基于组合模型的风洞试验六元力预测

摘要

风洞试验对于试验设备和场地具有较高要求，且耗时长，成本高，数据获取困难。为此提出基于组合模型对风洞试验六元力进行预测。首先利用SMOTE过采样方法对风洞试验小样本数据进行数据扩充，然后采用极限梯度提升算法（extreme gradient boosting,XGBoost）、K最近邻算法（k-nearest neighbor,KNN）和多层感知器（multilayer perceptron,MLP）3个单一模型建立XGBoost-KNN-MLP组合模型。为克服权重带来的影响，采用人工免疫算法（artificial immune algorithm,AIA）对组合模型的权重系数进行优化建立AIA-XKM组合预测模型。预测效果以平均绝对误差（mean absolute error,MAE）、均方误差（mean square error,MSE）、决定系数（r-square,R²）和均方根误差（root mean squared error,RMSE）为评价指标。并与经典算法XGBoost、KNN、MLP、SVM、RNN构建的预测模型进行对比。实验结果表明，所提出的AIA-XKM组合预测模型在六元力预测中弥补了单一模型存在的不足，在预测精度和泛化能力中表现出更高性能。将该预测模型应用于风洞试验前，能够提前预测试验的输出数值，判断试验的可行性与准确性，提高风洞试验的成功率，减少无用试验。

关键词

数据预测 / 小样本 / 组合模型 / 风洞试验