CN111291505B - 一种基于深度置信网络的翼型结冰冰形预测方法及装置 - Google Patents

一种基于深度置信网络的翼型结冰冰形预测方法及装置 Download PDF

Info

Publication number
CN111291505B
CN111291505B CN202010382051.0A CN202010382051A CN111291505B CN 111291505 B CN111291505 B CN 111291505B CN 202010382051 A CN202010382051 A CN 202010382051A CN 111291505 B CN111291505 B CN 111291505B
Authority
CN
China
Prior art keywords
confidence network
icing
deep confidence
network model
training
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
CN202010382051.0A
Other languages
English (en)
Other versions
CN111291505A (zh
Inventor
柴聪聪
易贤
王强
郭磊
王瑞林
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.)
Low Speed Aerodynamics Institute of China Aerodynamics Research and Development Center
Original Assignee
Low Speed Aerodynamics Institute of China Aerodynamics Research and Development Center
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 Low Speed Aerodynamics Institute of China Aerodynamics Research and Development Center filed Critical Low Speed Aerodynamics Institute of China Aerodynamics Research and Development Center
Priority to CN202010382051.0A priority Critical patent/CN111291505B/zh
Publication of CN111291505A publication Critical patent/CN111291505A/zh
Application granted granted Critical
Publication of CN111291505B publication Critical patent/CN111291505B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • 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
    • G06N3/045—Combinations of 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明适用于冰形预测技术领域，提供了一种基于深度置信网络的翼型结冰冰形预测方法及装置，包括如下步骤：预先构建和训练傅里叶系数深度置信网络模型、上下极限深度置信网络模型；将待预测的结冰条件进行数据归一化，得到归一化后的结冰条件；将归一化后的结冰条件输入所述傅里叶系数深度置信网络模型、上下极限深度置信网络模型；将ai、bi、ξu、ξl代入冰形曲线傅里叶级数展开式中，得到翼型结冰冰形曲线；傅里叶系数深度置信网络模型和上下极限深度置信网络模型由多个受限玻尔兹曼机和一个BP神经网络层构成。本发明极大地减少了网络训练的时间，提高了网络预测精度，解决了单纯的BP神经网络易发生梯度消失和局部最小的技术问题。

