1.一种基于深度学习的大气数据传感系统解算方法，其特征在于，包括如下步骤：
(1)确定FADS系统测压点分布，获得不同测压孔输入数据，进而建立FADS系统的机理模型；
(2)应用灵敏度的分析策略探讨飞行条件和姿态改变对FADS系统稳定性的影响，简化系统机理模型；
(3)针对有限的实验数据，采样分析得到用于深度学习的训练数据；
(4)采用级联回归结构结合多变量标记分布方法与基于LSTM的自编码网络对系统关键参数进行训练学习，提高系统解算精度；
(5)对FADS系统输出结果进行评估和验证，分别在标称状态下和不确定性严苛状态下进行评估；对FADS系统输出结果进行评估和验证，首先在给定标称状态下，分析FADS系统的输出结果，评估理想状态下结果的有效性，进而在给定工作范围内对输出结果进行分析，最后在不确定的严苛条件下，对输出结果进行分析，采用蒙特卡洛、灰色关联方法，评估所设计结果的有效性，满足实际应用的需要。
2.如权利要求1所述的基于深度学习的大气数据传感系统解算方法，其特征在于，步骤(1)中，确定FADS系统测压点分布，获得不同测压孔输入数据，进而建立FADS系统的机理模型，具体包括如下步骤：
(11)根据FADS系统测压孔布局特点确定用以描述其测压孔特征的几何参数，并分析这些不同测压孔参数的独立性及参数之间存在的约束；不同的测压空位置和形式会影响测量结果的精度及FADS系统的可靠性和稳定性，因此测压孔的布局需要遵循一定的原则；首先根据实际需求确定目标函数，然后数值计算目标函数，最后使用优化方法确定目标函数最小时的测压孔布局，获得不同测压孔输入数据，进而建立FADS系统的机理模型；
(12)表面压力分布模型；在亚音速和超音速情况下，球体表面压力系数分别为
其中：θ为该点的入射角，定义为该点的曲面法线方向与来流速度矢量的夹角；CP为球体表面压力系数；
飞行器为非球体外形，且气体的可压缩性和后体效应对表面压力系数有所影响，假定表面压力系数形式不变，但系数不定，得到FADS系统表面压力系数：
Cp(θ)＝A+Bcos2θ
当θ＝0时，根据动量守恒和能量守恒，A与B要满足如下关系：
其中，qc为动压；p∞为来流的静压；
根据经验确定系数A和B，得
其中，ε称为形压系数，它与马赫数M∞和气流入射角θ有关；
再根据压力系数Cp(θ)的定义，整理得到表面压力系数公式
Cp(θ)＝qc(cos2θ+εsin2θ)+p∞
(12)气流入射角与飞行参数的关系；测压点i处气流入射角θi是该点的曲面法线方向与来流速度矢量的夹角，它是迎角和侧滑角的函数，通过几何方法得到具体的函数系：
其中：φi，λi分别为该点的圆周角和圆锥角；αe，βe分别为当地迎角和当地侧滑角，由于气流流经飞行器时，受到飞行器的影响，使得测压孔处的迎角和侧滑角发生了一个变化，因此，测压孔处测得的迎角和侧滑角是局部迎角；
(13)马赫数与动静压的关系；动静压之比与马赫数之间的关系比较简单，根据普通的一维流体力学关系即可得到；超音速时，根据根据雷利皮托方程，可得到马赫数与动静压之比具有如下关系：
其中，γ为比热容比，由于飞行器表面压力主要是由气流流过时表面的机械特性决定的，受温度影响较小，γ可取为1.4；
(14)形压系数的确定；形压系数ε结合了位流模型和修正的牛顿流模型，是综合考虑气流的压缩效应、气动外形等因素，形压系数ε可以看成是当地迎角αe、当地侧滑角βe和马赫数M∞的函数，即：
ε＝f(αe、βe、M∞)
由于其具体解析式难以得到，通常是通过实验方法确定，常用CFD仿真、风洞实验、飞行测试方法，给出ε随(α、β、M∞)变化图或表；方法如下：
(a)给出一组飞行参数(α、β、M∞)，通过CFD仿真，或风洞实验，或飞行测试，得到飞行器表面的压力分布情况pi；
(b)据压力分布情况计算当地迎角αe和当地侧滑角βe；
(c)计算各测压孔处的气流入射角θi；
(d)计算该组飞行参数(α、β、M∞)对应的形压系数ε。
3.如权利要求1所述的基于深度学习的大气数据传感系统解算方法，其特征在于，步骤(2)中应用灵敏度的分析策略探讨飞行条件和姿态改变对FADS系统稳定性的影响，简化系统机理模型具体包括如下步骤：
(21)采用模态的分析方法，对FADS系统机理模型的特性进行折衷分析，考虑飞行条件和状态变化对动态特性的影响，如测压孔对攻角，侧滑角，总压和动压测量之间的差异；分析在飞行过程中，测压孔对表面压力的灵敏度的变化和对噪声敏感度的变化；
(22)采用莫尔斯灵敏度分析法来简化FADS系统机理模型；莫尔斯灵敏度分析法采用基于一次分析法的随机搜索策略；若系统的输入参数为x∈Rn，消除各参数量的影响，对各参数进行归一化处理使得x中各元素xi均满足xi∈[0,1],i＝1,…,n；系统的输出定义为y＝fm
(x)∈R，则第i个输入因子xi的基本效应定义为：
其中ei为第i个元素为1，其他元素为0的N维向量；Δ为步长；x为参数空间的随机采样，并且保证x+Δei仍在参数空间内；若在参数空间随机采样R个样本点，通过对R个样本点进行一次分析，计算灵敏度，在对这R个灵敏度进行统计学特性分析，计算其均值与标准差：
若灵敏度均值μi显著异于0，则第i个元素对于输出y具有全局影响性；灵敏度标准差σi越大表示第i个元素对于输出有显著的非线性特性，包括高次项及参数之间的交互作用；当分析不同的对象时，由于输出响应量纲的影响，其相应的分界线有所不同，或者可以将输出响应进行无量纲化，进而可以对不同的分析对象，采用相同的分类标准；根据莫尔斯分析法，第i个输入因子的基本效应可以近似的视为系统相应对于第i个输入在给定采样点处的偏导数，μi与σi从统计学的角度，定性的分析影响程度。
4.如权利要求1所述的基于深度学习的大气数据传感系统解算方法，其特征在于，步骤(3)中，针对有限的实验数据，采样分析得到用于深度学习的训练数据具体包括如下步骤：
(31)采用拉丁超方采样方法优选模型数据库中合理的样本点；首先定义抽样数目Ns，分层时将模型数据库均匀分为Ns个子域；在Ns个子域内采样，保证在Ns个子域内都存在样品点，即保证均匀性；将采样结果进行组合，每个子域的样品点随机配对，形成样本；
(32)针对采样出的试验数据，进一步提炼与系统特性相关的重要数据；采用扩展傅里叶幅谱灵敏度分析和蒙特卡罗法估计灵敏度指标，具体步骤如下：傅里叶幅谱灵敏度分析根据采样点建立模型模型f(x1,x2,...,xk),可用合适的转换函数转换为y＝f(s)，对f(s)进行傅里叶变换
其中，Ns为样本数，
傅里叶级数的频谱曲线定义为 则由参数xi输入变化引起的模型结果方差
Vi为：
模型的总方差V分解为
式中Vi为参数xi输入变化单独引起的模型方差，Vij为参数xi通过参数xj作用贡献的耦合方差，Vijm为参数xi通过参数xj，xm作用贡献的方差，则依次类推，Vij…m为参数xi通过xj…m贡献的方差；通过归一化处理参数置的一阶灵敏度指数S定义为
参数xi的总灵敏度STi为
其中，V-i为不包括参数xi的所有参数方差之和；
蒙特卡洛拟合求解法是对样本进行统计来近似模拟多重积分求解，通过对样本进行蒙特卡洛估计得到f0，V，Vi:
其中，Ns为样本个体数，xm表示一组样本中的第m个样本点，x(-i)m表示为第m个样本点中去掉第i个参量后的样本点；上标(1)，(2)用于区别两次抽样的数組，(1)表示为对k个参量抽取Ns为样本个体所产生的第一个样本数组，(2)表示为对相同参量进行第二次样本抽取，得到的第二个Ns×k维的数组； 表征第i个变量的偏方差的估计值；同理，可定义：
则可通过 来近似第i个参量的总敏感性：
(33)采用间隙度量原理评估数据的有效性，依据相似性准则整合的数据，获得用于深度学习的训练数据；间隙度量的计算方法为令 ψ为给定空间中的两个封闭线性子空间，则 ψ的有向间隙为：
其中， 为有向间隙； 为 中的单位球集合，表示为：
在此基础上，两个子空间间隙度量δ的公式为：
将样本数据的线性空间以传递函数H(s)＝C(sE-A)-1B+D的形式化描述，并记为H1，将原始实验数据线性空间的传递函数记为H2，则这两个系统之间的间隙可以利用算子的间隙表示为：
δ(H1,H2)＝max(δ12(H1,H2),δ21(H2,H1))
其中，(M1,N1),(M2,N2)分别表示线性传递函数H1,H2的左互质分解；Q为任意Hilbert矩阵；
