一种基于深度学习的剪枝集成代理模型建模方法与流程

本发明涉及全地形车架优化，尤其涉及一种基于深度学习的剪枝集成代理模型建模方法。

背景技术：

1、目前在全地形车架优化工程设计优化过程中，通过对工业过程(例如车架疲劳寿命)的数学建模，将性能指标与设计变量关联起来，可以快速的实现对各种不同方案比较，从而选出最优的设计方案。因此建立工业过程的精确数学模型为后续优化工作(可靠性分析、不确定性优化、全局优化以及多目标优化等)的基础。但由于实际过程的非线性和变量之间的强耦合，很难甚至不可能给出工业过程的显式表达式。近年来，随着计算机性能的提升和各种仿真方法的不断革新,将仿真模型直接与优化算法耦合的优化设计方法成为工程优化设计研究的热点。然而仿真模型本身的计算时间较长，在优化过程中经?；岬饔檬偕踔潦е智榭?，导致计算成本过高，效率低下。代理模型是一种相对简单的基于数据驱动的模型，在保证一定精度的前提下，计算量比基于仿真的机理模型少很多，成为解决这一问题的关键技术之一。

2、代理模型主要分为单一代理模型和集成代理模型两种。单一代理模型主要来自九种基础模型：多元线性回归、偏最小二乘回归、主成分回归、回归树、k最近邻回归、随机森林、svr、gpr、ann。受模型训练方式的影响，单一代理模型在不同应用领域上的预测能力往往表现出较大差异，限制了其应用。而集成代理模型可以结合单一代理模型的优势，进而改善预测精度，其应用范围和前景更广，已经在工程实际优化问题中得到了证明。而集成模型的预测还存在两个关键问题，即如何从模型池中选择合适的模型子集，以及如何集成所选择的子模型来生成输出。前者称为集成剪枝，其目的是在基模型较少的情况下，实现与所有候选模型均参与集成的可相比较的甚至更好的预测效果，进而提高计算效率。显然，关于基础模型预测性能的评价标准在剪枝过程中起着核心作用，其决定了是否能够选取“好而不同”的基础模型参与集成。然而现有评价标准大多是基于准确性或多样性的度量。对于后者，称为模型集成，即如何整合基础模型的预测输出来提高预测性能。权重法是使用最广泛的集成策略，但该方法通常较难获取合理的权重系数，导致难以促进基模型之间的协同作用，且泛化性能较差。

3、因此急需提出一种基于深度学习的剪枝集成代理模型建模方法，以平衡预测精度和计算效率。

技术实现思路

1、本发明的目的在于提供一种基于深度学习的剪枝集成代理模型建模方法，实现进而平衡代理模型的精度和效率。

2、为实现上述目的，本发明采用的一种基于深度学习的剪枝集成代理模型建模方法，包括如下步骤：

3、进行高保真样本数据前处理；

4、构建基础模型池；

5、进行基础模型剪枝；

6、集成基础模型；

7、将最终选择的每个基础模型在训练数据集上的预测输出作为gacnn网络的输入，得到最终的预测结果。

8、其中，在进行高保真样本数据前处理的步骤中：

9、对样本数据进行归一化，并划分训练数据、剪枝数据和测试数据。

10、其中，在构建基础模型池的步骤中：

11、用mlr、pls、pcr、tree、knn、rf、svr、gpr、ann九个基础模型对训练数据集进行训练，得到基础模型池。

12、其中，在构建基础模型池的步骤中：

13、采用交叉验证防止过拟合问题，并将原始输入数据转化为元数据，得到基础模型集。

14、其中，在进行基础模型剪枝的步骤中：

15、检验所得基础模型集对剪枝数据集的预测性能，并采用vdiv剪枝评价准则从基础模型中选择排名前j的基础模型。

16、其中，在集成基础模型的步骤中：

17、引入卷积神经网络模型，并采用遗传算法对cnn结构的超参数进行自动寻优，得到将ga算法与cnn训练过程相结合的基于遗传算法优化的卷积神经网络模型，作为第二阶段的元学习器。

18、其中，在将最终选择的每个基础模型在训练数据集上的预测输出作为gacnn网络的输入，得到最终的预测结果的步骤中：

19、初始化cnn和ga参数，包括ga的种群规模、进化代数、交叉变异概率，并将超参数作为ga的种群个体分量，产生随机化初始化种群；

20、以ga中的每个个体为一种cnn结构，随机初始化其权重，然后训练cnn，并以cnn测试误差作为该个体的适应度值，并更新个体；

21、若个体适应度值小于预设误差，则输出个体，即为最终cnn结构。

22、本发明的一种基于深度学习的剪枝集成代理模型建模方法，通过进行高保真样本数据前处理；构建基础模型池；进行基础模型剪枝；集成基础模型；将最终选择的每个基础模型在训练数据集上的预测输出作为gacnn网络的输入，得到最终的预测结果，实现了平衡代理模型的精度和效率。

技术特征：

1.一种基于深度学习的剪枝集成代理模型建模方法，其特征在于，包括如下步骤：

2.如权利要求1所述的基于深度学习的剪枝集成代理模型建模方法，其特征在于，在进行高保真样本数据前处理的步骤中：

3.如权利要求1所述的基于深度学习的剪枝集成代理模型建模方法，其特征在于，在构建基础模型池的步骤中：

4.如权利要求3所述的基于深度学习的剪枝集成代理模型建模方法，其特征在于，在构建基础模型池的步骤中：

5.如权利要求1所述的基于深度学习的剪枝集成代理模型建模方法，其特征在于，在进行基础模型剪枝的步骤中：

6.如权利要求1所述的基于深度学习的剪枝集成代理模型建模方法，其特征在于，在集成基础模型的步骤中：

7.如权利要求1所述的基于深度学习的剪枝集成代理模型建模方法，其特征在于，在将最终选择的每个基础模型在训练数据集上的预测输出作为gacnn网络的输入，得到最终的预测结果的步骤中：

技术总结
本发明涉及全地形车架优化技术领域，具体涉及一种基于深度学习的剪枝集成代理模型建模方法；进行高保真样本数据前处理；构建基础模型池；进行基础模型剪枝；集成基础模型，将最终选择的每个基础模型在训练数据集上的预测输出作为GACNN网络的输入，得到最终的预测结果，通过上述方式，提出一种基于向量相似度的排序剪枝评价标准，实现了平衡代理模型的精度和效率。

技术研发人员：代敏,杨福胜,陈劲,唐雪松,刘曾禹,李浩
受?；さ募际跏褂谜撸?/b>重庆嘉陵全域机动车辆有限公司
技术研发日：
技术公布日：2024/4/8