CN114818477A - 飞行器气动特性预测方法、装置及介质 - Google Patents

飞行器气动特性预测方法、装置及介质 Download PDF

Info

Publication number
CN114818477A
CN114818477A CN202210344410.2A CN202210344410A CN114818477A CN 114818477 A CN114818477 A CN 114818477A CN 202210344410 A CN202210344410 A CN 202210344410A CN 114818477 A CN114818477 A CN 114818477A
Authority
CN
China
Prior art keywords
model
mmoe
formula
experts
aircraft
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.)
Pending
Application number
CN202210344410.2A
Other languages
English (en)
Inventor
武频
袁雯琰
刘志涛
许立基
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.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
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 University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN202210344410.2A priority Critical patent/CN114818477A/zh
Publication of CN114818477A publication Critical patent/CN114818477A/zh
Pending legal-status Critical Current

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
    • G06F30/17—Mechanical parametric or variational design
    • 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
    • G06N3/047—Probabilistic or stochastic 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • 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
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开一种飞行器气动特性预测方法、装置及介质。本发明通过多门专家混合方法进行建模，跳出了将整个隐藏层完全的共享的思维定式，将共享层有意识的划分成了多个专家，并引入了门控机制，每个任务目标使用独立的门控权重，使每个专家对每个目标贡献不同，得以个性化组合使用共享层，与共享底层多任务模型相比，更好的处理了不同目标差异化的问题，而且不需要更多的模型参数。且相比于传统的神经网络气动特性预测方法，本发明在输入数据上加入了三维数据，使预测更加准确。