根据间隙度量的定义，两个模型之间的间隔δ的取值范围为[0,1]，δ的值越接近于0，则说明两个模型之间的差异越小；δ的值越接近于1，则两个模型之间的差异越大，故当δ接近0时，样本数据可作为深度学习的实验数据。
5.如权利要求1所述的基于深度学习的大气数据传感系统解算方法，其特征在于，步骤(4)中，采用级联回归结构结合多变量标记分布方法与基于LSTM的自编码网络对系统关键参数进行训练学习，提高系统解算精度具体包括如下步骤：
(41)首先融合FADS系统机理模型与有效试验数据，进行数据预处理，对进行数据清洗以消除错误、冗余和数据噪音，通过聚集，删除冗余特征方法进行数据归约以压缩数据，将数据进行归一化；然后基于深度残差网络训练数据提取比较鲁棒的初始化值，深度残差网络采用一个深层的残差学习来解决梯度消失问题，通过“跳跃连接”避免网络学习恒等映射；最后获取一个比较鲁棒的初始化值，使得最终的系统输出结果基本不依赖初值的影响；
(42)采用尺度不变约束均方差作为网络的损失函数，基于深度神经网络的回归模型对系统关键参数进行估计；首先通过全局网络层获得一个较准确的关键参数估计值，设x表示测量值，Z(x)表示关键参数，则该控件的复杂映射为：
F:x→Z(x)
卷积神经网络采用尺度不变均方误差作为其损失函数，如下式所示：
其中，F是复杂映射函数；ai表示激活值；(Wiai-1+bi)表示输出值；o表示激活函数；n表示所估计关键参数的维数；z＝z(x)＝F(x)-Z(x)；
通过全局网络层中的多个卷积神经网络，可以获得多个关键参数估计值；计算这些估计值的平均值，可以得到关键参数初始值Z0，计算如下式所示：
其中，n1为第一个网络层的维数
同时，可以计算这些估计值与真实值的偏差ΔZ＝Z-Z0得到估计偏差，且该偏差将是局部网络层中神经网络的优化目标；
通过全局网络层获得姿态初始值Z0，但Z0并不够准确，需要通过多个局部网络层对该初始值进行一步一步地微调，使其不断地逼近真实值；同全局网络层一样，第一个局部网络层中的每个神经网络采用尺度不变约束均方差作为其损失函数，如下所示：
其中，L1为第一个局部网络层第一个网络的映射函数，对第k个局部网络层，该层中神经网络的损失函数如下所示：
其中，Lk为第k个局部网络层第一个网络的映射函数；通过最后一个局部网络层，可以得到最后一个估计偏差更新量，得到最终的关键参数估计值：
通过全局网络层和局部网络层，可以得到关键参数估计量和关键参数偏差量；对于这些估计量，所提基于尺度不变约束深度神经网络的关键参数估计方法采用多层回归算法对这些估计量进行组合，从而获得最终的关键参数估计值；如下所示：
(43)基于姿态敏感多变量标记分布学习算法对系统关键参数进行估计；通过标准差拟合方法，为不同的输入的测量值找到当前状态下最合适的分布标准差，根据获得的标准差，为训练集中每一个样本重新产生一个对应的标记分布，并由此更新训练集，跟据多变量标记分布学习算法所预测的标记分布获得最终的关键参数估计值；具体地实现过程如下：
给定一个包含输入值和输入值对应关键参数标记的训练集
通过深度神经网络提取特征和多变量标记分布方法产生
标记分布，上述的训练集合变为：T＝{(f1,g1),(f2,g2),...,(fn,gn)}，其中，fi和gi分别表示输入值的特征和输入值对应关键参数的标记分布；对该训练集，首先经过多变量标记分布学习算法获得模型的最优参数Θ*，再把训练集中样本输入到该模型中进行关键参数分布的预测，得到预测值集合 并根据样本的关键参数标签
以及估计值的绝对误差把训练集上的样本通过上述的划分方法划分到不同的子集中R＝{{x1,xq,…},{xw,xr,…},...,{xv,xh,...}}；其次，通过标准差拟合算法，对每一个划分好的子集分别进行标准差拟合，则可以分别获得它们的标准差 然后，根据标
准差拟合算法的结果对训练集中的标签分布进行更新，也即更新训练集
最后，把更新后的训练集再次通过多变量标记分布学习
方法和标准差拟合方法进行迭代，重复上述过程，直到获得预测关键参数的平均绝对误差达到允许的范围内，则终止该过程；
由上述学习过程可知，达到终止条件后，多变量标记分布学习算法获得最优参数 给定输入测试样本 首先通过深度神经网络提取该样本的特征 然后，通过多变量标记分布学习算法预测该样本的标记分布，该输入值对应的关键参数即是分布中最大描述度对应的关键参数标签，可以通过下式获得：
