CN110007617B - 一种飞行器半实物仿真系统的不确定度传递分析方法 - Google Patents
一种飞行器半实物仿真系统的不确定度传递分析方法 Download PDFInfo
- Publication number
- CN110007617B CN110007617B CN201910246067.6A CN201910246067A CN110007617B CN 110007617 B CN110007617 B CN 110007617B CN 201910246067 A CN201910246067 A CN 201910246067A CN 110007617 B CN110007617 B CN 110007617B
- Authority
- CN
- China
- Prior art keywords
- simulation
- node
- data
- uncertainty
- neural network
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
Abstract
本发明公开了一种飞行器半实物仿真系统的不确定度传递分析方法,将仿真系统划分为多个仿真模块,将每个仿真模块抽象为仿真节点并将仿真节点的输入数据和输出数据映射为深度神经网络的输入数据和输出数据,利用深度神经网络的拟合能力对仿真模块的输入数据和输出数据的关系进行拟合建模,将不同仿真模块依次连接得到仿真系统的不确定度传递网络图,通过分析不确定度在任意两个仿真节点间的传递过程,可以对任意仿真节点误差对仿真系统的影响以及不确定度在仿真系统中的传递进行量化评估,从而为优化飞行器半实物仿真系统和提高仿真精度提供依据,并且,不用考虑仿真节点内的数据连接耦合关系,实现了非机理的建模方法,减少了计算量。
Description
技术领域
本发明涉及系统建模仿真和人工智能技术领域,尤其涉及一种飞行器半实物仿真系统的不确定度传递分析方法。
背景技术
飞行器半实物仿真系统由数学仿真节点、仿真设备和弹上设备等组成,其中,仿真设备包含仿真转台、目标模拟器和高度模拟器等,弹上设备包括导引头和综控机等。在飞行器半实物仿真系统的设备运行和信号传递的过程中,均可能产生随机误差,为了衡量每个仿真模块对误差传递的影响以及研究误差在飞行器半实物仿真系统不同模块间的传递过程,需要对不确定度在飞行器半实物仿真系统中的传递进行建模。
现有的飞行器半实物仿真系统不确定度分析方法有如下几种,基于抽样理论的蒙特卡洛分析法、基于信任度和事件概率的贝叶斯网络分析方法以及基于响应和输入参数关系的随机响应面法等。这些方法都有一定的局限性,蒙特卡洛分析法对样本质量和数量有较高要求,需要进行大量仿真;贝叶斯网络分析法多用于定性分析;随机响应面法的计算量会随变量个数的增加而指数增加,计算量较大。
发明内容
有鉴于此,本发明实施例提供了一种飞行器半实物仿真系统的不确定度传递分析方法,用以提供一种简单的能够对不确定度在飞行器半实物仿真系统中的整体传递进行量化评估的分析方法。
因此,本发明实施例提供了一种飞行器半实物仿真系统的不确定度传递分析方法,所述飞行器半实物仿真系统包括:弹载计算机、仿真计算机、主控计算机、仿真适配器、舵机仿真器、通用运动控制接口、舵机仿真控制器、三轴转台和转台控制柜;包括:
根据飞行器半实物仿真系统的物理连接关系和功能依赖关系,将执行仿真计算的弹载计算机、仿真计算机和主控计算机划分为一个仿真模块,将执行运动控制的舵机仿真器、通用运动控制接口和舵机仿真控制器划分为一个仿真模块,将仿真适配器、转台控制柜和三轴转台分别划分为三个仿真模块,将各所述仿真模块简化抽象为包含输入数据和输出数据的仿真节点,并根据所述飞行器半实物仿真系统的连接关系和数据传递关系将各所述仿真节点连接组成不确定度传递网络图;
对每个所述仿真节点对应的输入数据和输出数据进行采样并进行预处理得到训练所需的数据;
为每一个所述仿真节点创建一个深度神经网络,将各所述仿真节点的输入数据与对应的深度神经网络的输入数据进行绑定,将各所述仿真节点的输出数据与对应的深度神经网络的输出数据进行绑定;
根据数据绑定关系,将得到的训练所需的数据用于每个所述仿真节点对应的深度神经网络的权重训练;
选取所述飞行器半实物仿真系统的起始节点和误差评估节点,为所述起始节点提供输入数据,从所述误差评估节点中得到不确定度输出。
在一种可能的实现方式中,在本发明实施例提供的上述不确定度传递分析方法中,所述将各所述仿真模块简化抽象为包含输入数据和输出数据的仿真节点,并根据所述飞行器半实物仿真系统的连接关系和数据传递关系将各所述仿真节点连接组成不确定度传递网络图,具体包括:
