基于机器学习的机翼气动载荷重构及传感器优化布置

风洞实验通过在机翼表面布置传感器来测量相应位置的气动载荷，由于传感器布置数量有限，难以直接得到整个机翼全息气动载荷分布。本文采用机器学习方法通过有限传感器数据重构机翼表面全息气动载荷，并提出了利用仿真数据对传感器进行优化布置的方法。从计算流体力学（Computational fluid dynamics,CFD）计算所得的机翼全息气动数据中选取有限位置数据模拟传感器实验数据，对比深度学习模型、高斯过程回归（Gaussian process regression, GPR）、支持向量回归（Support vector regression, SVR）与BP神经网络（Neural network, NN）对气动载荷的重构精度。通过评估由传感器数据重构的全息载荷精度对传感器布置方式进行优化设计。以M6机翼为例在给定的两个工况条件下验证本文所提出的方法。实验结果表明，GPR模型获得了最高气动载荷重构精度；给出了M6机翼在不同传感器总数下最优的截面数和单个截面布点数，最低传感器布置数下的最优布置方式，以及流场变化相对剧烈的前缘区域与展向截面的传感器布置方式。     

面向异构大数据环境的数据脱敏模型

不同场景下数据类型和脱敏需求的差异，使得传统的数据脱敏方法难以满足大数据背景下的用户隐私保护需求。如何实现异构大数据中敏感信息的精准定向、高效脱敏，从而更好地确保数据安全、可信和可用，是本领域的研究难点。提出了一种在异构大数据环境下，基于文本、图片、音频和数据库等异构数据的脱敏模型，并对4个关键模块进行了描述。通过脱敏数据预处理，实现不同应用场景下敏感数据的自动标注和分级设置。采用数据预脱敏处理方法，并从数据可用性、数据关联性、隐私保护度、时间和空间复杂度等5个维度进行脱敏效果评价，实现定制化脱敏策略。经过脱敏任务调度完成脱敏任务分配和执行，并支持用户对部分脱敏数据恢复。基于提出的异构大数据脱敏模型，对2种典型数据脱敏应用场景进行了验证分析，表明所提模型能够实现不同应用场景下异构敏感数据的高效脱敏。