CN108399272A - 人工智能程序员书写数字飞行器代码的神经网络决策方法 - Google Patents
人工智能程序员书写数字飞行器代码的神经网络决策方法 Download PDFInfo
- Publication number
- CN108399272A CN108399272A CN201810036664.1A CN201810036664A CN108399272A CN 108399272 A CN108399272 A CN 108399272A CN 201810036664 A CN201810036664 A CN 201810036664A CN 108399272 A CN108399272 A CN 108399272A
- Authority
- CN
- China
- Prior art keywords
- decision
- neural network
- vector
- aircraft
- step length
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/30—Creation or generation of source code
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开提供了一种人工智能程序员书写数字飞行器代码的神经网络决策方法,使用人工智能程序员来替代人书写数字飞行器源代码,具体通过对目标样本集与飞行器部件模型零件仿真步长向量决策集建立对应关系,并进行神经网络训练,获得决策零件仿真步长向量;可以根据任务要求自主编写数字飞行器源代码,并且自主决策源代码书写中代码的编写、飞行器模型中模块的内部仿真步长设计等问题,将人从繁重的数字飞行器源代码编写过程中解放出来。本发明合理地完成数字飞行器源代码的自主决策,实现了数字飞行器源代码书写的自动化与智能化,降低了飞行器的仿真成本。
Description
技术领域
本发明涉及飞行器设计领域,更具体的说是涉及一种人工智能程序员书写数字飞行器代码的神经网络决策方法。
背景技术
飞行器设计与研制过程中,为了保证飞行器最终应用的高可靠性,在设计中需要大量采用现有设计的主流方法,并且需要进行仿真验证与地面试验。其中有一些地面试验不能完全的反映飞行器真实在轨工作状况,而且成本高昂,因此受到了限制。
数字飞行器仿真验证没有环境条件的限制,而且只要模型建立足够精确,就能够较好的模拟出飞行器的工作状况,因此仿真验证方法在飞行器设计中得到了广泛的应用,并且飞行器数值仿真已经用于飞行器设计的验证。
在数字飞行器搭建的过程中,需要编写大量的源代码,工作量大。目前基本依靠人来完成源代码中一系列问题的决策。人工编写代码费时费力,使用人工智能程序员来替代人书写数字飞行器源代码,可以根据飞行器的具体设计情况,自主编写飞行器仿真模型的源代码,并对模型中模块的选择进行决策,将人从繁重的数字飞行器源代码编写过程中解放出来。
神经网络是一种分布式并行处理信息的算法数学模型,分为BP神经网络、RBF神经网络等多个种类。依据节点的连接关系及其权值,训练好的神经网络能够对高维空间中的映射关系进行拟合,用简单的形式表达复杂的函数关系。神经网络具有很强的拟合能力与较快的运算速度,基于深度学习的AlphaGo已经在围棋领域取得了成功。神经网络在训练时能够将样本的信息存储在网络中,训练好的网络在接近但非样本输入的情况下能够计算出合适的输出值,所以神经网络具有依据已有样本进行决策的能力。
因此,如何提供一种利用人工智能程序员自主书写数字飞行器源代码的神经网络决策方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种人工智能程序员书写数字飞行器代码的神经网络决策方法,该方法使用计算机进行数字飞行器源代码书写,人工智能程序员对书写过程中遇到的变量类型选择,算法选择,飞行器模型中模块的内部仿真步长设计等问题,依据训练得到的神经网络进行自主决策,提高了编写效率,降低了飞行器仿真成本。
为了达到上述目的,本发明采用如下技术方案:
一种人工智能程序员书写数字飞行器代码的神经网络决策方法,所述方法包括以下步骤:
步骤一,收集数字飞行器的目标样本,目标样本包括目标元素集和飞行器部件模型零件仿真步长向量决策集;将目标元素集中的每个目标元素和飞行器部件模型零件仿真步长向量决策集中的每个目标元素一一对应存储至目标样本数据库;
