申请/专利权人：浙江大学

申请日：2020-10-20

公开（公告）日：2024-04-16

公开（公告）号：CN112241811B

主分类号：G06Q10/04

分类号：G06Q10/04;G06F30/27;G06N3/084;G06N3/006

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2021.02.05#实质审查的生效;2021.01.19#公开

摘要：本发明公开了一种“互联网+”环境下定制产品的分层混合性能预测方法，本发明利用计算仿真数据集构造单保真度层混合模型，利用历史实测数据集构造最优BP神经网络模型，再采用均方根误差策略基于单保真度层混合模型和最优BP神经网络模型构造双保真度层混合模型。本发明方法基于混合代理模型，通过不同保真度层次的分层混合实现了高保真度的历史实测数据与低保真度的计算仿真数据关联融合，从而实现了基于多保真度数据信息的定制产品性能预测，提高了性能预测模型的预测精度和泛化能力，实现了在设计阶段对定制产品性能的高效可信预测。

主权项：1.一种“互联网+”环境下定制产品的分层混合性能预测方法，其特征在于，包括以下步骤：1以定制产品的配置参数作为输入特征，定制产品的待预测性能作为输出特征，收集获取数据样本；收集对已有产品实测的性能数据，构建历史实测数据集；利用计算机仿真软件，建立产品的虚拟仿真模型，通过仿真分析获取性能数据，构建计算仿真数据集；2对历史实测数据集和计算仿真数据集进行数据预处理；3以步骤1中选取的输入特征和输出特征作为模型的输入和输出，采用计算仿真数据集作为训练数据集，基于多项式响应面模型、克里金模型和径向基函数模型，采用基于广义均方交叉验证误差策略的权重计算准则，构造单保真度层混合模型Surrmix；4以步骤1中选取的输入特征和输出特征作为模型的输入和输出，采用历史实测数据集作为训练数据集，结合粒子群算法训练一个最优BP神经网络模型BPNNhropt；5以基于计算仿真数据集构造的单保真度层混合模型Surrmix和基于历史实测数据集训练的最优BP神经网络模型BPNNhropt为基础，采用基于均方根误差策略的权重计算准则，构造双保真度层混合模型Surrbpmix，并以此作为最终的预测模型；6对待预测的数据样本，首先按照步骤2中对计算仿真数据集的处理进行数据预处理，然后输入至步骤5中构建的预测模型进行预测，即可得到定制产品在不同配置参数条件下的产品性能。

全文数据：

权利要求：

百度查询： 浙江大学 “互联网+”环境下定制产品的分层混合性能预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD