Resumen

Teniendo en cuenta la no linealidad, el caos y las muestras pequeñas de datos de parámetros de rendimiento de motores aéreos, se presenta un nuevo modelo de conjunto, denominado modelo de conjunto de máquina de vectores de soporte de mínimos cuadrados (LSSVM) con reconstrucción de espacio de fase (PSR) y optimización de enjambre de partículas (PSO). En primer lugar, para garantizar la diversidad de los miembros individuales, se seleccionan diferentes LSSVM de núcleo único como predictores base, y también emiten los resultados de predicción primaria de forma independiente. A continuación, se integran todos los resultados de predicción primarios para producir los resultados de predicción más adecuados mediante otro LSSVM particular: un LSSVM de núcleo múltiple, que reduce la dependencia de la precisión del modelado de la función y los parámetros del núcleo. Se aplica la teoría de reconstrucción del espacio de fases para extraer la característica caótica de la fuente de datos de entrada y reconstruir la muestra de datos, y se utiliza el algoritmo de optimización del enjambre de partículas para obtener los mejores miembros individuales del LSSVM. Se emplea un estudio de caso para verificar la eficacia del modelo presentado con datos reales de funcionamiento de un motor aeronáutico. Los resultados muestran que la precisión de la predicción del modelo propuesto mejora obviamente en comparación con otros tres modelos.

• Materias:Análisis Matemático Matemáticas Algebra Ingeniería Lógica matemática
• Subjects:Mathematical Analysis mathematics Algebra Engineering Mathematical logic
• Palabras claves:No linealidad; caos; muestra pequeña; parámetros de rendimiento de motores aéreos; modelo de conjunto; modelo de conjunto de máquina de vectores soporte de mínimos cuadrados (LSSVM); reconstrucción del espacio de fases (PSR); optimización de enjambre de partículas (PSO); LSSVM de núcleo único; predictores base; resultados de predicción primaria; LSSVM de núcleo múltiple; precisión del modelo; función de núcleo; parámetros; teoría de reconstrucción del espacio de fases; fuente de datos de entrada; característica caótica; muestra de datos; algoritmo de optimización de enjambre de partículas; miembros individuales de LSSVM; estudio de caso; datos de operación reales; precisión de la predicción.
• Keywords:Nonlinearity; chaos; small-sample; aero engine performance parameters; ensemble model; least squares support vector machine (LSSVM) ensemble model; phase space reconstruction (PSR); particle swarm optimization (PSO); single kernel LSSVMs; base predictors; primary prediction results; multiple kernel LSSVM; modeling accuracy; kernel function; parameters; phase space reconstruction theory; input data source; chaotic characteristic; data sample; particle swarm optimization algorithm; LSSVM individual members; case study; real operation data; prediction accuracy.