步骤二,提取步骤一中目标元素集中每个目标元素的特征向量和飞行器部件模型零件仿真步长向量;
步骤三,将步骤二中的特征向量归一化,得到神经网络训练输入向量;
步骤四,将步骤二中的飞行器部件模型零件仿真步长向量归一化,得到神经网络训练输出向量;
步骤五,训练神经网络;
步骤六,获取待决策目标,提取待决策特征向量并进行归一化;
步骤七,将待决策特征向量作为决策输入向量,运行步骤五中训练好的神经网络,获得决策输出向量;
步骤八,将决策输出向量进行反归一化,得到决策零件仿真步长向量。
优选的,在上述人工智能程序员书写数字飞行器代码的神经网络决策方法中,所述步骤一具体包括,
(1)收集目标样本的方法包括计算机自动收集与人工收集;
(2)将目标元素集中的目标元素和飞行器部件模型零件仿真步长向量决策集中的飞行器部件模型零件仿真步长向量一一对应匹配,存储至计算机文件中,所述存储方式包括但不限于数据库文件,Excel文件,文本文件;所述目标元素和飞行器部件模型零件仿真步长向量均为若干个。
优选的,在上述人工智能程序员书写数字飞行器代码的神经网络决策方法中,在所述步骤二中,
所述目标元素包括若干数据对象,特征向量由若干个所述数据对象的属性值构成。
优选的,在上述人工智能程序员书写数字飞行器代码的神经网络决策方法中,所述步骤三具体包括,
样本i的目标元素的特征向量记作:
Si=(ai,Mi,Jix,Jiy,Jiz,fi,Pi,Ki),i=1...N
其中,飞行器轨道半长轴为ai,飞行器总质量为Mi,飞行器三轴转动惯量分别为Jix、Jiy、Jiz,太阳帆板一阶振动频率fi,飞行器能提供给控制力矩陀螺的最大电功率为Pi,控制力矩陀螺构型为Ki;
将特征向量中每个元素分别归一化,得到神经网络训练输入向量记作Sini,
Sini=(a′i,M′i,J′ix,J′iy,J′iz,f′i,P′i,K′i),i=1...N。
优选的,在上述人工智能程序员书写数字飞行器代码的神经网络决策方法中,所述步骤四具体包括,
样本i的零件仿真步长向量记作:
Ti=(tai,tbi,tci,tdi),i=1...N
其中,tai为控制力矩陀螺中的框架无刷电机的仿真步长,tbi为转子无刷电机的仿真步长设置,tci为框架轴承的仿真步长,tdi为转子轴承的仿真步长;
将零件仿真步长向量中每个元素分别归一化,得到神经网络训练输出向量记作
Tout i =(t′ai,t′bi,t′ci,t′di),i=1...N
优选的,在上述人工智能程序员书写数字飞行器代码的神经网络决策方法中,所述步骤五中,将步骤三得到的神经网络训练输入向量与步骤四得到的神经网络训练输出向量作为一个完整的神经网络训练样本训练神经网络;所述神经网络训练样本分成两部分,一部分是用于训练的训练集,另一部分是用于测试的测试集;其中测试集的选取方法包括但不限于均匀选取法,随机选取法。
优选的,在上述人工智能程序员书写数字飞行器代码的神经网络决策方法中,在使用测试集测试神经网络的过程中,根据测试集的测试结果利用优化算法优化神经网络的训练参数,直至神经网络的均方拟合误差取最小值;其中优化算法包括但不限于粒子群算法、遗传算法。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种人工智能程序员书写数字飞行器代码的神经网络决策方法,使用人工智能程序员来替代人书写数字飞行器源代码可以根据任务要求自主编写数字飞行器源代码,并且自主决策源代码书写中代码的编写、飞行器模型中模块的内部仿真步长设计等问题,将人从繁重的数字飞行器源代码编写过程中解放出来。本发明利用神经网络强大的非线性拟合能力,在训练神经网络时将样本信息存储在网络中,在应用时向神经网络输入决策所需的信息,运行神经网络后即能输出决策,使决策过程具有了快速性与自主性。
具体而言,本发明利用目标样本集与飞行器部件模型零件仿真步长向量决策集建立对应关系,并进行神经网络训练,获得决策零件仿真步长向量;合理地完成数字飞行器源代码的自主决策,实现了数字飞行器源代码书写的自动化与智能化,降低了飞行器的仿真成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1附图为本发明训练神经网络的流程示意图;
