CN113609763A - 基于不确定性的卫星组件布局温度场预测方法 - Google Patents
基于不确定性的卫星组件布局温度场预测方法 Download PDFInfo
- Publication number
- CN113609763A CN113609763A CN202110850313.6A CN202110850313A CN113609763A CN 113609763 A CN113609763 A CN 113609763A CN 202110850313 A CN202110850313 A CN 202110850313A CN 113609763 A CN113609763 A CN 113609763A
- Authority
- CN
- China
- Prior art keywords
- temperature field
- component layout
- satellite component
- pool data
- data set
- 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]
- G06F30/20—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
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于不确定性的卫星组件布局温度场预测方法,包括:S1,构建深度神经网络模型;S2,生成训练数据集和池数据集;S3,利用训练数据集训练深度神经网络模型;S4,利用模型对每个池数据重复进行多次温度场预测,计算多次预测结果的方差;S5,根据方差将池数据进行降序排列,选取位于前序的预设数量的池数据,将选取的池数据及对应的温度场作为新训练数据添加到训练数据集中,并将选取的池数据从池数据集中删除;S6,继续训练模型;S7,判断模型的预测精度是否达到预设要求;若否,利用模型对每个池数据重复进行多次温度场预测,计算多次预测结果的方差,返回步骤S5。本发明能够以少量的训练数据得到高精度的代理模型,降低计算成本。
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卫星组件布局温度场预测方法。
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,而确定最终卫星组件布局是一个迭代优化的过程,在进行迭代优化过程中,需要多次分析卫星组件布局温度场,使得优化效率大幅降低,并且对于复杂组件布局的温度场的计算,计算成本和计算时间还会随着复杂程度逐级增加。虽然利用基于深度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,但是为了保证得到的深度神经网络代理模型具有足够的预测精度,需要利用大量的训练数据训练深度神经网络模型,由于卫星研制成本高昂的特点,无法像传统领域(例如图像识别)那样简单获得大量的实验数据集去训练深度神经网络模型,每个训练数据的获取均耗费较多的计算资源和计算时间。并且,现有的基于深度神经网络的代理模型的预测方法在给定卫星组件布局后,仅能够给出一个肯定的温度场预测结果,并不能给出一个评价当前预测结果可信度的数据。而在实际工程应用中,数据可能存在噪声、神经网络模型参数与结构的可选性等多种不确定因素的影响,使得构建的深度神经网络模型存在一定的不确定性,而这种不确定性会对深度神经网络模型训练过程以及预测结果产生很大的影响。
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卫星组件布局温度场预测方法。
本发明的技术方案如下:
提供了一种基于不确定性的卫星组件布局温度场预测方法,所述方法包括以下步骤:
S1,构建深度神经网络模型;
S2,生成训练数据集和池数据集,其中,所述训练数据集包括多个训练数据,所述池数据集包括多个池数据,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,所述池数据包括卫星组件布局;
S3,利用所述训练数据集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;
S4,利用训练后的所述深度神经网络模型对所述池数据集中每个所述池数据的卫星组件布局重复进行多次温度场预测,并计算多次温度场预测结果的方差;
S5,根据每个所述池数据对应的方差将所述池数据进行降序排列,选取位于前序的预设数量的池数据,确定选取的池数据的卫星组件布局对应的温度场,将选取的池数据及对应的温度场作为新训练数据添加到所述训练数据集中,并将选取的池数据从所述池数据集中删除;
S6,利用更新后的所述训练数据集继续训练所述深度神经网络模型;
S7,判断训练后的所述深度神经网络模型的预测精度是否达到预设要求;
若是,将当前所述深度神经网络模型作为最终预测模型;
若否,利用训练后的所述深度神经网络模型对更新后的所述池数据集中每个所述池数据的卫星组件布局重复进行多次温度场预测,计算多次温度场预测结果的方差,并返回步骤S5。
