户管理设计和平台代理端API设计 | 第65-68页 |
| 5.4 本章小结 | 第68-69页 |
| 第六章 总结与展望 | 第69-70页 |
| 6.1 总结 | 第69页 |
| 6.2 展望 | 第69-70页 |
| 参考文献 | 第70-73页 |
| 致谢 | 第73-74页 |
| 攻读学位期间发表的学术论文目录 | 第74页 |