图2附图为本发明人工智能程序员书写数字飞行器代码的神经网络决策方法的整体流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供了一种人工智能程序员书写数字飞行器代码的神经网络决策方法,本发明克服现有技术的不足,使用人工智能程序员替代人进行数字飞行器源代码书写,对书写过程中遇到的代码的编写、飞行器模型中模块的内部仿真步长设计等问题,可以依据之前通过训练得到的神经网络进行自主决策,提高了编写效率,降低了飞行器仿真成本
请参阅图1,图1为本发明训练神经网络的流程示意图。在此基础上,图2给出了人工智能程序员书写数字飞行器代码的神经网络决策方法的整体流程示意图。本发明人工智能程序员书写数字飞行器代码的神经网络决策方法具体包括以下步骤:
步骤S101:收集数字飞行器的目标样本,目标样本包括目标元素集和飞行器部件模型零件仿真步长向量决策集;将目标元素集和飞行器部件模型零件仿真步长向量决策集一一对应存储至目标样本数据库;
具体执行方法:
(1)收集目标样本的方法包括计算机自动收集与人工收集;
(2)将目标元素集中的目标元素和飞行器部件模型零件仿真步长向量决策集中的飞行器部件模型零件仿真步长向量一一对应匹配,存储至计算机文件中,存储方式包括但不限于数据库文件,Excel文件,文本文件;目标元素和飞行器部件模型零件仿真步长向量均为若干个。
数字飞行器设计中目标元素的数据对象包括:
1、轨道选择:低/中/高轨道,太阳同步轨道,地球静止轨道,冻结轨道,星座;
2、轨道递推方法:二体,J2,J4,HPOP;
3、主承力结构选择:非返回式飞行器(中心承力筒式、箱式、桁架式承力结构);返回式飞行器;
4、稳定方式:重力梯度稳定、自旋稳定、三轴稳定(整星零动量,偏置动量);
5、姿态控制算法选择:PID、滑模自适应、智能控制;
6、敏感器选择:太阳敏感器、地球敏感器、星敏感器、磁强计、GPS、陀螺;
7、敏感器安装位置与数量
8、姿态控制执行机构的选择:精密轮、动量轮、控制力矩陀螺、推力器、磁力矩器;
9、动量轮选用及其构型:金字塔构型,三正装一斜装;
10、控制力矩陀螺选用及其构型:单框架、双框架;定速、变速;金字塔构型、平行构型、五棱锥构型;
11、推力器选用:10N推力器、490N推力器,及其构型;
12、电源系统设计:太阳帆板选用(种类,效率,面积)、电池种类、电池容量、充放电深度;
13、太阳帆板安装方式:体装式、展开式;
14、热控系统设计:被动热控(表面涂层、隔热层);主动热控(热管、散热窗口、加热器);
15、测控系统设计:转发器选用(数量)、天线(全向、定向)、通信频段(C、S、Ku、Ka);
16、有效载荷选择:可见光相机、红外相机、微波遥感器、SAR、通信、科学探测设备。
目标元素集是人在书写计算机程序源代码时,做出决策的依据与需要做出决策的内容,例如:选择对地观测卫星轨道高度(500km)、太阳帆板一阶振动频率(2.2Hz)、光学相机分辨率(1m),卫星总质量(1700kg),卫星散热窗口面积(0.8m2)。在此条件下控制力矩陀螺部件源代码中各零件的仿真步长。
飞行器部件模型零件仿真步长决策集是依据目标元素做出的决策,与上面的具体数据对象对应,例如:将控制力矩陀螺中的框架无刷电机仿真步长设置为0.1ms,转子无刷电机的仿真步长设置为1.0ms,框架轴承的仿真步长设置为0.3ms,转子轴承的仿真步长设置为0.4ms;
除控制力矩陀螺这一个部件之外,对于动量轮,蓄电池,太阳帆板,充液储箱等其它部件的模型也采用类似的决策方法。
步骤S101通过计算机自主在互联网上搜寻样本,或计算机阅读指定文献,或人工输入样本来实现,将遇到的目标元素、飞行器部件模型与部件模型中各零件的仿真步长以字符串与数字的形式对应存储在样本数据库的表格中。将意义相同但是名称不同的部件模型用统一的字符串或者ID替换。
步骤S102:提取步骤S101中目标元素集中每个目标元素的特征向量;所述目标元素包括若干数据对象,特征向量由若干个所述数据对象的属性值构成。
特征向量中数据对象的个数是特征的数目,特征向量中每个数据对象的属性值用来表征该特征。
例如:
设样本总数为N。
样本1的目标元素:飞行器轨道半长轴为a1,飞行器总质量为M1,飞行器三轴转动惯量分别为J1x、J1y、J1z,太阳帆板一阶振动频率f1,飞行器能提供给控制力矩陀螺的最大电功率为P1,控制力矩陀螺构型为K1。
样本1的飞行器部件模型为具体函数,使用的语言包括但不限于C、C++、C#、Java、prolog,部件函数中各零件的仿真步长使用零件仿真步长向量表示。
提取样本1中的目标元素的特征向量为:
S1=(a1,M1,J1x,J1y,J1z,f1,P1,K1)
提取样本1中的零件仿真步长向量为:
