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

Abstract

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

CLC Number:

V211

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.

Figures/Tables 23

Table 1

Symbols and their explanation

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

Table 1

Fig.1

Fig.2

Fig.3

Fig.4

Table 2

Original dataset Dj

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

Table 2

Table 3

State fused dataset Tj

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

Table 3

Table 4

Table 5

Partition of dataset before and after fusion

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

Table 5

Fig.5

Table 6

Dataset information

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）

Table 6

Table 7

Experimental conditions table

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）

Table 7

Table 8

Table 9

Fig.6

Table 10

Fig.7

Fig.8

Fig.9

Fig.10

Fig.11

Table 11

Table 12

References 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.

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

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

RichHTML

PDF (PC)

Knowledge

Abstract

Cite this article

share this article

Figures/Tables 23

References 24

Related Articles 15

Recommended Articles

Metrics

Comments

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]	Chao YANG, Zhicheng ZOU, Changchuan XIE, Chao AN, Cunyi HU. Research progress of RBF dynamic mesh technology and its application in aeroelasticity [J]. Acta Aeronautica et Astronautica Sinica, 2025, 46(5): 530945-530945.
[2]	Xianchao MENG, Jun TAO. An airfoil inverse design method based on target testing conditional generative adversarial network [J]. Acta Aeronautica et Astronautica Sinica, 2025, 46(10): 631182-631182.
[3]	Hua YANG, Shusheng CHEN, Zhenghong GAO, Quanfeng JIANG, Wei ZHANG. Rotor aerodynamic data fusion based on Bayesian framework [J]. Acta Aeronautica et Astronautica Sinica, 2024, 45(8): 128960-128960.
[4]	Kuo TIAN, Zhiyong SUN, Zengcong LI. High-precision digital twin method for structural static test monitoring [J]. Acta Aeronautica et Astronautica Sinica, 2024, 45(7): 429134-429134.
[5]	Hailang SONG, Jiandong ZHANG, Guoqing SHI, Qiming YANG, Yaozhong ZHANG. Comprehensive evaluation techniques and methods for flight test of avionics fire control system [J]. Acta Aeronautica et Astronautica Sinica, 2024, 45(5): 529687-529687.
[6]	Fan ZHANG, Wei CONG, Runcao TIAN, Peng WANG. Heterogeneous data fusion and reliability analysis based on two-layer variable weights [J]. Acta Aeronautica et Astronautica Sinica, 2024, 45(22): 230297-230297.
[7]	Tianhe GAO, Kuo TIAN, Lei HUANG, Shu ZHANG, Zengcong LI. Data⁃driven shape⁃topology optimization method for curved shells [J]. Acta Aeronautica et Astronautica Sinica, 2024, 45(2): 428806-428806.
[8]	Kuan LU, Wenping SONG, Hengbo GUO, Kun YE, Yue WANG, Zhonghua HAN. An efficient parallel mesh deformation technique based on spatially-nested radial basis functions [J]. Acta Aeronautica et Astronautica Sinica, 2024, 45(15): 129433-129433.
[9]	Zhaojun GU, Huan ZHAO, Jialiang WANG, Liuyang NIE. Automatic landing method for quad-rotor helicopter based on Markov decision process [J]. Acta Aeronautica et Astronautica Sinica, 2024, 45(15): 329652-329652.
[10]	Huaijie ZHANG, Jingya MA, Haoyuan LIU, Pin GUO, Huichao DENG, Kun XU, Xilun DING. Indoor positioning technology of multi⁃rotor flying robot based on visual-inertial fusion [J]. ACTA AERONAUTICAET ASTRONAUTICA SINICA, 2023, 44(5): 426964-426964.
[11]	Feng JIANG, Huacong LI, Jiangfeng FU, Linxiong HONG. A RBF and active learning combined method for structural non-probabilistic reliability analysis [J]. ACTA AERONAUTICAET ASTRONAUTICA SINICA, 2023, 44(2): 226667-226667.
[12]	WEN Qian, YANG Jiawei, WU Zeping, YANG Xixiang, ZHAO Hailong, WANG Zhixiang. An approximation modeling method of launch vehicles improved by fast cross-validation [J]. ACTA AERONAUTICAET ASTRONAUTICA SINICA, 2022, 43(9): 225967-225967.
[13]	CAO Ming, WANG Peng, ZUO Hongfu, ZENG Haijun, SUN Jianzhong, YANG Weidong, WEI Fang, CHEN Xuefeng. Current status, challenges and opportunities of civil aero-engine diagnostics & health management Ⅱ: Comprehensive off-board diagnosis, life management and intelligent condition based MRO [J]. ACTA AERONAUTICAET ASTRONAUTICA SINICA, 2022, 43(9): 625574-625574.
[14]	LEI Shiying, SUN Jianzhong, LIU He. Cumulative damage index model and service reliability evaluation of turbine blade [J]. ACTA AERONAUTICAET ASTRONAUTICA SINICA, 2022, 43(3): 225064-225064.
[15]	LIU Zhikan, LIU Shenshen, LIU Xiao, ZENG Lei, DAI Guangyue. RBF data transfer based on physical gradient modification [J]. ACTA AERONAUTICAET ASTRONAUTICA SINICA, 2021, 42(7): 124506-124506.