CN114861292B - 一种基于深度学习的飞行器几何特征和参数联合建模方法 - Google Patents
一种基于深度学习的飞行器几何特征和参数联合建模方法 Download PDFInfo
- Publication number
- CN114861292B CN114861292B CN202210285761.0A CN202210285761A CN114861292B CN 114861292 B CN114861292 B CN 114861292B CN 202210285761 A CN202210285761 A CN 202210285761A CN 114861292 B CN114861292 B CN 114861292B
- Authority
- CN
- China
- Prior art keywords
- aircraft
- aerodynamic
- parameters
- input
- model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000013135 deep learning Methods 0.000 title claims abstract description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 60
- 238000012795 verification Methods 0.000 claims description 58
- 238000012549 training Methods 0.000 claims description 42
- 238000012360 testing method Methods 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 19
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000002790 cross-validation Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000010200 validation analysis Methods 0.000 claims description 5
- 230000000717 retained effect Effects 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 7
- 239000000284 extract Substances 0.000 description 5
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
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
- G06F30/27—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]
- G06F30/20—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
-
- 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
-
- 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)
- Mathematical Optimization (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Analysis (AREA)
- Molecular Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Fluid Mechanics (AREA)
- Algebra (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度学习的飞行器几何特征、布局参数和飞行状态参数联合建模方法，属于飞行器气动特性预测领域，包括以下步骤：a、针对飞行器的布局参数进行基于贝塞尔流形的几何特征提取，采用贝塞尔曲线或曲面构建贝塞尔流形，提取贝塞尔流形的几何特征，用来表达飞行器的几何结构；b、通过引入CNN、RBFNN和FCN网络，分别学习飞行器布局参数、几何特征和飞行状态参数，再通过另一个FCN将上述三种参数结合起来，形成一个统一的深度神经网络，实现飞行器气动特性的准确预测，本发明能够满足飞行器几何特征提取，以及飞行器气动特性的准确预测的建模需求，能够对飞行器气动特性进行良好的优化。
Description
技术领域
本发明涉及飞行器气动特性预测领域，尤其涉及以飞行器几何特征、布局参数和飞行状态参数为输入预测飞行器气动特性的联合建模。
背景技术
飞行器的布局参数和飞行状态参数是气动数据建模需要考虑的两类重要参数。然而，同时考虑飞行器外形的几何特征、布局参数和飞行状态参数的联合建模技术尚不成熟：一方面，在相同的飞行状态参数下，不同飞行器外形会对飞行器气动特性产生不同的影响；另一方面，飞行器的几何外形复杂，描述困难。因此，仅依靠布局参数在建模过程中很难充分反映真实飞行器几何外形的细节，需要对飞行器的布局参数提取其几何特征。
如何针对复杂的飞行器布局参数进一步提取能够反映外形变化的几何特征，并将提取的几何特征与布局参数和飞行状态参数进行联合建模，提高气动模型的建模精度，是气动建模领域的一个关键问题。
现有技术中提出有公开号CN113836634A，公开日为2021年12月24日的中国发明专利文献，该专利文献所公开的技术方案如下：
该发明公开了一种大差异性气动数据的深度神经网络建模方法，属于飞行器系统建模技术领域，其特征在于，包括以下步骤：a、气动数据集计算；b、气动数据集预处理；c、模型构建，通过步骤a计算的气动数据集确定输入数据的维度和输出数据的维度，以及数据量信息，确定FCN_1和CNN中的输入层和输出层节点数，初步构建深度神经网络模型，根据气动数据集的规模确定FCN_2中的网络层数和各层节点的数量；d、前向传播；e、反向传播；f、模型验证和优化。该发明能够满足气动外形和飞行状态同时变化时的建模需求，并且能够给出飞行状态变化和气动外形变化对飞行器气动特性的影响程度，能够对飞行器气动特性进行良好的优化。