在一些可选的实现方式中,在构建深度神经网络模型时,在所述深度神经网络模型的输出层前设置Dropout层,且Dropout层在所述深度神经网络模型的训练过程和预测过程中均保持打开状态。
在一些可选的实现方式中,所述生成训练数据集和池数据集,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,得到包括第一预设数量的训练数据的训练数据集;
基于划分网格后的组件布局设计区域,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池数据,重复多次随机获取过程直至获得第二预设数量的池数据,得到包括第二预设数量的池数据的池数据集。
在一些可选的实现方式中,多次温度场预测结果的方差利用以下公式计算;
在一些可选的实现方式中,多次温度场预测结果的均值利用以下公式计算;
在一些可选的实现方式中,在步骤S5中,利用有限元分析方法计算确定选取的池数据的卫星组件布局对应的温度场。
在一些可选的实现方式中,所述方法还包括以下步骤:
步骤S8,将待预测卫星组件布局重复输入所述最终预测模型进行多次温度场预测,计算多次温度场预测结果的均值和方差。
在一些可选的实现方式中,将所述待预测卫星组件布局的多次温度场预测结果的均值作为所述待预测卫星组件布局的最终预测温度场。
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卫星组件布局温度场预测方法基于生成的池数据对深度神经网络模型的预测不确定性进行分析量化,并利用不确定性分析量化结果对训练数据集和池数据集进行循环更新,以进行深度神经网络模型的循环训练,能够以较少的包括卫星组件布局及其对应的温度场的训练数据训练得到具有高预测精度的卫星组件布局温度场代理模型,减少计算资源消耗,降低计算成本。
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卫星组件布局温度场预测方法的流程图;
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。
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卫星组件布局温度场预测方法,该方法包括以下步骤:
S1,构建深度神经网络模型;
S2,生成训练数据集和池数据集,其中,训练数据集包括多个训练数据,池数据集包括多个池数据,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,池数据包括卫星组件布局;
S3,利用训练数据集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;
S4,利用训练后的深度神经网络模型对池数据集中每个池数据的卫星组件布局重复进行多次温度场预测,并计算多次温度场预测结果的方差;
S5,根据每个池数据对应的方差将池数据进行降序排列,选取位于前序的预设数量的池数据,确定选取的池数据的卫星组件布局对应的温度场,将选取的池数据及对应的温度场作为新训练数据添加到训练数据集中,并将选取的池数据从池数据集中删除;
S6,利用更新后的训练数据集继续训练深度神经网络模型;
S7,判断训练后的深度神经网络模型的预测精度是否达到预设要求;
若是,将当前深度神经网络模型作为最终预测模型;
若否,利用训练后的深度神经网络模型对更新后的池数据集中每个池数据的卫星组件布局重复进行多次温度场预测,计算多次温度场预测结果的方差,并返回步骤S5。
本发明一实施例提供的基于不确定性的卫星组件布局温度场预测方法基于生成的池数据对深度神经网络模型的预测不确定性进行分析量化,并利用不确定性分析量化结果对训练数据集和池数据集进行循环更新,以进行深度神经网络模型的循环训练,能够以较少的包括卫星组件布局及其对应的温度场的训练数据训练得到具有高预测精度的卫星组件布局温度场代理模型,减少计算资源消耗,降低计算成本。
以下本发明一实施例提供的基于不确定性的卫星组件布局温度场预测方法的步骤及原理进行具体说明。
步骤S1,构建深度神经网络模型。
本发明一实施例中,在构建深度神经网络模型时,在深度神经网络模型的输出层前设置Dropout层,且Dropout层在深度神经网络模型的训练过程和预测过程中均保持打开状态。
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S2,生成训练数据集和池数据集,其中,训练数据集包括多个训练数据,池数据集包括多个池数据,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,池数据包括卫星组件布局。
