CN113591215A - 基于不确定性的异常卫星组件布局检测方法 - Google Patents
基于不确定性的异常卫星组件布局检测方法 Download PDFInfo
- Publication number
- CN113591215A CN113591215A CN202110837253.4A CN202110837253A CN113591215A CN 113591215 A CN113591215 A CN 113591215A CN 202110837253 A CN202110837253 A CN 202110837253A CN 113591215 A CN113591215 A CN 113591215A
- Authority
- CN
- China
- Prior art keywords
- layout
- temperature field
- satellite
- satellite component
- standard deviation
- 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
Images
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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Radio Relay Systems (AREA)
Abstract
本发明公开了一种基于不确定性的异常卫星组件布局检测方法,包括:构建深度神经网络模型;生成多个训练数据和多个测试数据;训练深度神经网络模型以拟合卫星组件布局与温度场的映射关系;利用已训练的深度神经网络模型对每个测试数据重复进行多次温度场预测,确定每个测试数据对应的多次温度场预测结果的标准差;将多个标准差的平均值作为当前卫星组件布局类型的临界标准差阈值;将待检测卫星组件布局重复输入深度神经网络模型进行多次温度场预测,根据多次温度场预测结果确定待检测卫星组件布局的温度场和待检测卫星组件布局是否为异常样本。本发明能够在利用深度神经网络模型进行卫星组件布局的温度场预测的同时,对卫星组件布局进行异常检测。
Description
技术领域
本发明涉及卫星布局设计技术领域,具体涉及一种基于不确定性的异常卫星组件布局检测方法。
背景技术
卫星技术在通信、遥感、导航、军事侦察等领域发挥着不可替代的重要作用,是目前工业领域的热点研究课题。为了满足卫星的总体性能,在确定卫星内部各组件的布局时通常要考虑在当前组件布局下的温度场是否满足设计要求,例如最大温度是否过高,特定位置温度是否过高等。因此,如何获得组件布局下的温度场是一个在进行卫星设计时需要解决的一个问题。对于如何获得组件布局下的温度场,目前主要采用两种方法,第一种方法是利用基于有限元分析的仿真软件计算得到组件布局的温度场,该方法通过对输入仿真软件的组件布局进行分析从而得到对应的温度场,当计算出的温度场不满足设计要求时,则不断迭代整个过程,最终得到温度场较优的卫星组件布局。第二种方法是利用基于深度神经网络的代理模型进行组件布局的温度场预测,该方法通过给定一定数量的包括组件布局及温度场的训练数据,通过构建和训练深度学习中的神经网络,得到卫星组件布局温度场的深度神经网络代理模型,基于该深度神经网络代理模型,在给定卫星组件布局后,能够利用该代理模型快速预测得到卫星组件布局对应的温度场。
然而,基于有限元分析的仿真计算方法决定了其单次仿真计算效率不会太高,在进行迭代之后,计算效率更是大幅降低,对于复杂组件布局的温度场的计算,计算成本和计算时间较长,卫星组件布局优化效率低。虽然利用基于神经网络的代理模型的预测方法能够实现卫星组件布局的温度场的快速预测,从而显著提高卫星组件布局优化效率,但是利用基于神经网络的代理模型的预测方法是一种数据驱动方法,每一个训练好的代理模型都只能预测与其训练数据相类似的组件布局。例如当训练数据中的布局中有20个组件,那么只能放入20个组件的布局进行预测,若将一个与训练数据条件不同的组件布局放入神经网络中去预测,代理模型虽然会预测出一个温度场,但是预测得到的温度场的误差很大,并且代理模型无法确定当前组件布局为与训练数据条件不同的异常组件布局。
发明内容
为解决上述现有技术中存在的部分或全部技术问题,本发明提供一种基于不确定性的异常卫星组件布局检测方法。
本发明的技术方案如下:
提供了一种基于不确定性的异常卫星组件布局检测方法,所述方法包括:
构建深度神经网络模型,其中,所述深度神经网络模型的输出层前设置有Dropout层;
生成多个训练数据和多个测试数据,其中,所述训练数据包括卫星组件布局及卫星组件布局对应的温度场,所述测试数据包括卫星组件布局;
利用所述训练数据训练所述深度神经网络模型以拟合卫星组件布局与温度场的映射关系;
利用已训练的所述深度神经网络模型对每个所述测试数据重复进行多次温度场预测,确定每个所述测试数据对应的多次温度场预测结果的标准差;
将多个所述标准差的平均值作为当前卫星组件布局类型的临界标准差阈值,其中,属于同一个卫星组件布局类型的每个卫星组件布局所包含的组件相同;
将待检测卫星组件布局重复输入所述深度神经网络模型,进行多次温度场预测,根据所述待检测卫星组件布局的多次温度场预测结果确定所述待检测卫星组件布局的温度场和所述待检测卫星组件布局是否为异常样本。
在一些可能的实现方式中,所述根据所述待检测卫星组件布局的多次温度场预测结果确定所述待检测卫星组件布局的温度场和所述待检测卫星组件布局是否为异常样本,包括:
计算所述待检测卫星组件布局的多次温度场预测结果的均值和标准差,将均值作为预测得到的所述待检测卫星组件布局的温度场,根据标准差与所述临界标准差阈值的大小关系,确定所述待检测卫星组件布局是否为异常样本。
在一些可能的实现方式中,所述根据标准差与所述临界标准差阈值的大小关系,确定所述待检测卫星组件布局是否为异常样本,包括:
若标准差小于或等于所述临界标准差阈值,则所述待检测卫星组件布局为正常样本;
若标准差大于所述临界标准差阈值,则所述待检测卫星组件布局为异常样本。
在一些可能的实现方式中,所述生成多个训练数据和多个测试数据,包括:
对组件布局设计区域进行网格划分,根据组件数量随机挑选组件布局设计区域的相应数量的网格放置组件得到一个卫星组件布局,利用有限元分析方法计算卫星组件布局对应的温度场,获取一个包括卫星组件布局及卫星组件布局对应的温度场的训练数据,重复多次随机获取过程直至获得第一预设数量的训练数据;
根据组件数量随机挑选组件布局设计区域的相应数量的网格放置组件得到一个卫星组件布局,获取一个包括卫星组件布局的测试数据,重复多次随机获取过程直至获得第二预设数量的测试数据。
在一些可能的实现方式中,所述临界标准差阈值利用以下公式一计算确定;
其中,σ0表示临界标准差阈值,n2表示测试数据数,σj表示第j个测试数据对应的多次温度场预测结果的标准差。
在一些可能的实现方式中,卫星组件布局对应的多次温度场预测结果的标准差利用以下公式二计算确定;
本发明技术方案的主要优点如下:
本发明的基于不确定性的异常卫星组件布局检测方法通过构建能够量化不确定性的深度神经网络模型,并利用测试数据的温度场预测结果的标准差确定临界标准差阈值以对深度神经网络模型的不确定性进行量化,能够在利用深度神经网络模型进行卫星组件布局的温度场预测的同时,对卫星组件布局进行异常检测并确定相应检测结果。
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为本发明一实施例的基于不确定性的异常卫星组件布局检测方法的流程图;
图2为本发明一实施例的一种组件布局设计区域离散示意图;
图3为本发明一实施例的一种异常组件布局对比示意图;
图4为本发明一实施例的另一种异常组件布局对比示意图;
图5为本发明一实施例的又一种异常组件布局对比示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本发明的一部分实施例,而不是全部的实施例。基于本发明的实施例,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。
以下结合附图,详细说明本发明实施例提供的技术方案。
参见图1,本发明一实施例提供了一种基于不确定性的异常卫星组件布局检测方法,该方法包括以下步骤:
步骤100,构建深度神经网络模型,其中,深度神经网络模型的输出层前设置有Dropout层;
步骤200,生成多个训练数据和多个测试数据,其中,训练数据包括卫星组件布局及卫星组件布局对应的温度场,测试数据包括卫星组件布局;
步骤300,利用训练数据训练深度神经网络模型以拟合卫星组件布局与温度场的映射关系;
步骤400,利用已训练的深度神经网络模型对每个测试数据重复进行多次温度场预测,确定每个测试数据对应的多次温度场预测结果的标准差;
步骤500,将多个标准差的平均值作为当前卫星组件布局类型的临界标准差阈值,其中,属于同一个卫星组件布局类型的每个卫星组件布局所包含的组件相同;
步骤600,将待检测卫星组件布局重复输入深度神经网络模型,进行多次温度场预测,根据待检测卫星组件布局的多次温度场预测结果确定待检测卫星组件布局的温度场和待检测卫星组件布局是否为异常样本。
本发明一实施例提供的基于不确定性的异常卫星组件布局检测方法通过构建能够量化不确定性的深度神经网络模型,并利用测试数据的温度场预测结果的标准差确定临界标准差阈值以对深度神经网络模型的不确定性进行量化,能够在利用深度神经网络模型进行卫星组件布局的温度场预测的同时,对卫星组件布局进行异常检测并确定相应检测结果。
以下对本发明一实施例提供的基于不确定性的异常卫星组件布局检测方法的步骤及原理进行具体说明。
步骤100,构建深度神经网络模型,其中,深度神经网络模型的输出层前设置有Dropout层。
本发明一实施例中,通过在深度神经网络模型的输出层前设置Dropout层,能够使深度神经网络模型具有可以量化不确定性的能力。
步骤200,生成多个训练数据和多个测试数据,其中,训练数据包括卫星组件布局及卫星组件布局对应的温度场,测试数据包括卫星组件布局。
具体地,本发明一实施例中,生成多个训练数据和多个测试数据,包括:
对组件布局设计区域进行网格划分,根据组件数量随机挑选组件布局设计区域的相应数量的网格放置组件得到一个卫星组件布局,利用有限元分析方法计算卫星组件布局对应的温度场,获取一个包括卫星组件布局及卫星组件布局对应的温度场的训练数据,重复多次随机获取过程直至获得第一预设数量的训练数据;
根据组件数量随机挑选组件布局设计区域的相应数量的网格放置组件得到一个卫星组件布局,获取一个包括卫星组件布局的测试数据,重复多次随机获取过程直至获得第二预设数量的测试数据。
其中,组件布局设计区域由实际布局需求确定,例如组件布局设计区域可以为方形布局设计区域,如图2所示,此时可以将方形布局设计区域划分为M1×M2网格,每个网格最多可以放置一个组件。组件布局设计区域划分的网格数根据组件布局设计要求的分辨率和精度确定,当要求的分辨率和精度较高,所划分的网格数越多,即网格划分越精细。
为了确保训练得到的深度神经网络模型的预测精度,不同训练数据的卫星组件布局互不相同,不同测试数据的卫星组件布局互不相同,不同训练数据与不同测试数据的卫星组件布局也互不相同。
步骤300,利用训练数据训练深度神经网络模型以拟合卫星组件布局与温度场的映射关系。
本发明一实施例中,可以采用特征金字塔网络(Feature Pyramid Network,FPN)或者U-Net卷积神经网络作为深度神经网络模型来拟合卫星组件布局与温度场的映射关系,并且深度神经网络模型的输出层前均设置有Dropout层。通过利用上述获取的训练数据对深度神经网络模型进行训练,能够使深度神经网络模型学习到训练数据中的物理规律,从而得到一个具有较强泛化能力的神经网络,可以实现对卫星组件布局对应的温度场进行快速和高精度预测。
步骤400,利用已训练的深度神经网络模型对每个测试数据重复进行多次温度场预测,确定每个测试数据对应的多次温度场预测结果的标准差。
具体地,先利用训练数据训练深度神经网络模型,使深度神经网络模型达到所需预测精度后,再利用测试数据对深度神经网络模型的预测能力进行检测,并确定每个测试数据对应的多次温度场预测结果的标准差,以对深度神经网络模型的不确定性进行量化。其中,在进行深度神经网络模型的训练和预测过程中,Dropout层始终保持打开状态。
本发明一实施例中,针对每个测试数据的卫星组件布局,利用深度神经网络模型重复预测多次,然后统计计算多次温度场预测结果的均值和标准差。
具体地,卫星组件布局对应的多次温度场预测结果的均值和标准差利用以下公式计算确定;
所得到的标准差σ即为深度神经网络模型对相应卫星组件布局对应的温度场预测的模型不确定性。
步骤500,将多个标准差的平均值作为当前卫星组件布局类型的临界标准差阈值,其中,属于同一个卫星组件布局类型的每个卫星组件布局所包含的组件相同。
由于利用基于神经网络的代理模型的预测方法是一种数据驱动方法,每一个训练好的代理模型都只能精确预测与其训练数据同属一个卫星组件布局类型的卫星组件布局对应的温度场。属于同一个卫星组件布局类型的每个卫星组件布局所包含的组件相同,所包含的组件相同表示所包含的组件数目和组件的发热功率相同。其中,组件的发热功率相同表示两个卫星组件布局包含的所有组件的发热功率能够一一对应,一个卫星组件布局内的不同组件的发热功率可以不同。
假设用于训练深度神经网络模型的训练数据中,相应的组件布局包括a个组件,每个组件以相同的功率发热。参见图3所示的异常组件布局对比示意图,当一个组件布局包含b个组件,b≠a,每个组件以相同的功率发热,则该组件布局为组件个数异常的异常组件布局。参见图4所示的异常组件布局对比示意图,当一个组件布局包含a个组件,每个组件以不同的功率发热,则该组件布局为组件功率异常的异常组件布局。参见图5所示的异常组件布局对比示意图,当一个组件布局包含b个组件,b≠a,每个组件以不同的功率发热,则该组件布局为组件个数和组件功率均异常的异常组件布局,其中,图4和图5中的黑色框格表示所放置组件的功率与白色框格不同。
