SVM改进Kriging压气机模型

重构未知转速特性

用支持向量机改进Kriging插值，更准地捕捉压气机特性数据的波动规律。

Chaochao, Guo · 孙有朝 · Yu, Rourou · 彭冲

Aircraft Engineering and Aerospace Technology 2024

参数信息

均方根误差降低量（低速）
0.0153
平均绝对误差降低量（低速）
0.0118
均方根误差降低量（中速）
0.1306
平均绝对误差降低量（中速）
0.0362
均方根误差降低量（高速）
-0.0066
平均绝对误差降低量（高速）
0.2366

技术优势

误差更小

SVM改进Kriging能更准确捕捉压气机数据的波动规律，从而降低重构误差。

避免主观偏差

用SVM模型替代传统Kriging中主观选择的理论变异函数模型，使建模更客观。

应用场景