CN111814386B - 一种高超声速流场导入bp神经网络进行精细化处理的方法及系统 - Google Patents

一种高超声速流场导入bp神经网络进行精细化处理的方法及系统 Download PDF

Info

Publication number
CN111814386B
CN111814386B CN202010509101.7A CN202010509101A CN111814386B CN 111814386 B CN111814386 B CN 111814386B CN 202010509101 A CN202010509101 A CN 202010509101A CN 111814386 B CN111814386 B CN 111814386B
Authority
CN
China
Prior art keywords
flow field
neural network
refractive index
density
output
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
CN202010509101.7A
Other languages
English (en)
Other versions
CN111814386A (zh
Inventor
谢锦宇
白璐
吕强
王岩坤
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.)
Xidian University
Original Assignee
Xidian 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 Xidian University filed Critical Xidian University
Priority to CN202010509101.7A priority Critical patent/CN111814386B/zh
Publication of CN111814386A publication Critical patent/CN111814386A/zh
Application granted granted Critical
Publication of CN111814386B publication Critical patent/CN111814386B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M9/00—Aerodynamic testing; Arrangements in or on wind tunnels
    • G01M9/08—Aerodynamic models
    • 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
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Fluid Mechanics (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Algebra (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于声速物理计算与人工智能相结合的技术领域，公开了一种声速流场导入BP神经网络进行精细化处理的方法及系统，采用误差反向神经网络算法，将较为稀疏的流场数据样本精细化，构成数据密集程度更大的折射率流场分布；以及采用收敛误差和取样点数，对窗口处的所述声速折射率六场分布进行精细化。本发明将较为稀疏的数据作为样本导入神经网络进行训练，采用了单隐含层进行神经网络的传播，计算到达输出层数时，输出层误差未达到指定要求时将改变每个神经元之间连接的权值时，重新进行计算；本发明当取样点更加密集后，尤其在激波附近的折射率分布更加平滑，更加清晰，保真度有着明显的提升，更贴近实际情况。

Description

一种高超声速流场导入BP神经网络进行精细化处理的方法及 系统
技术领域
本发明属于声速物理计算与人工智能相结合的技术领域，尤其涉及一种声速流场导入BP神经网络进行精细化处理的方法及系统。
背景技术
目前，对空间目标打击以及高超声速飞行器的研究越来越受到广泛的关注，高超声速飞行器在空间中高速飞行时，会压缩周围空气，形成高温绕流场激波，周围空气发生电离，形成等离子体鞘套，电磁波将难以穿透，这就使得光学与高超声速流场的耦合得以兴起，复杂的流场干扰光束传输，引起光束的波前畸变，被称为气动光学效应。光束在高超声速绕流场中传输多数采用射线追踪的方法来计算藐视误差、偏折角、光程差等量。其中最为重要的步骤就是获得流场的密度与折射率分布。
然而进行高超声速飞行器飞行的模拟实验通常采用风洞的方法，实验成本较高，同时数据采集过程也较为繁杂与困难，在局部位置需要较为精细的流场数据时，出现数据稀疏的情况。所以迫切需要一种精细化实验流场的方法，使得射线追踪方法探究气动光学效应的结果更加精确。
随着计算机计算能力的迅猛发展，机器学习不断走进大众视野，人工神经网络算法应用于各行各业。误差反向传播(Error Back Propagation，BP)神经网络是应用最为广泛的神经网络，它的输出结果以前向传播进行，误差采用反向传播方式进行。
现有重构高超声速流场的方法普遍采用插值法或是插值法的衍生方法，普遍存在精度不够，保真度低，或者是精度达到要求但计算时间过长，导致效率低下。而BP算法是保留权值进行流场的重构，重构过程迅速且精确度很高。
通过上述分析，现有技术存在的问题及缺陷为：(1)现有的高超声速流场实验成本较高，数据采样过程较为复杂，在飞行窗口位置需要精细流场数据时难以满足要求；
(2)对于光学传输而言，精细的折射率场往往是决定计算气动光学效应结果的决定性因素，流场若不极为精细，很难得到精确的结果；
(3)普通的插值法重构流场，精确度不高，若要达到所需精确度需要消耗非常大量的计算时间，效率过低。
解决以上问题及缺陷的难度为：
将高超声速流场数据与BP算法进行对接，构建出属于不同流场的神经网络的连接权值。
解决以上问题及缺陷的意义为：
提高流场精细程度，能够大大提高射线追踪计算结果的精度，对于激光制导精度方面有着极大的参考价值。
发明内容
针对现有技术存在的问题，本发明提供了一种高超声速流场导入BP神经网络进行精细化处理的方法及系统。将稀疏分布的高超声速流场导入BP神经网络进行精细化处理，得到精度更高的流场分布。
本发明是这样实现的，一种声速流场导入BP神经网络进行精细化处理的方法采用误差反向神经网络算法，将较为稀疏的流场数据样本精细化，构成数据密集程度更大的折射率流场分布，采用不同的收敛误差以及取样点数，精细化窗口处的折射率场分布。
具体包括以下步骤：
(1)运用仿真软件模拟出高速飞行器在高空飞行的气体流场密度的分布；
(2)将密度值转化为对应的折射率值。将密度转化为折射率的转化公式为G-D公式，G-D公式为n＝1+KGD·ρ；
(3)运用编程技术实现BP神经网络算法；
(4)将仿真得到的横纵坐标数据以及对应坐标的折射率输入神经网络算法；
(5)将输出的横纵坐标及坐标对应的折射率提取出来，重新构建流场，达到精细化流场的效果。
进一步，所述步骤(1)进一步包括：
建立类钝头的模型，在高空、以高超声速的飞行条件下进行飞行，仿真出类钝头的模型外流场的密度特性；
所述步骤(2)进一步包括：将仿真得到的流场的坐标及对应的密度提取出来，使用G-D公式将密度值转化为对应的折射率值；通用的G-D公式为：n＝1+KGD·ρ，其中其中λ的单位为μm。
所述步骤(3)进一步包括：
对BP神经网络算法进行编程，其算法的主要思想为输入训练样本，利用神经元之间的权值与激活函数计算输出值，输出值与样本值存在误差，将误差进行反向传播，调整权值，使得输出与样本接近，当均方误差ε小于指定误差δ时训练结束，并保留权值。
所述步骤(4)进一步包括：
(4a)将流场得到的横纵坐标归一化后作为样本输入层的输入BP神经网络；
(4b)将折射率作归一化处理，得到/>即为样本期望，样本期望将与输出层作比较得到它们之间的误差；/>与/>分别为横坐标x'与纵坐标y'归一化后的值，它们构成神经网络的输入层；/>为输出折射率，构成输出层；中间部分为隐含层，本实例设置的隐含层为1层，隐含层共有30个神经元，k＝30；
(4c)当计算出一个输出折射率它与期望值/>存在误差，此时的误差若大于指定的误差，误差将反向传播，重新调整神经元的之间的权重；
(4d)当权值调整之后重新进行计算，直到输出值与期望值之间的误差ε小于指定误差δ时停止计算，保存神经元之间连接的权值，训练结束；
(4e)当训练结束后进入预测阶段，重新输入大量间隔极小的坐标参数，通过训练保存下来的神经网络，即可输出坐标对应的误差ε小于指定误差δ的折射率值。
所述步骤(5)进一步包括：
将输出值进行反归一化并对应横纵坐标构成精细化的折射率流场。
本发明的另一目的在于提供一种声速流场导入BP神经网络进行精细化处理系统包括：
气体流场密度分布模拟模块，运用仿真软件模拟出高速飞行器在高空飞行的气体流场密度的分布；
转化公式获取模块，将密度值转化为对应的折射率值；将密度转化为折射率的转化公式为G-D公式；
BP神经网络算法编辑模块，运用编程技术实现BP神经网络算法；
流场精细化模块，将仿真得到的横纵坐标数据以及对应坐标的折射率输入神经网络算法；将输出的横纵坐标及坐标对应的折射率提取出来，重新构建流场，实现流场精细化。
本发明的另一目的在于提供一种接收用户输入程序存储介质，所存储的计算机程序使电子设备执行所述所述声速流场导入BP神经网络进行精细化处理的方法，包括下列步骤：
步骤1，运用仿真软件模拟出高速飞行器在高空飞行的气体流场密度的分布；
步骤2，将密度值转化为对应的折射率值；将密度转化为折射率的转化公式为G-D公式；
步骤3，运用编程技术实现BP神经网络算法；
步骤4，将仿真得到的横纵坐标数据以及对应坐标的折射率输入神经网络算法；
步骤5，将输出的横纵坐标及坐标对应的折射率提取出来，重新构建流场，实现流场精细化。
本发明的另一目的在于提供一种执行所述所述声速流场导入BP神经网络进行精细化处理的方法高超声速飞行器，所述高超声速飞行器搭载声速流场导入BP神经网络进行精细化处理系统，所述声速流场导入BP神经网络进行精细化处理系统包括：
气体流场密度分布模拟模块，运用仿真软件模拟出高速飞行器在高空飞行的气体流场密度的分布；
转化公式获取模块，将密度值转化为对应的折射率值；将密度转化为折射率的转化公式为G-D公式；
BP神经网络算法编辑模块，运用编程技术实现BP神经网络算法；
流场精细化模块，将仿真得到的横纵坐标数据以及对应坐标的折射率输入神经网络算法；将输出的横纵坐标及坐标对应的折射率提取出来，重新构建流场，实现流场精细化。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：
(1)计算精度高，采用误差反向传播的方式重置权值，当误差高于指定误差时，进行反向传播，保证精度；
(2)计算效率高，整个神经网络的计算只有权值和误差以及神经元作为神经网络的主要部分，中间变量少，采用的是输入输出制，而不是循环输入整合输出制，保证了计算效率；
(3)将稀疏的流场分布密集化，将原先得到的稀疏数据流场转化为数据密集流场，为后续解决物理问题起到极大帮助。
本发明在处理高超声速飞行器绕流场有着重要作用，采用BP神经网络算法将实验或者仿真得到稀疏流场进行精细化处理，得到高保真的流场分布，对处理高超声速后续问题起到奠基作用。
再者，本发明将较为稀疏的数据作为样本导入神经网络进行训练，采用了单隐含层进行神经网络的传播，计算到达输出层数时，输出层误差未达到指定要求时将改变每个神经元之间连接的权值时，重新进行计算。当样本与实际输出的归一化均方误差δ小于10-5时，对均方误差反归一处理后，对应的实际均方根误差已经满足要求，同时输入大量坐标，输出大量坐标对应折射率分布数据，精细化了折射率场的分布，获得了高保真的折射率场分布。
本发明的重点将物理结果与人工智能算法结合部分，最终精细化的结果对于不同的BP算法也会有所变化。同时折射率场是要进一步分析几何光学传输特性的，本发明中G-D公式中的KGD与波长λ相关，意味着对于每个波长的光束空气密度将会对其有不同的折射率，需要在计算之前考虑。如果不采用此方法，计算精度将难以保证，得到的流场精细化程度也难以保证，同时为达到精度耗费的成本将会大幅度提升。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，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是本发明实施例提供的声速流场导入BP神经网络进行精细化处理的方法流程图。