本发明一实施例中,针对一个卫星组件布局类型,利用获得的测试数据和每个测试数据对应的多次温度场预测结果的标准差确定相应的临界标准差阈值。
具体地,利用临界标准差阈值利用以下公式确定;
式中,σ0表示临界标准差阈值,n2表示测试数据数,σj表示第j个测试数据对应的多次温度场预测结果的标准差。
步骤600,将待检测卫星组件布局重复输入深度神经网络模型,进行多次温度场预测,根据待检测卫星组件布局的多次温度场预测结果确定待检测卫星组件布局的温度场和待检测卫星组件布局是否为异常样本。
具体地,根据待检测卫星组件布局的多次温度场预测结果确定待检测卫星组件布局的温度场和待检测卫星组件布局是否为异常样本,包括:
计算待检测卫星组件布局的多次温度场预测结果的均值和标准差,将均值作为预测得到的待检测卫星组件布局的温度场,根据标准差与临界标准差阈值的大小关系,确定待检测卫星组件布局是否为异常样本。
其中,待检测卫星组件布局的多次温度场预测结果的均值和标准差可以利用上述公式二计算确定。
进一步地,根据标准差与临界标准差阈值的大小关系,确定待检测卫星组件布局是否为异常样本,包括:
若标准差小于或等于临界标准差阈值,则待检测卫星组件布局为正常样本;
若标准差大于临界标准差阈值,则待检测卫星组件布局为异常样本。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。此外,本文中“前”、“后”、“左”、“右”、“上”、“下”均以附图中表示的放置状态为参照(若存在)。
最后应说明的是:以上实施例仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种基于不确定性的异常卫星组件布局检测方法,其特征在于,包括:
构建深度神经网络模型,其中,所述深度神经网络模型的输出层前设置有Dropout层;
生成多个训练数据和多个测试数据,其中,所述训练数据包括卫星组件布局及卫星组件布局对应的温度场,所述测试数据包括卫星组件布局;
利用所述训练数据训练所述深度神经网络模型以拟合卫星组件布局与温度场的映射关系;
利用已训练的所述深度神经网络模型对每个所述测试数据重复进行多次温度场预测,确定每个所述测试数据对应的多次温度场预测结果的标准差;
将多个所述标准差的平均值作为当前卫星组件布局类型的临界标准差阈值,其中,属于同一个卫星组件布局类型的每个卫星组件布局所包含的组件相同;
将待检测卫星组件布局重复输入所述深度神经网络模型,进行多次温度场预测,根据所述待检测卫星组件布局的多次温度场预测结果确定所述待检测卫星组件布局的温度场和所述待检测卫星组件布局是否为异常样本。
2.根据权利要求1所述的基于不确定性的异常卫星组件布局检测方法,其特征在于,所述根据所述待检测卫星组件布局的多次温度场预测结果确定所述待检测卫星组件布局的温度场和所述待检测卫星组件布局是否为异常样本,包括:
计算所述待检测卫星组件布局的多次温度场预测结果的均值和标准差,将均值作为预测得到的所述待检测卫星组件布局的温度场,根据标准差与所述临界标准差阈值的大小关系,确定所述待检测卫星组件布局是否为异常样本。
3.根据权利要求2所述的基于不确定性的异常卫星组件布局检测方法,其特征在于,所述根据标准差与所述临界标准差阈值的大小关系,确定所述待检测卫星组件布局是否为异常样本,包括:
若标准差小于或等于所述临界标准差阈值,则所述待检测卫星组件布局为正常样本;
若标准差大于所述临界标准差阈值,则所述待检测卫星组件布局为异常样本。
4.根据权利要求1所述的基于不确定性的异常卫星组件布局检测方法,其特征在于,所述生成多个训练数据和多个测试数据,包括:
对组件布局设计区域进行网格划分,根据组件数量随机挑选组件布局设计区域的相应数量的网格放置组件得到一个卫星组件布局,利用有限元分析方法计算卫星组件布局对应的温度场,获取一个包括卫星组件布局及卫星组件布局对应的温度场的训练数据,重复多次随机获取过程直至获得第一预设数量的训练数据;
根据组件数量随机挑选组件布局设计区域的相应数量的网格放置组件得到一个卫星组件布局,获取一个包括卫星组件布局的测试数据,重复多次随机获取过程直至获得第二预设数量的测试数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110837253.4A CN113591215B (zh) | 2021-07-23 | 2021-07-23 | 基于不确定性的异常卫星组件布局检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110837253.4A CN113591215B (zh) | 2021-07-23 | 2021-07-23 | 基于不确定性的异常卫星组件布局检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113591215A true CN113591215A (zh) | 2021-11-02 |