Description

飞行器气动特性预测方法、装置及介质
技术领域
本发明涉及飞行器气动特性预测领域，更具体地，涉及一种飞行器气动特性预测方法、装置及介质。
背景技术
导弹的结构优化是指根据导弹的气动性能以及设定的预期目标设计其气动布局，即对导弹的几何外形参数进行调整，确定导弹机械结构中各个气动部件(弹头、弹身、弹翼和舵面等)的形状、尺寸以及安装位置。
导弹飞行时的各种气动参数能直接反映出导弹的气动性能，且其气动性能的优良可以反映出导弹的气动布局是否合理，是否需要进一步优化。传统的直接获取导弹气动参数的方法主要有三种：理论计算法、风洞试验法、飞行试验法。其中理论计算法的计算过程极其复杂，风洞试验法和飞行试验法的费用又极其昂贵且测试周期很长。
传统的工程拟合法气动建模是根据气动力的物理特性、统计规律等，利用数学方法获得气动力与飞行状态、气动外形等参数之间的数学关系式，这种方法比较适用于状态范围变化较小的局部气动建模。对于状态参数变化范围较大，且气动外形复杂的飞行器，气动力与状态参数以及其他参数间的关系会呈现高度非线性，传统的数学建模方法很难给出准确描述；随着人工智能神经网络的发展，基于神经网络的气动建模引来了许多学者的研究并取得了大量成果，神经网络的气动建模过程不需要考虑输入输出之间的非线性程度，通过大量气动力数据的机器学习，建立气动模型，具有良好的学习能力及非线性拟合能力，是处理非线性函数逼近的有效方法。
因此一种以人工智能为基础的预测方法逐渐进入人们视野，该类方法从参数化的飞行器几何外形出发，采用数值方法获取典型气动外形下飞行器气动特性，建立气动特性与外形参数之间的神经网络模型、Kriging模型、SVM等模型，之后利用该预测模型进行优化设计，从而避免了大量的数值运算。相较于传统的机器学习，BP神经网络拟合函数具有精确度高的优点。
BP神经网络是一种前馈神经网络，包含三层结构：输入层、隐含层、输出层，如图1所示，BP神经网络通过信号的前向传递以及误差的反向传递两个进程来降低误差函数的函数值，不断地进行权值和阈值的调整并进行优化。神经网络是由大量节点相互连接构成，每个节点代表一种特定输出函数，每两个节点间的连接都代表通过该连接信号的加权值，即权重。每层节点对输入信息的加权求和并进行非线性变换后输出，其输出值作为下一层的输入值，以此类推直到最后的输出层。
反向传播方法的本质是将数据样本的网络类预测和实际类标号间的均方距离最小。Hornik等人证明，对于包含足够多神经的隐层，BP神经网络能够拟合任意精度逼近任意复杂度的连续函数，并且由于权值的作用，神经网络在有噪声的环境具有更好的鲁棒性，未经训练的数据也具有较好的预测能力。
然而普通的BP神经网络方法的缺陷也比较突出，只适用于单任务学习，也就是说一次仅能预测单个任务，无法联合多任务进行学习。如图2a所示，这种方法可以解决问题，但是这种单任务学习的方法较为冗余，忽略了多个任务之间的联系，损失了一些存在于数据或者模型参数之间的信息。特别是在单任务本身数据量不足的情况下，单任务学习很难通过训练得到足够的数据分布信息，因此学习效果会有不同程度的下降。
同时传统的BP神经网络预测方法忽略了飞行器三维的信息。张瑞民等基于BP神经网络建立了飞机在大攻角状态下的气动模型，原智杰等利用思维进化算法优化BP神经网络，对导弹的气动参数拟合能力较强。上述研究都只考虑了飞行器的平面参数，忽略了三维数据对于预测气动数据的重要意义。
因此，本发明考虑三维多任务学习的预测方法来解决上述问题。
发明内容
提供了本发明以解决现有技术中存在的上述问题。因此，需要一种飞行器气动特性预测方法、装置及介质，保证预测速度的同时提高飞行器气动数据的预测精度。
根据本发明的第一方案，提供了一种飞行器气动特性预测方法，所述方法包括：
通过公式(1)计算八个翼面的顶点坐标来表示三维坐标信息：
Figure BDA0003576114870000031
其中，(xα，Φ，yα，Φ，zα，Φ)代表攻角为α、滚转角为φ的坐标点，(x0，y0，z0)代表攻角为0、滚转角为0的坐标点；
根据公式(2)-公式(5)构建MMoE-3D模型：
yk＝hk(fk(x))，k＝1，2，3，4 公式(2)
Figure BDA0003576114870000032
gk(x)＝Softmax(wC) 公式(4)
C＝Concat(Input1，Input2) 公式(5)
其中，ei表示第i个专家神经网络，g(x)代表一个集合了所有专家的结果的门控网络，g(x)的第k个输出gk(x)表示专家ek值的概率，且
