修改训练模型参数，适配巡飞弹的新增特征参数

docs/dev/debug.md

@@ -116,7 +116,7 @@ if (typeof response.data.custom_params === 'string') {
 
 4. 调试方法
 
-- 使用日志跟踪数据流
+- 使用日志<EFBFBD><EFBFBD><EFBFBD>踪数据流
 - 检查数据格式和类型
 - 验证每个环节的数据
 
@@ -300,7 +300,7 @@ if (correlationChart.value) {
 
 3. 数据格式问题
 
-- 特征名称需要中文映射
+- 特征名称需<EFBFBD><EFBFBD>中文映射
 - 相关性数据需要保留2位小数
 - 需要正确处理缺失值
 
@@ -373,7 +373,7 @@ correlation_data.append([
 
 ### 问题描述
 
-特征分析<EFBFBD><EFBFBD><EFBFBD>面切换到其他页面后再返回，页面状态（分析结果和图表）会丢失，需要重新分析。
+特征分析页面切换到其他页面后<EFBFBD><EFBFBD><EFBFBD>返回，页面状态（分析结果和图表）会丢失，需要重新分析。
 
 ### 调试步骤
 
@@ -446,7 +446,7 @@ const __name = 'AnalysisPage'
 
 - 使用 Vue3 的新 API
 - 保持配置简单清晰
-- 避免不必要的限制
+- 避免不<EFBFBD><EFBFBD><EFBFBD>要的限制
 
 2. 组件定义
 
@@ -651,3 +651,145 @@ trainingResult.value = null
 - 增加了数据验证步骤
 - 处理了可能的NaN值
 - 确保所有数值都转换为Python原生类型（使用float()）
+
+## 巡飞弹数据整理问题总结
+
+### 1. 最小飞行高度数据问题
+
+#### 问题描述
+
+- 所有巡飞弹的最小飞行高度都被设置为相同值（50米）
+- 在特征相关性分析中，由于数据完全相同，导致该特征与其他特征的相关性无法计算（出现NaN）
+
+#### 解决方案
+
+1. 根据巡飞弹的类型和性能特点，设置不同的最小飞行高度：
+   - 大型巡飞弹（如 HAROP/Harpy、Shahed系列）：150米
+   - 中型巡飞弹（如 Mini Harpy、高端Hero系列）：100米
+   - 中小型巡飞弹（如 Hero-120、Switchblade 600）：80米
+   - 小型巡飞弹（如 Hero-30/70、Switchblade 300）：50米
+   - 超小型巡飞弹（如 Kargu/Alpagu、Rotem系列）：30米
+
+2. 在特征分析中处理常量特征：
+   - 检测标准差为0的特征
+   - 对于常量特征，设置与自身的相关性为1
+   - 与其他特征的相关性设置为0
+   - 添加相应的日志记录和警告信息
+
+### 2. 特征分析图表显示问题
+
+#### 问题描述
+
+1. 特征工程参数分析和发动机性能分析图表中，由于空间限制，x轴上的装备型号名称显示不完整
+2. 相关性热力图单元格高度过小，不易查看
+
+#### 解决方案
+
+1. 图表标签显示优化：
+   - 在 tooltip 中显示完整的装备型号名称
+   - 添加数据点的详细信息显示
+
+   ```javascript
+   tooltip: {
+     formatter: function(params) {
+       const equipmentName = chartData.names[params[0].dataIndex]
+       let result = `${equipmentName}<br/>`
+       params.forEach(param => {
+         result += `${param.seriesName}: ${param.value.toFixed(2)}<br/>`
+       })
+       return result
+     }
+   }
+   ```
+
+2. 热力图显示优化：
+   - 增加图表容器高度：800px
+   - 调整 grid 配置，增加显示区域
+   - 优化标签间距和旋转角度
+
+   ```javascript
+   grid: {
+     height: '75%',
+     top: '10%',
+     bottom: '15%',
+     left: '10%',
+     right: '10%',
+     containLabel: true
+   }
+   ```
+
+### 3. 数据完整性问题
+
+#### 问题描述
+
+部分巡飞弹数据字段存在缺失：
+
+- 宽度、高度：50% 缺失
+- 弹头重量：77.78% 缺失
+- 最大速度：77.78% 缺失
+- 巡航速度：61.11% 缺失
+
+#### 解决方案
+
+1. 数据补充和验证：
+   - 根据装备的物理特性和性能参数推算缺失值
+   - 使用相似型号的数据作为参考
+   - 添加数据验证和完整性检查
+
+2. 特征工程：
+   - 添加新的组合特征：长宽比、重量射程比等
+   - 计算衍生参数：有效载荷、最小作战半径等
+   - 设计评分系统：制导系统评分、战斗部威力评分等
+
+### 4. 数据一致性问题
+
+#### 问题描述
+
+- 不同型号之间的参数单位不统一
+- 部分参数的计算方式不一致
+- 分类特征（如制导系统、战斗部类型）的表述不统一
+
+#### 解决方案
+
+1. 统一数据标准：
+   - 统一使用国际单位制（SI）
+   - 标准化参数计算方法
+   - 规范分类特征的表述方式
+
+2. 添加数据转换和验证：
+
+   ```python
+   # 单位转换
+   l.max_speed_ms = l.max_speed_kmh / 3.6
+   l.engine_thrust_n = l.engine_thrust_kgf * 9.81
+   
+   # 分类特征编码
+   l.guidance_system_code = 
+     CASE 
+       WHEN l.guidance_system = 'GPS/INS' THEN 1
+       WHEN l.guidance_system = 'GPS/INS/光电' THEN 2
+       # ... 其他情况
+     END
+   ```
+
+### 最佳实践建议
+
+1. 数据收集和整理：
+   - 建立完整的数据采集标准
+   - 确保数据的一致性和可比性
+   - 及时记录数据来源和处理方法
+
+2. 特征工程：
+   - 根据领域知识设计特征
+   - 考虑特征之间的关系
+   - 注意特征的可解释性
+
+3. 数据验证：
+   - 实施多层次的数据验证
+   - 添加完整的日志记录
+   - 建立数据质量监控机制
+
+4. 可视化展示：
+   - 确保图表的可读性
+   - 提供详细的数据说明
+   - 支持交互式数据探索