CN113591215B CN113591215B (zh) | 2022-11-11 |
Family
ID=78249798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110837253.4A Active CN113591215B (zh) | 2021-07-23 | 2021-07-23 | 基于不确定性的异常卫星组件布局检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113591215B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114417653A (zh) * | 2021-12-16 | 2022-04-29 | 中国人民解放军军事科学院国防科技创新研究院 | 基于不确定性的卫星组件电路板热可靠性分析方法 |
CN114444379A (zh) * | 2021-12-28 | 2022-05-06 | 中国人民解放军军事科学院国防科技创新研究院 | 基于数据驱动深度学习的温度场重建方法 |
CN115392077A (zh) * | 2022-08-16 | 2022-11-25 | 中国人民解放军军事科学院国防科技创新研究院 | 基于深度学习的卫星物理场级数字孪生模型构建方法 |
CN117132903A (zh) * | 2023-10-26 | 2023-11-28 | 江苏云幕智造科技有限公司 | 一种基于深度迁移学习的旋转卫星组件识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507032A (zh) * | 2020-03-31 | 2020-08-07 | 中国人民解放军军事科学院国防科技创新研究院 | 基于深度学习技术预测温度分布的组件布局优化设计方法 |
CN112257321A (zh) * | 2020-10-27 | 2021-01-22 | 中国人民解放军军事科学院国防科技创新研究院 | 基于无监督学习的卫星组件温度场确定方法 |
-
2021
- 2021-07-23 CN CN202110837253.4A patent/CN113591215B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507032A (zh) * | 2020-03-31 | 2020-08-07 | 中国人民解放军军事科学院国防科技创新研究院 | 基于深度学习技术预测温度分布的组件布局优化设计方法 |
CN112257321A (zh) * | 2020-10-27 | 2021-01-22 | 中国人民解放军军事科学院国防科技创新研究院 | 基于无监督学习的卫星组件温度场确定方法 |
Non-Patent Citations (1)
Title |
---|
王倚文等: "基于GA-BP神经网络的BDS轨道误差模型研究", 《计算机仿真》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114417653A (zh) * | 2021-12-16 | 2022-04-29 | 中国人民解放军军事科学院国防科技创新研究院 | 基于不确定性的卫星组件电路板热可靠性分析方法 |
CN114417653B (zh) * | 2021-12-16 | 2024-04-12 | 中国人民解放军军事科学院国防科技创新研究院 | 基于不确定性的卫星组件电路板热可靠性分析方法 |
CN114444379A (zh) * | 2021-12-28 | 2022-05-06 | 中国人民解放军军事科学院国防科技创新研究院 | 基于数据驱动深度学习的温度场重建方法 |
CN115392077A (zh) * | 2022-08-16 | 2022-11-25 | 中国人民解放军军事科学院国防科技创新研究院 | 基于深度学习的卫星物理场级数字孪生模型构建方法 |
CN115392077B (zh) * | 2022-08-16 | 2023-07-25 | 中国人民解放军军事科学院国防科技创新研究院 | 基于深度学习的卫星物理场级数字孪生模型构建方法 |
CN117132903A (zh) * | 2023-10-26 | 2023-11-28 | 江苏云幕智造科技有限公司 | 一种基于深度迁移学习的旋转卫星组件识别方法 |