Figure BDA0003576114870000033
C代表合并层，用于融合飞行器平面参数、飞行条件和三维坐标信息，Softmax激活函数用于生成专家的多个概率分布，最终输出fk(x)是所有专家的权重之和，每个子任务对应一个具体的任务层，第k个任务层的映射函数表示为hk，每个子任务的输出为yk，每个任务的门网络通过不同权重的最终输出实现了对k个专家的选择性利用，不同任务的门控网络学习不同的专家模式组合；
通过所述MMoE-3D模型预测飞行器气动特性。
根据本发明的第二方案，提供了一种飞行器气动特性预测装置，所述装置包括处理器，所述处理器被配置为：
通过公式(1)计算八个翼面的顶点坐标来表示三维坐标信息：
Figure BDA0003576114870000034
其中，(xα，Φ，yα，Φ，zα，Φ)代表攻角为α、滚转角为φ的坐标点，(x0，y0，z0)代表攻角为0、滚转角为0的坐标点；
根据公式(2)-公式(5)构建MMoE-3D模型：
yk＝hk(fk(x))，k＝1，2，3，4 公式(2)
Figure BDA0003576114870000035
gk(x)＝Softmax(wC) 公式(4)
C＝Concat(Input1，Input2) 公式(5)
其中，ei表示第i个专家神经网络，g(x)代表一个集合了所有专家的结果的门控网络，g(x)的第k个输出gk(x)表示专家ek值的概率，且
Figure BDA0003576114870000041
C代表合并层，用于融合飞行器平面参数、飞行条件和三维坐标信息，Softmax激活函数用于生成专家的多个概率分布，最终输出fk(x)是所有专家的权重之和，每个子任务对应一个具体的任务层，第k个任务层的映射函数表示为hk，每个子任务的输出为yk，每个任务的门网络通过不同权重的最终输出实现了对k个专家的选择性利用，不同任务的门控网络学习不同的专家模式组合；
通过所述MMoE-3D模型预测飞行器气动特性。
根据本发明的第三方案，提供了一种存储有指令的非暂时性计算机可读存储介质，当所述指令由处理器执行时，执行根据本发明各个实施例所述的方法。
根据本发明各个方案的飞行器气动特性预测方法、装置及介质，通过多门专家混合方法进行建模，跳出了将整个隐藏层完全的共享的思维定式，将共享层有意识的划分成了多个专家，并引入了门控机制，每个任务目标使用独立的门控权重，使每个专家对每个目标贡献不同，得以个性化组合使用共享层，与共享底层多任务模型相比，更好的处理了不同目标差异化的问题，而且不需要更多的模型参数。相比于传统的神经网络气动特性预测方法，本发明在输入数据上加入了三维数据，使预测更加准确。
附图说明
在不一定按比例绘制的附图中，相同的附图标记可以在不同的视图中描述相似的部件。具有字母后缀或不同字母后缀的相同附图标记可以表示相似部件的不同实例。附图大体上通过举例而不是限制的方式示出各种实施例，并且与说明书以及权利要求书一起用于对所发明的实施例进行说明。在适当的时候，在所有附图中使用相同的附图标记指代同一或相似的部分。这样的实施例是例证性的，而并非旨在作为本装置或方法的穷尽或排他实施例。
图1示出了BP神经网络结构图。
图2a示出了传统的单任务学习方法预测气动数据的流程图。
图2b示出了常规的多任务学习方法预测气动数据的流程图。
图3示出了基于MMoE-3D模型预测气动数据的流程图。
图4示出了亚声速模型收敛过程。
图5示出了超声速模型收敛过程。
图6a示出了测试集中随机选取的一个外形图。
图6b示出了MMoE和MMoE-3D在亚声速时预测值和真实值的对比图。
图6c示出了MMoE和MMoE-3D在超声速时预测值和真实值的对比。
具体实施方式
为使本领域技术人员更好的理解本发明的技术方案，下面结合附图和具体实施方式对本发明作详细说明。下面结合附图和具体实施例对本发明的实施例作进一步详细描述，但不作为对本发明的限定。本文中所描述的各个步骤，如果彼此之间没有前后关系的必要性，则本文中作为示例对其进行描述的次序不应视为限制，本领域技术人员应知道可以对其进行顺序调整，只要不破坏其彼此之间的逻辑性导致整个流程无法实现即可。
图2b示出了常规的多任务学习方法预测气动数据的流程图。如图2b所示，最常规的多任务学习思路是共享底部最抽象的表示层，然后在上层分化出不同的任务，这种共享底层的方法对于相关性较高的任务效果较好，但是这种方法容易导致某个任务目标受另一个任务目标的影响较大。本发明认为，学习预测气动数据应尽可能让多个任务之间不互相影响，也就是说，即便是由于干扰导致某个坐标的学习效果不佳，也不会导致其他坐标的学习效果下降。