具体地,本发明一实施例中,生成训练数据集和池数据集,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xi,利用有限元分析方法计算卫星组件布局xi对应的温度场Ti,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(xi,Ti),重复多次随机获取过程直至获得第一预设数量n的训练数据,得到包括第一预设数量n的训练数据的训练数据集{(xi,Ti)|i=1,2,…,n};
基于划分网格后的组件布局设计区域,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x′j,获取一个包括卫星组件布局的池数据(x′j),重复多次随机获取过程直至获得第二预设数量N的池数据,得到包括第二预设数量N的池数据的池数据集{(x′j)|j=1,2,…,N}。
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。
其中,由于在后续进行深度神经网络模型的循环训练过程中,池数据集用于对深度神经网络模型对卫星组件布局对应温度场预测的模型不确定性进行分析量化,以及用于对训练数据集进行增加更新,为了提高深度神经网络模型的训练效率,池数据集中池数据的数量远大于训练数据集中训练数据的数量。可选的,N≥50n;例如,n=1000,N=50000。
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,不同池数据的卫星组件布局互不相同,不同训练数据与不同池数据的卫星组件布局也互不相同。
步骤S3,利用训练数据集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S4,利用训练后的深度神经网络模型对池数据集中每个池数据的卫星组件布局重复进行多次温度场预测,并计算多次温度场预测结果的方差。
具体地,在利用初始生成的训练数据集{(xi,Ti)|i=1,2,…,n}训练深度神经网络模型M0得到一次训练的深度神经网络模型M1后,将池数据集{(x′j)|j=1,2,…,N}中每个池数据(x′j)的卫星组件布局x′j重复输入深度神经网络模型M1进行多次温度场预测,统计计算每个卫星组件布局的多次温度场预测结果的均值和方差。
本发明一实施例中,卫星组件布局的多次温度场预测结果的均值可以利用以下公式计算;
卫星组件布局的多次温度场预测结果的方差可以利用以下公式计算;
根据上述公式二计算得到的方差σ能够用于表示当前深度神经网络模型对相应卫星组件布局对应温度场预测的模型不确定性。
步骤S5,根据每个池数据对应的方差将池数据进行降序排列,选取位于前序的预设数量的池数据,确定选取的池数据的卫星组件布局对应的温度场,将选取的池数据及对应的温度场作为新训练数据添加到训练数据集中,并将选取的池数据从池数据集中删除。
具体地,本发明一实施例中,根据每个池数据对应的方差将池数据集中所有池数据进行降序排列,选取位于前序的m个池数据,利用有限元分析方法计算确定选取的m个池数据的卫星组件布局对应的温度场,将选取的m个池数据及对应的温度场作为新训练数据添加到训练数据集中,并将选取的m个池数据从池数据集中删除。
在进行上述的池数据集和训练数据集更新后,池数据集中的池数据数量为N-m,训练数据集中的训练数据数量为n+m。
由于每个池数据对应的方差能够表示当前深度神经网络模型对相应卫星组件布局对应温度场预测的模型不确定性,根据每个池数据对应的方差将池数据集中所有池数据进行降序排列,即相当于根据当前深度神经网络模型对每个池数据的卫星组件布局对应温度场预测的模型不确定性对所有池数据进行降序排列。同时,通过选取位于前序的m个池数据,即对应的模型不确定性相对较小的m个池数据,进行训练数据集的更新,利用更新后的训练数据集对深度神经网络模型进行再次训练,能够提高深度神经网络模型的训练效率。
步骤S6,利用更新后的训练数据集继续训练深度神经网络模型。
具体地,利用上述步骤S5中更新得到的训练数据集对当前深度神经网络模型进行再次训练。例如,当前深度神经网络模型为一次训练的深度神经网络模型M1,则再次训练后,可以得到二次训练的深度神经网络模型M2。由于再次训练时所采用的训练数据集包括了之前训练时所采用的训练数据集和从池数据集中提取出的部分数据,所训练得到的深度神经网络模型的预测精度更高。
步骤S7,判断训练后的深度神经网络模型的预测精度是否达到预设要求;
若是,将当前深度神经网络模型作为最终预测模型;
若否,利用训练后的深度神经网络模型对更新后的池数据集中每个池数据的卫星组件布局重复进行多次温度场预测,计算多次温度场预测结果的方差,并返回步骤S5。
通过该步骤S7,能够对训练数据集和池数据集进行循环更新,从而利用更新的训练数据集和池数据集进行深度神经网络的循环训练,直至深度神经网络模型的预测精度达到预设要求,能够实现以较少的包括卫星组件布局及其对应的温度场的训练数据训练得到具有高预测精度的卫星组件布局温度场代理模型,减少计算资源消耗,降低计算成本。
其中,在步骤S7中,多次温度场预测结果的方差可以利用上述公式二计算。
本发明一实施例中,深度神经网络模型的预测精度可以通过对比利用深度神经网络模型预测得到的卫星组件布局的温度场与利用有限元分析方法计算得到的卫星组件布局的温度场确定。
