基于径向基生成式对抗网络的多源数据融合方法

doi:10.7527/S1000-6893.2025.31478

飞行器设计生成式模型专栏

本期目录 | 过刊浏览 | 高级检索

前一篇 |

基于径向基生成式对抗网络的多源数据融合方法

胡登峰, 向渝(), 张骏, 杨佳辰, 汪文勇

电子科技大学计算机科学与工程学院，成都 611731

收稿日期:2024-11-01 修回日期:2025-01-13 接受日期:2025-04-15 出版日期:2024-04-29 发布日期:2025-04-25
通讯作者: 向渝 E-mail:jcxiang@uestc.edu.cn
基金资助:
国家自然科学基金(62250067);中央高校基本科研业务费专项资金(ZYGX2024Z009)

Multi-source data fusion method based on radial basis function generative adversarial network

Dengfeng HU, Yu XIANG(), Jun ZHANG, Jiachen YANG, Wenyong WANG

School of Computer Science and Engineering，University of Electronic Science and Technology of China，Chengdu 611731，China

Received:2024-11-01 Revised:2025-01-13 Accepted:2025-04-15 Online:2024-04-29 Published:2025-04-25
Contact: Yu XIANG E-mail:jcxiang@uestc.edu.cn
Supported by:
National Natural Science Foundation of China(62250067);The Fundamental Research Funds for the Central Universities(ZYGX2024Z009)

摘要/Abstract

摘要：

飞行器气动数据可通过数值计算、风洞试验、飞行试验等途径获得。如何在低成本的基础上获得高保真度且不确定度较低的气动数据依然是一个挑战。在深度学习方法中，利用多层神经网络能够在更高维度上进行特征的表征与组合，从而有效地融合来自不同数据源的相关特征，提升模型的预测精度、可信度。然而，现有方法在融合不同数据集特征时，仍面临诸多技术难题。针对这一问题，提出了一种基于径向基生成式对抗网络（RBFGAN）的多源数据融合方法——RGAN-MSFM。该方法能够融合不同来源的气动数据集，挖掘多源气动数据特征之间的互补性、相关性。利用RBFGAN融合不同来源数据中的互补状态特征，生成新的融合数据集；构建功能网络和上下文网络，深入探索各数据源之间的相关性，从而实现多源数据特征的融合学习。基于包含计算流体力学（CFD）数据、风洞试验数据的数据集，以及包含CFD数据、飞行试验数据的数据集，设计了2组仿真实验。实验结果显示，采用该模型进行数据特征融合后，数据集的精度平均提高了30.2%、67.5%；与传统数据融合方法相比，不确定度分别降低了23.9%、27.6%。

关键词: 多源数据, 径向基函数, 生成式对抗网络, 状态融合, 数据融合

Abstract:

Aerodynamic data of aircraft can be obtained through methods such as numerical simulations， wind tunnel tests， and flight tests. However， obtaining high-fidelity aerodynamic data with low uncertainty at a low cost remains a challenging problem. In deep learning methods， multi-layer neural networks can represent and combine features in higher dimensions， effectively integrating relevant features from different data sources to improve the model’s prediction accuracy and reliability. However， the existing methods still face numerous technical challenges when fusing features from different datasets. To address this issue， we propose a multi-source data fusion method based on Radial Basis Function Generative Adversarial Network （RBFGAN）—RGAN-MSFM. This method can fuse aerodynamic datasets from different sources， mining the complementarity and correlation between multi-source aerodynamic data features. The proposed method first uses RBFGAN to fuse complementary state features from different data sources to generate a new fused dataset. Then， functional and contextual networks are constructed to explore the correlation among the data sources， enabling fusion learning of multi-source data features. We designed two sets of simulation experiments based on datasets containing CFD and wind tunnel test data， as well as CFD and flight test data. The experimental results show that after data feature fusion using this model， the accuracy of the datasets improved by an average of 30.2% and 67.5%； compared with traditional data fusion methods， the uncertainty was reduced by 23.9% and 27.6%， respectively.

Key words: multi-source data, radial basis function, generative adversarial networks, state fusion, data fusion

中图分类号:

V211

胡登峰, 向渝, 张骏, 杨佳辰, 汪文勇. 基于径向基生成式对抗网络的多源数据融合方法[J]. 航空学报, 2025, 46(10): 631478.

