| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第13-31页 |
| 1.1 课题研究背景及意义 | 第13-15页 |
| 1.2 风洞简介 | 第15-18页 |
| 1.2.1 风洞及其用途 | 第15-16页 |
| 1.2.2 风洞的国内外发展概况 | 第16-18页 |
| 1.3 风洞建模方法及研究现状 | 第18-20页 |
| 1.4 工业大数据建模研究现状 | 第20-23页 |
| 1.4.1 工业大数据特点 | 第20-21页 |
| 1.4.2 工业大数据建模 | 第21-23页 |
| 1.5 集成建模方法及研究现状 | 第23-29页 |
| 1.5.1 集成学习定义 | 第23-25页 |
| 1.5.2 集成学习研究现状 | 第25-26页 |
| 1.5.3 集成模型分类 | 第26-29页 |
| 1.6 本文主要工作 | 第29-31页 |
| 第二章 FL-26风洞流场模型结构 | 第31-47页 |
| 2.1 FL-26大口径跨声速风洞 | 第31-36页 |
| 2.1.1 FL-26风洞结构及空气环流 | 第31-34页 |
| 2.1.2 FL-26风洞试验工况 | 第34-35页 |
| 2.1.3 FL-26风洞建模难点 | 第35-36页 |
| 2.2 FL-26风洞马赫数数据模型结构 | 第36-42页 |
| 2.2.1 马赫数及其影响因素 | 第36-37页 |
| 2.2.2 马赫数数据模型结构 | 第37-38页 |
| 2.2.3 总压与静压NARX辨识模型 | 第38-39页 |
| 2.2.4 变量阶次的确定 | 第39-42页 |
| 2.3 马赫数数据建模难点 | 第42-45页 |
| 2.3.1 主要难点 | 第42-44页 |
| 2.3.2 解决方案 | 第44-45页 |
| 2.4 本章小结 | 第45-47页 |
| 第三章 风洞马赫数集成建模方法 | 第47-69页 |
| 3.1 集成模型框架 | 第47-49页 |
| 3.1.1 集成模型 | 第47-48页 |
| 3.1.2 集成框架 | 第48-49页 |
| 3.2 基于样本子集的风洞流场集成模型 | 第49-59页 |
| 3.2.1 现有样本子集集成方法的选择 | 第49-50页 |
| 3.2.2 随机森林马赫数模型 | 第50-52页 |
| 3.2.3 模型评估 | 第52-58页 |
| 3.2.4 随机森林马赫数模型的不足 | 第58-59页 |
| 3.3 基于特征子集的风洞流场集成模型 | 第59-65页 |
| 3.3.1 FSE集成思想 | 第59-61页 |
| 3.3.2 特征子集的划分 | 第61-63页 |
| 3.3.3 FSE方法的特点 | 第63-65页 |
| 3.4 融合算法 | 第65-67页 |
| 3.5 本章小结 | 第67-69页 |
| 第四章 面向大数据集的基学习机研究 | 第69-93页 |
| 4.1 基学习机 | 第69-70页 |
| 4.2 基于不稳定学习机的FSE马赫数模型 | 第70-77页 |
| 4.2.1 BP神经网络 | 第70-71页 |
| 4.2.2 FSE-BPs马赫数模型 | 第71-77页 |
| 4.3 基于稳定学习机的FSE马赫数模型 | 第77-92页 |
| 4.3.1 固定尺度最小二乘支持向量机 | 第78-83页 |
| 4.3.2 FSE Fixed-size LS-SVM马赫数模型 | 第83-92页 |
| 4.4 本章小结 | 第92-93页 |
| 第五章 FSE模型修剪及鲁棒性提升 | 第93-115页 |
| 5.1 集成修剪 | 第93-100页 |
| 5.1.1 修剪算法 | 第93-94页 |
| 5.1.2 基于最大熵的集成修剪算法 | 第94-96页 |
| 5.1.3 MEP-FSE马赫数模型 | 第96-100页 |
| 5.2 模型鲁棒性的提升 | 第100-112页 |
| 5.2.1 噪声数据 | 第100页 |
| 5.2.2 学习算法鲁棒性 | 第100-102页 |
| 5.2.3 Bootstrap-FSE方法 | 第102-105页 |
| 5.2.4 Bootstrap-FSE马赫数模型 | 第105-112页 |
| 5.3 本章小结 | 第112-115页 |
| 第六章 结论与展望 | 第115-117页 |
| 参考文献 | 第117-127页 |
| 致谢 | 第127-129页 |
| 攻读博士学位期间完成的论文 | 第129-131页 |
| 个人简历 | 第131页 |