该发明公开了一种大差异性气动数据的深度神经网络建模方法，能够满足气动外形和飞行状态同时变化时的建模需求，并且能够给出飞行状态变化和气动外形变化对飞行器气动特性的影响程度，能够对飞行器气动特性进行良好的优化，并未解决如何针对复杂的飞行器布局参数进一步提取能够反映外形变化的几何特征，并将提取的几何特征与布局参数和飞行状态参数进行联合建模，提高气动模型的建模精度的问题。
发明内容
针对现有技术的不足，本专利提供一种基于深度学习的飞行器几何特征和参数联合建模方法。本发明能够对飞行器气动外形进行基于贝塞尔流形的几何特征提取，并将提取的几何特征与布局参数和飞行状态参数同时建模，能够对飞行器气动特性进行准确预测。
本发明是通过采用下述技术方案实现的：
一种基于深度学习的飞行器几何特征和参数联合建模方法，包括以下几个步骤：
a、气动力数据集计算，气动力数据集包括飞行器布局参数、飞行状态参数和气动力系数真值，将飞行器布局参数和飞行状态参数作为输入数据，将气动力系数真值作为输出数据；
b、气动力数据集预处理，先对气动力数据集中存在的异常值和缺失值进行过滤和筛选，再将气动力数据集中的全部数据归一化，最后按照预定比例划分训练集、验证集和测试集；
c、飞行器几何特征提取，在训练集、验证集和测试集中，均采用贝塞尔曲线或贝塞尔曲面对气动布局参数构建贝塞尔流形，根据下式提取飞行器外形的几何特征：
式1
其中，g ij (t)表示提取的飞行器外形的几何特征，B(D;t)表示贝塞尔曲线或贝塞尔曲面构造的贝塞尔流形，D表示飞行器的布局参数，t表示贝塞尔曲线或贝塞尔曲面的参数；
d、模型构建，通过步骤a计算的气动力数据集确定输入数据的维度和输出数据的维度，以及数据量信息，确定RBFNN和CNN中的输入层和输出层节点数；以步骤c中计算的飞行器几何特征的维度，确定FCN_1的输入层和输出层的节点数，初步构建深度神经网络模型，根据气动力数据集的规模确定FCN_2中的网络层数和各层节点的数量以及CNN和FCN_1的隐层层数；
e、前向传播，将训练集中的飞行器的布局参数输入到CNN中，输出为向量f1；将步骤c中提取的飞行器几何特征输入到FCN_1中，输出为向量f2，将飞行状态参数输入到RBFNN中，输出为向量f3；最后将飞行器几何特征、飞行器布局参数和飞行状态参数一起输入到FCN_2中，则模型的输出为：
式2
其中，y z 为当第z个样本作为输入时模型的输出值；q为气动力系数真值的维度，同时等于CNN、RBFNN和FCN_1的输出维度；f 1i,z 为当第z个输入样本被输入到CNN时的第i个输出分量；c i,z 为当第z个输入样本被输入到CNN时的第i个输出分量的权重；f 2j,z 为当第z个输入样本被输入到FCN_1时的第j个输出分量；c q+j,z 为当第z个输入样本被输入到FCN_1时的第j个输出分量的权重；f 3k,z 为当第z个输入样本被输入到RBFNN时的第k个输出分量；c 2q+k,z 为当第z个输入样本被输入到RBFNN时的第k个输出分量的权重；
f、反向传播，，模型的损失函数如下：
式3
其中，LMSE为模型的损失函数；N为模型训练时的样本数量；yz为对第z个样本的预测气动力系数；为第z个气动样本在气动力数据集中的真实气动力系数；
g、模型验证和优化，不断调整FCN_1、FCN_2、RBFNN和CNN网络的层数和节点数，通过构建的验证集和测试集对模型进行验证和优化。
进一步的，所述步骤a中，气动力数据集计算是指根据飞行器布局参数和飞行状态参数通过CFD软件计算飞行器的气动力系数真值。
进一步的，所述步骤a中，飞行状态参数包括马赫数、攻角和雷诺数，气动力系数真值包括升力系数和阻力系数。
进一步的，所述步骤b中，按照预定比例划分训练集、验证集和测试集是指按照8:1:1的比例进行划分。
进一步的，所述步骤e中，向量c的维度为3q，前q个值表达飞行器布局参数在当前飞行状态下预测气动力系数时的权重，中间q个参数表达飞行器几何特征预测气动力系数时的权重，后q个值表达特定飞行器外形在当前飞行状态下，预测气动力系数时的权重。
进一步的，所述步骤f中，反向传播通过求解L MSE关于模型参数θ的梯度，并根据梯度和学习率η对模型参数θ进行更新。
式4
其中，θ为深度学习的模型参数，η为学习率，L MSE为模型的损失函数。
进一步的，所述步骤f中，重复前向传播与方向传播步骤，当L MSE小于预先设定的可接受的预测误差时，终止前向传播和反向传播。
进一步的，所述步骤g中，通过构建的验证集和测试集对模型进行验证和优化采用K折交叉验证方法，在构造的验证集上对模型进行验证，根据验证过程中出现的欠拟合和过拟合现象对模型的结构进行调整和优化，最后，在测试集上，针对优化后的模型进行评估。
进一步的，所述K折交叉验证通过初始采样分割成K个子样本，一个单独的子样本被保留作为验证模型的数据，其他K-1个样本用来训练，交叉验证重复K次，每个子样本验证一次，平均K次的结果，最终得到一个单一估测。
进一步的，所述CNN用于处理飞行器布局参数，FCN_1用于处理飞行器的几何特征，RBFNNN用于处理飞行状态参数，FCN_2用于学习飞行器几何特征、布局参数和飞行状态参数在预测气动力系数时的权重。
本发明所述FCN_1是指第一全连接神经网络。
本发明所述FCN_2是指第二全连接神经网络。
本发明所述CNN是指卷积神经网络。
本发明所述RBFNN是指径向基神经网络。
本发明所述CFD软件是指计算流体力学软件。
贝塞尔曲线，又称贝兹曲线或贝济埃曲线，是应用于二维图形应用程序的数学曲线，通过调整控制点，贝塞尔曲线的形状会发生变化。1962年，法国数学家Pierre Bézier第一个研究了这种矢量绘制曲线的方法，并给出了详细的计算公式，因此按照这样的公式绘制出来的曲线就用他的姓氏来命名，称为贝塞尔曲线。
贝塞尔曲面是对贝塞尔曲线多一个维度的扩展.其公式依然是曲线的公式。
本发明的有益效果主要表现在以下方面：
1、本发明针对复杂的飞行器布局参数进一步提取能够反映外形变化的几何特征，并将提取的几何特征与布局参数和飞行状态参数进行联合建模，提高气动模型的建模精度，解决了目前仅依靠布局参数在建模过程中很难充分反映真实飞行器几何外形的细节的问题。
2、本发明对飞行器气动外形进行基于贝塞尔流形的几何特征提取，并将提取的几何特征与布局参数和飞行状态参数同时建模，能够对飞行器气动特性进行准确预测.
3、本发明通过对飞行器的复杂外形构建贝塞尔流形，进而提取飞行器外形的几何特征，用来表示飞行器的几何结构，该特征可用来描述飞行器表面上任意一点处的几何特征，实现对飞行器几何特征的精细化描述。
4、本发明通过结合CNN、RBFNN和FCN网络，分别学习飞行器布局参数、几何特征和飞行状态参数，并通过一个FCN网络学习上述三种参数在预测气动力真值时的权重，从而形成一个统一的深度神经网络，实现飞行器气动特性的准确预测。
5、本发明针对飞行器布局参数采用CNN，针对飞行器的几何特征采用FCN，针对飞行状态参数采用RBFNN，通过针对不同的输入数据，引入不同的神经网络，实现三类输入数据的联合学习。
6、本发明将飞行器的几何特征、布局参数和飞行状态参数进行联合学习，可进一步提高对飞行器气动特性的预测精度。
7、本发明中，可在步骤f中，重复前向传播与方向传播步骤，当LMSE小于预先设定的可接受的预测误差时，终止前向传播和反向传播，进一步对模型的结构进行调整和优化，进一步提高对飞行器气动特性的预测精度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单地介绍，显而易见地，下面描述中的附图仅仅涉及本发明的一些实施例，而非对本发明的限制。
图1为本发明的流程框图；
图2为本发明的模型图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。
除非另外定义，本发明公开使用的技术术语或者科学术语应当为本发明公开所属领域内具有一般技能的人士所理解的通常意义。本发明公开中使用的“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
下面结合附图和实施例对本发明进一步说明。
实施例1
作为本发明的一个较佳实施方式，提供一种基于深度学习的飞行器几何特征和参数联合建模方法，包括以下几个步骤：
a、气动力数据集计算，气动力数据集包括飞行器布局参数、飞行状态参数和气动力系数真值，将飞行器布局参数和飞行状态参数作为输入数据，将气动力系数真值作为输出数据；
b、气动力数据集预处理，先对气动力数据集中存在的异常值和缺失值进行过滤和筛选，再将气动力数据集中的全部数据归一化，最后按照预定比例划分训练集、验证集和测试集；
c、飞行器几何特征提取，在训练集、验证集和测试集中，均采用贝塞尔曲线或贝塞尔曲面对气动布局参数构建贝塞尔流形，根据下式提取飞行器外形的几何特征：
式1
其中，g ij (t)表示提取的飞行器外形的几何特征，B(D;t)表示贝塞尔曲线或贝塞尔曲面构造的贝塞尔流形，D表示飞行器的布局参数，t表示贝塞尔曲线或贝塞尔曲面的参数；
d、模型构建，通过步骤a计算的气动力数据集确定输入数据的维度和输出数据的维度，以及数据量信息，确定RBFNN和CNN中的输入层和输出层节点数；以步骤c中计算的飞行器几何特征的维度，确定FCN_1的输入层和输出层的节点数，初步构建深度神经网络模型，根据气动力数据集的规模确定FCN_2中的网络层数和各层节点的数量以及CNN和FCN_1的隐层层数；
e、前向传播，将训练集中的飞行器的布局参数输入到CNN中，输出为向量f1；将步骤c中提取的飞行器几何特征输入到FCN_1中，输出为向量f2，将飞行状态参数输入到RBFNN中，输出为向量f3；最后将飞行器几何特征、飞行器布局参数和飞行状态参数一起输入到FCN_2中，则模型的输出为：
式2
其中，y z 为当第z个样本作为输入时模型的输出值；q为气动力系数真值的维度，同时等于CNN、RBFNN和FCN_1的输出维度；f 1i,z 为当第z个输入样本被输入到CNN时的第i个输出分量；c i,z 为当第z个输入样本被输入到CNN时的第i个输出分量的权重；f 2j,z 为当第z个输入样本被输入到FCN_1时的第j个输出分量；c q+j,z 为当第z个输入样本被输入到FCN_1时的第j个输出分量的权重；f3k,z为当第z个输入样本被输入到RBFNN时的第k个输出分量；c2q+k,z为当第z个输入样本被输入到RBFNN时的第k个输出分量的权重；
f、反向传播，模型的损失函数如下：
式3
其中，LMSE为模型的损失函数；N为模型训练时的样本数量；yz为对第z个样本的预测气动力系数；为第z个气动样本在气动力数据集中的真实气动力系数；
g、模型验证和优化，不断调整FCN_1、FCN_2、RBFNN和CNN网络的层数和节点数，通过构建的验证集和测试集对模型进行验证和优化。
该实施例针对复杂的飞行器布局参数进一步提取能够反映外形变化的几何特征，对飞行器气动外形进行基于贝塞尔流形的几何特征提取，并将提取的几何特征与布局参数和飞行状态参数同时建模，能够对飞行器气动特性进行准确预测，进而提取飞行器外形的几何特征，实现对飞行器几何特征的精细化描述。
实施例2
作为本发明的又一较佳实施方式，参照说明书附图1，提供一种基于深度学习的飞行器几何特征和参数联合建模方法，包括以下几个步骤：
a、气动力数据集计算，气动力数据集包括飞行器布局参数、飞行状态参数和气动力系数真值，将飞行器布局参数和飞行状态参数作为输入数据，将气动力系数真值作为输出数据；
b、气动力数据集预处理，先对气动力数据集中存在的异常值和缺失值进行过滤和筛选，再将气动力数据集中的全部数据归一化，最后按照预定比例划分训练集、验证集和测试集；
c、飞行器几何特征提取，在训练集、验证集和测试集中，均采用贝塞尔曲线或贝塞尔曲面对气动布局参数构建贝塞尔流形：
式5
式6