T1=(ta1,tb1,tc1,td1),
其中ta1为控制力矩陀螺中的框架无刷电机的仿真步长,tb1为转子无刷电机的仿真步长,tc1为框架轴承的仿真步长,td1为转子轴承的仿真步长;
样本2中的目标元素的特征向量为:
S2=(a2,M2,J2x,J2y,J2z,f2,P2,K2)
样本2中的零件仿真步长向量为:
T2=(ta2,tb2,tc2,td2),
样本i的目标元素的特征向量记作:
Si=(ai,Mi,Jix,Jiy,Jiz,fi,Pi,Ki),i=1...N
样本i中的零件仿真步长向量为:
Ti=(tai,tbi,tci,tdi),i=1...N
每一个样本经过步骤S102的处理之后,输出样本对应的目标元素的特征向量与飞行器部件模型零件仿真步长向量。
步骤S103:将步骤S102中的特征向量归一化,得到神经网络训练输入向量。
将特征向量中每个元素分别归一化,得到神经网络训练输入向量。
步骤S103的实现过程为:
(1)确定神经网络输入层神经元数目:特征向量中元素的数目就是神经网络输入层的神经元数目。
(2)将特征向量中每一个元素分别进行归一化处理。
(3)将元素按原特征向量的顺序排列,得到神经网络的训练输入向量。
归一化方法:在特征向量中相同位置元素的全部取值中,例如从左起第6个位置的f1,f2,...,fN中,取出最小值fmin与最大值fmax,将最小值fmin与最大值fmax构成的区间线性变换到[-1,1]区间中,即将训练输入向量中相同位置的所有值通过一个一次函数变换到[-1,1]区间中,使得最大值是1,最小值是-1。例如,fi按如下表达式变换为fi′:
将所有向量中的所有元素归一化后,得到样本i的神经网络训练输入向量,记作Sini。
Sini=(a′i,M′i,J′ix,J′iy,J′iz,f′i,P′i,K′i)
需要说明的是,神经网络训练输入向量中的全部元素的归一化方法均相同。
步骤S104:将步骤S102中的零件仿真步长向量归一化,得到神经网络训练输出向量。
在上述例子中,样本i的零件仿真步长向量记作:
Ti=(tai,tbi,tci,tdi),i=1...N
步骤S104中的归一化方法与步骤S103中的归一化方法相同。
归一化后得到的样本i的神经网络训练输出向量记作:
Touti=(t′ai,t′bi,t′ci,t′di),i=1...N
在归一化过程中,以左起第三个位置的元素tci为例,在所有零件仿真步长向量中,tci的最小值记作tcmin,最大值记作tcmax。
需要说明的是,神经网络训练输出向量中的全部元素的归一化方法均相同。
步骤S105:使用神经网络训练输入向量与神经网络训练输出向量训练神经网络。两者合起来作为一个完整的神经网络训练样本。将所有神经网络训练样本分成两部分,一部分是用于训练的样本集,简称训练集,另一部分是用于测试的样本集,简称测试集。测试集的选取方法包括但不限于均匀选取法,随机选取法。最终得到训练集中神经网络训练样本的数目为M,测试集中神经网络训练样本的数目为N-M。
使用训练集训练神经网络,用测试集测试神经网络,这个过程中需要根据测试集的测试结果,使用包括但不限于粒子群算法,遗传算法的优化算法,优化神经网络的训练参数,直至神经网络的均方拟合误差(MSE)取最小值。
在上述例子中,训练神经网络时使用的神经网络的训练输入向量为Sin 1 、Sin 2 …Sin M 。训练神经网络时使用的神经网络的训练输出向量为Tout 1 ,Tout 2 ,...,Tout M 。
训练的神经网络种类包括但不限于BP神经网络,RBF神经网络。
步骤S106:获取待决策目标,首先按步骤S102的方法提取出目标元素的特征向量,记作:
SN+1=(aN+1,MN+1,JN+1x,JN+1y,JN+1z,fN+1,PN+1,KN+1)
按照步骤S103的方法将特征向量归一化,得到能直接输入神经网络的向量,记作:
Sin N+1 =(a′N+1,M′N+1,J′N+1x,J′N+1y,J′N+1z,f′N+1,P′N+1,K′N+1)
步骤S107:执行神经网络;
将步骤S106中的向量Sin N+1 作为神经网络的输入,运行已经训练好的神经网络,获得神经网络的输出,记作:
Tout N+1 =(t′aN+1,t′bN+1,t′cN+1,t′dN+1)
步骤S108:将神经网络的输出进行反归一化,得到控制力矩陀螺部件中的零件仿真步长向量:
TN+1=(taN+1,tbN+1,tcN+1,tdN+1)
其中反归一化的方法为:
以左起第3个位置的tcN+1与t′cN+1的反归一化过程为例。在步骤S104中,所有零件仿真步长向量中左起第3个位置上,tci的最小值记作tcmin,最大值记作tcmax。则tcN+1与t′cN+1满足:
在向量
TN+1=(taN+1,tbN+1,tcN+1,tdN+1)
中,taN+1为控制力矩陀螺中的框架无刷电机的仿真步长、tbN+1为转子无刷电机的仿真步长,tcN+1为框架轴承的仿真步长,tdN+1为转子轴承的仿真步长。
需要说明的是,零件仿真步长向量中的全部元素的反归一化方法均相同。此处仅以左起第3个位置上的元素举例说明。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种人工智能程序员书写数字飞行器代码的神经网络决策方法,其特征在于,所述方法包括以下步骤:
步骤一,收集数字飞行器的目标样本,目标样本包括目标元素集和飞行器部件模型零件仿真步长向量决策集;将目标元素集中的每个目标元素和飞行器部件模型零件仿真步长向量决策集中的每个目标元素一一对应存储至目标样本数据库;
步骤二,提取步骤一中目标元素集中每个目标元素的特征向量和飞行器部件模型零件仿真步长向量;
步骤三,将步骤二中的特征向量归一化,得到神经网络训练输入向量;
步骤四,将步骤二中的飞行器部件模型零件仿真步长向量归一化,得到神经网络训练输出向量;
步骤五,训练神经网络;
步骤六,获取待决策目标,提取待决策特征向量并进行归一化;
步骤七,将待决策特征向量作为决策输入向量,运行步骤五中训练好的神经网络,获得决策输出向量;
步骤八,将决策输出向量进行反归一化,得到决策零件仿真步长向量。
2.根据权利要求1所述的人工智能程序员书写数字飞行器代码的神经网络决策方法,其特征在于,所述步骤一具体包括,
(1)收集目标样本的方法包括计算机自动收集与人工收集;
(2)将目标元素集中的目标元素和飞行器部件模型零件仿真步长向量决策集中的飞行器部件模型零件仿真步长向量一一对应匹配,存储至计算机文件中,所述存储方式包括但不限于数据库文件,Excel文件,文本文件;所述目标元素和飞行器部件模型零件仿真步长向量均为若干个。
3.根据权利要求1所述的人工智能程序员书写数字飞行器代码的神经网络决策方法,其特征在于,在所述步骤二中,
所述目标元素包括若干数据对象,特征向量由若干个所述数据对象的属性值构成。
4.根据权利要求1所述的人工智能程序员书写数字飞行器代码的神经网络决策方法,其特征在于,所述步骤三具体包括,
样本i的目标元素的特征向量记作:
Si=(ai,Mi,Jix,Jiy,Jiz,fi,Pi,Ki),i=1...N
其中,飞行器轨道半长轴为ai,飞行器总质量为Mi,飞行器三轴转动惯量分别为Jix、Jiy、Jiz,太阳帆板一阶振动频率fi,飞行器能提供给控制力矩陀螺的最大电功率为Pi,控制力矩陀螺构型为Ki;
将特征向量中每个元素分别归一化,得到神经网络训练输入向量记作Sini,
Sini=(a′i,M′i,J′ix,J′iy,J′iz,f′i,P′i,K′i),i=1...N。
5.根据权利要求1所述的人工智能程序员书写数字飞行器代码的神经网络决策方法,其特征在于,所述步骤四具体包括,
样本i的零件仿真步长向量记作:
Ti=(tai,tbi,tci,tdi),i=1...N
其中,tai为控制力矩陀螺中的框架无刷电机的仿真步长,tbi为转子无刷电机的仿真步长设置,tci为框架轴承的仿真步长,tdi为转子轴承的仿真步长;
将零件仿真步长向量中每个元素分别归一化,得到神经网络训练输出向量记作Touti
Touti=(t′ai,t′bi,t′ci,t′di),i=1...N。
6.根据权利要求1所述的人工智能程序员书写数字飞行器代码的神经网络决策方法,其特征在于,所述步骤五中,将步骤三得到的神经网络训练输入向量与步骤四得到的神经网络训练输出向量作为一个完整的神经网络训练样本训练神经网络;所述神经网络训练样本分成两部分,一部分是用于训练的训练集,另一部分是用于测试的测试集;其中测试集的选取方法包括但不限于均匀选取法,随机选取法。