Dengfeng HU, Yu XIANG, Jun ZHANG, Jiachen YANG, Wenyong WANG. Multi-source data fusion method based on radial basis function generative adversarial network[J]. Acta Aeronautica et Astronautica Sinica, 2025, 46(10): 631478.

图/表 23

表1

符号及其含义解释

符号	解释
$n$	原始数据的样本数量
$m i n$	气动力状态的维数
$m o u t$	气动力系数的维数
$m = m i n + m o u t$	样本特征的总数
$M ∈ C F D, W T, F L I$	数据集的来源（CFD表示计算流体力学数值计算数据， WT表示风洞试验数据， FLI表示飞行试验数据）
$D ∈ R n × m$	原始数据集
$N$	状态融合数据集的样本数量
$T ∈ R N × m$	最终融合状态数据集
$n M$	M数据集的样本数量

表1

图 1

图 2

图 3

图 4

表2

原始数据集Dj

样本	$D j i n$						$D j o u t$
样本	$x j 1$	$x j 2$	$⋯$	$x j k$	$⋯$	$x j m i n$	$⋯$	$x j m o u t$
$x j 1$	$x j 1 1$	$x j 2 1$	$⋯$	$x j k 1$	$⋯$	$x j m i n 1$	$⋯$	$x j m o u t 1$
$x j 2$	$x j 1 2$	$x j 2 2$	$⋯$	$x j k 2$	$⋯$	$x j m i n 2$	$⋯$	$x j m o u t 2$
$⋮$	$⋮$	$⋮$		$⋮$		$⋮$		$⋮$
$x j n j$	$x j 1 n j$	$x j 2 n j$	$⋯$	$x j k n j$	$⋯$	$x j m i n n j$	$⋯$	$x j m o u t n j$

表2

表3

状态融合数据集Tj

样本	$T i n$						$T j o u t$
样本	$t 1$	$t 2$	$⋯$	$t k$	$⋯$	$t m i n$	$⋯$	$t j m o u t$
$t j 1$	$t 1 1$	$t 2 1$	$⋯$	$t k 1$	$⋯$	$t m i n 1$	$⋯$	$t j m o u t 1$
$t j 2$	$t 1 2$	$t 2 2$	$⋯$	$t k 2$	$⋯$	$t m i n 2$	$⋯$	$t j m o u t 2$
$⋮$	$⋮$	$⋮$		$⋮$		$⋮$		$⋮$
$t j N$	$t 1 N$	$t 2 N$	$⋯$	$t k N$	$⋯$	$t m i n N$	$⋯$	$t j m o u t N$

表3

表4

表5

融合前后数据集划分情况

数据子集	马赫数Ma	攻角α/（°）	数据量			描述
数据子集	马赫数Ma	攻角α/（°）	FLI	CFD	融合数据	描述
1	0~0.8	0~10	229	3 960	1 549	亚声速小攻角
2	0~0.8	10~20	0	2 970	330	亚声速中等攻角
3	0~0.8	20~25	0	1 980	0	亚声速大攻角
$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$
10	5~7	0~10	6 049	5 940	7 369	高超声速小攻角
11	5~7	10~20	2 561	4 455	2 891	高超声速中攻角
12	5~7	20~25	0	2 970	0	高超声速大攻角

表5

图 5

表6

数据集信息

类型	物理含义	符号	WT数据集数值分布范围	CFD数据集数值分布范围
气动状态属性	马赫数Ma	$x 1$	（0.3，12）	（0.4，4）
	攻角α/（°）	$x 2$	（-20，20］	（-8，20）
	侧滑角β/（°）	$x 3$	（-5，5）	（0，4）
	滚转舵偏D_x/（°）	$x 4$	（0，10）	（-10，0）
	俯仰舵偏D_y/（°）	$x 5$	（0，10）	（-25，0）
	偏航舵偏D_z/（°）	$x 6$	（0，20）	（-25，0）
气动力信息	轴向力系数C_x	$x 7$	（0.1，1.6）	（0.2，1.9）
	法向力系数C_y	$x 8$	（-2.5，3.3）	（-3.6，4.4）
	侧向力系数C_z	$x 9$	（-0.5，1.0）	（-1.2，0.8）