其中，B(D;t)表示贝塞尔曲线/曲面，D表示飞行器的布局参数，t表示贝塞尔曲线/曲面的参数，P i 表示气动布局参数包含的控制点，b i,n （t）表示贝塞尔曲线/曲面第n项的系数，再根据下式提取飞行器外形的几何特征：
式1
其中，g ij (t)表示提取的飞行器外形的几何特征，B(D;t)表示贝塞尔曲线或贝塞尔曲面构造的贝塞尔流形，D表示飞行器的布局参数，t表示贝塞尔曲线或贝塞尔曲面的参数；
d、模型构建，通过步骤a计算的气动力数据集确定输入数据的维度和输出数据的维度，以及数据量信息，确定RBFNN和CNN中的输入层和输出层节点数；以步骤c中计算的飞行器几何特征的维度，确定FCN_1的输入层和输出层的节点数，初步构建深度神经网络模型，根据气动力数据集的规模确定FCN_2中的网络层数和各层节点的数量以及CNN和FCN_1的隐层层数；
e、前向传播，将训练集中的飞行器的布局参数输入到CNN中，输出为向量f1；将步骤c中提取的飞行器几何特征输入到FCN_1中，输出为向量f2，将飞行状态参数输入到RBFNN中，输出为向量f3；最后将飞行器几何特征、飞行器布局参数和飞行状态参数一起输入到FCN_2中，则模型的输出为：
式2
其中，y z 为当第z个样本作为输入时模型的输出值；q为气动力系数真值的维度，同时等于CNN、RBFNN和FCN_1的输出维度；f 1i,z 为当第z个输入样本被输入到CNN时的第i个输出分量；c i,z 为当第z个输入样本被输入到CNN时的第i个输出分量的权重；f 2j,z 为当第z个输入样本被输入到FCN_1时的第j个输出分量；c q+j,z 为当第z个输入样本被输入到FCN_1时的第j个输出分量的权重；f 3k,z 为当第z个输入样本被输入到RBFNN时的第k个输出分量；c 2q+k,z 为当第z个输入样本被输入到RBFNN时的第k个输出分量的权重；
f、反向传播，模型的损失函数如下：
式3
其中，LMSE为模型的损失函数；N为模型训练时的样本数量；yz为对第z个样本的预测气动力系数；为第z个气动样本在气动力数据集中的真实气动力系数；
g、模型验证和优化，不断调整FCN_1、FCN_2、RBFNN和CNN网络的层数和节点数，通过构建的验证集和测试集对模型进行验证和优化。
所述步骤a中，气动力数据集计算是指根据飞行器布局参数和飞行状态参数通过CFD软件计算飞行器的气动力系数真值。
所述步骤a中，飞行状态参数包括马赫数、攻角和雷诺数，气动力系数真值包括升力系数和阻力系数。
所述步骤b中，按照预定比例划分训练集、验证集和测试集是指按照8:1:1的比例进行划分。
所述步骤e中，向量c的维度为3q，前q个值表达飞行器布局参数在当前飞行状态下预测气动力系数时的权重，中间q个参数表达飞行器几何特征预测气动力系数时的权重，后q个值表达特定飞行器外形在当前飞行状态下，预测气动力系数时的权重。
所述步骤f中，反向传播通过求解L MSE关于模型参数θ的梯度，并根据梯度和学习率η对模型参数θ进行更新；
式4
其中，θ为深度学习的模型参数，η为学习率，L MSE为模型的损失函数。
所述步骤f中，重复前向传播与方向传播步骤，当L MSE小于预先设定的可接受的预测误差时，终止前向传播和反向传播。
所述步骤g中，通过构建的验证集和测试集对模型进行验证和优化采用K折交叉验证方法，在构造的验证集上对模型进行验证，根据验证过程中出现的欠拟合和过拟合现象对模型的结构进行调整和优化，最后，在测试集上，针对优化后的模型进行评估。
所述K折交叉验证通过初始采样分割成K个子样本，一个单独的子样本被保留作为验证模型的数据，其他K-1个样本用来训练，交叉验证重复K次，每个子样本验证一次，平均K次的结果，最终得到一个单一估测。
所述CNN用于处理飞行器布局参数，FCN_1用于处理飞行器的几何特征，RBFNNN用于处理飞行状态参数，FCN_2用于学习飞行器几何特征、布局参数和飞行状态参数在预测气动力系数时的权重。
该实施例针对复杂的飞行器布局参数进一步提取能够反映外形变化的几何特征，对飞行器气动外形进行基于贝塞尔流形的几何特征提取，并将提取的几何特征与布局参数和飞行状态参数同时建模，能够对飞行器气动特性进行准确预测，进而提取飞行器外形的几何特征，实现对飞行器几何特征的精细化描述，通过结合CNN、RBFNN和FCN网络，分别学习飞行器布局参数、几何特征和飞行状态参数，并通过一个FCN网络学习上述三种参数在预测气动力真值时的权重，从而形成一个统一的深度神经网络，实现飞行器气动特性的准确预测，在步骤f中，重复前向传播与方向传播步骤，当LMSE小于预先设定的可接受的预测误差时，终止前向传播和反向传播，进一步对模型的结构进行调整和优化，进一步提高对飞行器气动特性的预测精度。
实施例3
作为本发明的另一较佳实施方式，提供一种基于深度学习的飞行器几何特征和参数联合建模方法，包括以下几个步骤：
a、气动力数据集计算，气动力数据集包括飞行器布局参数、飞行状态参数和气动力系数真值，将飞行器布局参数和飞行状态参数作为输入数据，将气动力系数真值作为输出数据；
b、气动力数据集预处理，先对气动力数据集中存在的异常值和缺失值进行过滤和筛选，再将气动力数据集中的全部数据归一化，最后按照预定比例划分训练集、验证集和测试集；
c、飞行器几何特征提取，在训练集、验证集和测试集中，均采用贝塞尔曲线或贝塞尔曲面对气动布局参数构建贝塞尔流形：
式5
式6
