[发明专利]一种多模型融合的航空电子产品健康评估方法

权利要求书

1.一种多模型融合的航空电子产品健康评估方法，其特征在于，包括以下步骤：

步骤1：采集所述航空电子产品的相关数据；

步骤2：对所述相关数据进行数据预处理；

步骤3：基于第一数据，训练多个基模型；预处理后的数据包括第一数据和第二数据；

步骤4：对所述多个基模型进行量化度量和融合，得到集成模型；

步骤5：将所述第二数据作为测试样本，输入所述集成模型中，得到所述航空电子产品的健康评估结果；

在所述步骤4中：

采用Adaboosting算法对组合策略进行优化，采用线性误差函数对每个基模型进行循环迭代得到一系列弱模型的权重系数；

若集成样本集，基模型数量为；其中，为第个样本的训练数据，为第个样本的标签，为训练样本数量；

所述集成模型的获取过程为：

步骤41：初始化，对目标场景的集成样本集的误差权重进行初始化，初始化公式如下：

(2)

其中，为第个样本对最终误差影响的误差权重，为第个样本对最终误差影响的误差权重；

步骤42：计算基模型误差，根据如下线性损失函数公式，依次计算基模型输出、样本最大误差、第个样本的相对误差、基学习器的预测误差率；

(3)

(4)

(5)

其中，为第个基模型对第个样本的计算结果，为第个基模型的第个样本对最终误差影响的影响权重；

步骤43：计算基模型权重系数，计算公式如下：

(6)

步骤44：更新样本集的误差权重，依次计算泛化因子，样本的新误差权重和样本集的新误差权重，计算公式如下：

(7)

(8)

(9)

其中，为第个样本的新误差权重；

步骤45：循环执行步骤42至步骤44，直到预测误差率为0或基模型数量达到；

步骤46：计算基模型的集成输出,计算公式如下：

(10)

其中，表示所有基模型输出的中位数。

2.根据权利要求1所述的方法，其特征在于，所述相关数据为能够表征航空电子产品健康状态的参数；所述参数包括航空电子产品的工作电压值、电流值、温度值、加载状态、时钟锁定标志、信号幅值；

所述数据预处理包括数据统计和数据优化；所述数据统计的统计值包括平均数、中位数、频繁值；所述数据优化采用的方法包括奇异值剔除、缺失值填充、数据平滑、数据降维。

3.根据权利要求1所述的方法，其特征在于，所述多个基模型包括机器学习模型、无味粒子滤波模型和随机过程模型；其中，所述机器学习模型包括支持向量机、长短期记忆神经网络、深度置信网络。

4.根据权利要求3所述的方法，其特征在于，所述支持向量机的训练规则包括：1）训练集构成：由训练数据和标签组成，训练数据矩阵为[m,n]，m表示样本数目，n表示每个样本的特征；标签矩阵为[m,1],表示m个样本所对应的分类标签值；训练样本量为总样本量的70%；2）测试集构成：数据结构与训练集一致，测试样本量为总样本量的30%；3）模型超参数包括核函数选择、惩罚因子、核函数内核系数。

5.根据权利要求3所述的方法，其特征在于，所述深度置信网络的训练规则包括：1）训练集：由训练样本及预测标签组成，训练样本的特征数是由采集数据的通道数目以及每个通道所需的样本数量决定的；训练数据矩阵为[m,n]，标签矩阵为[m,1]，表示m个样本的预测标签值；训练样本量为总样本量的70%；2）测试集：测试数据矩阵为[o,1]，表示训练样本之后的o个数据；测试样本量为总样本量的30%；3）模型结构参数包括网络层数、各层属性和各层神经元数；4）模型超参数包括训练次数、批训练大小、学习率和激活函数。