表6

表7

实验条件

实验	网络模型与结构
1	FCNN （3×32）
2	MSFM （ $S = F C N N$ ）（2×3×32）（1×3×32）
3	RGAN-MSFM （ $S = R B F G A N$ ）（2×3×32）（1×3×32）
4	MTL （2×3×32）（1×3×32）

表7

表8

表9

图 6

表10

图 7

图 8

图 9

图 10

图 11

表11

表12

参考文献 24

1	唐志共，袁先旭，钱炜祺，等. 高速空气动力学三大手段数据融合研究进展［J］. 空气动力学学报， 2023， 41（8）： 44-58.
	TANG Z G， YUAN X X， QIAN W Q， et al. Research progress on the fusion of data obtained by high-speed wind tunnels， CFD and model flight［J］. Acta Aerodynamica Sinica， 2023， 41（8）： 44-58 （in Chinese）.
2	邓晨，陈功，王文正，等. 基于不确定度和气动模型的气动数据融合算法［J］. 空气动力学学报， 2022， 40（4）： 117-123.
	DENG C， CHEN G， WANG W Z， et al. Aerodynamic data fusion algorithms based on aerodynamic model and uncertainly‍［J］. Acta Aerodynamica Sinica， 2022， 40（4）： 117-123 （in Chinese）.
3	POLOCZEK M， WANG J， FRAZIER P I. Multi-information source optimization‍［DB/OL］. arXiv preprint： 1603.00389v2， 2017.
4	HE L， QIAN W Q， ZHAO T， et al. Multi-fidelity aerodynamic data fusion with a deep neural network modeling method［J］. Entropy， 2020， 22（9）： 1022.
5	唐志共，朱林阳，向星皓，等. 智能空气动力学若干研究进展及展望［J］. 空气动力学学报， 2023， 41（7）： 1-35.
	TANG Z G， ZHU L Y， XIANG X H， et al. Some research progress and prospect of intelligent aerodynamics［J］. Acta Aerodynamica Sinica， 2023， 41（7）： 1-35 （in Chinese）.
6	LIANG X Y， QIAN Y H， GUO Q， et al. AF： An association-based fusion method for multi-modal classification‍［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2022， 44（12）： 9236-9254.
7	ZHANG Z J， DURAISAMY K. Machine learning methods for data-driven turbulence modeling‍［C］‍∥22nd AIAA Computational Fluid Dynamics Conference. Reston： AIAA， 2015.
8	LECUN Y， BENGIO Y， HINTON G. Deep learning［J］. Nature， 2015， 521（7553）： 436-444.
9	HU L W， ZHANG J， XIANG Y， et al. Neural networks-based aerodynamic data modeling： A comprehensive review‍［J］. IEEE Access， 2020， 8： 90805-90823.
10	MARCATO A， BOCCARDO G， MARCHISIO D L. A computational workflow to study particle transport in porous media： Coupling CFD and deep learning‍［M］‍∥30th European Symposium on Computer Aided Process Engineering. Amsterdam： Elsevier， 2020： 1759-1764.
11	PARISH E J， DURAISAMY K. A paradigm for data-driven predictive modeling using field inversion and machine learning‍［J］. Journal of Computational Physics， 2016， 305： 758-774.
12	LI J H， LI B， XU J Z， et al. Fully connected network-based intra prediction for image coding［J］. IEEE Transactions on Image Processing， 2018， 27（7）： 3236-3247.
13	BELYAEV M， BURNAEV E， KAPUSHEV E， et al. Building data fusion surrogate models for spacecraft aerodynamic problems with incomplete factorial design of experiments‍［J］. Advanced Materials Research， 2014， 1016： 405-412.
14	王文正，桂业伟，何开锋，等. 基于数学模型的气动力数据融合研究［J］. 空气动力学学报， 2009， 27（5）： 524-528.
	WANG W Z， GUI Y W， HE K F， et al. Aerodynamic data fusion technique exploration［J］. Acta Aerodynamica Sinica， 2009， 27（5）： 524-528 （in Chinese）.
15	张骏，张广博，程艳青，等. 一种气动大差异性数据多任务学习方法［J］. 空气动力学学报， 2022， 40（6）： 64-72.
	ZHANG J， ZHANG G B， CHENG Y Q， et al. A multi-task learning method for large discrepant aerodynamic data［J］. Acta Aerodynamica Sinica， 2022， 40（6）： 64-72 （in Chinese）.
16	赵旋，彭绪浩，邓子辰，等. 基于多源数据融合的翼型表面压强精细化重构方法［J］. 实验流体力学， 2022， 36（3）： 93-101.
	ZHAO X， PENG X H， DENG Z C， et al. Fine reconstruction method of airfoil surface pressure based on multi-source data fusion［J］. Journal of Experiments in Fluid Mechanics， 2022， 36（3）： 93-101 （in Chinese）.
17	王旭，宁晨伽，王文正，等. 面向飞行试验的多源气动数据智能融合方法［J］. 空气动力学学报， 2023， 41（2）： 12-20.
	WANG X， NING C J， WANG W Z， et al. Intelligent fusion method of multi-source aerodynamic data for flight tests［J］. Acta Aerodynamica Sinica， 2023， 41（2）： 12-20 （in Chinese）.
18	LI K， KOU J Q， ZHANG W W. Deep learning for multifidelity aerodynamic distribution modeling from experimental and simulation data［J］. AIAA Journal， 2022， 60（7）： 4413-4427.
19	HU L W， XIANG Y， ZHANG J， et al. Aerodynamic data predictions based on multi-task learning［J］. Applied Soft Computing， 2022， 116： 108369.
20	GIROSI F， POGGIO T. Networks and the best approximation property［J］. Biological Cybernetics， 1990， 63（3）： 169-176.
21	POGGIO T， GIROSI F. Networks for approximation and learning［J］. Proceedings of the IEEE， 1990， 78（9）： 1481-1497.
22	HU L W， WANG W Y， XIANG Y， et al. Flow field reconstructions with GANs based on radial basis functions［J］. IEEE Transactions on Aerospace and Electronic Systems， 2022， 58（4）： 3460-3476.
23	GOODFELLOW I J， POUGET-ABADIE J， MIRZA M， et al. Generative adversarial nets‍［J］. Advances in neural information processing systems， 2014， 27.
24	FASSHAUER G E， YE Q. Reproducing kernels of generalized Sobolev spaces via a Green function approach with distributional operators‍［J］. Numerische Mathematik， 2011， 119： 585-611.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

