一种朴素贝叶斯分类增量学习算法

朴素贝叶斯(Nave Bayes,NB)分类方法是一种简单而有效的概率分类方法,但是贝叶斯算法存在训练集数据不完备这个缺陷。传统的贝叶斯分类方法在有新的训练样本加入时,需要重新学习已经学习过的样本,耗费大量时间。为此引入增量学习算法,算法在已有的分类器的基础上,自主选择学习新的文本来修正分类器。本文给出词频加权朴素贝叶斯分类增量学习算法思想及其具体算法,并对算法给予证明。通过算法分析可知,相比无增量学习的贝叶斯分类,本算法额外的空间复杂度与时间复杂度都在可接受范围。     

基于NACA翼型参数化方法的气动优化设计

采用NACA四位数翼型的中弧线结合厚度分布的参数化表达式获得翼型的设计参数,结合经过标准算例验证的基于SST-kw湍流模型的RANS（雷诺平均N-S方程）计算方法,实现对于翼型的黏性流场分析。采用拉丁超立方法确定DOE（实验设计）中的样本空间,依据约束条件筛选可行解集,使用响应面作为代理模型,采用NLPQL（非线性序列二次规划法）求解代理模型中的最优解,对最优解所在设计点进行单独验证,以此构成翼型的气动优化设计框架。在该框架下针对翼型的特定亚音速工况,开展减阻的优化设计,以翼型最大相对厚度、最大相对弯度以及最大弯度位置作为设计变量,阻力系数作为优化目标函数,并以升力和厚度限制作为气动和几何的约束条件。翼型在设计工况下的阻力系数优化结果与其他文献中的CST（类/形函数转换）参数化方法相比,设计变量更少且优化结果相当,表明该优化设计框架相对高效,具有实用价值。