Description

一种基于深度置信网络的翼型结冰冰形预测方法及装置
技术领域
本发明属于冰形预测技术领域，尤其涉及一种基于深度置信网络的翼型结冰冰形预测方法及装置。
背景技术
飞机在低于零度的环境中飞行，如果遇到含有过冷水滴（即温度低于零度但仍保持液态的水滴）的云层，云层中的水滴撞击在飞机机翼表面，就会在碰撞区域及其附近发生结冰。飞机翼面结冰不仅增加了机翼部件的重量，还会改变机翼周围的流场分布、影响飞机气动性能,导致飞行阻力增加、最大升力减小、飞行失速迎角减小，给飞行安全带来危害，严重时可能导致坠机事故的发生。如果能够根据当前飞机所处的气象条件和飞行条件对翼面结冰进行快速预测，实时了解飞行过程中翼型的结冰情况和气动特性的变化，及时做出相应措施，有利于预防飞机事故的发生。
目前用于飞机翼型结冰及其气动特性预测的方法主要有飞行试验、结冰风洞试验和结冰数值模拟计算。其中通过飞行试验获取的试验数据真实可信，但试验周期长、耗资巨大并伴有一定的风险性。结冰风洞试验获取冰型数据相对飞行试验较为方便经济，试验预测结果也比较可靠，但其建造成本和试验费用高。结冰数值模拟计算所需时间和成本是三种方法中最少的，也是进行飞机结冰预测研究最常用的方法，结冰数值模拟计算是通过流场计算、水滴撞击特性计算以及结冰计算等过程，模拟结冰成长，基于已有的软件，结冰数值模拟计算所需成本大大降低，所需时间也比飞行试验和结冰风洞试验短，并且随着复杂物理模型的提出，其预测结果与结冰风洞试验结果的差异在逐渐减小，但是该种方法存在计算量大、网格划分过程较为繁琐等问题，此外预测的精度易受模型影响，尚未达到快速结冰预测的效果。基于人工神经网络的冰形预测（主要以BP网络为主）在试验数据的基础上通过多次训练网络模型不断逼近结冰条件和结冰冰形之间复杂的映射关系，实现了结冰冰形的快速预测，相比其他三种方法所需的计算资源少，算法易实现、易训练，但该类方法存在因样本有限和计算单元情况下对复杂函数表示能力不足的情况等问题，特别是BP网络预测易发生梯度消失和局部最小等问题。
发明内容
本发明的目的在于提供一种基于深度置信网络的翼型结冰冰形预测方法及装置，旨在解决现有技术中冰形预测的网络训练的时间长、网络的预测精度低等技术问题。
本发明是这样实现的，一种基于深度置信网络的翼型结冰冰形预测方法，包括如下步骤：
预先构建和训练傅里叶系数深度置信网络模型、上下极限深度置信网络模型；
将待预测的结冰条件进行数据归一化，得到归一化后的结冰条件；
将归一化后的结冰条件输入所述傅里叶系数深度置信网络模型，分别得到冰形曲线傅里叶级数展开式中的傅立叶级数正弦项
Figure DEST_PATH_IMAGE001
、傅立叶级数余弦项
Figure 854717DEST_PATH_IMAGE002
；将归一化后的结冰条件输入所述上下极限深度置信网络模型，得到冰形曲线傅里叶级数展开式中的上翼面结冰极限处对应的弧长ξu、下翼面结冰极限处所对应的弧长ξl；
将
Figure DEST_PATH_IMAGE003
、
Figure 489967DEST_PATH_IMAGE002
、ξu、ξl代入冰形曲线傅里叶级数展开式中，得到翼型结冰冰形曲线，所述冰形曲线傅里叶级数展开式为：
Figure DEST_PATH_IMAGE005
， 其中，m为傅里叶级数展开项个数，ξ为翼型表面弧长；
所述傅里叶系数深度置信网络模型和所述上下极限深度置信网络模型由多个受限玻尔兹曼机和一个BP神经网络层构成。
进一步地，所述结冰条件为：来流速度ν、环境温度T、液态水含量LWC、过冷水滴平均等效直径MVD和结冰时间t。
进一步地，所述傅里叶系数深度置信网络模型和所述上下极限深度置信网络模型通过样本数据进行训练，在训练前进行以下步骤：
将样本数据进行数据预处理，得到可以用来训练所述傅里叶系数深度置信网络模型和所述上下极限深度置信网络模型的有效样本数据；
将有效样本数据进行数据归一化，得到归一化后的样本数据；
将归一化后的样本数据划分为训练集和测试集，其中，所述训练集用于训练所述傅里叶系数深度置信网络模型和所述上下极限深度置信网络模型，所述测试集用于测试所述傅里叶系数深度置信网络模型和所述上下极限深度置信网络模型的性能。
进一步地，在所述将样本数据进行数据预处理的步骤中，包括以下步骤：
采用翼面坐标转换法提取样本数据的二维冰形曲线；
采用所述冰形曲线傅里叶级数展开式将所述样本数据的二维冰形曲线进行参数化。