7.根据权利要求6所述的人工智能程序员书写数字飞行器代码的神经网络决策方法,其特征在于,在使用测试集测试神经网络的过程中,根据测试集的测试结果利用优化算法优化神经网络的训练参数,直至神经网络的均方拟合误差取最小值;其中优化算法包括但不限于粒子群算法、遗传算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810036664.1A CN108399272B (zh) | 2018-01-15 | 2018-01-15 | 人工智能程序员书写数字飞行器代码的神经网络决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810036664.1A CN108399272B (zh) | 2018-01-15 | 2018-01-15 | 人工智能程序员书写数字飞行器代码的神经网络决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108399272A true CN108399272A (zh) | 2018-08-14 |
CN108399272B CN108399272B (zh) | 2021-05-07 |
Family
ID=63094795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810036664.1A Active CN108399272B (zh) | 2018-01-15 | 2018-01-15 | 人工智能程序员书写数字飞行器代码的神经网络决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108399272B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815537A (zh) * | 2018-12-19 | 2019-05-28 | 清华大学 | 一种基于时间预测的高通量材料仿真计算优化方法 |
CN110135561A (zh) * | 2019-04-29 | 2019-08-16 | 北京航天自动控制研究所 | 一种实时在线飞行器ai神经网络系统 |
CN111258551A (zh) * | 2018-11-30 | 2020-06-09 | 中国移动通信集团浙江有限公司 | 一种代码生成方法以及装置 |
CN116593121A (zh) * | 2023-07-12 | 2023-08-15 | 中国航空工业集团公司沈阳空气动力研究所 | 一种基于监控相机的飞行器模型振动测量方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101221213A (zh) * | 2008-01-25 | 2008-07-16 | 湖南大学 | 基于粒子群算法的模拟电路故障诊断神经网络方法 |
CN103439647A (zh) * | 2013-08-28 | 2013-12-11 | 深圳华越天芯电子有限公司 | 一种动态电源电流监测的模拟电路故障诊断方法 |
US8639637B2 (en) * | 2008-10-28 | 2014-01-28 | Tecnologico De Monterrey | Intelligent control toolkit |
CN104463349A (zh) * | 2014-11-11 | 2015-03-25 | 河海大学 | 一种基于多时段综合相似日的光伏发电功率预测方法 |
CN104616085A (zh) * | 2015-02-16 | 2015-05-13 | 河海大学常州校区 | 一种基于bp神经网络的光伏发电量预测方法 |
CN104268627B (zh) * | 2014-09-10 | 2017-04-19 | 天津大学 | 一种基于深度神经网络迁移模型的短期风速预报方法 |
CN107046534A (zh) * | 2017-03-24 | 2017-08-15 | 厦门卓讯信息技术有限公司 | 一种网络安全态势模型训练方法、识别方法及识别装置 |
CN107545095A (zh) * | 2016-06-24 | 2018-01-05 | 波音公司 | 用于飞行器大修期间的结构修理的预测方法和系统 |
-
2018
- 2018-01-15 CN CN201810036664.1A patent/CN108399272B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101221213A (zh) * | 2008-01-25 | 2008-07-16 | 湖南大学 | 基于粒子群算法的模拟电路故障诊断神经网络方法 |