其中，B(D;t)表示贝塞尔曲线/曲面，D表示飞行器的布局参数，t表示贝塞尔曲线/曲面的参数，P i 表示气动布局参数包含的控制点，b i,n （t）表示贝塞尔曲线/曲面第n项的系数，再根据下式提取飞行器外形的几何特征：
式1
其中，g ij (t)表示提取的飞行器外形的几何特征，B(D;t)表示贝塞尔曲线或贝塞尔曲面构造的贝塞尔流形，D表示飞行器的布局参数，t表示贝塞尔曲线或贝塞尔曲面的参数；
d、模型构建，通过步骤a计算的气动力数据集确定输入数据的维度和输出数据的维度，以及数据量信息，确定RBFNN和CNN中的输入层和输出层节点数；以步骤c中计算的飞行器几何特征的维度，确定FCN_1的输入层和输出层的节点数，初步构建深度神经网络模型，根据气动力数据集的规模确定FCN_2中的网络层数和各层节点的数量以及CNN和FCN_1的隐层层数；
e、前向传播，将训练集中的飞行器的布局参数输入到CNN中，输出为向量f1；将步骤c中提取的飞行器几何特征输入到FCN_1中，输出为向量f2，将飞行状态参数输入到RBFNN中，输出为向量f3；最后将飞行器几何特征、飞行器布局参数和飞行状态参数一起输入到FCN_2中，则模型的输出为：
式2
其中，y z 为当第z个样本作为输入时模型的输出值；q为气动力系数真值的维度，同时等于CNN、RBFNN和FCN_1的输出维度；f 1i,z 为当第z个输入样本被输入到CNN时的第i个输出分量；c i,z 为当第z个输入样本被输入到CNN时的第i个输出分量的权重；f 2j,z 为当第z个输入样本被输入到FCN_1时的第j个输出分量；c q+j,z 为当第z个输入样本被输入到FCN_1时的第j个输出分量的权重；f 3k,z 为当第z个输入样本被输入到RBFNN时的第k个输出分量；c 2q+k,z 为当第z个输入样本被输入到RBFNN时的第k个输出分量的权重；
f、反向传播，模型的损失函数如下：
式3
其中，LMSE为模型的损失函数；N为模型训练时的样本数量；yz为对第z个样本的预测气动力系数；为第z个气动样本在气动力数据集中的真实气动力系数；
g、模型验证和优化，不断调整FCN_1、FCN_2、RBFNN和CNN网络的层数和节点数，通过构建的验证集和测试集对模型进行验证和优化。
所述步骤f中，重复前向传播与方向传播步骤，当L MSE小于预先设定的可接受的预测误差时，终止前向传播和反向传播。
该实施例针对复杂的飞行器布局参数进一步提取能够反映外形变化的几何特征，对飞行器气动外形进行基于贝塞尔流形的几何特征提取，并将提取的几何特征与布局参数和飞行状态参数同时建模，能够对飞行器气动特性进行准确预测，进而提取飞行器外形的几何特征，在步骤f中，重复前向传播与方向传播步骤，当LMSE小于预先设定的可接受的预测误差时，终止前向传播和反向传播，进一步对模型的结构进行调整和优化，进一步提高对飞行器气动特性的预测精度。
实施例4
作为本发明的又一较佳实施方式，提供一种基于深度学习的飞行器几何特征和参数联合建模方法，包括以下几个步骤：
a、气动力数据集计算，气动力数据集包括飞行器布局参数、飞行状态参数和气动力系数真值，将飞行器布局参数和飞行状态参数作为输入数据，将气动力系数真值作为输出数据；
b、气动力数据集预处理，先对气动力数据集中存在的异常值和缺失值进行过滤和筛选，再将气动力数据集中的全部数据归一化，最后按照预定比例划分训练集、验证集和测试集；
c、飞行器几何特征提取，在训练集、验证集和测试集中，均采用贝塞尔曲线或贝塞尔曲面对气动布局参数构建贝塞尔流形：
式5
式6
其中，B(D;t)表示贝塞尔曲线/曲面，D表示飞行器的布局参数，t表示贝塞尔曲线/曲面的参数，P i 表示气动布局参数包含的控制点，b i,n （t）表示贝塞尔曲线/曲面第n项的系数，再根据下式提取飞行器外形的几何特征：
式1
其中，g ij (t)表示提取的飞行器外形的几何特征，B(D;t)表示贝塞尔曲线或贝塞尔曲面构造的贝塞尔流形，D表示飞行器的布局参数，t表示贝塞尔曲线或贝塞尔曲面的参数；
d、模型构建，通过步骤a计算的气动力数据集确定输入数据的维度和输出数据的维度，以及数据量信息；确定CNN、RBFNN和FCN_1中的输入层和输出层节点数，输入层节点数与输入数据的维度相同，输出层节点数与输出数据的维度相同，初步构建深度神经网络模型；根据气动数据集的规模确定FCN_2中的网络层数和各层节点的数量，FCN_2中的输入层节点数为数据集中包含的参数维度和；通常情况下，可将CNN、RBFNN、FCN_1和FCN_2的初始隐层层数设置为3~5；
e、前向传播，将训练集中的飞行器的布局参数输入到CNN中，输出为向量f1；将步骤c中提取的飞行器几何特征输入到FCN_1中，输出为向量f2，将飞行状态参数输入到RBFNN中，输出为向量f3；最后将飞行器几何特征、飞行器布局参数和飞行状态参数一起输入到FCN_2中，则模型的输出为：
式2
其中，y z 为当第z个样本作为输入时模型的输出值；q为气动力系数真值的维度，同时等于CNN、RBFNN和FCN_1的输出维度；f 1i,z 为当第z个输入样本被输入到CNN时的第i个输出分量；c i,z 为当第z个输入样本被输入到CNN时的第i个输出分量的权重；f 2j,z 为当第z个输入样本被输入到FCN_1时的第j个输出分量；c q+j,z 为当第z个输入样本被输入到FCN_1时的第j个输出分量的权重；f 3k,z 为当第z个输入样本被输入到RBFNN时的第k个输出分量；c 2q+k,z 为当第z个输入样本被输入到RBFNN时的第k个输出分量的权重；