进一步地,本发明一实施例中,该方法还可以包括以下步骤:
步骤S8,将待预测卫星组件布局重复输入最终预测模型进行多次温度场预测,计算多次温度场预测结果的均值和方差。
其中,待预测卫星组件布局的多次温度场预测结果的均值可以作为待预测卫星组件布局的最终预测温度场。
其中,待预测卫星组件布局的多次温度场预测结果的方差可以用于表示当前得到的最终预测温度场的可信程度,方差越小,则表示最终预测温度场越可靠。
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 (8)
1.一种基于不确定性的卫星组件布局温度场预测方法,其特征在于,包括以下步骤:
S1,构建深度神经网络模型;
S2,生成训练数据集和池数据集,其中,所述训练数据集包括多个训练数据,所述池数据集包括多个池数据,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,所述池数据包括卫星组件布局;
S3,利用所述训练数据集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;
S4,利用训练后的所述深度神经网络模型对所述池数据集中每个所述池数据的卫星组件布局重复进行多次温度场预测,并计算多次温度场预测结果的方差;
S5,根据每个所述池数据对应的方差将所述池数据进行降序排列,选取位于前序的预设数量的池数据,确定选取的池数据的卫星组件布局对应的温度场,将选取的池数据及对应的温度场作为新训练数据添加到所述训练数据集中,并将选取的池数据从所述池数据集中删除;
S6,利用更新后的所述训练数据集继续训练所述深度神经网络模型;
S7,判断训练后的所述深度神经网络模型的预测精度是否达到预设要求;
若是,将当前所述深度神经网络模型作为最终预测模型;
若否,利用训练后的所述深度神经网络模型对更新后的所述池数据集中每个所述池数据的卫星组件布局重复进行多次温度场预测,计算多次温度场预测结果的方差,并返回步骤S5。
2.根据权利要求1所述的基于不确定性的卫星组件布局温度场预测方法,其特征在于,在构建深度神经网络模型时,在所述深度神经网络模型的输出层前设置Dropout层,且Dropout层在所述深度神经网络模型的训练过程和预测过程中均保持打开状态。
3.根据权利要求1所述的基于不确定性的卫星组件布局温度场预测方法,其特征在于,所述生成训练数据集和池数据集,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,得到包括第一预设数量的训练数据的训练数据集;
基于划分网格后的组件布局设计区域,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池数据,重复多次随机获取过程直至获得第二预设数量的池数据,得到包括第二预设数量的池数据的池数据集。
6.根据权利要求1所述的基于不确定性的卫星组件布局温度场预测方法,其特征在于,在步骤S5中,利用有限元分析方法计算确定选取的池数据的卫星组件布局对应的温度场。
7.根据权利要求1所述的基于不确定性的卫星组件布局温度场预测方法,其特征在于,所述方法还包括以下步骤:
步骤S8,将待预测卫星组件布局重复输入所述最终预测模型进行多次温度场预测,计算多次温度场预测结果的均值和方差。
8.根据权利要求7所述的基于不确定性的卫星组件布局温度场预测方法,其特征在于,将所述待预测卫星组件布局的多次温度场预测结果的均值作为所述待预测卫星组件布局的最终预测温度场。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110850313.6A CN113609763B (zh) | 2021-07-27 | 2021-07-27 | 基于不确定性的卫星组件布局温度场预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110850313.6A CN113609763B (zh) | 2021-07-27 | 2021-07-27 | 基于不确定性的卫星组件布局温度场预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113609763A true CN113609763A (zh) | 2021-11-05 |
CN113609763B CN113609763B (zh) | 2022-11-11 |
Family
ID=78305570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110850313.6A Active CN113609763B (zh) | 2021-07-27 | 2021-07-27 | 基于不确定性的卫星组件布局温度场预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113609763B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114417495A (zh) * | 2021-12-15 | 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布局可靠性分析方法 |