US8639637B2 (en) * | 2008-10-28 | 2014-01-28 | Tecnologico De Monterrey | Intelligent control toolkit |
CN103439647A (zh) * | 2013-08-28 | 2013-12-11 | 深圳华越天芯电子有限公司 | 一种动态电源电流监测的模拟电路故障诊断方法 |
CN104268627B (zh) * | 2014-09-10 | 2017-04-19 | 天津大学 | 一种基于深度神经网络迁移模型的短期风速预报方法 |
CN104463349A (zh) * | 2014-11-11 | 2015-03-25 | 河海大学 | 一种基于多时段综合相似日的光伏发电功率预测方法 |
CN104616085A (zh) * | 2015-02-16 | 2015-05-13 | 河海大学常州校区 | 一种基于bp神经网络的光伏发电量预测方法 |
CN107545095A (zh) * | 2016-06-24 | 2018-01-05 | 波音公司 | 用于飞行器大修期间的结构修理的预测方法和系统 |
CN107046534A (zh) * | 2017-03-24 | 2017-08-15 | 厦门卓讯信息技术有限公司 | 一种网络安全态势模型训练方法、识别方法及识别装置 |
Non-Patent Citations (1)
Title |
---|
董云峰等: ""数字卫星源代码生成技术"", 《2015年小卫星技术交流会》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111258551A (zh) * | 2018-11-30 | 2020-06-09 | 中国移动通信集团浙江有限公司 | 一种代码生成方法以及装置 |
CN109815537A (zh) * | 2018-12-19 | 2019-05-28 | 清华大学 | 一种基于时间预测的高通量材料仿真计算优化方法 |
CN109815537B (zh) * | 2018-12-19 | 2020-10-27 | 清华大学 | 一种基于时间预测的高通量材料仿真计算优化方法 |
CN110135561A (zh) * | 2019-04-29 | 2019-08-16 | 北京航天自动控制研究所 | 一种实时在线飞行器ai神经网络系统 |
CN110135561B (zh) * | 2019-04-29 | 2021-06-11 | 北京航天自动控制研究所 | 一种实时在线飞行器ai神经网络系统 |
CN116593121A (zh) * | 2023-07-12 | 2023-08-15 | 中国航空工业集团公司沈阳空气动力研究所 | 一种基于监控相机的飞行器模型振动测量方法 |
CN116593121B (zh) * | 2023-07-12 | 2023-10-24 | 中国航空工业集团公司沈阳空气动力研究所 | 一种基于监控相机的飞行器模型振动测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108399272B (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108399272A (zh) | 人工智能程序员书写数字飞行器代码的神经网络决策方法 | |
Canuto et al. | Spacecraft dynamics and control: the embedded model control approach | |
Baig et al. | Light-levitated geostationary cylindrical orbits are feasible | |
Wu et al. | Optimal flight planning for a Z-shaped morphing-wing solar-powered unmanned aerial vehicle | |
CN108363310B (zh) | 人工智能程序员书写数字飞行器源代码的聚类决策方法 | |
Stolbunov et al. | Optimal law for inclination change in an atmosphere through solar sailing | |
CN108021138A (zh) | 一种地磁场模型简化设计方法 | |