src/model_trainer.py

@@ -436,10 +436,30 @@ class ModelTrainer:
             logger.error(f"Detailed traceback:", exc_info=True)
             return False
 
+    def get_missile_features(self):
+        """获取巡飞弹的特征列表"""
+        return [
+            # 基本参数
+            'length_m', 'width_m', 'height_m', 'weight_kg', 'max_range_km',
+            
+            # 性能参数
+            'wingspan_m', 'warhead_weight_kg', 'max_speed_ms', 'cruise_speed_kmh',
+            'endurance_min', 'payload_weight_kg', 'min_combat_radius_km',
+            
+            # 动力系统参数
+            'engine_power_kw', 'engine_thrust_n',
+            
+            # 制导与控制参数
+            'datalink_range_km', 'guidance_accuracy_m',
+            'min_altitude_m', 'max_altitude_m',
+            
+            # 特征工程参数
+            'length_width_ratio', 'weight_range_ratio', 'speed_weight_ratio',
+            'guidance_system_score', 'warhead_power_score'
+        ]
+
     def predict(self, features):
-        """
+        """使用加载的模型进行预测"""
-        使用加载的模型进行预测
-        """
         try:
             if not self.best_model:
                 raise ValueError("No model loaded")
@@ -454,6 +474,18 @@ class ModelTrainer:
             logger.info(f"Input features shape: {features.shape}")
             logger.info(f"Input features: \n{features}")
             
+            # 获取正确的特征列表
+            if self.equipment_type == '巡飞弹':
+                feature_list = self.get_missile_features()
+                logger.info(f"Using missile features: {feature_list}")
+                
+                # 确保特征顺序一致
+                features_ordered = np.zeros((features.shape[0], len(feature_list)))
+                for i, feature_name in enumerate(feature_list):
+                    if feature_name in features:
+                        features_ordered[:, i] = features[feature_name]
+                features = features_ordered
+            
             # 处理缺失值
             features_filled = np.array(features, dtype=float)
             features_filled[np.isnan(features_filled)] = 0
@@ -471,16 +503,11 @@ class ModelTrainer:
             logger.info(f"Scaled prediction shape: {y_pred_scaled.shape}")
             logger.info(f"Scaled prediction: {y_pred_scaled}")
             
-            # <EFBFBD><EFBFBD>标准化
+            # 反标准化
             y_pred = self.target_scaler.inverse_transform(y_pred_scaled.reshape(-1, 1))
             logger.info(f"Final prediction shape: {y_pred.shape}")
             logger.info(f"Final prediction: {y_pred}")
             
-            # 记录标准化器的参数
-            logger.info("Target scaler params:")
-            logger.info(f"Mean: {self.target_scaler.mean_}")
-            logger.info(f"Scale: {self.target_scaler.scale_}")
-            
             return y_pred.ravel()
             
         except Exception as e:
@@ -496,10 +523,32 @@ class ModelTrainer:
                 return {}
                 
             # 获取特征名称
+            if self.equipment_type == '巡飞弹':
+                feature_names = [
+                    # 基本参数
+                    'length_m', 'width_m', 'height_m', 'weight_kg', 'max_range_km',
+                    
+                    # 性能参数
+                    'wingspan_m', 'warhead_weight_kg', 'max_speed_ms', 'cruise_speed_kmh',
+                    'endurance_min', 'payload_weight_kg', 'min_combat_radius_km',
+                    
+                    # 动力系统参数
+                    'engine_power_kw', 'engine_thrust_n',
+                    
+                    # 制导与控制参数
+                    'datalink_range_km', 'guidance_accuracy_m',
+                    'min_altitude_m', 'max_altitude_m',
+                    
+                    # 特征工程参数
+                    'length_width_ratio', 'weight_range_ratio', 'speed_weight_ratio',
+                    'guidance_system_score', 'warhead_power_score'
+                ]
+            else:
+                # 其他装备类型使用原有的特征获取逻辑
                 feature_analyzer = FeatureAnalysis()
                 feature_names = feature_analyzer.get_equipment_specific_features(self.equipment_type)
             
-            # 获取特<E58F96><E789B9><EFBFBD>重要性
+            # 获取特征重要性
             if hasattr(model, 'feature_importances_'):
                 importances = model.feature_importances_
             elif hasattr(model, 'coef_'):