气动状态	FLI	CFD	融合数据
马赫数Ma	［0.4，0.6，0.9， 1.05，1.5，2，3，4，5，6，7］	［0.4，0.8，0.95，1.2，1.5，2，3，4，5，6，7］	［0.4，0.6，0.8，0.9，0.95，1.2，1.5，2，3，4，5，6，7］
攻角α/（°）	［0，2，5，8，10，12，15］	［0，2，5，10，15，20，25］	［0，2，5，8，10，15，20］
侧滑角β/（°）	［0，5］	［-5，0，5］	［0，5］
滚转舵偏D_x/（°）	［0，10］	［-10，-5，0，5，10］	［0，5，10］
俯仰舵偏D_y/（°）	［0，10，20］	［-20，-10，0，10，20］	［0，10，20］
偏航舵偏D_z/（°）	［0，10，20］	［-20，-10，0，10，20］	［0，10，20］

参数	数值
优化算法	Adam优化算法
数据归一化	最大最小归一化
激活函数	ELU（Exponential Linear Units）
迭代周期	2 000
学习率	0.001
训练集∶测试集	9∶1

实验	MSE	不确定度
1	1.209×10^-3	1.904 3
2	9.752×10^-4	1.605 4
3	8.432×10^-4	1.447 7
4	4.618×10^-3	1.935 1

参数	不确定度值	亚声速段	跨声速段	超声速段	全声速段
C_x	WT数据集	1.058 5	1.052 4	1.081 5	1.064 1
	实验1	0.904 6	0.900 9	0.923 6	0.909 7
	实验2	0.871 7	0.866 8	0.908 8	0.882 4
	实验3	0.808 6	0.804 1	0.843 5	0.818 7
	实验4	0.953 0	0.948 0	0.978 0	0.959 7
C_y	WT数据集	3.964 4	3.945 4	4.083 7	3.997 8
	实验1	4.038 4	4.010 9	4.076 7	4.076 1
	实验2	3.238 3	3.219 8	3.274 8	3.274 8
	实验3	2.855 9	2.830 3	3.038 9	2.908 4
	实验4	4.039 1	4.016 9	4.153 6	4.069 9
C_z	WT数据集	0.842 1	0.837 8	0.867 5	0.849 1
	实验1	0.723 0	0.720 3	0.737 7	0.727 0
	实验2	0.647 8	0.643 4	0.675 6	0.658 9
	实验3	0.605 0	0.600 7	0.642 0	0.615 9
	实验4	0.770 8	0.766 8	0.790 1	0.775 9

