六、結(jié)論 利用參數(shù)化降維方法允許用戶在設(shè)計(jì)階段選擇更多的設(shè)計(jì)變量，并在優(yōu)化階段通過降維減少設(shè)計(jì)變量的個(gè)數(shù)，有效降低優(yōu)化成本，減少優(yōu)化項(xiàng)目的時(shí)間，并取得更好的優(yōu)化效果。具體比較見下表： 注：采用CFD軟件為SHIPFLOW 7. 1 。單個(gè)算例仿真時(shí)長(zhǎng)為40分鐘。

提出了一種自適應(yīng)的基于特征選擇的高維參數(shù)降維方法，使得樣本量降低一個(gè)數(shù)量級(jí)，大大提高了不確定性量化評(píng)估在工程實(shí)踐中可行性，首次在多級(jí)壓氣機(jī)中開展高維度的影響評(píng)估。 ▌ 基于Cadence三維氣動(dòng)計(jì)算的渦輪冷卻器軸向力研究（北京） 主講：在分析動(dòng)壓懸浮空氣循環(huán)機(jī)軸向力產(chǎn)生原因基礎(chǔ)上，分別采用數(shù)值計(jì)算方法與理論公式計(jì)算法對(duì)其軸向力進(jìn)行計(jì)算。

卷積神經(jīng)網(wǎng)絡(luò) – CNN 解決的第一個(gè)問題就是“將復(fù)雜問題簡(jiǎn)化”，把大量參數(shù)降維成少量參數(shù)，再做處理。 他能夠有效的將大數(shù)據(jù)量的圖片降維成小數(shù)據(jù)量，有效的保留圖片特征，符合圖片處理的原則， 更重要的是：我們?cè)诖蟛糠謭?chǎng)景下，降維并不會(huì)影響結(jié)果。

（2）參數(shù)化建模： 基于拓?fù)鋬?yōu)化的結(jié)果建立參數(shù)化CAD模型； （3）參數(shù)優(yōu)化： 利用參數(shù)優(yōu)化軟件optiSLang對(duì)拓?fù)鋬?yōu)化后的參數(shù)化進(jìn)行敏感性分析，獲得了對(duì)響應(yīng)（即：骨架質(zhì)量和豎向一階共振頻率）影響較大的參數(shù)，而過濾掉那些對(duì)響應(yīng)影響很小的參數(shù)，從而實(shí)現(xiàn)參數(shù)空間降維

optiSLang通過敏感性分析找到重要參數(shù)，并自動(dòng)過濾不重要參數(shù)，實(shí)現(xiàn)參數(shù)降維，減少計(jì)算量。 提供了具有自主學(xué)習(xí)功能的AMOP技術(shù)，可以在關(guān)鍵位置進(jìn)行自動(dòng)加密采樣；也可以通過局部精度控制進(jìn)行自主局部判斷和加密采樣處理。

DOE輸出的仿真結(jié)果曲線 optiSLang通過敏感性分析找到重要參數(shù)，并自動(dòng)過濾不重要參數(shù)，實(shí)現(xiàn)參數(shù)降維，減少計(jì)算量。通過一個(gè)預(yù)測(cè)質(zhì)量的關(guān)鍵指標(biāo)預(yù)測(cè)系數(shù)（CoP - Coefficient of Prognosis）來評(píng)估對(duì)實(shí)際模型的預(yù)測(cè)質(zhì)量，為后續(xù)設(shè)計(jì)提供最佳預(yù)測(cè)元模型（MoP- Metamodel of Optimal）。

optiSLang通過敏感性分析找到重要參數(shù)，并自動(dòng)過濾不重要參數(shù)，實(shí)現(xiàn)參數(shù)降維，減少計(jì)算量。 提供了具有自主學(xué)習(xí)功能的AMOP技術(shù)，可以在關(guān)鍵位置進(jìn)行自動(dòng)加密采樣；也可以通過局部精度控制進(jìn)行自主局部判斷和加密采樣處理。