(44)采用回声状态网络和基于LSTM的自编码网络表征FADS系统的特征，结合机理模型的先验知识，构建两阶段回归结构，通过采用级联回归结构对系统关键参数进行训练学习，提高系统解算精度；基于LSTM的自编码网络主要包括两个部分，这两个分别为编码部分和解码部分；其中编码部分主要通过一个多层的LSTM模块把行为序列数据编码成一个固定长度的向量；解码过程则是通过另外一个多层的LSTM模块把上述固定向量还原为序列数据；
这个基于LSTM的自编码网络经过训练后，通过该模型编码器部分把行为序列表征为固定长度的向量，记为G＝(g1,g2,...,gm)，其中，m是样本数；这个向量能够对输入序列数据进行高度抽象地表达，因此，它被称为全局特征；
获得全局特征后，通过k均值聚类对该全局特征进行聚类，根据聚类结果获得样本的粗分类标签集L*，其中粗分类类别数为K1；虽然上述分类只是对样本数据的一个简单的分类，但其反映了相似数据之间的关联性和不相似数据之间的区分性，可以为精确分类提供先验知识；为了充分地利用该先验知识，设置局部加强向量 该向量是一个手动设置参数，设置规则为：若细分类标签落在粗分类标签的某个标签范围内，那么对粗分类中这个分类标签进行加强，反之，不进行加强；然后采用两阶段回归方法进行训练学习；
在回归的第一阶段，即粗分类标签学习阶段，通过第一阶段网络来学习局部行为特征和粗分类标签集之间的复杂关系；设测试行为样本的局部特征为Di，该输入值属于第j个类别的概率为 则目标函数可以表示为
其中，I{·}表示指示函数，即当{·}内部的值为真时，它的函数值为1，否则为0； 为第一阶段神经网元个数；l为细标签集；
第一阶段网络模型训练完成后，对局部特征Di通过前向传播，可以计算对应的隐层激活量fi，该激活量是一个稳定量，是对输入值的一种抽象表征，它反应输入值局部信息和其对应的输入值粗标签之间的复杂非线性关系，是对输入值的一种刻画，记为f＝(f1,f2,...,fn)，称为融合特征；
回归的第二阶段，即细标签分类阶段，根据融合特征f和细标签集l，采用第二阶段网络实现行为的细分类过程，具体要优化的目标函数如下式所示，模型训练完成后，通过计算第二阶段回归模型的Softmx层输出标签，实现对样本行为的细分
类；
其中，K2为细分类类别数；
对测试样本p′，首先通过局部特征表示方法提取行为局部特征D′；接着，通过第一阶段网络计算融合特征f′，最后，通过第二阶段网络对行为进行分类。
6.如权利要求1所述的基于深度学习的大气数据传感系统解算方法，其特征在于，步骤(5)中，对FADS系统输出结果进行评估和验证，分别在标称状态下和不确定性严苛状态下进行评估具体步骤包括：
(51)通过风洞实验，测试标称状态下FADS系统输出和其适用性；当模型竖立的时候，倾角计测量攻角，当模型转过90°的时候，倾角计重新安装以测量侧滑角；在不同的马赫数的测试过程中，作俯仰机动，每增加一定的迎角取一个数据；每增加一定的侧滑角取一个侧滑角数据；
(52)在不确定性严苛状态下测试FADS系统的输出，并将其与标称状态下的系统个输出进行灰色关联度分析，评估所设计结果的有效性；首先将标称状态下的系统输出作为参考数列记为Y＝{Y(k)|k＝1,2,...Nr}，不确定性严苛状态下的系统输出作为比较数列，记为Xi＝{Xi(k)|k＝1,2,...,Nr},i＝1,2,...；接着进行数据的无量纲化处理：
其中k对应时间段，i对应比较数列中的一行(即一个特征)
数据无量纲化后则可以计算关联系数：
记Δi(k)＝|y(k)-xi(k)|，则
其中，ρ∈(0,∞)，称为分辨系数；ρ越小，分辨力越大，一般ρ的取值区间为(0,1)，具体取值可视情况而定；当ρ≤0.5463时，分辨力最好，通常取ρ＝0.5；
为了将数列中各点的关联系数集中为一个值，即求其平均值，作为比较数列与参考数列间关联程度的数量表示，关联度ri公式如下：
根据关联度ri可以判断比较数列与参考数列的关联程度，ri越大，关联程度越高，也就是说系统在不确定性严苛状态下的有效性更好。