(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111281357.8 (22)申请日 2021.11.01 (71)申请人 河海大学 地址 210024 江苏省南京市 鼓楼区西康路1 号 (72)发明人 王继民　张晨楠　王飞　张新华　 (74)专利代理 机构 南京苏高专利商标事务所 (普通合伙) 32204 代理人 柏尚春 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/00(2019.01) (54)发明名称 一种基于多分区模型集成的侵彻深度预测 方法 (57)摘要 本发明公开了一种基于多分区模型集成的 侵彻深度预测方法， 划分对工程算法进行评价的 评价区间； 选择若干较优的工程算法； 采用选取 的工程算法进行批量样本计算， 得到工程计算仿 真数据； 在每个评价区间， 采用试验数据和工程 计算仿真数据， 建立基于随机森 林和BP神经网络 的无量纲侵彻深度预测模型； 采用K邻近分区模 型融合输出进行加权集成， 构成融合模型； 输入 特征经过多个预测模型产生分区预测结果， 最后 经过融合模 型产生无量纲侵彻深度预测输出。 本 发明本发明保证数据的准确性， 同时避免了实验 数据缺少对深度学习模型的影 响； 分区间建立模 型， 缩小建模范围， 保证模型能够体现局部区域 的物理特征和规律， 产生较小的预测误差， 得到 准确度更高的预测模型。 权利要求书2页 说明书7页 附图2页 CN 114004154 A 2022.02.01 CN 114004154 A 1.一种基于多分区模型集成的侵彻深度预测方法， 其特 征在于， 包括以下步骤： (1)通过对试验数据降维和聚类， 再结合领域专家知识划分对工程算法进行评价的评 价区间； (2)在划分出的每 个评价区间中， 选择 出k个在该评价区间计算精度较高的工程 算法； (3)在每个评价区间内， 采用选取的工程算法进行批量样本计算， 得到工程计算仿真数 据； (4)在每个评价区间， 基于本区间的工程算法仿真数据和试验数据， 采用随机森林集成 方法对BP神经网络进行集成， 建立区间的预测模型RF_BP_r， 实现对该区间的侵彻深度预 测； (5)利用K近邻融合预测产生全参数区间的侵彻深度预测值。 2.根据权利要求1所述的基于多分区模型集成的侵彻深度 预测方法， 其特征在于， 所述 步骤(1)包括以下步骤： (11)采用流型学习LLE算法对试验数据进行降维： 侵彻深度分析的输入包括着靶速度、 弹体质量、 弹体直径、 靶标抗压强度、 靶标材料密度、 CRH、 形状因子、 弹头长度8个特征量， 输 出为无量纲侵彻深度， 并且统一采用国际单位， 数据组织成如下的矩阵格式： 其中， dij为输入量， m为输入特征量的个数， 最后一列为模型输出， 即无量纲侵彻深度， 其他列为模型的输入， n为数据数量； 对矩阵M描述的9维空间中的样本数据采用局部线性嵌 入流型学习LLE算法， 降维到d维空间， 局部线性 嵌入试图保持邻域内样本 之间的线性关系， 并在低维空间中保持该线性关系， 能够适用高维数据的非线性降维； (12)对降维后的d维空间数据采用层次聚类算法进行 聚类， 确定初步的评价区间范围， 领域专家对不同聚类结果进行分析， 确定合理的聚类层次和结果； 根据每类包含的样本点 的特征取值范围， 确定每个类中的输入特征量的区间， 每个类中特征量的取值范围构成一 个评价区间； (13)领域专家对特征量的区间进行合理的拓展， 不同评价区间的特征量取值范围可以 有一定的重 叠。 3.根据权利要求1所述的基于多分区模型集成的侵彻深度 预测方法， 其特征在于， 所述 步骤(2)实现过程如下： 针对评价区间r,提取评价区间r内的试验数据构成试验样本集Sr， 假设为r选择g个待评 价工程算法 a1、 a2、…、 ag， 利用SR和a1、 a2、…、 ag计算无量纲侵彻深度， 并与实际值进行比较， 计算算法精度； 采用平均绝对百分比误差 MAPE作为工程 算法计算精度的评价标准： 其中， yi为真实无量纲侵彻深度值， pi为计算的无量纲侵彻深度值,m为该评价区间内样 本总量；权　利　要　求　书 1/2 页 2 CN 114004154 A 2假设MAPE1、 MAPE2、…、 MAPEg分别表示工程算法a1、 a2、…、 ag在所分析参数区间的平均绝 对百分比误差， 将MAPEi(i＝1,…,g),按照从低到高排序， 取前k个误差对应的算法作为该 参数区间的较优的算法。 4.根据权利要求1所述的基于多分区模型集成的侵彻深度 预测方法， 其特征在于， 所述 步骤(3)实现过程如下： 将工程算法计算所需要的参数在评价区间其范围内进行离散化， 然后进行组合， 构成 大量的输入向量， 然后采用该评价区间的工程算法进 行计算， 得到工程计算仿真数据； 假设 当前算法需要m个参数， 每个参数离散化取值分别为p1,p2,…,pm种， 那么所有的组合为 种， 即当前评价区间中， 一个工程算法的批量计算可以产生 个仿真数据； 通过 批量工程计算得到 工程计算仿真数据。 5.根据权利要求1所述的基于多分区模型集成的侵彻深度 预测方法， 其特征在于， 所述 步骤(4)包括以下步骤： (41)采用随机森林算法思想建立评价分区的BP神经网络模型， 每次从8个特征向量中 随机选择m个特征作为BP神经网络的输入， 输出为无量纲侵彻深度； 从Sr中随机选择p％的 数据Sr_p， 提取Sr_p的选中的m个特征以及无量纲侵彻深度维度构成训练集Sr_p_train， 利用 Sr_p_trai n训练一棵树， 即一个BP神经网络； m的取值 为6或7个； p的设置为70～80； (42)按照(41)构建f棵树， 即构建f个BP神经网络， 每个BP神经网络的隐含层层数为 log2m,每层节点数为2m个， 激活函数为Relu； 训练数据采用如下公式进行 标准化： Sr_p_trai n＝(Sr_p_trai n‑Sr_p_trai n_mean)/Sr_p_trai n_std        (3) 其中， Sr_p_train_mean表示Sr_p_train各维度均值构成的向量， Sr_p_train_std表示Sr_p_train各 维度标准差构成的向量； (43)采用平均值策略对f棵树的输出求均值作为对应分区的预测输出。 6.根据权利要求1所述的基于多分区模型集成的侵彻深度 预测方法， 其特征在于， 所述 步骤(5)包括以下步骤： (51)根据输入参数判断所在的评价区间， 并选择该评价区间的预测模型作为主预测模 型， 得到主预测值p1； (52)搜索参数所在区间的邻近区间， 假设找到k个邻邻近区间， 每个评价区间都是一个 超矩形区域， 针对某个主评价区间r， 只要与该区间r有交接或者顶 点接触的评价区间， 都是 r的邻近区间； (53)分别 采用邻近区间的预测模型对输入进行侵彻深度预测， 并对预测结果进行求均 值得到邻 邻近区间的预测值p2； (54)最终的预测结果为p ＝(1‑1/(k+1))*p1+p2/(k+1)； 主预测区间所占的权重为1/(k +1)， k+1表示所有用来进行本次预测的分区个数， 即主预测分区模型所占权重和用来进行 预测的分区个数成反比例； 评价分区个数越多， 则表示区间划分的越精细， 则每个区间的独 立性就越强， 主预测区间模型占有的权 重就越高。权　利　要　求　书 2/2 页 3 CN 114004154 A 3