Carzana et al. | Locally optimal control laws for Earth-bound solar sailing with atmospheric drag | |
Wei et al. | Comprehensive optimization of energy storage and standoff tracking for solar-powered UAV | |
Rahmani et al. | Optimal balanced-energy formation flying maneuvers | |
Schiassi et al. | Complete energy optimal landing on small and large planetary bodies via theory of functional connections | |
CN108287958A (zh) | 人工智能程序员书写数字飞行器源代码有限选择决策方法 | |
CN106446313B (zh) | 基于极地悬停卫星轨道的系统设计方法 | |
CN113268809B (zh) | 太阳系边际探测电推进转移轨道设计方法及系统 | |
Liu et al. | Event-triggered coordinated control for multiple solar sail formation flying around planetary displaced orbits | |
Nam et al. | Multistage reliability-based design optimization and application to aircraft conceptual design | |
Zhao et al. | A novel two-level optimization strategy for multi-debris active removal mission in LEO | |
Aguiar et al. | A technique for designing Earth-Mars low-thrust transfers culminating in ballistic capture | |
Smet et al. | Systematic exploration of solar gravity driven orbital transfers in the Martian system using artificial neural networks | |
Falcoz et al. | Integrated Control and Structure design framework for spacecraft applied to Biomass satellite. | |
Bezrouk et al. | Ballistic capture into distant retrograde orbits around Phobos: an approach to entering orbit around Phobos without a critical maneuver near the moon | |
Adams | Theory and Applications of Gram-Scale Spacecraft | |
Srivastava et al. | Halo orbit transfer trajectory design using invariant manifold in the Sun-Earth system accounting radiation pressure and oblateness | |
Zhu et al. | The Intelligent Trajectory Optimization of Multistage Rocket with Gauss Pseudo-Spectral Method. | |
Lee | CubeSat constellation implementation and management using differential drag |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |