-
题名自适应多保真数据融合的神经网络模型
- 1
-
-
作者
陈柏宁
谢芳芳
孟旭辉
-
机构
华中科技大学数学与统计学院
浙江大学航空航天学院
-
出处
《气体物理》
2024年第4期1-8,共8页
-
基金
国家自然科学基金委基金(12201229,92271107)。
-
文摘
数据驱动的深度学习建模在力学、材料等不同学科中得到了较多应用。深度学习建模的精度依赖大量高保真数据。在实际应用中,高保真数据往往是少量且昂贵的,而低保真数据却是成本低廉且数量较多的。当高保真数据量过少时,深度学习建模精度较低。近期发展的多保真深度神经网络,通过融合不同保真度的数据,在高保真数据较少时,依然保持了较高的建模精度。然而,已有的多保真深度神经网络模型的精度较为依赖针对模型参数的正则化调节。当添加的正则化过强时,网络对非线性关联式的拟合能力不足;当添加的正则化强度不够时,在学习多保真数据间的线性关联关系时又会出现过拟合现象。两者都会严重影响模型的预测精度。在缺乏高保真验证数据集时,较难得到最优的正则化系数。为此,通过改进已有多保真网络模型的损失函数,引入一个与线性关联式相关的参数,提出了自适应多保真数据融合的神经网络模型。该模型能根据给定数据自适应地拟合不同保真度数据间的线性或非线性关系,对正则化依赖较小,从而提高了建模的鲁棒性。在多个标准测试案例及实际应用的翼型气动参数的预测中,该模型均能表现出较高的精度和稳定性。
-
关键词
深度学习
多保真深度神经网络
多保真建模
自适应多保真数据融合的神经网络模型
气动分布
-
Keywords
deep learning
multi-fidelity deep neural networks
multi-fidelity modeling
adaptive multi-fidelity composite deep neural networks
aerodynamic distribution
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