实验	MSE	不确定度
1	3.028×10^-3	0.916 3
2	1.091×10^-3	0.710 9
3	9.824×10^-4	0.663 3
4	3.764×10^-3	0.724 1

基于径向基生成式对抗网络的多源数据融合方法

Multi-source data fusion method based on radial basis function generative adversarial network

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 23

参考文献 24

相关文章 15

编辑推荐

Metrics

本文评价

参数	数据类别	不确定度
C_x	FLI数据集	0.339 4
	实验1	0.272 4
	实验2	0.234 8
	实验3	0.180 1
	实验4	0.256 8
C_y	FLI数据集	2.100 5
	实验1	2.259 7
	实验2	1.635 1
	实验3	1.558 4
	实验4	1.650 9
C_z	FLI数据集	1.078 6
	实验1	0.217 0
	实验2	0.262 7
	实验3	0.251 4
	实验4	0.264 7

[1]	杨超, 邹志诚, 谢长川, 安朝, 胡存佚. RBF动网格技术研究进展及其气动弹性应用[J]. 航空学报, 2025, 46(5): 530945-530945.
[2]	孟宪超, 陶俊. 基于目标检验条件生成对抗网络的翼型反设计方法[J]. 航空学报, 2025, 46(10): 631182-631182.
[3]	杨华, 陈树生, 高正红, 姜权峰, 张伟. 基于贝叶斯框架的旋翼气动力数据融合[J]. 航空学报, 2024, 45(8): 128960-128960.
[4]	田阔, 孙志勇, 李增聪. 面向结构静力试验监测的高精度数字孪生方法[J]. 航空学报, 2024, 45(7): 429134-429134.
[5]	宋海浪, 张建东, 史国庆, 杨啟明, 张耀中. 航空火控系统试飞综合评估技术与方法探讨[J]. 航空学报, 2024, 45(5): 529687-529687.
[6]	张帆, 丛玮, 田润操, 王鹏. 基于双层变权的异构数据融合及可靠性分析[J]. 航空学报, 2024, 45(22): 230297-230297.
[7]	高天贺, 田阔, 黄蕾, 张澍, 李增聪. 数据驱动的曲面构件形状⁃拓扑协同优化方法[J]. 航空学报, 2024, 45(2): 428806-428806.
[8]	路宽, 宋文萍, 郭恒博, 叶坤, 王跃, 韩忠华. 基于空间嵌套径向基函数的高效并行网格变形方法[J]. 航空学报, 2024, 45(15): 129433-129433.
[9]	顾兆军, 赵欢, 王家亮, 聂留阳. 基于马尔可夫决策的四轴飞行器自动着陆方法[J]. 航空学报, 2024, 45(15): 329652-329652.
[10]	张怀捷, 马静雅, 刘浩源, 郭品, 邓慧超, 徐坤, 丁希仑. 视觉与惯性融合的多旋翼飞行机器人室内定位技术[J]. 航空学报, 2023, 44(5): 426964-426964.
[11]	文谦, 杨家伟, 武泽平, 杨希祥, 赵海龙, 王志祥. 快速交叉验证改进的运载火箭近似建模方法[J]. 航空学报, 2022, 43(9): 225967-225967.
[12]	雷世英, 孙见忠, 刘赫. 涡轮叶片累积损伤指数模型及服役可靠性评估[J]. 航空学报, 2022, 43(3): 225064-225064.
[13]	刘智侃, 刘深深, 刘骁, 曾磊, 代光月. 基于物理量梯度修正的RBF数据传递方法[J]. 航空学报, 2021, 42(7): 124506-124506.
[14]	孙岩, 江盟, 孟德虹, 庞宇飞. 交互式棱柱网格生成中翘曲现象形成机制及消除算法[J]. 航空学报, 2021, 42(6): 124443-124443.
[15]	张智超, 高太元, 张磊, 拓双芬. 基于径向基神经网络的气动热预测代理模型[J]. 航空学报, 2021, 42(4): 524167-524167.