因此，本发明实施例多门专家混合方法进行建模，跳出了将整个隐藏层完全的共享的思维定式，将共享层有意识的划分成了多个专家，并引入了门控机制，每个任务目标使用独立的门控权重，使每个专家对每个目标贡献不同，得以个性化组合使用共享层，与共享底层多任务模型相比，更好的处理了不同目标差异化的问题，而且不需要更多的模型参数。
考虑原始MMoE模型仅考虑了飞行器的平面参数和飞行数据，因此本发明实施例在原始MMoE模型的基础上，提出了一种飞行器气动特性预测方法。在空气动力学预测部分，可以给定4个任务。输入是导弹的空气动力学形状x，坐标信息a和飞行条件c。本发明实施例计算了八个翼面的顶点坐标来表示三维信息，坐标可以计算为：
Figure BDA0003576114870000051
其中，(xα，Φ，yα，Φ，zα，Φ)代表攻角为α、滚转角为φ的坐标点，(x0，y0，z0)代表攻角为0、滚转角为0的坐标点；
图3示出了MMoE-3D模型的结构示意图，如图3所示，根据公式(2)-公式(5)构建MMoE-3D模型：
yk＝hk(fk(x))，k＝1，2，3，4 公式(2)
Figure BDA0003576114870000061
gk(x)＝Softmax(wC) 公式(4)
C＝Concat(Input1，Input2) 公式(5)
其中，ei表示第i个专家神经网络,在本任务中一共有16个专家神经网络。g(x)的第k个输出gk(x)表示专家ek值的概率,且
Figure BDA0003576114870000062
g(x)代表一个集合了所有专家的结果的门控网络。具体来说，门控网络g(x)根据输入在第i个专家上产生权重分配，最终输出是所有专家输出的加权和。通过点乘一个可训练的矩阵w，对合并层c进行线性转换。合并层c用于融合飞行器平面参数、飞行条件和三维坐标信息。Softmax激活函数用于生成专家的16个概率分布，最终输出fk(x)是所有专家的权重之和。每个子任务对应一个具体的任务层，第k个任务层的映射函数表示为hk,每个子任务的输出为yk。每个任务的门网络通过不同权重的最终输出实现了对k个专家的选择性利用，不同任务的门控网络可以学习不同的专家模式组合。
最后，利用所述MMoE-3D模型预测飞行器气动特性。
在一些实施例中，用于训练MMoE-3D模型的方法是反向传播，损失函数可以写成：
Figure BDA0003576114870000063
其中，n是训练集的数量，y是对应于导弹形状的空气动力学数据，
Figure BDA0003576114870000064
是MMoE-3D模型的预测值。
示例性的，所述MMoE-3D模型的具体参数设置如表1所示。
表1.MMoE-3D模型具体参数设置
Figure BDA0003576114870000065
Figure BDA0003576114870000071
在一些实施中，为亚音速和超音速分别构建了单独的模型，所述MMoE-3D模型的预测结果如公式(7)所示：
M＝lsubMsub+lsupMsup 公式(7)
其中，Msub和Msup分别是亚音速模型和超音速模型，通过公式(8)计算参数lsub和lsup：
Figure BDA0003576114870000072
下面本发明实施例将本发明方法与现有技术中的多任务学习进行对比实验来验证本发明实施例所提供的方法的有效性和进步性。
将MMoE与多任务学习(硬参数共享)进行比较，预测4项任务。为了保证实验的合理性，两个模型每层的神经元数量设置相同，其他基本的超参数也设置相同，对比结果如图4、5所示。MMoE在epoch＝300时已经基本收敛，而MTL在epoch＝500时的损失仍然波动很大，完全没有收敛的趋势。不管是MMoE还是MTL，在加入3D数据后，测试集的损失都在减少。MMoE-3D测试的损失值是四个对比模型中最小的，这证明了3D数据对训练模型的有效性。在实际训练中加入了提前停止机制，各模型所需的训练历时也不同。如表2所示，加入3D数据后，单个epoch的训练时间较长，但由于其收敛速度较快，总训练时间不会太长。从图6a-图6c的显示结果来看，在亚音速时，MMoE-3D与DATCOM的计算结果对轴向力CA、法向力CN、俯仰力矩Cm和压力中心Xcp的拟合效果较好。在超音速时，压力中心Xcp的拟合能力稍差，但也基本吻合。