将所述仿真模块封装为仿真节点,将所述仿真模块的内部结构和连接关系隐藏在所述仿真节点的内部,将各所述仿真模块之间的数据连接关系标记为仿所述真节点的输入数据和输出数据;
根据所述输入数据和所述输出数据的连接匹配关系建立所述仿真节点的连接,遍历所有所述仿真节点将所有所述仿真节点连接得到一个有向图,记为不确定度传递网络图。
在一种可能的实现方式中,在本发明实施例提供的上述不确定度传递分析方法中,所述对每个仿真节点对应的输入数据和输出数据进行采样并进行预处理得到训练所需的数据,具体包括:
在工作过程中,对每个所述仿真节点的同一输入数据和输出数据进行多次采样得到多组输入数据和输出数据对;
计算所述多组输入数据和输出数据对的均值和不确定度,记为一个样本;
对每个所述仿真节点输入域的不同输入数据和输出数据采样并计算得到多个样本。
在一种可能的实现方式中,在本发明实施例提供的上述不确定度传递分析方法中,所述为每一个所述仿真节点创建一个深度神经网络,具体包括:
设置每个所述仿真节点对应的深度神经网络的输入层神经元数目和输出层神经元数目;
根据每个所述仿真节点的样本的数目设置对应的深度神经网络的隐藏层的数目;
设置每个所述仿真节点对应的深度神经网络的隐藏层神经元数目。
在一种可能的实现方式中,在本发明实施例提供的上述不确定度传递分析方法中,所述根据数据绑定关系,将得到的训练所需的数据用于每个所述仿真节点对应的深度神经网络的权重训练,具体包括:
设定迭代次数、批量值和学习速率;
对所述深度神经网络的连接权重、偏移值和计数值进行初始化;
选取批量样本,对每个样本执行前向传播算法,计算所述输入层、所述输出层和所述隐藏层的激活向量,计算损失函数;
反向依次计算所述输入层、所述输出层和所述隐藏层的权重梯度和偏移梯度;
更新所述输入层、所述输出层和所述隐藏层的权重和偏移;
将计数值加1,判断是否小于迭代次数;若是,则重新选取批量样本;若否,则结束训练。
在一种可能的实现方式中,在本发明实施例提供的上述不确定度传递分析方法中,所述选取所述飞行器半实物仿真系统的起始节点和误差评估节点,为所述起始节点提供输入数据,从所述误差评估节点中得到不确定度输出,具体包括:
根据研究目标,选取两个仿真节点设为起始节点和误差评估节点;
设置起始输入数据和起始输入不确定度;
使用起始输入数据和起始输入不确定度生成符合多元正态分布的数据;
将符合多元正态分布的数据作为所述起始节点的输入数据,计算所述起始节点的输出数据的均值和不确定度;
根据不确定度传递网络图,得到所述起始节点和所述误差评估节点的所有路径,记录路径上的仿真节点并根据拓扑排序关系得到仿真节点排序表;
根据所述仿真节点排序表中的仿真节点顺序,依次将每个所述仿真节点的输出数据的均值和不确定度生成符合多元正态分布的数据,将符合多元正态分布的数据作为后一个仿真节点对应的深度神经网络的输入数据,计算后一个仿真节点的输出数据的均值和不确定度;
获取所述误差评估节点的输出数据的均值和不确定度。
本发明实施实例提供的上述不确定度传递分析方法,将飞行器半实物仿真系统划分为多个仿真模块,将每个仿真模块抽象为仿真节点并将仿真节点的输入数据和输出数据映射为深度神经网络的输入数据和输出数据,利用深度神经网络的拟合能力对仿真模块的输入数据和输出数据的关系进行拟合建模,将不同仿真模块依次连接得到整个飞行器半实物仿真系统的不确定度传递关系,通过分析不确定度在任意指定的两个仿真节点之间的传递过程,可以对任意仿真节点误差对飞行器半实物仿真系统的影响以及不确定度在飞行器半实物仿真系统中的整体传递进行量化评估,从而可以为进一步优化飞行器半实物仿真系统和提高仿真精度提供依据;并且,本发明实施实例提供的上述不确定度传递分析方法,设计了一种面向仿真节点的输入数据和输出数据关系的映射结构,通过将飞行器半实物仿真系统划分并抽象为多个仿真节点,使用深度神经网络的输入数据和输出数据对仿真节点的特性进行描述,可以不用考虑仿真节点内部的数据连接耦合关系,实现了非机理的建模方法,减少了计算量。
附图说明
图1为将飞行器半实物仿真系统划分为五个仿真模块并封装为五个仿真节点后的示意图;
图2为本发明实施例提供的飞行器半实物仿真系统的不确定度传递分析方法的流程图之一;
图3为本发明实施例提供的飞行器半实物仿真系统的不确定度传递分析方法的流程图之二;
图4为图1所示的五个仿真节点连接成的不确定度传递网络图;
图5为本发明实施例提供的飞行器半实物仿真系统的不确定度传递分析方法中深度神经网络的结构与数据绑定关系示意图;
图6为本发明实施例提供的飞行器半实物仿真系统的不确定度传递分析方法中深度神经网络的权重训练所使用的数据;
图7为图1所示的仿真节点2的损失函数收敛曲线图。
