(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110291867.7 (22)申请日 2021.03.18 (65)同一申请的已公布的文献号 申请公布号 CN 113032902 A (43)申请公布日 2021.06.25 (73)专利权人 中南大学 地址 410000 湖南省长 沙市岳麓区麓山 南 路932号 (72)发明人 张洁　苏新超　张凤羽　熊小慧　 何侃　韩帅　 (74)专利代理 机构 长沙轩荣专利代理有限公司 43235 专利代理师 李崇章 (51)Int.Cl. G06F 30/15(2020.01)G06F 30/27(2020.01) G06N 3/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/00(2019.01) 审查员 许莎莎 (54)发明名称 一种基于机器学习优化的高速列车气动头 部外形设计方法 (57)摘要 本发明涉及高速列车头部外形设计领域， 具 体涉及一种基于机器学习优化的高速列车气动 头部外形设计方法。 包括： 获取高速列车气动性 能数据和外形设计参数变量作 样本数据； 采用基 于皮尔森相关系数的聚类方法和最大互信息系 数获取参数变量之间的关联程度， 并筛选优化参 数； 将样本数据随机拆分为训练集和测试集； 采 用蜻蜓算法对神经网络模型进行训练， 获得第一 气动性能预测模型； 获取预设预测精度， 进行测 试获得测试预测精度； 比较两种精度值获得终气 动性能预测模 型； 设定多个参数变量的数值范围 和允许的最小改变量， 通过 终气动性能预测模型 采用蜻蜓优化算法获取所述参数变量的最优值， 该方案可以在短时间内产生最优决策， 且具有良 好的扩展性。 权利要求书2页 说明书8页 附图5页 CN 113032902 B 2022.06.17 CN 113032902 B 1.一种基于 机器学习优化的高速列车气动头 部外形设计方法， 其特 征在于， 具体包括： S1:获取高速列车气动性能数据和列车头 部外形设计参数变量作为样本数据； S2:根据所述样本数据， 采用基于皮尔森相关系数的聚类方法和最大互信息系数获取 样本数据中各参数变量之间的关联程度， 并筛 选多个参数变量作为优化 参数； S3:将包含所述优化 参数的样本数据进行随机拆分， 获得训练集和 测试集； S4:将训练集作为输入样本， 采用蜻蜓算法对神经网络模型进行训练， 获得第一气动性 能预测模型； S5:获取预设预测精度， 将所述测试集输入所述第一气动性能预测模型进行预测， 获取 测试预测精度； 比较预设预测精度和 测试预测精度， 获得终气动性能预测模型； S6:设定所述多个参数变量的数值范围和允许的最小改变量作为参数优化输入， 通过 终气动性能预测模型采用蜻蜓优化 算法获取 所述参数变量的最优值。 2.根据权利要求1所述的基于机器学习优化的高速列车气动头部外形设计方法， 其特 征在于， 所述 步骤S2具体包括： 计算各输入参数变量之间的皮尔森相关系数， 将所述皮尔森相关系数超过设定阈值对 应的参数划归为相同类； 计算每个类内的各参数变量与所述气动 性能数据的最大互信 息系数并取均值， 作为类 与气动性能结果相关程度的度量， 选择与结果相关程度最高的类； 从所述被选择的多个类中， 选择与 所述气动 性能数据的最大互信 息系数最高的参数变 量作为最优参数变量。 3.根据权利要求1所述的基于机器学习优化的高速列车气动头部外形设计方法， 其特 征在于， 所述 步骤S3中， 训练集和 测试集的样本数量的比值 为4:1。 4.根据权利要求1所述的基于机器学习优化的高速列车气动头部外形设计方法， 其特 征在于， 所述 步骤S4具体包括： 根据经验公式 a＝1～10， n、 m分别为输入、 输出神经元个数， 确定神 经网络模型的隐含层节点数n1的范围； 将神经网络超参数映射为整型向量作为蜻蜓算法的解向量， 将所述解向量作为评价函 数输入， 并将解向量逆映射 为神经网络的超参数创建训练神经网络； 将训练集样本 输入所述训练神经网络进行训练， 获得第一气动性能预测模型。 5.根据权利要求1所述的基于机器学习优化的高速列车气动头部外形设计方法， 其特 征在于， 所述测试 预测精度具体为： 将测试集输入至第一气动性能预测模型进行测试， 获得测试集决定系数， 所述测试集 决定系数相反数即为测试 预测精度。 6.根据权利要求4所述的基于机器学习优化的高速列车气动头部外形设计方法， 其特 征在于， 所述比较预设预测精度和 测试预测精度， 获得终气动性能预测模型步骤具体包括： 当测试预测精度>预设预测精度时， 所述第一气动性能预测模型即为终气动性能预测 模型； 当测试预测精度<预设预测精度时， 调整训练样本， 进行训练并测试， 获得终气动性能 预测模型。权　利　要　求　书 1/2 页 2 CN 113032902 B 27.根据权利要求6所述的基于机器学习优化的高速列车气动头部外形设计方法， 其特 征在于， 所述当测试预测精度<预设预测精度时， 调整训练样 本， 进行训练并测试， 获得终气 动性能预测模型步骤， 具体包括： 当测试预测精度<预设预测精度时， 获取训练集样本参数变量和气动性能数据， 根据 所 述参数变量和对应的气动性能数据分布， 去除最大离群值对应的样本， 获得调整训练集样 本； 将所述调整训练集样本输入所述训练神经网络进行训练， 获得第二气动性能预测模 型， 并将测试集输入进行测试， 直至满足预设测试精度。 8.根据权利要求1所述的基于机器学习优化的高速列车气动头部外形设计方法， 其特 征在于， 所述 步骤S6具体包括： 设定优化参数变量的数值范围和允许的最小改变量， 作为蜻蜓优化算法解向量的上下 界和最小距离变化向量； 初始化蜻蜓优化算法， 采用终气动性能预测模型进行迭代优化至预设的迭代次数， 获 得高速列车气动性能最优的优化 参数变量 值。权　利　要　求　书 2/2 页 3 CN 113032902 B 3