进一步地，在所述将待预测的结冰条件进行数据归一化的步骤中，采用Z-score标准进行归一化，使待预测的结冰条件的均值为0、标准差为1；在所述将有效样本数据进行数据归一化的步骤中，采用Z-score标准进行归一化，使有效样本数据的均值为0、标准差为1。
进一步地，在将归一化后的样本数据划分为训练集和测试集的步骤中，将归一化后的样本数据中的85%划分为训练集，将归一化后的样本数据中的15%测试集。
进一步地，在训练所述傅里叶系数深度置信网络模型和所述上下极限深度置信网络模型通过样本数据的步骤中，包括受限玻尔兹曼机的无监督预训练，所述受限玻尔兹曼机的无监督预训练包括如下步骤：
使所有的受限玻尔兹曼机的权重偏差初始化；
对首个受限玻尔兹曼机进行前向训练，计算首个受限玻尔兹曼机的正向梯度；
对首个受限玻尔兹曼机进行反向重构，计算首个受限玻尔兹曼机的反向梯度；
计算首个受限玻尔兹曼机的对比散度，更新首个受限玻尔兹曼机的权重偏差；
计算首个受限玻尔兹曼机的误差；
当首个受限玻尔兹曼机的误差达到误差阈值或者首个受限玻尔兹曼机的迭代次数达到上限时，完成首个受限玻尔兹曼机的训练；
按照首个受限玻尔兹曼机的训练方式继续训练下一个受限玻尔兹曼机，直到所有的受限玻尔兹曼机训练完成。
进一步地，在完成受限玻尔兹曼机的无监督预训练后，进行有监督训练，所述有监督训练包括如下步骤：
在预训练好的最后一个受限玻尔兹曼机之后，加上一层BP神经网络层，构成所述傅里叶系数深度置信网络模型和所述上下极限深度置信网络模型；
使BP神经网络层的权重偏差初始化；
将所述傅里叶系数深度置信网络模型和所述上下极限深度置信网络模型中的多个受限玻尔兹曼机和BP神经网络层逐层前向传播，计算输出层的输出值；
将所述傅里叶系数深度置信网络模型和所述上下极限深度置信网络模型中的多个受限玻尔兹曼机和BP神经网络层逐层反向传播，计算输出层的输出值，更新所述傅里叶系数深度置信网络模型和所述上下极限深度置信网络模型中的参数；
当所述傅里叶系数深度置信网络模型和所述上下极限深度置信网络模型的误差达到误差阈值或者迭代次数达到上限时，完成所述傅里叶系数深度置信网络模型和所述上下极限深度置信网络模型的训练。
进一步地，所述受限玻尔兹曼机的个数为2。
本发明还提供了一种基于深度置信网络的翼型结冰冰形预测装置，其用于实现如上所述的翼型结冰冰形预测方法。
本发明相对于现有技术的技术效果是：
1.本发明分别构建了傅里叶系数深度置信网络模型和上下极限深度置信网络模型，傅里叶系数深度置信网络模型分别以
Figure 4125DEST_PATH_IMAGE003
、
Figure 602597DEST_PATH_IMAGE002
作为输出，上下极限深度置信网络模型以ξu和ξl作为输出，因此，极大地减少了网络训练的时间增加，提高了网络的预测精度；
2.本发明的傅里叶系数深度置信网络模型和上下极限深度置信网络模型由多个受限玻尔兹曼机和一个BP神经网络层构成，上一个RBM的隐藏层为下一个RBM的可视层，BP神经网络层设置在最后一个RBM之后，解决了单纯的BP神经网络易发生梯度消失和局部最小的技术问题，提高了网络的预测精度；
3.本发明中，利用翼面坐标转换的方法提取冰形曲线，因此能够同时适用对称翼型和非对称翼型的预测。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明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，下面所描述的附图仅仅是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。
图1是本发明的基于深度置信网络的翼型结冰冰形预测方法的流程示意图；
图2是本发明的傅里叶系数深度置信网络模型的结构图；
图3是本发明的上下极限深度置信网络模型的结构图；
图4是本发明的训练前进行的步骤；
图5是本发明的无监督预训练的流程示意图；
图6是本发明的有监督训练的流程示意图；
图7是本发明的ξ-η坐标系中的冰形；
图8是本发明的返回到翼型表面的冰形。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。
如图1所示为本发明的基于深度置信网络的翼型结冰冰形预测方法的流程示意图，该方法包括如下步骤：
预先构建和训练傅里叶系数深度置信网络模型、上下极限深度置信网络模型；
将待预测的结冰条件进行数据归一化，得到归一化后的结冰条件；
将归一化后的结冰条件输入所述傅里叶系数深度置信网络模型，分别得到冰形曲线傅里叶级数展开式中的傅立叶级数正弦项
Figure 682548DEST_PATH_IMAGE001
、傅立叶级数余弦项
Figure 505010DEST_PATH_IMAGE002
；将归一化后的结冰条件输入所述上下极限深度置信网络模型，得到冰形曲线傅里叶级数展开式中的上翼面结冰极限处对应的弧长ξu 、下翼面结冰极限处所对应的弧长ξl；
将
Figure 975306DEST_PATH_IMAGE003
、
Figure 439785DEST_PATH_IMAGE002
、ξu、ξl代入冰形曲线傅里叶级数展开式中，得到翼型结冰冰形曲线，所述冰形曲线傅里叶级数展开式为：
Figure 572913DEST_PATH_IMAGE005
， 其中， m为傅里叶级数展开项个数，ξ为翼型表面弧长；
所述傅里叶系数深度置信网络模型和所述上下极限深度置信网络模型由多个受限玻尔兹曼机和一个BP神经网络层构成。受限玻尔兹曼机又称RBM，由可视层和隐藏层组成，其中可视层和隐藏层之间是全连接的。
以2个RBM加一个BP神经网络层组成的深度置信网络模型为例，此处的深度置信网络模型统称为DBN-DNN，如图2和3所示为DBN-DNN的网络结构图，其中，图2为傅里叶系数深度置信网络模型的结构图，图3为上下极限深度置信网络模型的结构图，其中，上一个RBM的隐藏层为下一个RBM的可视层，BP神经网络层设置在最后一个RBM之后。
在将待预测的结冰条件进行数据归一化时，由于结冰条件中的参数的量纲不同，数量级别相差较大，为使计算方便以及防止部分神经元达到过饱和状态，采用Z-score标准进行归一化，使待预测的结冰条件的均值为0、标准差为1，具体地：
Figure 831856DEST_PATH_IMAGE006
Figure DEST_PATH_IMAGE007
Figure 55027DEST_PATH_IMAGE008
Figure 995301DEST_PATH_IMAGE007
Figure 518686DEST_PATH_IMAGE010
其中，
Figure 214110DEST_PATH_IMAGE012
为标准化后的输入向量第j个条件的第i个样本值；xij为原始输入向 量第j个条件的第i个样本值；μj为第j个输入条件的均值；σj为第j个输入条件的标准差；N 为训练样本个数；m1为输入向量条件个数，这里m1通常等于5。通过以上公式将输入向量标准 化至均值为0标准差为1。在将待预测的结冰条件进行数据归一化步骤中，待预测的结冰条 件即为输入向量。
进一步地，所述结冰条件为：来流速度ν、环境温度T、液态水含量LWC、过冷水滴平均等效直径MVD和结冰时间t。
在使用深度置信网络模型之前，需要对深度置信网络模型进行训练，使其达到预期的效果。具体地，如图4所示为训练前进行的步骤：
所述傅里叶系数深度置信网络模型和所述上下极限深度置信网络模型通过样本数据进行训练，在训练前进行以下步骤：
将样本数据进行数据预处理，得到可以用来训练所述傅里叶系数深度置信网络模型和所述上下极限深度置信网络模型的有效样本数据；
将有效样本数据进行数据归一化，得到归一化后的样本数据；
将归一化后的样本数据划分为训练集和测试集，其中，所述训练集用于训练所述傅里叶系数深度置信网络模型和所述上下极限深度置信网络模型，所述测试集用于测试所述傅里叶系数深度置信网络模型和所述上下极限深度置信网络模型的性能。
其中，样本数据可以采用以下方式获取：
利用SIMPLE方法求解低速粘流时均N-S方程进行流场计算，之后进行部件表面水滴运动及撞击特性计算，最后基于改进的Messinger结冰热力学模型开展结冰计算。一共得到10000个结冰数据。
在所述将样本数据进行数据预处理的步骤中，包括以下步骤：
首先，采用翼面坐标转换法提取样本数据的二维冰形曲线；
具体地，为了适用对称翼型和非对称翼型预测，利用翼面坐标转换的方法提取冰形曲线：该方法以翼型前缘点作为原点，翼型表面弧长ζ作为横坐标，沿翼型表面外法线方向的结冰厚度η作为纵坐标，其中规定由前缘点沿上翼面的弧长为正，沿下翼面的弧长为负，建立ζ-η坐标。
其次，采用所述冰形曲线傅里叶级数展开式将所述样本数据的二维冰形曲线进行参数化；
具体地，先进行均匀插值，再利用上述冰形曲线傅里叶级数展开式对坐标转换后的冰形曲线进行拟合。
冰形曲线傅里叶级数展开式中：
Figure 658998DEST_PATH_IMAGE014
Figure 199700DEST_PATH_IMAGE016
通过实验验证，通常m选取为30，因此，傅立叶级数余弦项为31维，傅立叶级数正弦项为30维，上翼面结冰极限处对应的弧长、下翼面结冰极限处所对应的弧长为2维，所有输出变量的维数为63维，输入变量的维数通常为5维（即来流速度、环境温度、液态水含量、过冷水滴平均等效直径和结冰时间），可见，输出变量的维数远远大于输入变量的维数，如果直接以所有输出变量作为输出训练网络，这不但会导致网络训练的时间增加，而且影响网络的预测精度；因此，为防止此类问题的出现，本发明分别构建了傅里叶系数深度置信网络模型和上下极限深度置信网络模型，具体地，傅里叶系数深度置信网络模型分别以
Figure 295701DEST_PATH_IMAGE001
、
Figure 896447DEST_PATH_IMAGE002
作为输出，上下极限深度置信网络模型以ξu和ξl作为输出。因此，傅里叶系数深度置信网络模型的输出变量的维数分别为31维、30维，上下极限深度置信网络模型的输出变量的维数分别为2维，远小于原来的63维，极大地减少了网络训练的时间增加，提高了网络的预测精度。
在所述将有效样本数据进行数据归一化的步骤中，同样采用上述的Z-score标准进行归一化，使有效样本数据的均值为0、标准差为1。
进一步地，在将归一化后的样本数据划分为训练集和测试集的步骤中，将归一化后的样本数据中的85%划分为训练集，将归一化后的样本数据中的15%测试集。
进一步地，在训练所述傅里叶系数深度置信网络模型和所述上下极限深度置信网络模型通过样本数据的步骤中，包括受限玻尔兹曼机的无监督预训练，主要利用CD-k算法（这里k=1）更新权重偏差，通过批处理多次迭代进行训练，具体地，如图5所示为无监督预训练的流程示意图，所述受限玻尔兹曼机的无监督预训练包括如下步骤：
S11：使所有的受限玻尔兹曼机的权重偏差初始化；
Figure 828631DEST_PATH_IMAGE017
其中K为RBM个数，本发明中优选K=2；
Figure 173024DEST_PATH_IMAGE018
为第k个RBM的权重矩阵，
Figure 874264DEST_PATH_IMAGE019
是第k个RBM可视层的偏置向量，
Figure 911490DEST_PATH_IMAGE020
为第k个RBM隐藏层的偏置向量，V为第k个RBM可见层神经元个数，H为第k个RBM隐藏层神经元个数。
对
Figure 65391DEST_PATH_IMAGE021
进行Xavier的初始化，使其均匀分布在下式的区间。
Figure 213476DEST_PATH_IMAGE022
其中L为隐藏层层数，包括RBM的可视层、隐藏层以及最后的BP层，本发明中优选L=3；
Figure 18490DEST_PATH_IMAGE023
为第l个隐藏层的神经元个数，
Figure 226617DEST_PATH_IMAGE024
为第l+1个隐藏层的神经元个数。偏置向量初始化为0。
S12：对首个受限玻尔兹曼机进行前向训练，计算首个受限玻尔兹曼机的正向梯度；
计算RBM的隐藏层神经元概率并从这个概率分布中利用Gibbs采样得到隐藏层激活向量，并计算正向梯度。
Figure 664552DEST_PATH_IMAGE025
Figure 288431DEST_PATH_IMAGE026
Figure DEST_PATH_IMAGE027
其中
Figure 229842DEST_PATH_IMAGE028
。
S13：对首个受限玻尔兹曼机进行反向重构，计算首个受限玻尔兹曼机的反向梯度；
通过
Figure DEST_PATH_IMAGE029
重构可视层
Figure 812133DEST_PATH_IMAGE030
，并对
Figure 2943DEST_PATH_IMAGE030
进行Gibbs采样得到RBM隐藏层的
Figure DEST_PATH_IMAGE031
，具体如下式：
Figure 945360DEST_PATH_IMAGE032
Figure DEST_PATH_IMAGE033
Figure 475699DEST_PATH_IMAGE034
S14：计算首个受限玻尔兹曼机的对比散度，更新首个受限玻尔兹曼机的权重偏差：
Figure DEST_PATH_IMAGE035
Figure 963312DEST_PATH_IMAGE036
其中 α为训练RBM的学习率，本发明中优选α=0.01。
S15：计算首个受限玻尔兹曼机的误差；
计算
Figure 844680DEST_PATH_IMAGE030
与
Figure 872679DEST_PATH_IMAGE037
误差，并重复S11至S14，直到
Figure 319841DEST_PATH_IMAGE030
与
Figure 962044DEST_PATH_IMAGE037
的误差达到误差阈值或者迭代次数达到上限。当首个受限玻尔兹曼机的误差达到误差阈值或者首个受限玻尔兹曼机的迭代次数达到上限时，完成首个受限玻尔兹曼机的训练；
S16，将训练好的首个RBM的隐藏层作为下一个RBM的可视层，按照首个受限玻尔兹曼机的训练方式继续训练下一个受限玻尔兹曼机，直到所有的受限玻尔兹曼机训练完成。
进一步地，在完成受限玻尔兹曼机的无监督预训练后，进行有监督训练，如图6所示为有监督训练的流程示意图，所述有监督训练包括如下步骤：
S21：在预训练好的最后一个受限玻尔兹曼机之后，加上一层BP神经网络层，构成所述傅里叶系数深度置信网络模型和所述上下极限深度置信网络模型；
S22：使BP神经网络层的权重偏差初始化；其中，使BP神经网络层的权重偏差初始化的方式采用上述的使所有的受限玻尔兹曼机的权重偏差初始化的方式；
S23：将所述傅里叶系数深度置信网络模型和所述上下极限深度置信网络模型中的多个受限玻尔兹曼机和BP神经网络层逐层前向传播，计算输出层的输出值；具体地
将连接好的DBN-DNN进行逐层向上传播，一层一层地将隐藏层的神经元用sigmoid激活函数激活，最后计算的输出层利用线性函数激活，得到输出值：
Figure 127446DEST_PATH_IMAGE038
Figure DEST_PATH_IMAGE039
其中，
Figure 162398DEST_PATH_IMAGE040
为输出层的线性激活函数，
Figure DEST_PATH_IMAGE041
为输出层的输出值。
S24：将所述傅里叶系数深度置信网络模型和所述上下极限深度置信网络模型中的多个受限玻尔兹曼机和BP神经网络层逐层反向传播，计算输出层的输出值，更新所述傅里叶系数深度置信网络模型和所述上下极限深度置信网络模型中的参数；
本发明中，采用均方误差（MSE）作为代价函数的Adam算法来更新整个网络的参数，代价函数为：
Figure 932908DEST_PATH_IMAGE042
其中，N为训练样本数量，i为样本索引，
Figure DEST_PATH_IMAGE043
和
Figure 496744DEST_PATH_IMAGE044
为网络输出层的输出和真实输出。
采用Adam算法更新的网络权重和偏差参数下式所示：
Figure 149442DEST_PATH_IMAGE045
其中λ是学习率，初始值为0.1。通过多次迭代训练，当所述傅里叶系数深度置信网络模型和所述上下极限深度置信网络模型的误差达到误差阈值或者迭代次数达到上限时，完成所述傅里叶系数深度置信网络模型和所述上下极限深度置信网络模型的训练。
本发明还提供了一种基于深度置信网络的翼型结冰冰形预测装置，其用于实现如上所述的翼型结冰冰形预测方法。
本发明以NACA0012机翼为例进行相关预测，如图7所示为ξ-η坐标系中的冰形，如图8所示为返回到翼型表面的冰形，可以看出，通过本发明的基于深度置信网络的翼型结冰冰形预测方法，可以非常接近于原始的冰形曲线。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于深度置信网络的翼型结冰冰形预测方法，其特征在于，包括如下步骤：
预先构建和训练傅里叶系数深度置信网络模型、上下极限深度置信网络模型；
将待预测的结冰条件进行数据归一化，得到归一化后的结冰条件；
将归一化后的结冰条件输入所述傅里叶系数深度置信网络模型，分别得到冰形曲线傅里叶级数展开式中的傅立叶级数正弦项ai、傅立叶级数余弦项bi；将归一化后的结冰条件输入所述上下极限深度置信网络模型，得到冰形曲线傅里叶级数展开式中的上翼面结冰极限处对应的弧长ξu、下翼面结冰极限处所对应的弧长ξl；
将ai、bi、ξu、ξl代入冰形曲线傅里叶级数展开式中，得到翼型结冰冰形曲线，所述冰形曲线傅里叶级数展开式为：
Figure FDA0002633110070000011
其中，m为傅里叶级数展开项个数，ξ为翼型表面弧长；
所述傅里叶系数深度置信网络模型和所述上下极限深度置信网络模型由多个受限玻尔兹曼机和一个BP神经网络层构成；
所述傅里叶系数深度置信网络模型和所述上下极限深度置信网络模型通过样本数据进行训练，在训练前进行以下步骤：
将样本数据进行数据预处理，得到可以用来训练所述傅里叶系数深度置信网络模型和所述上下极限深度置信网络模型的有效样本数据；
将有效样本数据进行数据归一化，得到归一化后的样本数据；
将归一化后的样本数据划分为训练集和测试集，其中，所述训练集用于训练所述傅里叶系数深度置信网络模型和所述上下极限深度置信网络模型，所述测试集用于测试所述傅里叶系数深度置信网络模型和所述上下极限深度置信网络模型的性能；
在训练所述傅里叶系数深度置信网络模型和所述上下极限深度置信网络模型通过样本数据的步骤中，包括受限玻尔兹曼机的无监督预训练，所述受限玻尔兹曼机的无监督预训练包括如下步骤：
使所有的受限玻尔兹曼机的权重偏差初始化；
对首个受限玻尔兹曼机进行前向训练，计算首个受限玻尔兹曼机的正向梯度；
对首个受限玻尔兹曼机进行反向重构，计算首个受限玻尔兹曼机的反向梯度；
计算首个受限玻尔兹曼机的对比散度，更新首个受限玻尔兹曼机的权重偏差；
计算首个受限玻尔兹曼机的误差；
当首个受限玻尔兹曼机的误差达到误差阈值或者首个受限玻尔兹曼机的迭代次数达到上限时，完成首个受限玻尔兹曼机的训练；
按照首个受限玻尔兹曼机的训练方式继续训练下一个受限玻尔兹曼机，直到所有的受限玻尔兹曼机训练完成。
2.如权利要求1所述的一种基于深度置信网络的翼型结冰冰形预测方法，其特征在于，所述结冰条件为：来流速度ν、环境温度T、液态水含量LWC、过冷水滴平均等效直径MVD和结冰时间t。
3.如权利要求2所述的一种基于深度置信网络的翼型结冰冰形预测方法，其特征在于，在所述将样本数据进行数据预处理的步骤中，包括以下步骤：
采用翼面坐标转换法提取样本数据的二维冰形曲线；
采用所述冰形曲线傅里叶级数展开式将所述样本数据的二维冰形曲线进行参数化。
4.如权利要求1所述的一种基于深度置信网络的翼型结冰冰形预测方法，其特征在于，在所述将待预测的结冰条件进行数据归一化的步骤中，采用Z-score标准进行归一化，使待预测的结冰条件的均值为0、标准差为1；在所述将有效样本数据进行数据归一化的步骤中，采用Z-score标准进行归一化，使有效样本数据的均值为0、标准差为1。
5.如权利要求1所述的一种基于深度置信网络的翼型结冰冰形预测方法，其特征在于，在将归一化后的样本数据划分为训练集和测试集的步骤中，将归一化后的样本数据中的85％划分为训练集，将归一化后的样本数据中的15％测试集。
6.如权利要求1所述的一种基于深度置信网络的翼型结冰冰形预测方法，其特征在于，在完成受限玻尔兹曼机的无监督预训练后，进行有监督训练，所述有监督训练包括如下步骤：在预训练好的最后一个受限玻尔兹曼机之后，加上一层BP神经网络层，构成所述傅里叶系数深度置信网络模型和所述上下极限深度置信网络模型；
使BP神经网络层的权重偏差初始化；
将所述傅里叶系数深度置信网络模型和所述上下极限深度置信网络模型中的多个受限玻尔兹曼机和BP神经网络层逐层前向传播，计算输出层的输出值；
将所述傅里叶系数深度置信网络模型和所述上下极限深度置信网络模型中的多个受限玻尔兹曼机和BP神经网络层逐层反向传播，计算输出层的输出值，更新所述傅里叶系数深度置信网络模型和所述上下极限深度置信网络模型中的参数；
当所述傅里叶系数深度置信网络模型和所述上下极限深度置信网络模型的误差达到误差阈值或者迭代次数达到上限时，完成所述傅里叶系数深度置信网络模型和所述上下极限深度置信网络模型的训练。
7.如权利要求1所述的一种基于深度置信网络的翼型结冰冰形预测方法，其特征在于，所述受限玻尔兹曼机的个数为2。
8.一种基于深度置信网络的翼型结冰冰形预测装置，其特征在于，其用于实现如权利要求1-7任一所述的翼型结冰冰形预测方法。
CN202010382051.0A 2020-05-08 2020-05-08 一种基于深度置信网络的翼型结冰冰形预测方法及装置 Active CN111291505B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010382051.0A CN111291505B (zh) 2020-05-08 2020-05-08 一种基于深度置信网络的翼型结冰冰形预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010382051.0A CN111291505B (zh) 2020-05-08 2020-05-08 一种基于深度置信网络的翼型结冰冰形预测方法及装置

Publications (2)

Publication Number Publication Date
CN111291505A CN111291505A (zh) 2020-06-16
CN111291505B true CN111291505B (zh) 2020-10-09

Family

ID=71029675

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010382051.0A Active CN111291505B (zh) 2020-05-08 2020-05-08 一种基于深度置信网络的翼型结冰冰形预测方法及装置

Country Status (1)

Country Link
CN (1) CN111291505B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112784508A (zh) * 2021-02-12 2021-05-11 西北工业大学 一种基于深度学习的翼型流场快速预测方法
CN112562086B (zh) * 2021-02-22 2021-06-18 中国空气动力研究与发展中心低速空气动力研究所 一种冰形-模型曲面重构方法
CN113779904B (zh) * 2021-06-09 2023-04-25 中国空气动力研究与发展中心低速空气动力研究所 一种基于连续液膜与离散液膜耦合的结冰相变计算方法
CN113255251B (zh) * 2021-07-14 2021-09-17 中国空气动力研究与发展中心低速空气动力研究所 一种真实感冰型的渲染方法
CN113777931B (zh) * 2021-11-09 2022-02-11 中国空气动力研究与发展中心计算空气动力研究所 结冰翼型气动模型构造方法、装置、设备及介质
CN114549914B (zh) * 2022-04-24 2022-07-12 中国民航大学 一种飞机大面积结冰检测方法及检测系统
CN114757109B (zh) * 2022-06-14 2022-08-23 中国空气动力研究与发展中心低速空气动力研究所 一种进气道内外结冰参数关系的测试方法、系统
CN114877837B (zh) * 2022-07-11 2022-09-09 中国空气动力研究与发展中心低速空气动力研究所 一种基于远场声压级变化的结冰厚度测量方法及系统
CN115795696B (zh) * 2023-01-31 2023-05-26 中国空气动力研究与发展中心计算空气动力研究所 容冰翼型设计过程中冰形的生成方法、装置、设备及介质
CN116562192B (zh) * 2023-07-06 2023-09-12 中国空气动力研究与发展中心计算空气动力研究所 一种飞机结冰冰形预测方法、装置、设备及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104180980B (zh) * 2014-08-29 2017-04-12 空气动力学国家重点实验室 一种外置式风力机结冰探测器及风力机结冰探测方法
CN107219304B (zh) * 2017-07-20 2019-07-23 厦门大学 一种基于传感器网络的结构覆冰定量化监测方法
FR3077059B1 (fr) * 2018-01-24 2020-01-31 Airbus Operations Methode de detection de conditions givrantes pour un aeronef par apprentissage automatique supervise

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘栋 等.深度学习及其在图像物体分类与检测中的应用综述.《计算机科学》.2016,第43卷(第12期),第13-23页. *
张润 等.机器学习及其算法和发展研究.《中国传媒大学学报(自然科学版)》.2016,第23卷(第2期),第10-18、24页. *

Also Published As

Publication number Publication date
CN111291505A (zh) 2020-06-16

Similar Documents

Publication Publication Date Title
CN111291505B (zh) 一种基于深度置信网络的翼型结冰冰形预测方法及装置
CN110321603B (zh) 一种用于航空发动机气路故障诊断的深度计算模型
CN112699966B (zh) 基于深度迁移学习的雷达hrrp小样本目标识别预训练及微调方法
CN109523013B (zh) 基于浅层卷积神经网络的空气颗粒物污染程度估计方法
CN112859898B (zh) 一种基于双通道双向神经网络的飞行器轨迹预测方法
CN111815033A (zh) 一种基于rcnn和气象时序特征的海上风电功率预测方法
CN114048889A (zh) 基于长短期记忆网络的飞行器轨迹预测的方法
CN113269363A (zh) 一种高超声速飞行器的轨迹预测方法、系统、设备及介质
CN104459668A (zh) 基于深度学习网络的雷达目标识别方法
CN113238666B (zh) 基于麻雀搜索算法优化的gru的船舶运动姿态的预测方法
CN107092987B (zh) 一种中小型无人机自主着舰风速预测方法
CN108879732B (zh) 电力系统暂态稳定评估方法及装置
CN108983180A (zh) 一种群智能高精度的雷达海杂波预报系统
CN110516318B (zh) 基于径向基函数神经网络代理模型的翼型设计方法
CN113777931B (zh) 结冰翼型气动模型构造方法、装置、设备及介质
Jarry et al. Approach and landing aircraft on-board parameters estimation with lstm networks
CN104795063A (zh) 一种基于声学空间非线性流形结构的声学模型构建方法
CN115880497A (zh) 基于自编码器结合多层感知机的翼型结冰冰形预测方法
CN115659244A (zh) 故障预测方法、装置及存储介质
CN115964923A (zh) 一种基于VMD-PSO-LSTM的临近空间80-100km大气风速预报的建模方法
Rudy et al. Prediction of intermittent fluctuations from surface pressure measurements on a turbulent airfoil
CN117474168A (zh) 一种基于注意力机制的CNN-BiGRU的船舶轨迹预测方法及装置
CN117113870A (zh) 一种考虑风干扰的固定翼飞行器气动力建模方法
Zhang et al. Learning efficient sparse structures in speech recognition
CN112488146A (zh) 基于深度学习的飞机危险识别与趋势预测方法

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