技术特征：
1.一种基于机器学习的汽车发动机罩力学性能快速评估方法，其特征在于其特征在于，该方法包括：步骤1，基于原始数据集和多个初始算法模型，进行多次训练和测试，提取多个所述初始算法模型的初始特征向量和对应的预测数据集；步骤2，根据所述初始特征向量和所述预测数据集，计算生成中间训练数据集；步骤3，根据所述原始数据集的初始中心点集合与预设条件函数，计算所述预设条件函数收敛时所述初始中心点集合对应的所述终止中心点集合；步骤4，根据所述终止中心点集合和所述中间训练数据集，生成训练数据集；步骤5，根据所述训练数据集，计算目标函数取值最小时对应的混合智能模型，其中，所述混合智能模型用于进行汽车发动机罩力学性能快速评估。2.如权利要求1所述的基于机器学习的汽车发动机罩力学性能快速评估方法，其特征在于，所述步骤2中，所述根据所述初始特征向量和所述预测数据集，计算生成中间训练数据集，具体包括：步骤21，计算每一次训练和测试对应的所述预测数据集的预测均值以及所述预测均值中的最大值；步骤22，基于所述初始特征向量、所述初始特征向量中的最大值、所述预测数据集以及所述预测均值中的最大值，计算生成所述中间训练数据集。3.如权利要求1或2所述的基于机器学习的汽车发动机罩力学性能快速评估方法，其特征在于，所述步骤2中，所述中间训练数据集d
new(n
×
k)
对应的计算公式为：s
m
＝max{r
ij
}式中，d
new(n
×
k)
为所述中间训练数据集，s
m
为所述初始特征向量{r
ij
}中的最大值，为所述预测数据集{pred
ij
}的预测均值，v
m
为所述预测数据集中预测均值的最大值，r
ij
为所述特征向量{r
ij
}中第i行第j列的元素。4.如权利要求1或3所述的基于机器学习的汽车发动机罩力学性能快速评估方法，其特征在于，所述步骤3中，具体包括：步骤31，采用聚类算法，确定所述原始数据集的初始中心点集合；步骤32，根据所述初始中心点集合，确定所述原始数据集中每一个训练数据的所属类别；步骤33，根据所述初始中心点集合和所述所属类别，采用迭代的方式，计算所述预设条件函数收敛时所述初始中心点集合对应的终止中心点集合。5.如权利要求4所述的基于机器学习的汽车发动机罩力学性能快速评估方法，其特征在于，所述步骤33中，所述终止中心点集合{e}
new
由多个中心点μ
e
组成，所述终止中心点集合{e}
new
中心点μ
e
的计算公式为：
式中，m为训练数据x
m
的编号，m＝1,2,
…
,m，c
m
为所属类别，j(c,μ)为所述预设条件函数。6.如权利要求1至5中任一项所述的基于机器学习的汽车发动机罩力学性能快速评估方法，其特征在于，所述步骤5之前，还包括：将所述训练数据集x在表达方式上进行转换，依次提取所述终止中心点集合{e}
new
和所述中间训练数据集d
new(n
×
k)
中对应位置的元素，组成数组形式，将所述训练数据集x转换为：所述混合智能模型的计算公式为：所述混合智能模型的计算公式为：所述混合智能模型的计算公式为：式中，为所述混合智能模型的预测值，j(ω)为所述目标函数，ω为预设常数。7.如权利要求1至5中任一项所述的基于机器学习的汽车发动机罩力学性能快速评估方法，其特征在于，所述初始特征向量至少包括一阶模态特征向量和扭转刚度特征向量。
技术总结
本申请公开了一种基于机器学习的汽车发动机罩力学性能快速评估方法，该方法包括：基于原始数据集和多个初始算法模型，进行多次训练和测试，提取多个初始算法模型的初始特征向量和对应的预测数据集；根据初始特征向量和预测数据集，计算生成中间训练数据集；根据原始数据集的初始中心点集合与预设条件函数，计算预设条件函数收敛时初始中心点集合对应的终止中心点集合；根据终止中心点集合和中间训练数据集，生成训练数据集；根据训练数据集，计算目标函数取值最小时对应的混合智能模型，其中，混合智能模型用于进行汽车发动机罩力学性能快速评估。通过本申请中的技术方案，解决发动机罩的研发周期较长以及预测精度、稳定性偏低的问题。低的问题。低的问题。
技术研发人员：张承霖 陈少伟 杨昊
受保护的技术使用者：湖南湖大艾盛汽车技术开发有限公司
技术研发日：2021.11.11
技术公布日：2022/1/11