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 |
Citations (3)
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 |
CN112733275A (zh) * | 2021-01-19 | 2021-04-30 | 中国人民解放军军事科学院国防科技创新研究院 | 基于半监督学习的卫星组件热布局温度场预测方法 |
-
2021
- 2021-07-27 CN CN202110850313.6A patent/CN113609763B/zh active Active
Patent Citations (3)
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 |
CN112733275A (zh) * | 2021-01-19 | 2021-04-30 | 中国人民解放军军事科学院国防科技创新研究院 | 基于半监督学习的卫星组件热布局温度场预测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114417495A (zh) * | 2021-12-15 | 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布局可靠性分析方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN113609763B (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110674604B (zh) | 基于多维时序帧卷积lstm的变压器dga数据预测方法 | |
CN109120462B (zh) | 机会网络链路的预测方法、装置及可读存储介质 | |
CN106203625B (zh) | 一种基于多重预训练的深层神经网络训练方法 | |
US20190318256A1 (en) | Method, apparatus and system for estimating causality among observed variables | |
Gramacy et al. | Parameter space exploration with Gaussian process trees | |
CN113609763B (zh) | 基于不确定性的卫星组件布局温度场预测方法 | |
CN110175628A (zh) | 一种基于自动搜索与知识蒸馏的神经网络剪枝的压缩算法 | |
CN109816438B (zh) | 信息推送方法及装置 | |
CN111753044B (zh) | 一种基于正则化的去社会偏见的语言模型及应用 | |
CN112733997B (zh) | 基于woa-lstm-mc的水文时间序列预测优化方法 | |
CN113591215B (zh) | 基于不确定性的异常卫星组件布局检测方法 | |
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 | |
CN110991621A (zh) | 一种基于通道数搜索卷积神经网络的方法 | |
CN114999635A (zh) | 一种基于图卷积神经网络和node2vec的circRNA-疾病关联关系预测方法 | |
CN114072809A (zh) | 经由神经架构搜索的小且快速的视频处理网络 | |
CN116415482A (zh) | 基于图神经网络MeshGraphNets的机翼流场分析方法 | |
CN111144473A (zh) | 训练集构建方法、装置、电子设备及计算机可读存储介质 | |
CN116415177A (zh) | 一种基于极限学习机的分类器参数辨识方法 | |
CN115984025A (zh) | 基于深度学习图网络模型的影响力传播估计方法及系统 | |
CN114611990A (zh) | 一种网络信息体系要素体系贡献率评估方法和装置 | |
CN114781207A (zh) | 基于不确定性和半监督学习的热源布局温度场预测方法 | |
CN115358178A (zh) | 一种基于融合神经网络的电路良率分析方法 | |
CN114238106A (zh) | 测试时间预测方法及装置、电子设备、存储介质 | |
CN114417495A (zh) | 基于不确定性的卫星组件布局可靠性分析方法 | |
CN112200208A (zh) | 基于多维度特征融合的云工作流任务执行时间预测方法 |
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 |