f、反向传播，模型的损失函数如下：
式3
其中，LMSE为模型的损失函数；N为模型训练时的样本数量；yz为对第z个样本的预测气动力系数；为第z个气动样本在气动力数据集中的真实气动力系数；
g、模型验证和优化，不断调整FCN_1、FCN_2、RBFNN和CNN网络的层数和节点数，通过构建的验证集和测试集对模型进行验证和优化。
所述步骤a中，气动力数据集计算是指根据飞行器布局参数和飞行状态参数通过CFD软件计算飞行器的气动力系数真值。
所述步骤a中，飞行状态参数包括马赫数、攻角和雷诺数，气动力系数真值包括升力系数和阻力系数。
所述步骤b中，按照预定比例划分训练集、验证集和测试集是指按照8:1:1的比例进行划分。
所述步骤e中，向量c的维度为3q，前q个值表达飞行器布局参数在当前飞行状态下预测气动力系数时的权重，中间q个参数表达飞行器几何特征预测气动力系数时的权重，后q个值表达特定飞行器外形在当前飞行状态下，预测气动力系数时的权重。
所述步骤f中，重复前向传播与方向传播步骤，当L MSE小于预先设定的可接受的预测误差时，终止前向传播和反向传播。
所述步骤g中，通过构建的验证集和测试集对模型进行验证和优化采用K折交叉验证方法，在构造的验证集上对模型进行验证，根据验证过程中出现的欠拟合和过拟合现象对模型的结构进行调整和优化，最后，在测试集上，针对优化后的模型进行评估。
所述K折交叉验证通过初始采样分割成K个子样本，一个单独的子样本被保留作为验证模型的数据，其他K-1个样本用来训练，交叉验证重复K次，每个子样本验证一次，平均K次的结果，最终得到一个单一估测。
该实施例针对复杂的飞行器布局参数进一步提取能够反映外形变化的几何特征，对飞行器气动外形进行基于贝塞尔流形的几何特征提取，并将提取的几何特征与布局参数和飞行状态参数同时建模，能够对飞行器气动特性进行准确预测，进而提取飞行器外形的几何特征，实现对飞行器几何特征的精细化描述，在步骤f中，重复前向传播与方向传播步骤，当LMSE小于预先设定的可接受的预测误差时，终止前向传播和反向传播，进一步对模型的结构进行调整和优化，进一步提高对飞行器气动特性的预测精度。
实施例5
作为本发明的又一较佳实施方式，提供一种基于深度学习的飞行器几何特征和参数联合建模方法，包括以下几个步骤：
a、气动力数据集计算，气动力数据集包括飞行器布局参数、飞行状态参数和气动力系数真值，将飞行器布局参数和飞行状态参数作为输入数据，将气动力系数真值作为输出数据；
b、气动力数据集预处理，先对气动力数据集中存在的异常值和缺失值进行过滤和筛选，再将气动力数据集中的全部数据归一化，最后按照预定比例划分训练集、验证集和测试集；
c、飞行器几何特征提取，在训练集、验证集和测试集中，均采用贝塞尔曲线或贝塞尔曲面对气动布局参数构建贝塞尔流形：
式5
式6
其中，B(D;t)表示贝塞尔曲线/曲面，D表示飞行器的布局参数，t表示贝塞尔曲线/曲面的参数，P i 表示气动布局参数包含的控制点，b i,n （t）表示贝塞尔曲线/曲面第n项的系数，再根据下式提取飞行器外形的几何特征：
式1
其中，g ij (t)表示提取的飞行器外形的几何特征，B(D;t)表示贝塞尔曲线或贝塞尔曲面构造的贝塞尔流形，D表示飞行器的布局参数，t表示贝塞尔曲线或贝塞尔曲面的参数；
d、模型构建，通过步骤a计算的气动力数据集确定输入数据的维度和输出数据的维度，以及数据量信息，确定RBFNN和CNN中的输入层和输出层节点数；以步骤c中计算的飞行器几何特征的维度，确定FCN_1的输入层和输出层的节点数，初步构建深度神经网络模型，根据气动力数据集的规模确定FCN_2中的网络层数和各层节点的数量以及CNN和FCN_1的隐层层数；
e、前向传播，将训练集中的飞行器的布局参数输入到CNN中，输出为向量f1；将步骤c中提取的飞行器几何特征输入到FCN_1中，输出为向量f2，将飞行状态参数输入到RBFNN中，输出为向量f3；最后将飞行器几何特征、飞行器布局参数和飞行状态参数一起输入到FCN_2中，则模型的输出为：
式2
其中，y z 为当第z个样本作为输入时模型的输出值；q为气动力系数真值的维度，同时等于CNN、RBFNN和FCN_1的输出维度；f 1i,z 为当第z个输入样本被输入到CNN时的第i个输出分量；c i,z 为当第z个输入样本被输入到CNN时的第i个输出分量的权重；f 2j,z 为当第z个输入样本被输入到FCN_1时的第j个输出分量；c q+j,z 为当第z个输入样本被输入到FCN_1时的第j个输出分量的权重；f 3k,z 为当第z个输入样本被输入到RBFNN时的第k个输出分量；c 2q+k,z 为当第z个输入样本被输入到RBFNN时的第k个输出分量的权重；
f、反向传播，模型的损失函数如下：
式3/>
其中，LMSE为模型的损失函数；N为模型训练时的样本数量；yz为对第z个样本的预测气动力系数；为第z个气动样本在气动力数据集中的真实气动力系数；
g、模型验证和优化，不断调整FCN_1、FCN_2、RBFNN和CNN网络的层数和节点数，通过构建的验证集和测试集对模型进行验证和优化。
所述步骤a中，气动力数据集计算是指根据飞行器布局参数和飞行状态参数通过CFD软件计算飞行器的气动力系数真值。
所述步骤a中，飞行状态参数包括马赫数、攻角和雷诺数，气动力系数真值包括升力系数和阻力系数。
所述步骤b中，按照预定比例划分训练集、验证集和测试集是指按照8:1:1的比例进行划分。
