来源：期刊VIP网 时间：
作者：崔榕峰;李鸿岩;王祥云;刘哲;郭承鹏;
单位：航空工业空气动力研究院;
摘要：为提升飞行器气动性能分析效率、降低所需成本，采用了两种基于迁移学习的数据融合智能预测方法：一种是根据样本特征进行权重配比的多保真度融合方法，利用自适应提升算法进行样本错误率评估，并依据结果进行加权融合；另一种是基于模型的参数冻结迁移方法，将高低阶精度数据进行神经网络分层训练，实现模型意义上的数据融合。两种方法均考虑将高阶精度的风洞试验数据与低阶精度的CFD数据进行深度融合训练，从而实现精准预测。以YF-16飞机标模为例进行预测分析，结果表明基于迁移学习的数据融合方法能够实现气动力的准确预测，并在精度上超过了传统CoKriging融合方法。
关键词：数据融合;迁移学习;风洞试验;CFD计算;深度神经网络
基金资助：航空科学基金资助(2022Z006026004;2023M071027001)
