CN111177966B - 一种基于贝叶斯理论的导弹结构不确定载荷区间重构方法 - Google Patents

一种基于贝叶斯理论的导弹结构不确定载荷区间重构方法 Download PDF

Info

Publication number
CN111177966B
CN111177966B CN201911394942.1A CN201911394942A CN111177966B CN 111177966 B CN111177966 B CN 111177966B CN 201911394942 A CN201911394942 A CN 201911394942A CN 111177966 B CN111177966 B CN 111177966B
Authority
CN
China
Prior art keywords
load
uncertain
interval
sample
missile structure
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
Application number
CN201911394942.1A
Other languages
English (en)
Other versions
CN111177966A (zh
Inventor
王磊
刘亚儒
刘易斯
刘东亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN201911394942.1A priority Critical patent/CN111177966B/zh
Publication of CN111177966A publication Critical patent/CN111177966A/zh
Application granted granted Critical
Publication of CN111177966B publication Critical patent/CN111177966B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于贝叶斯理论的导弹结构不确定载荷区间重构方法，将不确定参数视为区间参数，利用BP神经网络映射载荷与响应之间的关系，结合已知样本载荷信息，基于贝叶斯理论寻找不确定载荷区间边界处的区间不确定点，以实现导弹结构不确定载荷区间重构。该方法首先随机选择若干不确定参数样本点，建立BP神经网络并进行网络训练，得到样本点处的样本载荷；然后，建立高斯过程代理模型，基于贝叶斯概率理论得到导弹结构不确定载荷的条件概率分布，进而构建下界采集函数及上界采集函数，选择最大化采集函数的区间不确定点为下一个样本点，得到新的样本载荷；不断更新样本载荷信息，最后利用所有样本载荷得到导弹结构不确定载荷的区间边界。

Description

一种基于贝叶斯理论的导弹结构不确定载荷区间重构方法
技术领域
本发明涉及航空航天技术领域，具体涉及一种基于贝叶斯理论的导弹结构不确定载荷区间重构方法。
背景技术
在工程实际中，许多结构无时无刻都承受着各式各样时变载荷的作用，比如导弹结构发射过程中的冲击载荷，飞行过程中的脉冲压力载荷等。严酷的载荷环境会导致结构破坏、力学性能下降等后果。因此，需要实时准确的获取结构的实际载荷，而直接测量外部载荷往往是非常困难甚至是不可能的。通过测量与被测载荷相关的参数，利用反求算法来间接获取载荷信息，是一种可行的方法，并具有广泛的应用前景。
经过几十年的研究，载荷重构领域已涌现出了大量的研究成果。根据重构数学模型的不同，可以将重构方法分为频域重构方法和时域重构方法。载荷的频域重构是利用结构动力学方程的傅里叶变换，形成输出响应与输入载荷的线性关系。载荷的时域重构是基于杜哈姆积分和模态分解，推导零初始条件下载荷重构的复杂卷积关系。随着计算机技术的发展，人工神经网络凭借着强大的学习记忆功能，可以利用复杂的拓扑结构映射载荷与响应之间的复杂函数关系，为结构动态载荷重构提供了新思路。
现有的大多数方法适用于结构有限元模型确定的情况，实际上，大量的不确定因素存在于载荷重构的各个环节，比如材料分散性、加工误差、建模误差等等。因此，如何考虑不确定因素的影响，对导弹结构所受的不确定载荷进行重构，是亟需解决的问题。根据不确定信息描述方法的不同，可以将不确定分析方法分为概率方法、模糊方法和区间方法。由于可获取的信息数据较少，区间不确定分析方法可以更好的应用于工程实际问题。区间分析方法中比较常用的是顶点法、基于泰勒级数展开的方法等，对复杂的载荷重构问题而言，不确定参数与待重构载荷的关系并不满足这些方法的适用条件。而贝叶斯推理源于人工智能领域，它的核心思想是通过对某些事件的观察，结合已知的知识或信念，通过一定的手段来获得关于未知事件的信息，目前已经成为表达和推断不确定信息的有效方法之一。
发明内容
本发明要解决的技术问题是：克服现有技术的不足，提供一种基于贝叶斯理论的导弹结构不确定载荷区间重构方法，该方法结合贝叶斯概率理论与BP神经网络，利用测量的结构响应重构作用于不确定导弹结构上的载荷区间边界。该方法的导弹结构不确定载荷区间重构过程简单明了、重构精度高、区间求解过程准确，可用于结构存在不确定参数并且关于不确定参数的实验数据或者信息较少的情况。
本发明采用的技术方案为：一种基于贝叶斯理论的导弹结构不确定载荷区间重构方法，该方法利用BP神经网络映射重构载荷与测点响应之间的函数关系，在已知样本载荷信息的条件下，基于贝叶斯概率理论寻找导弹结构不确定载荷区间边界处的区间不确定点，对导弹结构所受的不确定载荷进行区间重构，包括以下步骤：
第一步：建立导弹结构的有限元模型，确定导弹结构的不确定参数及不确定参数区间，随机选择导弹结构不确定参数区间中的若干个样本点，所述导弹结构不确定参数包括材料属性和几何尺寸；
第二步：构建BP神经网络，确定BP神经网络的初始参数，所述初始参数包括BP神经网络其中的网络层数、各层神经元数量、激励函数类型、最大训练次数、训练目标误差、网络学习速率；
第三步：确定不同类型的用于第二步所述的BP神经网络训练的训练载荷，通过有限元仿真计算在选择样本点处的测点训练响应，将测点训练响应作为输入数据，训练载荷作为输出数据，进行BP神经网络训练，并将实测响应输入至已训练好的BP神经网络，映射得到样本点处的载荷，所述响应包括加速度响应、速度响应、位移响应和应变响应，所述的映射得到的样本点处的载荷称为样本载荷；
第四步：假设导弹结构不确定载荷在不确定参数区间上服从高斯分布，建立高斯过程的代理模型，选择高斯过程的均值函数和方差函数，得到样本载荷的联合概率分布以及任一区间不确定点处载荷与样本载荷的联合概率分布，基于贝叶斯概率理论计算导弹结构不确定载荷在第三步所述的样本载荷信息下的条件概率分布；
第五步：在第四步所述高斯过程的概率代理模型的基础上，构建导弹结构不确定载荷区间的下界采集函数和上界采集函数，选择对当前样本载荷最优值有所提升的区间不确定点作为下一个样本点，从而得到新选择的样本点，其中对于求解导弹结构不确定载荷区间下界的下界采集函数而言，下一个样本点选择为比当前样本载荷最小值更小的位置，对于求解导弹结构不确定载荷区间上界的上界采集函数而言，下一个样本点选择为比当前样本载荷最大值更大的位置；
第六步：在新选择的样本点处进行第三步所述的BP神经网络训练，并重构该样本点处的载荷，将重构的该样本点处的载荷融入至原始的样本载荷信息中，更新样本载荷信息；
第七步：重复所述第四步、第五步、第六步，直至满足终止条件，选择全部样本载荷中的最小值作为导弹结构不确定载荷区间下界，全部样本载荷最大值作为导弹结构不确定载荷区间上界，从而实现导弹结构不确定载荷的区间重构，所述终止条件包括容差收敛条件和循环次数终止条件。
其中，所述的第二步中的BP神经网络，网络输入层神经元的数量等于结构响应测点的数量，网络输出层神经元的数量等于待重构载荷的数量；
所述第五步中，求解导弹结构不确定载荷区间的下界采集函数和上界采集函数的构造过程如下，首先建立下界奖励函数，若导弹结构不确定载荷比当前样本载荷最小值小时，奖励函数值取为两者差值的绝对值，否则，奖励函数值取为零；其次，建立上界奖励函数，若导弹结构不确定载荷比当前样本载荷最大值大时，奖励函数值取为两者差值的绝对值，否则，奖励函数值取为零；然后，在第四步所述的概率代理模型的基础上，分别求解奖励函数在样本载荷信息下的条件概率密度函数；最后，将所述的下界奖励函数的条件期望视为下界采集函数，将所述的上界奖励函数的条件期望视为上界采集函数，通过优化方法得到上界采集函数和下界采集函数取得最大值处区间的不确定点，作为下一个样本点。
本发明的原理在于：一种基于贝叶斯理论的导弹结构不确定载荷区间重构方法。对于具有不确定性的导弹结构，该方法将不确定参数视作区间参数，在每个参数不确定点处利用不同类型的训练载荷及训练载荷作用下的结构响应进行BP神经网络训练，输入实测响应即可得到每个不确定点处的载荷。随机选取若干不确定参数样本点，利用上述的BP神经网络得到这些样本点处的样本载荷；然后建立高斯过程概率代理模型，基于贝叶斯理论得到导弹结构不确定载荷在样本载荷信息下的条件概率分布；构建求解导弹结构不确定载荷区间的下界采集函数及上界采集函数，选择采集函数取得最大值处的不确定点做下一个样本点，再次通过BP神经网络得到该点处的载荷，并将其融入原始样本载荷信息中；不断更新样本载荷信息，直至满足终止条件，最终将全部样本载荷的最小值作为导弹结构不确定载荷区间下界，最大值作为导弹结构不确定载荷区间上界，以实现导弹结构不确定载荷的区间重构。
本发明与现有技术相比的优点在于：
(1)本发明通过BP神经网络映射导弹结构载荷与响应之间复杂的函数关系，无需傅里叶变换及卷积函数推导，可用于结构复杂的物理模型，分析过程简单明了，载荷重构过程稳定。
(2)本发明将导弹结构的不确定参数视为区间参数，仅知道参数的上界及下界即可，对不确定参数的数据信息要求较低。
(3)本发明基于贝叶斯理论得到不确定载荷区间边界，相比于传统的基于泰勒级数展开的区间分析方法而言，不会出现区间扩张现象，载荷重构区间可信度高。
附图说明
图1是本发明一种基于贝叶斯理论的导弹结构不确定载荷区间重构方法的流程示意图；
图2是本发明的导弹结构有限元示意图及受到的底部载荷的示意图；
图3是本发明的用于重构底部载荷F的训练载荷，其中(a)、(b)、(c)、(d)、(e)分别为五种不同的载荷；
图4是本发明的导弹结构底部载荷F的重构结果，其中(a)、(b)分别为工况1、工况2的重构结果；
图5是本发明的导弹结构有限元示意图及受到的侧部载荷的示意图；
图6是本发明的用于重构侧部载荷F1、F2的训练载荷，其中(a)、(b)、(c)、(d)、(e)分别为五种不同的载荷组合；
图7是本发明的导弹结构侧部载荷F1、F2的重构结果，其中(a)为工况1中F1的重构结果，(b)为工况1中F2的重构结果，(c)为工况2中F1的重构结果，(d)为工况2中F2的重构结果。
具体实施方式
下面结合附图以及具体实施例进一步说明本发明。
如图1所示，本发明的一种基于贝叶斯理论的导弹结构不确定载荷区间重构方法，利用BP神经网络映射重构载荷与测点响应之间的函数关系，在已知样本载荷信息的条件下，基于贝叶斯概率理论寻找导弹结构不确定载荷区间边界处的区间不确定点，对导弹结构所受的不确定载荷进行区间重构，包括以下步骤：
第一步：建立如图2、图4所示的导弹结构有限元模型，确定导弹结构的不确定参数b＝(bi)m及其区间范围
Figure GDA0003217532620000041
其中，b表示导弹结构不确定参数区间向量，bi表示第i个导弹结构不确定参数区间，
Figure GDA0003217532620000042
表示导弹结构不确定参数向量的区间边界，
Figure GDA0003217532620000043
表示第i个导弹结构不确定参数的区间边界，m表示导弹结构不确定参数的数量。随机选择导弹结构不确定参数区间中的若干个样本点b1,b2,…,bn，n表示样本点的数量。所述的导弹结构不确定参数包括材料属性和几何尺寸。
第二步：构建BP神经网络，确定BP神经网络的初始参数，所述的初始参数包括BP神经网络其中网络层数、各层神经元数量、激励函数类型、最大训练次数、训练目标误差、网络学习速率。其中，网络输入层神经元的数量等于结构响应测点的数量，网络输出层神经元的数量等于待重构载荷的数量，网络中间层的层数以及中间层神经元的数量根据待重构载荷及实测响应的数量决定，其他参数视载荷重构精度要求及问题复杂情况而定。
第三步：确定不同类型的用于第二步所述的BP神经网络训练的训练载荷，通过有限元仿真计算训练载荷作用下在选择样本点b1,b2,…,bn处的导弹结构的测点训练响应，将测点训练响应作为输入数据，训练载荷作为输出数据，进行BP神经网络训练，并将实测响应输入至已训练好的BP神经网络，映射得到样本点b1,b2,…,bn处的载荷，所述的响应包括加速度响应、速度响应、位移响应、应变响应。对于导弹结构在t时刻所受的第k个载荷fk(b,t)，在已知不确定参数样本点b1,b2,…,bn处重构的样本载荷为
Figure GDA0003217532620000051
记样本载荷信息为
Figure GDA0003217532620000052
第四步：假设导弹结构不确定载荷fk(b,t)在参数区间上服从高斯分布，即，fk(b,t)～gp(μ(b,t),k(b,b',t))，其中，gp表示多元高斯过程，b、b'表示不确定参数区间上的任意两个区间不确定点，μ(b,t)表示高斯过程的均值函数，k(b,b',t)表示区间不确定点b、b'处高斯过程的协方差函数。建立高斯过程代理模型，选择高斯过程的均值函数μ(b,t)和方差函数k(b,b',t)。本实施例中选择的均值函数为μ(b,t)＝0，选择的方差函数为平方指数协方差
Figure GDA0003217532620000053
其中，l是超参数。进而，得到样本载荷的联合概率分布Φ1:n(b,t)～N(0,K(t))，其中，K(t)表示由样本载荷构成的协方差矩阵，其第i行、第j列的元素为Ki,j(t)＝k(bi,bj,t)。假设b*为任意的区间不确定点，对应的载荷为
Figure GDA0003217532620000054
得到该不确定点处载荷
Figure GDA0003217532620000055
与样本载荷Φ1:n(b,t)的联合概率分布
Figure GDA0003217532620000056
其中，K*＝[k(b*,b1,t),k(b*,b2,t)，…，k(b*,bn,t)]，
Figure GDA0003217532620000057
表示K*的转置，且K**＝k(b*,b*,t)。基于贝叶斯概率理论计算在已知样本载荷信息下
Figure GDA0003217532620000058
的条件概率分布
Figure GDA0003217532620000059
为后续描述方便，记导弹结构不确定载荷的均值函数
Figure GDA0003217532620000061
为μ*，方差函数
Figure GDA0003217532620000062
为k*，标准差函数为
Figure GDA0003217532620000063
第五步：在第四步所述的概率代理模型的基础上，构建导弹结构不确定载荷区间的下界采集函数EIl及上界采集函数EIu，选择对当前样本载荷最优值有所提升的区间不确定点作为下一个样本点，从而得到新选择的样本点，其中，对于求解导弹结构不确定载荷区间下界的下界采集函数而言，下一个样本点选择为比当前样本载荷最小值更小的位置，对于求解导弹结构不确定载荷区间上界的上界采集函数而言，下一个样本点选择为比当前样本载荷最大值更大的位置。
其中，下界采集函数EIl的建立过程如下：首先定义下界奖励函数ul(b*,t)，若导弹结构不确定载荷比当前样本载荷最小值小时，奖励函数值取为两者差值的绝对值，否则，奖励函数值取为零，即：
Figure GDA0003217532620000064
其中，
Figure GDA0003217532620000065
表示当前样本载荷Φ1:n(b,t)中的最小值，即
Figure GDA0003217532620000066
求解下界奖励函数ul(b*,t)在样本载荷信息Φ1:n(t)下的条件概率密度函数：
Figure GDA0003217532620000067
下界采集函数EIl定义为EIl奖励函数ul(b*,t)的条件期望，即：
Figure GDA0003217532620000068
其中，E表示期望，
Figure GDA0003217532620000069
表示标准正态分布概率密度函数，φ表示标准正态分布累计密度函数。
为了平衡局部搜索与全局搜索之间的关系，在上式中加入平衡参数ξ1，下界采集函数EIl最终变为：
Figure GDA0003217532620000071
同样，对于上界采集函数EIu而言，定义下界奖励函数uu(b*,t)，若导弹结构不确定载荷比当前样本载荷最小值大时，奖励函数值取为两者差值的绝对值，否则，奖励函数值取为零。求解上界采集函数uu(b*,t)的条件概率密度函数及条件期望，引入平衡参数ξ2，则上界采集函数EIu可以构造为：
Figure GDA0003217532620000072
其中，
Figure GDA0003217532620000073
表示当前样本载荷Φ1:n(b,t)中的最大值，即
Figure GDA0003217532620000074
通过优化方法得到下界采集函数EIl、上界采集函数EIu取得最大值处的区间不确定点，作为寻找导弹结构不确定载荷区间下界、上界的下一个样本点bn+1，从而得到新选择的样本点。
第六步：在新选择的样本点处bn+1进行第三步所述的BP神经网络训练，并重构该样本点处的载荷
Figure GDA0003217532620000075
将该样本点处的载荷融入至原始样本载荷信息中，即Φ1:n(b,t)＝{Φ(b,t)，
Figure GDA0003217532620000076
中，更新样本载荷信息。
第七步：重复所述的第四步、第五步、第六步，直至满足终止条件，选择全部样本载荷中的最小值作为导弹结构不确定载荷区间下界f k(b,t)，全部样本载荷最大值作为导弹结构不确定载荷区间上界
Figure GDA0003217532620000077
从而实现导弹结构不确定载荷[f k(b,t),
Figure GDA0003217532620000078
]的区间重构，所述的终止条件包括容差收敛条件和循环次数终止条件。
实施例：
导弹结构的有限元模型如图2、图5所示，受到底部载荷F及侧部载荷F1、F2的作用。考虑导弹结构的材料分散性，选择弹性模量和密度为不确定参数，其中，弹性模量的取值范围是[106.4,117.6]GPa，密度的取值范围是[42275,4672.5]kg/m3。导弹结构所受真实载荷的表达式如表1所示，假设载荷的时间历程为0.05s，采样频率为1000Hz。用于重构导弹结构底部载荷F的训练载荷如图3所示，其中(a)、(b)、(c)、(d)、(e)分别为五种不同的载荷，用于重构导弹结构侧部载荷F1、F2的训练载荷如图6所示，其中(a)、(b)、(c)、(d)、(e)分别为五种不同的载荷组合，利用图2、图4中加载结点及其周围结点共25个结点的位移响应进行载荷重构。为了模拟导弹结构的真实飞行状态，在进行有限元仿真计算结构瞬态响应时进行惯性释放。导弹结构底部不确定载荷F的重构结果如图4所示，其中，(a)、(b)分别为工况1、工况2的重构结果；导弹结构侧部不确定载荷F1、F2的重构结果如图7所示，其中，(a)为工况1中F1的重构结果，(b)为工况1中F2的重构结果，(c)为工况2中F1的重构结果，(d)为工况2中F2的重构结果。
从以上实施例的结果可以看出，本发明能够对导弹结构不确定载荷进行区间重构，重构载荷与真实载荷从量级上及规律上均基本吻合，而且，重构的导弹结构不确定载荷区间没有区间扩张趋势，因此，本发明的一种基于贝叶斯理论的导弹结构不确定载荷区间重构方法具有较强的可行性。
表1
Figure GDA0003217532620000081
Figure GDA0003217532620000091
以上仅是本发明的具体步骤，对本发明的保护范围不构成任何限制；其可扩展应用于不确定载荷重构问题的领域，凡采用等同变换或者等效替换而形成的技术方案，均落在本发明权利保护范围之内。
本发明未详细阐述部分属于本领域技术人员的公知技术。

Claims (3)

1.一种基于贝叶斯理论的导弹结构不确定载荷区间重构方法，其特征在于：利用BP神经网络映射重构载荷与测点响应之间的函数关系，在已知样本载荷信息的条件下，基于贝叶斯概率理论寻找导弹结构不确定载荷区间边界处的区间不确定点，对导弹结构所受的不确定载荷进行区间重构，包括以下步骤：
第一步：建立导弹结构的有限元模型，确定导弹结构的不确定参数及不确定参数区间，随机选择导弹结构不确定参数区间中的若干个样本点，所述导弹结构不确定参数包括材料属性和几何尺寸；
第二步：构建BP神经网络，确定BP神经网络的初始参数，所述初始参数包括BP神经网络其中的网络层数、各层神经元数量、激励函数类型、最大训练次数、训练目标误差和网络学习速率；
第三步：确定不同类型的用于第二步所述的BP神经网络训练的训练载荷，通过有限元仿真计算在选择样本点处的测点训练响应，将测点训练响应作为输入数据，训练载荷作为输出数据，进行BP神经网络训练，并将实测响应输入至已训练好的BP神经网络，映射得到样本点处的载荷，所述响应包括加速度响应、速度响应、位移响应和应变响应，所述的映射得到的样本点处的载荷称为样本载荷；
第四步：基于导弹结构不确定载荷在不确定参数区间上服从高斯分布，建立高斯过程的代理模型，选择高斯过程的均值函数和方差函数，得到样本载荷的联合概率分布以及任一区间不确定点处载荷与样本载荷的联合概率分布，基于贝叶斯概率理论计算导弹结构不确定载荷在第三步所述的样本载荷下的条件概率分布；
第五步：在第四步所述高斯过程的概率代理模型的基础上，构建导弹结构不确定载荷区间的下界采集函数和上界采集函数，选择对当前样本载荷最优值有所提升的区间不确定点作为下一个样本点，得到新选择的样本点，其中对于求解导弹结构不确定载荷区间下界的下界采集函数而言，下一个样本点选择为比当前样本载荷最小值更小的位置，对于求解导弹结构不确定载荷区间上界的上界采集函数而言，下一个样本点选择为比当前样本载荷最大值更大的位置；
第六步：在新选择的样本点处进行第三步所述的BP神经网络训练，并重构该样本点处的载荷，将重构的该样本点处的载荷融入至原始的样本载荷信息中，更新样本载荷信息；
第七步：重复所述第四步、第五步、第六步，直至满足终止条件，选择全部样本载荷中的最小值作为导弹结构不确定载荷区间下界，全部样本载荷最大值作为导弹结构不确定载荷区间上界，从而实现导弹结构不确定载荷的区间重构，所述终止条件包括容差收敛条件和循环次数终止条件。
2.根据权利要求1所述的一种基于贝叶斯理论的导弹结构不确定载荷区间重构方法，其特征在于：所述的第二步中的BP神经网络，网络输入层神经元的数量等于结构响应测点的数量，网络输出层神经元的数量等于待重构载荷的数量。
3.根据权利要求1所述的一种基于贝叶斯理论的导弹结构不确定载荷区间重构方法，其特征在于：所述第五步中，求解导弹结构不确定载荷区间的下界采集函数和上界采集函数的构造过程如下：首先建立下界奖励函数，若导弹结构不确定载荷比当前样本载荷最小值小时，奖励函数值取为两者差值的绝对值，否则，奖励函数值取为零；其次，建立上界奖励函数，若导弹结构不确定载荷比当前样本载荷最大值大时，奖励函数值取为两者差值的绝对值，否则，奖励函数值取为零；然后，在第四步所述的概率代理模型的基础上，分别求解奖励函数在样本载荷信息下的条件概率密度函数；最后，将所述的下界奖励函数的条件期望视为下界采集函数，将所述的上界奖励函数的条件期望视为上界采集函数，通过优化方法得到上界采集函数和下界采集函数取得最大值处区间的不确定点，作为下一个样本点。
CN201911394942.1A 2019-12-30 2019-12-30 一种基于贝叶斯理论的导弹结构不确定载荷区间重构方法 Active CN111177966B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911394942.1A CN111177966B (zh) 2019-12-30 2019-12-30 一种基于贝叶斯理论的导弹结构不确定载荷区间重构方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911394942.1A CN111177966B (zh) 2019-12-30 2019-12-30 一种基于贝叶斯理论的导弹结构不确定载荷区间重构方法

Publications (2)

Publication Number Publication Date
CN111177966A CN111177966A (zh) 2020-05-19
CN111177966B true CN111177966B (zh) 2021-10-01

Family

ID=70647367

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911394942.1A Active CN111177966B (zh) 2019-12-30 2019-12-30 一种基于贝叶斯理论的导弹结构不确定载荷区间重构方法

Country Status (1)

Country Link
CN (1) CN111177966B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329139B (zh) * 2020-10-29 2022-09-30 上海宇航系统工程研究所 一种运载火箭一维分布载荷细化重构方法
CN113987745A (zh) * 2021-09-22 2022-01-28 东南大学 优化载荷样本点空间布局的抽样方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104077595A (zh) * 2014-06-15 2014-10-01 北京工业大学 基于贝叶斯正则化的深度学习网络图像识别方法
CN108052958A (zh) * 2017-11-09 2018-05-18 同济大学 基于已知激励且同时考虑环境激励影响的贝叶斯模态识别方法
CN108710713A (zh) * 2018-02-07 2018-10-26 北京航空航天大学 一种求解含区间参数结构的静力学响应的贝叶斯配点方法
CN108763604A (zh) * 2018-02-07 2018-11-06 北京航空航天大学 一种求解含区间参数复合材料结构静力学响应的径向基神经网络配点法
CN110362902A (zh) * 2019-07-02 2019-10-22 宁波大学 一种基于区间逐维分析的单源动载荷识别方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003081211A2 (en) * 2002-03-19 2003-10-02 Cengent Therapeutics, Inc. Discrete bayesian analysis of data
US7184993B2 (en) * 2003-06-10 2007-02-27 Microsoft Corporation Systems and methods for tractable variational approximation for interference in decision-graph Bayesian networks
US20120215450A1 (en) * 2011-02-23 2012-08-23 Board Of Regents, The University Of Texas System Distinguishing between sensor and process faults in a sensor network with minimal false alarms using a bayesian network based methodology

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104077595A (zh) * 2014-06-15 2014-10-01 北京工业大学 基于贝叶斯正则化的深度学习网络图像识别方法
CN108052958A (zh) * 2017-11-09 2018-05-18 同济大学 基于已知激励且同时考虑环境激励影响的贝叶斯模态识别方法
CN108710713A (zh) * 2018-02-07 2018-10-26 北京航空航天大学 一种求解含区间参数结构的静力学响应的贝叶斯配点方法
CN108763604A (zh) * 2018-02-07 2018-11-06 北京航空航天大学 一种求解含区间参数复合材料结构静力学响应的径向基神经网络配点法
CN110362902A (zh) * 2019-07-02 2019-10-22 宁波大学 一种基于区间逐维分析的单源动载荷识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Identifying elastoplastic parameters with Bayes’ theorem considering output error, input error and model uncertainty;H.Rappel 等;《Probabilistic Engineering Mechanics》;20190131;第28-41页 *
基于不确定性模型的结构动态载荷时域识别方法研究;王婷;《万方数据库》;20170815;第1-134页 *
基于贝叶斯理论的结构响应重构方法研究;万志敏;《中国博士学位论文全文数据库 基础科学辑》;20160715;第A004-2页 *
贝时斯网参数学习中连续变量离散化方法研究;周旋 等;《计算机仿真》;20090930;第26卷(第9期);第136-139页 *

Also Published As

Publication number Publication date
CN111177966A (zh) 2020-05-19

Similar Documents

Publication Publication Date Title
Fekih et al. Neural networks based system identification techniques for model based fault detection of nonlinear systems
CN111177966B (zh) 一种基于贝叶斯理论的导弹结构不确定载荷区间重构方法
Yang et al. Aero engine fault diagnosis using an optimized extreme learning machine
CN111539132A (zh) 一种基于卷积神经网络的动载荷时域识别方法
CN114117840A (zh) 一种基于仿真和试验数据混合驱动的结构性能预测方法
Pappalardo et al. Identification of a dynamical model of the latching mechanism of an aircraft hatch door using the numerical algorithms for subspace state-space system identification
CN115455793A (zh) 基于多尺度模型修正的高层结构复杂构件受力分析方法
Ringwood et al. Identifying models using recorded data
CN114169396A (zh) 用于飞行器故障诊断的训练数据生成模型构建方法及应用
Joghataie et al. Designing high-precision fast nonlinear dam neuro-modelers and comparison with finite-element analysis
Zhang et al. A gradient-based reinforcement learning algorithm for multiple cooperative agents
CN111027133A (zh) 一种基于径向基神经网络的结构动态分布载荷识别方法
Plagianakos et al. Chaotic analysis of seismic time series and short term forecasting using neural networks
Moodi et al. On identification of nonlinear systems using Volterra kernels expansion on Laguerre and wavelet function
Bai et al. Correction of atmospheric model through data mining with historical data of two-line element
Rad et al. Hysteresis modeling for a shape memory alloy actuator using adaptive neuro-fuzzy inference system
Aksu et al. Training the multifeedback-layer neural network using the Particle Swarm Optimization algorithm
Fekih et al. Two neural net-learning methods for model based fault detection
RADBAKHSH et al. Physics-informed neural network for analyzing elastic beam behavior
Chakraverty Identification of structural parameters of two-storey shear buildings by the iterative training of neural networks
CN111291898A (zh) 一种多任务稀疏贝叶斯极限学习机回归方法
Li et al. Stochastic modelling of 1-D and 2-D terrain profiles using a polynomial chaos approach
Ganguli Fuzzy cognitive maps for structural damage detection
Dizaji et al. Nonlinear adaptive simulation of concrete gravity dams using generalized prandtl neural networks
Laily et al. A Novel Hybrid Mgstar-Rnn Model for Forecasting Spatio-Temporal Data

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