(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111281334.7 (22)申请日 2021.11.01 (71)申请人 河海大学 地址 210024 江苏省南京市 鼓楼区西康路1 号 (72)发明人 王继民　季昌政　曹颖　 (74)专利代理 机构 南京苏高专利商标事务所 (普通合伙) 32204 代理人 柏尚春 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 3/12(2006.01) (54)发明名称 一种基于多源数据融合的侵彻深度预测方 法 (57)摘要 本发明公开了一种基于多源数据融合的侵 彻深度预测方法， 首先， 划分对工程算法进行评 价的评价区间； 在每个评价区间， 为每个不同评 价区间选 择若干较优的工程算法； 采用选取的工 程算法进行批量样本计算， 得到工程计算仿真数 据； 然后， 采用试验数据， 建立基于GA ‑BP神经网 络的无量纲 侵彻深度预测模型BP_exp； 采用所有 的工程计算仿真数据， 建立基于GA_BP神经网络 的无量纲 侵彻深度预测模型BP_cand； 最后， 采用 注意力机制对BP_ exp和BP_cand模型输出进行加 权融合， 最终产生无量纲侵彻深度预测输出。 本 发明保证了数据具有一定的准确性， 同时通过大 量工程计算仿真数据避免了实验数据缺少对深 度学习模型的影 响， 产生能够超 出已有工程算法 准确度的预测模型。 权利要求书3页 说明书9页 附图1页 CN 114004153 A 2022.02.01 CN 114004153 A 1.一种基于多源数据融合的侵彻深度预测方法， 其特 征在于， 包括如下步骤： (1)根据领域专 家知识及试验数据聚类， 划分对工程 算法评价的评价区间； (2)为每个评价区间选择计算精度较优的工程算法， 如果该评价区间没有试验数据， 则 根据领域专家知识选择计算精度较优的工程算法； 如果有试验数据， 则基于试验数据对工 程算法进行性能分析， 为选择计算精度较优的工程 算法； (3)在每个评价区间内， 采用选取的工程算法进行批量样本计算， 得到工程计算仿真数 据； (4)采用试验数据， 建立基于GA_BP神经网络的无量纲侵彻深度预测模型BP_exp， 网络 结构采用BP神经网络， 利用遗传算法对网络结构的超参数进行优化； (5)采用工程计算仿真数据， 建立基于GA_BP神经网络的无量纲侵彻深度预测模型BP_ cand； (6)采用注意力机制对BP_exp和BP_cand模型输出进行加权融合， 产生GA_Atten_BP_ Fusion模型， 利用该模型最终产生无量纲侵彻深度预测输出。 2.根据权利要求1所述的基于多源数据融合的侵彻深度预测方法， 其特征在于， 步骤 (1)所述的根据领域专家知识划分评价区间时， 由专家给出确定主要的区间划分参数， 并给 出参数的分段， 然后将不同参数 的分段组合构成评价区间； 根据试验数据聚类进行评价区 间划分时， 首先计算特征和无量纲侵彻深度之 间的相关系数， 选择相关系数最高的前k个特 征量对试验数据聚类， 由专 家对聚出的类范围进行评估或者 微调， 最终确定 评价区间。 3.根据权利要求1所述的基于多源数据融合的侵彻深度预测方法， 其特征在于， 所述步 骤(2)的根据试验数据对算法评价的实现过程如下： 针对评价区间R,提取评价区间R内的试验数据构成试验样本集SR， 假设为R选择g个待评 价工程算法 a1、 a2、…、 ag， 利用SR和a1、 a2、…、 ag计算无量纲侵彻深度， 并与实际值进行比较， 计算算法精度； 采用平均绝对百分比误差 MAPE作为工程 算法计算精度的评价标准： 其中， yi为真实无量纲侵彻深度值， pi为计算的无量纲侵彻深度值,n为该评价区间内样 本总量； 假设MAPE1、 MAPE2、…、 MAPEg分别表示工程算法a1、 a2、…、 ag在所分析参数区间的平均绝 对百分比误差， 将MAPEi(i＝1,…,g),按照从低到高排序， 取前k个误差对应的算法作为该 参数区间的较优的算法。 