具体实施方式
下面将结合本申请实施方式中的附图,对本申请实施方式中的技术方案进行清楚、完整的描述,显然,所描述的实施方式仅仅是作为例示,并非用于限制本申请。
本发明实施例提供的一种飞行器半实物仿真系统的不确定度传递分析方法,如图1所示,飞行器半实物仿真系统包括:弹载计算机、仿真计算机、主控计算机、仿真适配器、舵机仿真器、通用运动控制接口、舵机仿真控制器、三轴转台和转台控制柜;本发明实施例提供的上述不确定度传递分析方法,如图2所示,包括以下步骤:
S101:根据飞行器半实物仿真系统的物理连接关系和功能依赖关系,将执行仿真计算的弹载计算机、仿真计算机和主控计算机划分为一个仿真模块,将执行运动控制的舵机仿真器、通用运动控制接口和舵机仿真控制器划分为一个仿真模块,将仿真适配器、转台控制柜和三轴转台分别划分为三个仿真模块,将各仿真模块简化抽象为包含输入数据和输出数据的仿真节点,并根据飞行器半实物仿真系统的连接关系和数据传递关系将各仿真节点连接组成不确定度传递网络图;
S102:对每个仿真节点对应的输入数据和输出数据进行采样并进行预处理得到训练所需的数据;
S103:为每一个仿真节点创建一个深度神经网络,将各仿真节点的输入数据与对应的深度神经网络的输入数据进行绑定,将各仿真节点的输出数据与对应的深度神经网络的输出数据进行绑定;
S104:根据数据绑定关系,将得到的训练所需的数据用于每个仿真节点对应的深度神经网络的权重训练;
S105:选取飞行器半实物仿真系统的起始节点和误差评估节点,为起始节点提供输入数据,从误差评估节点中得到不确定度输出。
本发明实施实例提供的上述不确定度传递分析方法,将飞行器半实物仿真系统划分为多个仿真模块,将每个仿真模块抽象为仿真节点并将仿真节点的输入数据和输出数据映射为深度神经网络的输入数据和输出数据,利用深度神经网络的拟合能力对仿真模块的输入数据和输出数据的关系进行拟合建模,将不同仿真模块依次连接得到整个飞行器半实物仿真系统的不确定度传递关系,通过分析不确定度在任意指定的两个仿真节点之间的传递过程,可以对任意仿真节点误差对飞行器半实物仿真系统的影响以及不确定度在飞行器半实物仿真系统中的整体传递进行量化评估,从而可以为进一步优化飞行器半实物仿真系统和提高仿真精度提供依据;并且,本发明实施实例提供的上述不确定度传递分析方法,设计了一种面向仿真节点的输入数据和输出数据关系的映射结构,通过将飞行器半实物仿真系统划分并抽象为多个仿真节点,使用深度神经网络的输入数据和输出数据对仿真节点的特性进行描述,可以不用考虑仿真节点内部的数据连接耦合关系,实现了非机理的建模方法,减少了计算量。
本发明实施实例提供的上述不确定度传递分析方法,与蒙特卡洛分析法相比,深度神经网络在选取合适超参数的情况下能够在较少样本情况下得到更精确的结果;与贝叶斯网络分析方法相比,通过训练每个仿真节点对应的深度神经网络组成不确定度传递网络图,可以实现不确定度在飞行器半实物仿真系统中传递的定量分析,为优化飞行器半实物仿真系统和提高仿真精度提供了依据;与随机响应面法相比,不用考虑仿真节点内部的数据连接耦合关系,实现了非机理的建模方法,计算量较小。
在具体实施时,在执行本发明实施实例提供的上述不确定度传递分析方法中的步骤S101,根据飞行器半实物仿真系统的物理连接关系和功能依赖关系,将执行仿真计算的弹载计算机、仿真计算机和主控计算机划分为一个仿真模块,将执行运动控制的舵机仿真器、通用运动控制接口和舵机仿真控制器划分为一个仿真模块,将仿真适配器、转台控制柜和三轴转台分别划分为三个仿真模块,将各仿真模块简化抽象为包含输入数据和输出数据的仿真节点,并根据飞行器半实物仿真系统的连接关系和数据传递关系将各仿真节点连接组成不确定度传递网络图时,如图3所示,具体可以通过以下方式来实现:
S201:根据飞行器半实物仿真系统的物理连接关系和功能依赖关系,将执行仿真计算的弹载计算机、仿真计算机和主控计算机划分为一个仿真模块,将执行运动控制的舵机仿真器、通用运动控制接口和舵机仿真控制器划分为一个仿真模块,将仿真适配器、转台控制柜和三轴转台分别划分为三个仿真模块;如图1所示的飞行器半实物仿真系统划分为五个仿真模块;
S202:将仿真模块封装为仿真节点,将仿真模块的内部结构和连接关系隐藏在仿真节点的内部,将各仿真模块之间的数据连接关系标记为仿真节点的输入数据和输出数据;例如,可以为仿真节点分别编号为1、2、3…,根据数据的流动方向,可以将第k个仿真节点的n个输入数据记为ik1,ik2,ik3,…,ikn,可以将第k个仿真节点的s个输出数据记为ok1,ok2,ok3,…oks;如图1所示的飞行器半实物仿真系统划分为五个仿真模块并封装为五个仿真节点;