所述步骤e中，向量c的维度为3q，前q个值表达飞行器布局参数在当前飞行状态下预测气动力系数时的权重，中间q个参数表达飞行器几何特征预测气动力系数时的权重，后q个值表达特定飞行器外形在当前飞行状态下，预测气动力系数时的权重。
所述步骤f中，反向传播通过求解L MSE关于模型参数θ的梯度，并根据梯度和学习率η对模型参数θ进行更新；
式4
其中，θ为深度学习的模型参数，η为学习率，L MSE为模型的损失函数。
所述步骤g中，通过构建的验证集和测试集对模型进行验证和优化采用K折交叉验证方法，在构造的验证集上对模型进行验证，根据验证过程中出现的欠拟合和过拟合现象对模型的结构进行调整和优化，最后，在测试集上，针对优化后的模型进行评估。
所述K折交叉验证通过初始采样分割成K个子样本，一个单独的子样本被保留作为验证模型的数据，其他K-1个样本用来训练，交叉验证重复K次，每个子样本验证一次，平均K次的结果，最终得到一个单一估测。
所述CNN用于处理飞行器布局参数，FCN_1用于处理飞行器的几何特征，RBFNNN用于处理飞行状态参数，FCN_2用于学习飞行器几何特征、布局参数和飞行状态参数在预测气动力系数时的权重。
该实施例针对复杂的飞行器布局参数进一步提取能够反映外形变化的几何特征，对飞行器气动外形进行基于贝塞尔流形的几何特征提取，并将提取的几何特征与布局参数和飞行状态参数同时建模，能够对飞行器气动特性进行准确预测，进而提取飞行器外形的几何特征，实现对飞行器几何特征的精细化描述，通过结合CNN、RBFNN和FCN网络，分别学习飞行器布局参数、几何特征和飞行状态参数，并通过一个FCN网络学习上述三种参数在预测气动力真值时的权重，从而形成一个统一的深度神经网络，实现飞行器气动特性的准确预测。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
Claims (8)
1.一种基于深度学习的飞行器几何特征和参数联合建模方法，其特征在于，包括以下几个步骤：
a、气动力数据集计算，气动力数据集包括飞行器布局参数、飞行状态参数和气动力系数真值，将飞行器布局参数和飞行状态参数作为输入数据，将气动力系数真值作为输出数据；
b、气动力数据集预处理，先对气动力数据集中存在的异常值和缺失值进行过滤和筛选，再将气动力数据集中的全部数据归一化，最后按照预定比例划分训练集、验证集和测试集；
c、飞行器几何特征提取，在训练集、验证集和测试集中，均采用贝塞尔曲线或贝塞尔曲面对气动布局参数构建贝塞尔流形，根据下式提取飞行器外形的几何特征：
式1
其中，g ij (t)表示提取的飞行器外形的几何特征，B(D;t)表示贝塞尔曲线或贝塞尔曲面构造的贝塞尔流形，D表示飞行器的布局参数，t表示贝塞尔曲线或贝塞尔曲面的参数；
d、模型构建，通过步骤a计算的气动力数据集确定输入数据的维度和输出数据的维度，以及数据量信息，确定RBFNN和CNN中的输入层和输出层节点数；以步骤c中计算的飞行器几何特征的维度，确定FCN_1的输入层和输出层的节点数，初步构建深度神经网络模型，根据气动力数据集的规模确定FCN_2中的网络层数和各层节点的数量以及CNN和FCN_1的隐层层数；
e、前向传播，将训练集中的飞行器的布局参数输入到CNN中，输出为向量f1；将步骤c中提取的飞行器几何特征输入到FCN_1中，输出为向量f2，将飞行状态参数输入到RBFNN中，输出为向量f3；最后将飞行器几何特征、飞行器布局参数和飞行状态参数一起输入到FCN_2中，则模型的输出为：
式2
其中，y z 为当第z个样本作为输入时模型的输出值；q为气动力系数真值的维度，同时等于CNN、RBFNN和FCN_1的输出维度；f 1i,z 为当第z个输入样本被输入到CNN时的第i个输出分量；c i,z 为当第z个输入样本被输入到CNN时的第i个输出分量的权重；f 2j,z 为当第z个输入样本被输入到FCN_1时的第j个输出分量；c q+j,z 为当第z个输入样本被输入到FCN_1时的第j个输出分量的权重；f 3k,z 为当第z个输入样本被输入到RBFNN时的第k个输出分量；c 2q+k,z 为当第z个输入样本被输入到RBFNN时的第k个输出分量的权重；
所述步骤e中，向量c的维度为3q，前q个值表达飞行器布局参数在当前飞行状态下预测气动力系数时的权重，中间q个参数表达飞行器几何特征预测气动力系数时的权重，后q个值表达特定飞行器外形在当前飞行状态下，预测气动力系数时的权重；
所述CNN用于处理飞行器布局参数，FCN_1用于处理飞行器的几何特征，RBFNNN用于处理飞行状态参数，FCN_2用于学习飞行器几何特征、布局参数和飞行状态参数在预测气动力系数时的权重；
f、反向传播，模型的损失函数如下：
式3
其中，LMSE为模型的损失函数；N为模型训练时的样本数量；yz为对第z个样本的预测气动力系数；为第z个气动样本在气动力数据集中的真实气动力系数；
g、模型验证和优化，不断调整FCN_1、FCN_2、RBFNN和CNN网络的层数和节点数，通过构建的验证集和测试集对模型进行验证和优化。
2.根据权利要求1所述的一种基于深度学习的飞行器几何特征和参数联合建模方法，其特征在于，所述步骤a中，气动力数据集计算是指根据飞行器布局参数和飞行状态参数通过CFD软件计算飞行器的气动力系数真值。
3.根据权利要求1所述的一种基于深度学习的飞行器几何特征和参数联合建模方法，其特征在于，所述步骤a中，飞行状态参数包括马赫数、攻角和雷诺数，气动力系数真值包括升力系数和阻力系数。