图2是本发明实施例提供的声速流场导入BP神经网络进行精细化处理的方法原理图。
图3是本发明实施例提供的精细化前的流场(110×110单元流场)。
图4是本发明实施例提供的精细化后的流场(1000×1000单元流场)图。
图5是本发明实施例提供梯度分层折射率场理论图。
图6是本发明实施例提供梯度分层折射率场重构图。
图7是本发明实施列提供高保真的折射率场分布结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种声速流场导入BP神经网络进行精细化处理的方法及系统，下面结合附图对本发明作详细的描述。
如图1所示，本发明提供的声速流场导入BP神经网络进行精细化处理的方法包括：
S101，运用仿真软件模拟出高速飞行器在高空飞行的气体流场密度的分布。
S102，将密度值转化为对应的折射率值。将密度转化为折射率的转化公式为G-D公式，G-D公式为n＝1+KGD·ρ。
S103，运用编程技术实现BP神经网络算法。
S104，将仿真得到的横纵坐标数据以及对应坐标的折射率输入神经网络算法。
S105，将输出的横纵坐标及坐标对应的折射率提取出来，重新构建流场，达到精细化流场的效果。
步骤S101中，在众多仿真软件中选取一个软件进行流体仿真，首先建立一个类钝头的模型，让其在高空、以高超声速的飞行条件下进行飞行，仿真出其外流场的密度特性。
步骤S102中，将仿真得到的流场的坐标及对应的密度提取出来，使用G-D公式将密度值转化为对应的折射率值。通用的G-D公式为：n＝1+KGD·ρ，其中其中λ的单位为μm。
步骤S103中，对BP神经网络算法进行编程，其算法的主要思想为输入训练样本，利用神经元之间的权值与激活函数计算输出值，输出值与样本值存在误差，将误差进行反向传播，调整权值，使得输出与样本期望尽可能接近，当均方误差ε小于指定误差δ时训练结束，并保留权值。
步骤S104中，将仿真得到的横纵坐标数据以及对应坐标的折射率输入神经网络算法。包括：
(4a)将流场得到的横纵坐标归一化后作为样本输入层的输入BP神经网络，
(4b)将折射率作归一化处理，得到/>即为样本期望，样本期望将与输出层/>作比较得到它们之间的误差。/>与/>分别为横坐标x'与纵坐标y'归一化后的值，它们构成神经网络的输入层。/>为输出折射率，构成输出层。中间部分为隐含层，本实例设置的隐含层为1层，隐含层共有30个神经元，即k＝30。
(4c)当计算出一个输出折射率它与期望值/>存在误差，此时的误差若大于指定的误差，误差将反向传播，重新调整神经元的之间的权重。
(4d)当权值调整之后重新进行计算，直到输出值与期望值之间的误差ε小于指定误差δ时停止计算，保存神经元之间连接的权值，训练结束。
(4e)当训练结束后进入预测阶段，重新输入大量间隔极小的坐标参数，通过训练保存下来的神经网络，即可输出坐标对应的误差ε小于指定误差δ的折射率值。
步骤S105中，将输出值进行反归一化并对应其横纵坐标即构成了规整且更加精细化的折射率流场。
本发明的重点在步骤步骤S104至步骤步骤S105，将物理结果与人工智能算法结合部分，最终精细化的结果对于不同的BP算法也会有所变化。同时折射率场是要进一步分析几何光学传输特性的，步骤S102中，中G-D公式中的KGD与波长λ相关，意味着对于每个波长的光束空气密度将会对其有不同的折射率，需要在计算之前考虑。
本发明将较为稀疏的数据作为样本导入神经网络进行训练，采用了单隐含层进行神经网络的传播，计算到达输出层数时，输出层误差未达到指定要求时将改变每个神经元之间连接的权值时，重新进行计算。当样本与实际输出的归一化均方误差δ小于10-5时，对均方误差反归一处理后，对应的实际均方根误差已经满足要求，同时输入大量坐标，输出大量坐标对应折射率分布数据，精细化了折射率场的分布，获得了高保真的折射率场分布。
本发明提供的转录因子结合位点搜索方法业内的普通技术人员还可以采用其他的步骤实施，图1的本发明提供的转录因子结合位点搜索方法仅仅是一个具体实施例而已。
图2是本发明实施例提供的声速流场导入BP神经网络进行精细化处理的方法原理图。
本发明还提供一种声速流场导入BP神经网络进行精细化处理系统包括：
气体流场密度分布模拟模块，运用仿真软件模拟出高速飞行器在高空飞行的气体流场密度的分布。
转化公式获取模块，将密度值转化为对应的折射率值；将密度转化为折射率的转化公式为G-D公式。
BP神经网络算法编辑模块，运用编程技术实现BP神经网络算法。
流场精细化模块，将仿真得到的横纵坐标数据以及对应坐标的折射率输入神经网络算法；将输出的横纵坐标及坐标对应的折射率提取出来，重新构建流场，实现流场精细化。
下面以一个实际算例对本方法的效果进行说明：
1)、算例使用的仿真软件与基本参数
使用的仿真软件为Ansys下的Fluent软件，采用的是ICEM建模与网格的剖分。
模型飞行的基本参数为：
飞行高度：20km，飞行速度：Ma＝3，周围空气压强：5.529×103Pa，周围空气温度：216.65K。
流场精度与精细化精度：
窗口处26.5cm×110cm的范围内将110×110组样本数据精细为1000×1000。
2)、数据结果
在窗口附近的原精度为110×110个单元，如图3，当取样点更加密集后，尤其在激波附近的折射率分布更加平滑，更加清晰，保真度有着明显的提升，当减小均方误差δ时，折射率场大幅度精细化，在激波附近层次结构更加明显，临近窗口处折射率也有较明显的分界，更贴近实际情况，数据更加保真，如图4，在很大程度上重现了折射率的分布情况的同时比原样本数据更加密集，对后续探讨气动光学效应的准确性提供了有效的数据保障。
下面结合效果对本发明作进一步描述。
本发明提出了一种误差反馈神经网络算法进行流场的精细化处理的方法。将较为稀疏的数据作为样本导入神经网络进行训练，采用了单隐含层进行神经网络的传播，计算到达输出层数时，输出层误差未达到指定要求时将改变每个神经元之间连接的权值时，重新进行计算。当样本与实际输出的归一化均方误差δ小于10-5时，对均方误差反归一处理后，对应的实际均方根误差已经满足要求，同时输入大量坐标，输出大量坐标对应折射率分布数据，精细化了折射率场的分布，获得了高保真的折射率场分布。获得的部分数据结果如图7.
首先构建一个折射率分层折射率场，共10层，流场区域大小为20cm×20cm，每层折射率递增0.05，从1.05增长到1.5，如图5所示，将理论场提取10000个采样点，采用本发明使用的方法，导入BP神经网络中，进行精细化处理重构折射率场，得到的结果如图6所示，由两图对比可以看出，用BP神经网络算法构建的折射率场比原本真实的折射率场精细程度更高，层次更加分明，同时也保证了每层各自的精度。验证了方法的正确性与准确性。
在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上；术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，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，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种声速流场导入BP神经网络进行精细化处理的方法，其特征在于，所述声速流场导入BP神经网络进行精细化处理的方法采用误差反向神经网络算法，将稀疏的声速流场数据样本进行精细化，构成数据密集程度更大的声速折射率流场分布；
以及采用收敛误差和取样点数，对窗口处的所述声速折射率六场分布进行精细化；
所述构成数据密集程度更大的声速折射率流场分布的方法进一步包括：
将稀疏的声速数据作为样本导入神经网络进行训练，采用单隐含层进行神经网络的传播，计算到达输出层数时，输出层误差未达到指定要求时将改变每个神经元之间连接的权值时，重新进行计算；当样本与实际输出的归一化均方误差δ小于10-5时，对均方误差反归一处理后，对应的实际均方根误差满足要求，同时输入大量坐标，输出大量坐标对应折射率分布数据；
所述声速流场导入BP神经网络进行精细化处理的方法进一步包括：
步骤一，运用仿真软件模拟出高速飞行器在高空飞行的气体流场密度的分布；
步骤二，将密度值转化为对应的折射率值；将密度转化为折射率的转化公式为G-D公式；
步骤三，运用编程技术实现BP神经网络算法；
步骤四，将仿真得到的横纵坐标数据以及对应坐标的折射率输入神经网络算法；
步骤五，将输出的横纵坐标及坐标对应的折射率提取出来，重新构建流场，实现流场精细化；
所述步骤四进一步包括：
(4a)将流场得到的横纵坐标归一化后作为样本输入层的输入BP神经网络；
(4b)将折射率作归一化处理，得到/>即为样本期望，样本期望将与输出层/>作比较得到它们之间的误差；/>与/>分别为横坐标x'与纵坐标y'归一化后的值，它们构成神经网络的输入层；/>为输出折射率，构成输出层；中间部分为隐含层，本实例设置的隐含层为1层，隐含层共有30个神经元，k＝30；