表2.模型对比
Figure BDA0003576114870000081
本发明实施例还提供了一种飞行器气动特性预测装置，所述装置包括处理器，所述处理器被配置为：
通过公式(1)计算八个翼面的顶点坐标来表示三维坐标信息：
Figure BDA0003576114870000082
其中，(xα，Φ，yα，Φ，zα，Φ)代表攻角为α、滚转角为φ的坐标点，(x0，y0，z0)代表攻角为0、滚转角为0的坐标点；
根据公式(2)-公式(5)构建MMoE-3D模型：
yk＝hk(fk(x))，k＝1，2，3，4 公式(2)
Figure BDA0003576114870000091
gk(x)＝Softmax(wC) 公式(4)
C＝Concat(Input1，Input2) 公式(5)
其中，ei表示第i个专家神经网络，g(x)代表一个集合了所有专家的结果的门控网络，g(x)的第k个输出gk(x)表示专家ek值的概率，且
Figure BDA0003576114870000092
C代表合并层，用于融合飞行器平面参数、飞行条件和三维坐标信息，Softmax激活函数用于生成专家的多个概率分布，最终输出fk(x)是所有专家的权重之和，每个子任务对应一个具体的任务层，第k个任务层的映射函数表示为hk，每个子任务的输出为yk，每个任务的门网络通过不同权重的最终输出实现了对k个专家的选择性利用，不同任务的门控网络学习不同的专家模式组合；
通过所述MMoE-3D模型预测飞行器气动特性。
需要说明的是，处理器可以是包括一个以上通用处理设备的处理设备，诸如微处理器、中央处理单元(CPU)、图形处理单元(GPU)等。更具体地，处理器可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、运行其他指令集的处理器或运行指令集的组合的处理器。处理器还可以是一个以上专用处理设备，诸如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、片上系统(SoC)等。
处理器可以通信地耦合到存储器并且被配置为执行存储在其上的计算机可执行指令，以执行根据本发明各个实施例的飞行器气动特性预测方法。
在一些实施例中，所述处理器被进一步配置为通过反向传播的方法来训练所述MMoE-3D模型。
在一些实施例中，所述处理器被进一步配置为通过如下公式(6)训练所述MMoE-3D模型：
Figure BDA0003576114870000093
其中，n是训练集的数量，y是对应于导弹形状的空气动力学数据，
Figure BDA0003576114870000094
是MMoE-3D模型的预测值。
在一些实施例中，所述处理器被进一步配置为所述MMoE-3D模型通过如下公式(7)输出预测结果：
M＝lsubMsub+lsupMsup 公式(7)
其中，Msub和Msup分别是亚音速模型和超音速模型，通过公式(8)计算参数lsub和lsup：
Figure BDA0003576114870000101
本发明各个实施例所述的飞行器气动特性预测装置在效果上和方法一致，在此不累述。
本发明实施例还提供了一种存储有指令的非暂时性计算机可读介质，当指令由处理器执行时，执行根据本发明任一实施例所述的方法。
此外，尽管已经在本文中描述了示例性实施例，其范围包括任何和所有基于本发明的具有等同元件、修改、省略、组合(例如，各种实施例交叉的方案)、改编或改变的实施例。权利要求书中的元件将被基于权利要求中采用的语言宽泛地解释，并不限于在本说明书中或本申请的实施期间所描述的示例，其示例将被解释为非排他性的。因此，本说明书和示例旨在仅被认为是示例，真正的范围和精神由以下权利要求以及其等同物的全部范围所指示。
以上描述旨在是说明性的而不是限制性的。例如，上述示例(或其一个或更多方案)可以彼此组合使用。例如本领域普通技术人员在阅读上述描述时可以使用其它实施例。另外，在上述具体实施方式中，各种特征可以被分组在一起以简单化本发明。这不应解释为一种不要求保护的发明的特征对于任一权利要求是必要的意图。相反，本发明的主题可以少于特定的发明的实施例的全部特征。从而，以下权利要求书作为示例或实施例在此并入具体实施方式中，其中每个权利要求独立地作为单独的实施例，并且考虑这些实施例可以以各种组合或排列彼此组合。本发明的范围应参照所附权利要求以及这些权利要求赋权的等同形式的全部范围来确定。