CN117132903B (zh) * | 2023-10-26 | 2024-01-23 | 江苏云幕智造科技有限公司 | 一种基于深度迁移学习的旋转卫星组件识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113591215B (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113591215B (zh) | 基于不确定性的异常卫星组件布局检测方法 | |
Chong et al. | Calibrating building energy simulation models: A review of the basics to guide future work | |
CN111507032B (zh) | 基于深度学习技术预测温度分布的组件布局优化设计方法 | |
Eisenhower et al. | A methodology for meta-model based optimization in building energy models | |
CN113792478B (zh) | 基于集成深度代理模型的热源布局温度场可靠性分析方法 | |
CN111814956B (zh) | 一种基于多维度二次特征提取的多任务学习的空气质量预测方法 | |
CN113177290B (zh) | 基于深度代理模型归一化的卫星组件温度场预测方法 | |
Baptista et al. | Hardware implementation of an artificial neural network model to predict the energy production of a photovoltaic system | |
Kumar et al. | Availability analysis of repairable mechanical systems using analytical semi-Markov approach | |
CN115310727B (zh) | 一种基于迁移学习的建筑冷热电负荷预测方法及系统 | |
CN111428419A (zh) | 悬浮泥沙浓度预测方法、装置、计算机设备和存储介质 | |
CN116108984A (zh) | 基于流量-poi因果关系推理的城市流量预测方法 | |
Yan et al. | Real-time localization of pollution source for urban water supply network in emergencies | |
CN113609763B (zh) | 基于不确定性的卫星组件布局温度场预测方法 | |
CN115438582A (zh) | 一种联合多要素和图注意力的pm2.5浓度预测方法 | |
Kumar et al. | Hyper‐parametric improved machine learning models for solar radiation forecasting | |
CN116960962A (zh) | 一种跨区域数据融合的中长期区域负荷预测方法 | |
CN116227389A (zh) | 气动热数据的预测方法及装置 | |
US9245067B2 (en) | Probabilistic method and system for testing a material | |
CN116522594A (zh) | 基于卷积神经网络的时间自适应暂态稳定预测方法及装置 | |
Chen et al. | From robust chip to smart building: CAD algorithms and methodologies for uncertainty analysis of building performance | |
Lin et al. | Smart building uncertainty analysis via adaptive Lasso | |
CN111143774B (zh) | 一种基于影响因素多状态模型的电力负荷预测方法和装置 | |
Liu et al. | Prediction of dam horizontal displacement based on CNN-LSTM and attention mechanism | |
CN113688506A (zh) | 基于微站等多维数据的潜在大气污染源识别方法 |
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 |