(4c)当计算出一个输出折射率它与期望值/>存在误差，此时的误差若大于指定的误差，误差将反向传播，重新调整神经元的之间的权重；
(4d)当权值调整之后重新进行计算，直到输出值与期望值之间的误差ε小于指定误差δ时停止计算，保存神经元之间连接的权值，训练结束；
(4e)当训练结束后进入预测阶段，重新输入大量间隔极小的坐标参数，通过训练保存下来的神经网络，即可输出坐标对应的误差ε小于指定误差δ的折射率值。
2.如权利要求1所述的声速流场导入BP神经网络进行精细化处理的方法，其特征在于，所述步骤一进一步包括：
建立类钝头的模型，在高空、以高超声速的飞行条件下进行飞行，仿真出类钝头的模型外流场的密度特性；
所述步骤二进一步包括：将仿真得到的流场的坐标及对应的密度提取出来，使用G-D公式将密度值转化为对应的折射率值；通用的G-D公式为：n＝1+KGD·ρ，其中其中λ的单位为μm。
3.如权利要求1所述的声速流场导入BP神经网络进行精细化处理的方法，其特征在于，所述步骤三进一步包括：
对BP神经网络算法进行编程，其算法的主要思想为输入训练样本，利用神经元之间的权值与激活函数计算输出值，输出值与样本值存在误差，将误差进行反向传播，调整权值，使得输出与样本接近，当均方误差ε小于指定误差δ时训练结束，并保留权值。
4.如权利要求1所述的声速流场导入BP神经网络进行精细化处理的方法，其特征在于，所述步骤五进一步包括：
将输出值进行反归一化并对应横纵坐标构成精细化的折射率流场。
5.一种如权利要求1～4任意一项所述声速流场导入BP神经网络进行精细化处理的方法的声速流场导入BP神经网络进行精细化处理系统，其特征在于，所述声速流场导入BP神经网络进行精细化处理系统包括：
气体流场密度分布模拟模块，运用仿真软件模拟出高速飞行器在高空飞行的气体流场密度的分布；
转化公式获取模块，将密度值转化为对应的折射率值；将密度转化为折射率的转化公式为G-D公式；
BP神经网络算法编辑模块，运用编程技术实现BP神经网络算法；
流场精细化模块，将仿真得到的横纵坐标数据以及对应坐标的折射率输入神经网络算法；将输出的横纵坐标及坐标对应的折射率提取出来，重新构建流场，实现流场精细化。
6.一种接收用户输入程序存储介质，所存储的计算机程序使电子设备执行权利要求1～4任意一项所述声速流场导入BP神经网络进行精细化处理的方法，包括下列步骤：
步骤1，运用仿真软件模拟出高速飞行器在高空飞行的气体流场密度的分布；
步骤2，将密度值转化为对应的折射率值；将密度转化为折射率的转化公式为G-D公式；
步骤3，运用编程技术实现BP神经网络算法；
步骤4，将仿真得到的横纵坐标数据以及对应坐标的折射率输入神经网络算法；
步骤5，将输出的横纵坐标及坐标对应的折射率提取出来，重新构建流场，实现流场精细化。
7.一种执行权利要求1～4任意一项所述声速流场导入BP神经网络进行精细化处理的方法高超声速飞行器，所述高超声速飞行器搭载声速流场导入BP神经网络进行精细化处理系统，所述声速流场导入BP神经网络进行精细化处理系统包括：
气体流场密度分布模拟模块，运用仿真软件模拟出高速飞行器在高空飞行的气体流场密度的分布；
转化公式获取模块，将密度值转化为对应的折射率值；将密度转化为折射率的转化公式为G-D公式；
BP神经网络算法编辑模块，运用编程技术实现BP神经网络算法；
流场精细化模块，将仿真得到的横纵坐标数据以及对应坐标的折射率输入神经网络算法；将输出的横纵坐标及坐标对应的折射率提取出来，重新构建流场，实现流场精细化。
CN202010509101.7A 2020-06-07 2020-06-07 一种高超声速流场导入bp神经网络进行精细化处理的方法及系统 Active CN111814386B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010509101.7A CN111814386B (zh) 2020-06-07 2020-06-07 一种高超声速流场导入bp神经网络进行精细化处理的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010509101.7A CN111814386B (zh) 2020-06-07 2020-06-07 一种高超声速流场导入bp神经网络进行精细化处理的方法及系统

Publications (2)

Publication Number Publication Date
CN111814386A CN111814386A (zh) 2020-10-23
CN111814386B true CN111814386B (zh) 2024-02-02

Family

ID=72844695

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010509101.7A Active CN111814386B (zh) 2020-06-07 2020-06-07 一种高超声速流场导入bp神经网络进行精细化处理的方法及系统

Country Status (1)

Country Link
CN (1) CN111814386B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112488125B (zh) * 2020-11-28 2021-12-14 重庆邮电大学 一种基于高速视觉诊断和bp神经网络的重建方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104239659A (zh) * 2013-06-07 2014-12-24 中国石油天然气集团公司 一种bp神经网络的碳钢腐蚀速率预测方法
WO2015172560A1 (zh) * 2014-05-16 2015-11-19 华南理工大学 基于bp神经网络的中央空调冷负荷的预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104239659A (zh) * 2013-06-07 2014-12-24 中国石油天然气集团公司 一种bp神经网络的碳钢腐蚀速率预测方法
WO2015172560A1 (zh) * 2014-05-16 2015-11-19 华南理工大学 基于bp神经网络的中央空调冷负荷的预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
BP神经网络的优化研究与应用;潘文婵;刘尚东;;计算机技术与发展(05);全文 *
应用Delaunay图映射与FFD技术的层流翼型气动优化设计;黄江涛;高正红;白俊强;赵轲;李静;许放;;航空学报(10);全文 *

Also Published As

Publication number Publication date
CN111814386A (zh) 2020-10-23

Similar Documents

Publication Publication Date Title
CN110738984B (zh) 人工智能cnn、lstm神经网络语音识别系统
US20210003700A1 (en) Method and apparatus for enhancing semantic features of sar image oriented small set of samples
US20180018555A1 (en) System and method for building artificial neural network architectures
WO2016101688A1 (zh) 一种基于深度长短期记忆循环神经网络的连续语音识别方法
EP3992975A1 (en) Compound property analysis method and apparatus, compound property analysis model training method, and storage medium
CN112686056B (zh) 一种情感分类方法
CN105701120A (zh) 确定语义匹配度的方法和装置
CN106297792A (zh) 一种语音口型动画的识别方法及装置
CN110096711A (zh) 序列全局关注和局部动态关注的自然语言语义匹配方法
He et al. Improved particle swarm optimization algorithms for aerodynamic shape optimization of high-speed train
CN112417746B (zh) 一种基于神经网络预测碰撞检测的方法
Biscarat et al. Towards a realistic track reconstruction algorithm based on graph neural networks for the HL-LHC
CN111814386B (zh) 一种高超声速流场导入bp神经网络进行精细化处理的方法及系统
Saffari et al. Fuzzy Grasshopper Optimization Algorithm: A Hybrid Technique for Tuning the Control Parameters of GOA Using Fuzzy System for Big Data Sonar Classification.
CN110991284A (zh) 一种基于场景预分类的光学遥感图像语句描述生成方法
CN102915448A (zh) 一种基于AdaBoost的三维模型自动分类方法
Wang et al. Framework of nacelle inverse design method based on improved generative adversarial networks
Zhao et al. Synchronously improving multi-user English translation ability by using AI
Haikun et al. Speech recognition model based on deep learning and application in pronunciation quality evaluation system
Li et al. Emotion recognition from speech with StarGAN and Dense‐DCNN
He et al. Design and Implementation of Embedded Real‐Time English Speech Recognition System Based on Big Data Analysis
CN115879412A (zh) 一种基于迁移学习的版图层级电路图尺寸参数优化方法
CN114048846A (zh) 一种实现文本分析的bi-gru神经网络电路及训练方法和使用方法
Hu et al. 3DACRNN Model Based on Residual Network for Speech Emotion Classification.
CN114139482A (zh) 一种基于深度度量学习的eda电路失效分析方法

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