S203:根据输入数据和输出数据的连接匹配关系建立仿真节点的连接,遍历所有仿真节点将所有仿真节点连接得到一个有向图,记为不确定度传递网络图;例如,如果第m个仿真节点的第l个输出oml与第n个仿真节点的第p个输入inp之间有连接关系,那么第m个仿真节点与第n个仿真节点之间存在有向连接m→n;图4为图1所示的五个仿真节点连接成的不确定度传递网络图。
在具体实施时,在执行本发明实施实例提供的上述不确定度传递分析方法中的步骤S102,对每个仿真节点对应的输入数据和输出数据进行采样并进行预处理得到训练所需的数据时,如图3所示,具体可以通过以下方式来实现:
S204:在工作过程中,对每个仿真节点的同一输入数据和输出数据进行多次采样得到多组输入数据和输出数据对;例如,可以对每个仿真节点的同一输入数据和输出数据进行T次采样得到T组输入数据和输出数据对,其中,第t个输入数据和输出数据对为
S205:计算多组输入数据和输出数据对的均值和不确定度,记为一个样本;具体地,对T组输入数据和输出数据对取均值得到其中,对T组输入数据和输出数据对取标准差,记为不确定度其中, 将均值(x,y)与不确定度(ux,uy)记为一个样本;
S206:对每个仿真节点输入域的不同输入数据和输出数据采样并计算得到多个样本;具体地,可以对每个仿真节点输入域的不同输入数据和输出数据进行Ns次测量,得到Ns个样本。
在具体实施时,在执行本发明实施实例提供的上述不确定度传递分析方法中的步骤S103,为每一个仿真节点创建一个深度神经网络,将各仿真节点的输入数据与对应的深度神经网络的输入数据进行绑定,将各仿真节点的输出数据与对应的深度神经网络的输出数据进行绑定时,如图3所示,具体可以通过以下方式来实现:
S207:设置每个仿真节点对应的深度神经网络的输入层神经元数目和输出层神经元数目;具体地,可以设置每个仿真节点对应的深度神经网络的输入层神经元数目Ni与仿真节点的输入数据的数目n相同,设置每个仿真节点对应的深度神经网络的输出层神经元数目No与仿真节点的输出数据的数目s相同,即Ni=n,No=s;
S208:根据每个仿真节点的样本的数目设置对应的深度神经网络的隐藏层的数目;具体地,可以根据每个仿真节点的样本的数目设置对应的深度神经网络的隐藏层的数目h,其设置原则如表1所示;
表1隐藏层数目设置原则
样本数 | 隐藏层数目 |
<=50000 | 4 |
70000 | 5 |
100000 | 6 |
150000 | 7 |
200000 | 8 |
250000 | 9 |
300000 | 10 |
400000 | 11 |
500000 | 12 |
>=1000000 | 13 |
S210:将各仿真节点的输入数据与对应的深度神经网络的输入数据进行绑定,将各仿真节点的输出数据与对应的深度神经网络的输出数据进行绑定;具体地,可以将第k个仿真节点的输入数据ik1,ik2,ik3,…,ikn与其对应的深度神经网络的输入层神经元绑定,可以将第k个仿真节点的输出数据ok1,ok2,ok3,…,oks与其对应的深度神经网络的输出层神经元绑定,深度神经网络的结构和数据绑定关系如图5所示。
在具体实施时,在执行本发明实施实例提供的上述不确定度传递分析方法中的步骤S104,根据数据绑定关系,将得到的训练所需的数据用于每个仿真节点对应的深度神经网络的权重训练时,如图3所示,具体可以通过以下方式来实现:
S211:设定迭代次数、批量值和学习速率;具体地,可以设定迭代次数epoch=100,可以设定批量值batch=256,可以设定学习速率α=0.01;
S212:对深度神经网络的连接权重、偏移值和计数值进行初始化;具体地,可以初始化深度神经网络的连接权重Θ=(θ1,θ2,…,θh)为服从高斯分布的随机值,可以初始化偏移值b1,b2,…,bh为0,可以初始化计数值count=0;
S213:选取批量样本,对每个样本执行前向传播算法,计算输入层、输出层和隐藏层的激活向量,计算损失函数;具体地,可以选取batch个样本,对每个样本执行前向传播算法,利用计算公式为:a(l)=relu(θla(l-1)+b(l))计算输入层、输出层和隐藏层的激活向量a(1),a(2),...,a(h),计算损失函数其中,yd为样本标签;
S216:将计数值加1,判断是否小于迭代次数;若是,则重复执行步骤S213~步骤S216;若否,则执行步骤S217;
S217:结束训练。
在具体实施时,在执行本发明实施实例提供的上述不确定度传递分析方法中的步骤S105,选取飞行器半实物仿真系统的起始节点和误差评估节点,为起始节点提供输入数据,从误差评估节点中得到不确定度输出时,如图3所示,具体可以通过以下方式来实现:
S218:根据研究目标,选取两个仿真节点设为起始节点和误差评估节点;具体地,可以根据研究目标选取两个仿真节点设为起始节点NodeI和误差评估节点NodeO,起始节点的输入数据的数目为r,误差评估节点的输出数据的数目为q;
S219:设置起始输入数据和起始输入不确定度;具体地,可以设置起始输入数据为I=[i1,i2,i3,…,ir]和起始输入不确定度为U=[u1,u2,u3,…,ur];
S220:使用起始输入数据和起始输入不确定度生成符合多元正态分布的数据;具体地,可以使用起始输入数据和起始输入不确定度生成满足多元正态分布的数据,即Mi~N(I,∑),i=1,2,3,…,L,其中样本数L取100;
S222:根据不确定度传递网络图,得到起始节点和误差评估节点的所有路径,记录路径上的仿真节点并根据拓扑排序关系得到仿真节点排序表;具体地,可以得到仿真节点排序表NodeI→Node1→Node2→…→NodeO;
S223:根据仿真节点排序表中的仿真节点顺序,依次将每个仿真节点的输出数据的均值和不确定度生成符合多元正态分布的数据,将符合多元正态分布的数据作为后一个仿真节点对应的深度神经网络的输入数据,计算后一个仿真节点的输出数据的均值和不确定度;需要说明的是,对于由于闭环图引起的输入数据无法由上一个仿真节点的输出数据来确定的情况,可以使用零值作为输入数据;
S224:获取误差评估节点的输出数据的均值和不确定度;具体地,可以计算误差评估节点的输出数据NodeO的均值和不确定度,通过收集NodeI、Node1、Node2、…、NodeO的不确定度,即可观察不确定度在飞行器半实物仿真系统中的传递关系。
下面通过一个具体的实例对本发明实施例提供的上述不确定度传递分析方法的分析结果进行详细说明。
基于本发明实施例提供的上述不确定度传递分析方法对图1所示的飞行器半实物仿真系统进行不确定度传递分析。如图1所示,飞行器半实物仿真系统主要包括弹载计算机、仿真计算机、主控计算机、仿真适配器、舵机仿真器、通用运动控制接口、舵机仿真控制器、三轴转台和转台控制柜等。根据功能和研究需求将飞行器半实物仿真系统划分为5个仿真节点,每个仿真节点的输入数据和输出数据的名称如表2所示,连接与数据的对应关系如表3所示。
表2样例仿真节点的输入数据和输出数据的名称表
表3样例连接与数据的对应关系表
连接编号 | 连接源数据 | 连接目标数据 | 信号名称 |
1 | n1o1 | n2i2 | 控制指令 |
2 | n3o1 | n2i1 | 舵位置反馈信号 |
3 | n2o1 | n1i1 | 舵 |
4 | n4o1 | n1i2 | 转台三轴状态信号 |
5 | n1o2 | n4i1 | RS42数字信号 |
6 | n5o1 | n1i3 | RS232数字信号 |
7 | n4o1 | n5i1 | 电机控制信号 |
8 | n5o1 | n4i2 | 传感器采集信号 |
深度神经网络的权重训练所使用的数据如图6所示。在训练过程中,仿真节点2的损失函数收敛图像如图7所示,由图7可以看出,在经过20次迭代后训练就接近收敛。其他仿真节点的训练过程损失函数收敛图像与仿真节点2相似,均在20次迭代内收敛到最优值。
选取仿真节点3作为起始节点,仿真节点5作为误差评估节点,观察不确定度沿不确定度传递网络图的传播如表4所示。
表4样例不确定度传递网络图的传播表
从表4的结果可以看出,本发明实施实例提供的上述不确定度传递分析方法,通过使用深度神经网络对仿真节点建模,分析了不确定度在任意指定两个仿真节点之间的传递过程,从而实现了对任意仿真节点误差在飞行器半实物仿真系统中的影响和传递进行量化评估,为进一步优化飞行器半实物仿真系统以及提高仿真系统精度提供了依据。
本发明实施实例提供的上述不确定度传递分析方法,将飞行器半实物仿真系统划分为多个仿真模块,将每个仿真模块抽象为仿真节点并将仿真节点的输入数据和输出数据映射为深度神经网络的输入数据和输出数据,利用深度神经网络的拟合能力对仿真模块的输入数据和输出数据的关系进行拟合建模,将不同仿真模块依次连接得到整个飞行器半实物仿真系统的不确定度传递关系,通过分析不确定度在任意指定的两个仿真节点之间的传递过程,可以对任意仿真节点误差对飞行器半实物仿真系统的影响以及不确定度在飞行器半实物仿真系统中的整体传递进行量化评估,从而可以为进一步优化飞行器半实物仿真系统和提高仿真精度提供依据;并且,本发明实施实例提供的上述不确定度传递分析方法,设计了一种面向仿真节点的输入数据和输出数据关系的映射结构,通过将飞行器半实物仿真系统划分并抽象为多个仿真节点,使用深度神经网络的输入数据和输出数据对仿真节点的特性进行描述,可以不用考虑仿真节点内部的数据连接耦合关系,实现了非机理的建模方法,减少了计算量。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (3)
1.一种飞行器半实物仿真系统的不确定度传递分析方法,所述飞行器半实物仿真系统包括:弹载计算机、仿真计算机、主控计算机、仿真适配器、舵机仿真器、通用运动控制接口、舵机仿真控制器、三轴转台和转台控制柜;其特征在于,包括:
根据飞行器半实物仿真系统的物理连接关系和功能依赖关系,将执行仿真计算的弹载计算机、仿真计算机和主控计算机划分为一个仿真模块,将执行运动控制的舵机仿真器、通用运动控制接口和舵机仿真控制器划分为一个仿真模块,将仿真适配器、转台控制柜和三轴转台分别划分为三个仿真模块;将所述仿真模块封装为仿真节点,将所述仿真模块的内部结构和连接关系隐藏在所述仿真节点的内部,将各所述仿真模块之间的数据连接关系标记为所述仿真节点的输入数据和输出数据;根据所述输入数据和所述输出数据的连接匹配关系建立所述仿真节点的连接,遍历所有所述仿真节点将所有所述仿真节点连接得到一个有向图,记为不确定度传递网络图;
在工作过程中,对每个所述仿真节点的同一输入数据和输出数据进行多次采样得到多组输入数据和输出数据对;计算所述多组输入数据和输出数据对的均值和不确定度,记为一个样本;对每个所述仿真节点输入域的不同输入数据和输出数据采样并计算得到多个样本;
为每一个所述仿真节点创建一个深度神经网络,将各所述仿真节点的输入数据与对应的深度神经网络的输入数据进行绑定,将各所述仿真节点的输出数据与对应的深度神经网络的输出数据进行绑定;
根据数据绑定关系,将得到的训练所需的数据用于每个所述仿真节点对应的深度神经网络的权重训练;
根据研究目标,选取两个仿真节点设为起始节点和误差评估节点;设置起始输入数据和起始输入不确定度;使用起始输入数据和起始输入不确定度生成符合多元正态分布的数据;将符合多元正态分布的数据作为所述起始节点的输入数据,计算所述起始节点的输出数据的均值和不确定度;根据不确定度传递网络图,得到所述起始节点和所述误差评估节点的所有路径,记录路径上的仿真节点并根据拓扑排序关系得到仿真节点排序表;根据所述仿真节点排序表中的仿真节点顺序,依次将每个所述仿真节点的输出数据的均值和不确定度生成符合多元正态分布的数据,将符合多元正态分布的数据作为后一个仿真节点对应的深度神经网络的输入数据,计算后一个仿真节点的输出数据的均值和不确定度;获取所述误差评估节点的输出数据的均值和不确定度。
2.如权利要求1所述的不确定度传递分析方法,其特征在于,所述为每一个所述仿真节点创建一个深度神经网络,具体包括:
设置每个所述仿真节点对应的深度神经网络的输入层神经元数目和输出层神经元数目;
根据每个所述仿真节点的样本的数目设置对应的深度神经网络的隐藏层的数目;
设置每个所述仿真节点对应的深度神经网络的隐藏层神经元数目。
3.如权利要求2所述的不确定度传递分析方法,其特征在于,所述根据数据绑定关系,将得到的训练所需的数据用于每个所述仿真节点对应的深度神经网络的权重训练,具体包括:
设定迭代次数、批量值和学习速率;
对所述深度神经网络的连接权重、偏移值和计数值进行初始化;
选取批量样本,对每个样本执行前向传播算法,计算所述输入层、所述输出层和所述隐藏层的激活向量,计算损失函数;
反向依次计算所述输入层、所述输出层和所述隐藏层的权重梯度和偏移梯度;
更新所述输入层、所述输出层和所述隐藏层的权重和偏移;
将计数值加1,判断是否小于迭代次数;若是,则重新选取批量样本;若否,则结束训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910246067.6A CN110007617B (zh) | 2019-03-29 | 2019-03-29 | 一种飞行器半实物仿真系统的不确定度传递分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910246067.6A CN110007617B (zh) | 2019-03-29 | 2019-03-29 | 一种飞行器半实物仿真系统的不确定度传递分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110007617A CN110007617A (zh) | 2019-07-12 |
CN110007617B true CN110007617B (zh) | 2020-12-01 |
Family
ID=67168728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910246067.6A Active CN110007617B (zh) | 2019-03-29 | 2019-03-29 | 一种飞行器半实物仿真系统的不确定度传递分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110007617B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111736490B (zh) * | 2020-07-22 | 2023-09-05 | 北京润科通用技术有限公司 | 联合仿真方法、装置、系统及电子设备 |
CN112560184B (zh) * | 2020-12-22 | 2023-09-12 | 北京机电工程研究所 | 一种飞行器仿真模型并行计算系统及方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202230330U (zh) * | 2011-10-14 | 2012-05-23 | 中国民航大学 | 民用固定翼无人飞行器物理仿真试验平台 |
CN102645229B (zh) * | 2012-04-06 | 2014-06-25 | 东南大学 | 星载激光高度计在轨月球高程探测不确定度评定方法 |
US9296474B1 (en) * | 2012-08-06 | 2016-03-29 | The United States of America as represented by the Administrator of the National Aeronautics & Space Administration (NASA) | Control systems with normalized and covariance adaptation by optimal control modification |
CN103427768B (zh) * | 2013-08-23 | 2016-09-21 | 北京无线电计量测试研究所 | 多路输出信号间相对时延的校准方法 |
CN104422464B (zh) * | 2013-08-27 | 2017-11-03 | 上海新跃仪表厂 | 基于轨道反演的导航模型不确定度精确估计方法及系统 |
CN103885450B (zh) * | 2014-03-03 | 2016-07-06 | 天津大学 | 无人直升机姿态非线性控制方法及验证平台 |
CN104063537B (zh) * | 2014-05-30 | 2017-04-19 | 北京控制工程研究所 | 基于分布式时间触发的多体动力学参数确定系统及其方法 |
CN105700555B (zh) * | 2016-03-14 | 2018-04-27 | 北京航空航天大学 | 一种基于势博弈的多无人机协同搜索方法 |
CN107766588B (zh) * | 2016-08-17 | 2021-01-29 | 北京空间技术研制试验中心 | 逃逸飞行器遵循多种概率分布的多次碰撞情况仿真方法 |
WO2018117872A1 (en) * | 2016-12-25 | 2018-06-28 | Baomar Haitham | The intelligent autopilot system |
US10449958B2 (en) * | 2017-02-15 | 2019-10-22 | Ford Global Technologies, Llc | Feedback-based control model generation for an autonomous vehicle |
CN109495199B (zh) * | 2018-10-30 | 2021-07-13 | 航天恒星科技有限公司 | 一种基于半实物仿真的fpga参数调试系统 |
-
2019
- 2019-03-29 CN CN201910246067.6A patent/CN110007617B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110007617A (zh) | 2019-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bode | Neural networks for cost estimation: simulations and pilot application | |
Tan et al. | Reducing data dimensionality through optimizing neural network inputs | |
CN111259927B (zh) | 基于神经网络和证据理论的火箭发动机故障诊断方法 | |
Buhry et al. | Automated parameter estimation of the Hodgkin-Huxley model using the differential evolution algorithm: application to neuromimetic analog integrated circuits | |
CN110007617B (zh) | 一种飞行器半实物仿真系统的不确定度传递分析方法 | |
CN110082738B (zh) | 基于高斯混合和张量循环神经网络的雷达目标识别方法 | |
CN111967087A (zh) | 基于神经网络的网联车辆决策控制模型建立及评估方法 | |
CA2415720C (en) | Neuronal network for modeling a physical system, and a method for forming such a neuronal network | |
CN110321951B (zh) | 一种vr模拟飞行器训练评价方法 | |
Bos et al. | Efficient geometric linearization of moving-base rigid robot dynamics | |
Omkar et al. | Identification of helicopter dynamics based on flight data using nature inspired techniques | |
Chung | Multidisciplinary design optimization of supersonic business jets using approximation model-based genetic algorithms | |
Mohamed et al. | Aircraft Aerodynamic Parameter Estimation from Flight Data Using Neural Partial Differentiation | |
CN116069646B (zh) | 一种多目标测试性优化的测试集确定方法及系统 | |
JP4267726B2 (ja) | 制御装置における動作信号と操作量との関係を決定する装置、制御装置、データ生成装置、入出力特性決定装置及び相関関係評価装置 | |
CN115374392B (zh) | 获取目标事件的对象参数的方法、电子设备和存储介质 | |
Yoshimura et al. | Particle Filter Design Based on Reinforcement Learning and Its Application to Mobile Robot Localization | |
Wang et al. | Research on the Role of Hybrid Mesh Warm-up in Flow Prediction Based on Deep Learning | |
CN115292154A (zh) | 一种基于对抗式强化学习的安全场景加速测试方法及系统 | |
Sandström | On the Efficiency of Transfer Learning in a Fighter Pilot Behavior Modelling Context | |
Fallet | Assessment of hyper-reduction techniques in the context of CFD-based intrusive reduced order modeling | |
Krever et al. | Learning Heuristics for Topographic Path Planning in Agent-Based Simulations | |
CN116362112A (zh) | 基于模糊极限学习机神经网络的气动力模型构建方法 | |
CN118013870A (zh) | 一种基于分布函数思想求解ns方程的深度神经网络方法 | |
CN117786469A (zh) | 基于网络可解释性分析的空战规则生成方法和装置 |
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 |