4.根据权利要求1所述的基于多源数据融合的侵彻深度预测方法， 其特征在于， 所述步 骤(3)实现过程如下： 将工程算法计算所需要的参数在评价区间其范围内进行离散化， 然后进行组合， 构成 大量的输入向量， 然后采用该评价区间的工程算法进 行计算， 得到工程计算仿真数据； 假设 当前算法需要m个输入参数， 每个参数离散化取值分别为p1,p2,…,pm种， 那么所有的组合为 种， 即当前评价区间中， 一个工程算法的批量计算可以产生 个仿真数据； 对于 实数取值的参数， 确定参数 的最大值和 最小值以及变化步长， 就可以离散出该参数所有的 可能取值； 对枚举 类型的参数， 可枚举的取值确定 了该参数的可能取值。 5.根据权利要求1所述的基于多源数据融合的侵彻深度预测方法， 其特征在于， 所述步权　利　要　求　书 1/3 页 2 CN 114004153 A 2骤(4)包括以下步骤： (41)构造GA ‑BP神经网络数据 集， 工程计算仿真数据集按照矩阵形式构造， 具体格式如 下： 其中， 最后一列为模型输出， 即无量纲侵彻深度， 其他列为模型的输入， n为数据数量； 对输入矩阵进行归一 化， 将原始的输入矩阵的每列变换到[0,1]区间内； (42)确定GA_BP神经网络模型的输入特征向量， 输出为无量纲侵彻深度， 并且统一采用 国际单位； (43)BP神经网络的染色体编码及 初始种群生成： 根据式(3)确定隐含层数量H， 由遗传算法来确定各隐含层的节点数以及超参数Batch_ size和Epoc h， 以保证网络的性能最优： H＝log2m         (3) 其中， H代表隐含层的数量， m代表输入层的节点数， 每层隐含层中所含的神经元个数通 过遗传算法决定； GA_BP神经网络中待编码的参数共H+2个， 即包含H+2个种群， 并设每个种群中包含r个 个体； 确定染色体构成后， 对初始种群进行编码， 并开始不断迭代、 进化， 直到达到预设迭代 次数t后， 算法停止， 输出t代种群中的最优解； 初始化方式为对初始种群进行随机编码， 即 初始种群中的r个 个体的每个基因位均由0或1随机构成； (44)GA_BP神经网络的适应度函数设计： 第i个体的适应度fi定义为个体对应的神经网络解在测试集上的误差er ri与1的差值： fi＝1‑erri       (4) (45)GA‑BP神经网络的遗传操作： 采用自适应的遗传算法进行遗传操作： 通过每轮的个体的适应度来动态确定每个个体 的变异概率和交叉概率； 当个体的适应度越低时， 该个体需要提高交叉和变异的概率， 进 行 更新产生后代； 当个 体的适应度越高时， 该个 体需要降低交叉和变异的概 率， 加以保留。 6.根据权利要求1所述的基于多源数据融合的侵彻深度预测方法， 其特征在于， 所述步 骤(6)实现过程如下： (61)GA_Atten_BP_Fusion的输入Input  Features为2维特征向量， 由BP_exp神经网络 模型和BP_cand神经网络模型输出的无量纲侵彻深度经 过向量拼接而成； (62)注意力机制包含全连接层和 Softmax层， 全连接层后得到对应的注意力权重分布， Softmax层公式表示如下： Attn(Input Features)＝Softmax(MLP(I nput Features)        (5) 其中， MLP代表全连接层的多层感知机； 经过Softmax归一化操作后， 样本的注意力权重 满足：权　利　要　求　书 2/3 页 3 CN 114004153 A 3