面向飞行试验认知不确定性的气动数据融合方法

在飞机设计领域中,不同的气动数据获取手段各有利弊,仅靠单一手段难以精确预测飞机的气动特性。因此,在实际工程应用中通常需要融合多种来源的数据,以获得更为准确和全面的气动特性描述。针对这一需求,以典型喷气式飞机为例,采用真实飞行数据、模拟飞行数据以及计算流体力学(CFD)仿真数据,结合深度神经网络,提出了一种认知不确定性的气动数据双层深度证据融合算法。该算法通过引入两种标准的置信分配方法,并将深度神经网络的输出与变分狄利克雷分布参数相结合,来表达和量化模型融合过程中的认知不确定性,并借助Dempster-Shafer理论有效地融合不同来源的数据及其不确定性。研究结果表明,该算法有效地融合了多源气动数据,所得结果不仅更加符合物理规律,而且提供了更高精度和更全面的气动数据,相比于单一数据源具有明显优势。