Claims (9)

1.一种飞行器气动特性预测方法，其特征在于，所述方法包括：
通过公式(1)计算八个翼面的顶点坐标来表示三维坐标信息：
Figure FDA0003576114860000011
其中，(xα，Φ，ya，Φ，zα，Φ)代表攻角为α、滚转角为φ的坐标点，(x0，y0，z0)代表攻角为0、滚转角为0的坐标点；
根据公式(2)-公式(5)构建MMoE-3D模型：
yk＝hk(fk(x))，k＝1，2，3，4 公式(2)
Figure FDA0003576114860000012
gk(x)＝Softmax(wC) 公式(4)
C＝Concat(Input1，Input2) 公式(5)
其中，ei表示第i个专家神经网络，g(x)代表一个集合了所有专家的结果的门控网络，g(x)的第k个输出gk(x)表示专家ek值的概率，且
Figure FDA0003576114860000013
C代表合并层，用于融合飞行器平面参数、飞行条件和三维坐标信息，Softmax激活函数用于生成专家的多个概率分布，最终输出fk(x)是所有专家的权重之和，每个子任务对应一个具体的任务层，第k个任务层的映射函数表示为hk，每个子任务的输出为yk，每个任务的门网络通过不同权重的最终输出实现了对k个专家的选择性利用，不同任务的门控网络学习不同的专家模式组合；
通过所述MMoE-3D模型预测飞行器气动特性。
2.根据权利要求1所述的方法，其特征在于，在构建MMoE-3D模型之后，所述方法还包括：
通过反向传播的方法来训练所述MMoE-3D模型。
3.根据权利要求1或2所述的方法，其特征在于，通过如下公式(6)训练所述MMoE-3D模型：
Figure FDA0003576114860000014
其中，n是训练集的数量，y是对应于导弹形状的空气动力学数据，
Figure FDA0003576114860000015
是MMoE-3D的预测值。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
所述MMoE-3D模型通过如下公式(7)输出预测结果：
M＝lsubMsub+lsupMsup 公式(7)
其中，Msub和Msup分别是亚音速模型和超音速模型，通过公式(8)计算参数lsub和lsup：
Figure FDA0003576114860000021
5.一种飞行器气动特性预测装置，其特征在于，所述装置包括处理器，所述处理器被配置为：
通过公式(1)计算八个翼面的顶点坐标来表示三维坐标信息：
Figure FDA0003576114860000022
其中，(xα，Φ，yα，Φ，zα，Φ)代表攻角为α、滚转角为φ的坐标点，(x0，y0，z0)代表攻角为0、滚转角为0的坐标点；
根据公式(2)-公式(5)构建MMoE-3D模型：
yk＝hk(fk(x))，k＝1，2，3，4 公式(2)
Figure FDA0003576114860000023
gk(x)＝Softmax(wC) 公式(4)
C＝Concat(Input1，Input2) 公式(5)
其中，ei表示第i个专家神经网络，g(x)代表一个集合了所有专家的结果的门控网络，g(x)的第k个输出gk(x)表示专家ek值的概率，且
Figure FDA0003576114860000024
C代表合并层，用于融合飞行器平面参数、飞行条件和三维坐标信息，Softmax激活函数用于生成专家的多个概率分布，最终输出fk(x)是所有专家的权重之和，每个子任务对应一个具体的任务层，第k个任务层的映射函数表示为hk，每个子任务的输出为yk，每个任务的门网络通过不同权重的最终输出实现了对k个专家的选择性利用，不同任务的门控网络学习不同的专家模式组合；
通过所述MMoE-3D模型预测飞行器气动特性。
6.根据权利要求5所述的装置，其特征在于，所述处理器被进一步配置为通过反向传播的方法来训练所述MMoE-3D模型。
7.根据权利要求5或6所述的装置，其特征在于，所述处理器被进一步配置为通过如下公式(6)训练所述MMoE-3D模型：
Figure FDA0003576114860000031
其中，n是训练集的数量，y是对应于导弹形状的空气动力学数据，
Figure FDA0003576114860000032
是MMoE-3D模型的预测值。
8.根据权利要求5所述的装置，其特征在于，所述处理器被进一步配置为所述MMoE-3D模型通过如下公式(7)输出预测结果：
M＝lsubMsub+lsupMsup 公式(7)
其中，Msub和Msup分别是亚音速模型和超音速模型，通过公式(8)计算参数lsub和lsup：
Figure FDA0003576114860000033
9.一种存储有指令的非暂时性计算机可读存储介质，当所述指令由处理器执行时，执行根据权利要求1至4中任一项所述的方法。
CN202210344410.2A 2022-03-31 2022-03-31 飞行器气动特性预测方法、装置及介质 Pending CN114818477A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210344410.2A CN114818477A (zh) 2022-03-31 2022-03-31 飞行器气动特性预测方法、装置及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210344410.2A CN114818477A (zh) 2022-03-31 2022-03-31 飞行器气动特性预测方法、装置及介质

Publications (1)

Publication Number Publication Date
CN114818477A true CN114818477A (zh) 2022-07-29

Family

ID=82532852

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210344410.2A Pending CN114818477A (zh) 2022-03-31 2022-03-31 飞行器气动特性预测方法、装置及介质

Country Status (1)

Country Link
CN (1) CN114818477A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115618501A (zh) * 2022-12-03 2023-01-17 北京宇航系统工程研究所 基于数据融合修正的亚跨气动特性获取方法、系统及装置
CN116628854A (zh) * 2023-05-26 2023-08-22 上海大学 一种翼型气动特性预测方法、系统、电子设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115618501A (zh) * 2022-12-03 2023-01-17 北京宇航系统工程研究所 基于数据融合修正的亚跨气动特性获取方法、系统及装置
CN116628854A (zh) * 2023-05-26 2023-08-22 上海大学 一种翼型气动特性预测方法、系统、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN111351488B (zh) 飞行器智能轨迹重构再入制导方法
Zhang et al. Ship motion attitude prediction based on an adaptive dynamic particle swarm optimization algorithm and bidirectional LSTM neural network
CN114818477A (zh) 飞行器气动特性预测方法、装置及介质
Kang et al. Deep convolutional identifier for dynamic modeling and adaptive control of unmanned helicopter
US5649064A (en) System and method for modeling the flow performance features of an object
CN111813146B (zh) 基于bp神经网络预测航程的再入预测-校正制导方法
CN112462792B (zh) 一种基于Actor-Critic算法的水下机器人运动控制方法
Thirumalainambi et al. Training data requirement for a neural network to predict aerodynamic coefficients
Yu et al. Physics-based learning for aircraft dynamics simulation
He et al. Aerodynamic optimisation of a high-speed train head shape using an advanced hybrid surrogate-based nonlinear model representation method
CN114676639A (zh) 基于神经网络的飞行器气动外形优化方法、装置及介质
Zang et al. Standoff tracking control of underwater glider to moving target
Arik et al. Redesign of Morphing UAV for Simultaneous Improvement of Directional Stability and Maximum Lift/Drag Ratio.
Dębski An adaptive multi-spline refinement algorithm in simulation based sailboat trajectory optimization using onboard multi-core computer systems
Stradtner et al. Introduction to AVT-351: Enhanced Computational Performance and Stability & Control Prediction for NATO Military Vehicles
CN114489098A (zh) 一种飞行器的姿态控制方法及飞行器
CN117708985A (zh) 一种基于机器学习的高速双旋弹非定常气动力预测方法
CN111797474A (zh) 船舶动稳性性能的预测模型的建立、预测方法、装置及介质
CN115859780A (zh) 基于物理约束神经网络的电力设备振动仿真方法及系统
Ghosh Roy et al. Longitudinal aircraft parameter estimation using neuro-fuzzy and genetic algorithm based method
CN113901742A (zh) 基于人工神经网络的非结构混合网格生成方法
CN111814386A (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
Wang et al. A multidisciplinary collaborative design approach for blended-wing-body underwater glider
Tartaruga et al. Flutter uncertainty quantification for the S4T model
Lan et al. Learning‐Based Path Planning Algorithm in Ocean Currents for Multi‐Glider

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