4.根据权利要求1所述的一种基于深度学习的飞行器几何特征和参数联合建模方法，其特征在于，所述步骤b中，按照预定比例划分训练集、验证集和测试集是指按照8:1:1的比例进行划分。
5. 根据权利要求1所述的一种基于深度学习的飞行器几何特征和参数联合建模方法，其特征在于，所述步骤f中，反向传播通过求解L MSE关于模型参数θ的梯度，并根据梯度和学习率η对模型参数θ进行更新；
式4
其中，θ为深度学习的模型参数，η为学习率，L MSE为模型的损失函数。
6.根据权利要求1所述的一种基于深度学习的飞行器几何特征和参数联合建模方法，其特征在于，所述步骤f中，重复前向传播与方向传播步骤，当L MSE小于预先设定的可接受的预测误差时，终止前向传播和反向传播。
7.根据权利要求1所述的一种基于深度学习的飞行器几何特征和参数联合建模方法，其特征在于，所述步骤g中，通过构建的验证集和测试集对模型进行验证和优化采用K折交叉验证方法，在构造的验证集上对模型进行验证，根据验证过程中出现的欠拟合和过拟合现象对模型的结构进行调整和优化，最后，在测试集上，针对优化后的模型进行评估。
8.根据权利要求7所述的一种基于深度学习的飞行器几何特征和参数联合建模方法，其特征在于，所述K折交叉验证通过初始采样分割成K个子样本，一个单独的子样本被保留作为验证模型的数据，其他K-1个样本用来训练，交叉验证重复K次，每个子样本验证一次，平均K次的结果，最终得到一个单一估测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210285761.0A CN114861292B (zh) | 2022-03-22 | 2022-03-22 | 一种基于深度学习的飞行器几何特征和参数联合建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210285761.0A CN114861292B (zh) | 2022-03-22 | 2022-03-22 | 一种基于深度学习的飞行器几何特征和参数联合建模方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114861292A CN114861292A (zh) | 2022-08-05 |
| CN114861292B true CN114861292B (zh) | 2024-01-26 |
Family
ID=82627707
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210285761.0A Active CN114861292B (zh) | 2022-03-22 | 2022-03-22 | 一种基于深度学习的飞行器几何特征和参数联合建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114861292B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101329169A (zh) * | 2008-07-28 | 2008-12-24 | 中国航空工业第一集团公司北京航空制造工程研究所 | 一种电子束焊接熔凝区形状因子的神经网络建模方法 |
| CN103407580A (zh) * | 2013-08-19 | 2013-11-27 | 空气动力学国家重点实验室 | 超大展弦比轻质高升阻比机翼的制造方法及其制造的机翼 |
| CN107985626A (zh) * | 2017-10-27 | 2018-05-04 | 南京航空航天大学 | 一种基于可变构型空天飞行器的气动布局设计方法 |
| CN108595755A (zh) * | 2018-03-21 | 2018-09-28 | 南京航空航天大学 | 一种新的火星探测飞行器面向控制的快速建模方法 |
| CN109186967A (zh) * | 2018-07-18 | 2019-01-11 | 西安交通大学 | 一种基于bp神经网络的橡胶减振器性能预测及选型方法 |
| CN111323198A (zh) * | 2020-03-10 | 2020-06-23 | 中国航天空气动力技术研究院 | 一种船尾外形旋转弹马格努斯力滚转导数获取方法 |
| CN113609596A (zh) * | 2021-09-29 | 2021-11-05 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于神经网络的飞行器气动特性预测方法 |
| JP6980958B1 (ja) * | 2021-06-23 | 2021-12-15 | 中国科学院西北生態環境資源研究院 | 深層学習に基づく農村地域分けゴミ識別方法 |
| CN113836634A (zh) * | 2021-08-24 | 2021-12-24 | 电子科技大学 | 一种大差异性气动数据的深度神经网络建模方法 |
-
2022
- 2022-03-22 CN CN202210285761.0A patent/CN114861292B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101329169A (zh) * | 2008-07-28 | 2008-12-24 | 中国航空工业第一集团公司北京航空制造工程研究所 | 一种电子束焊接熔凝区形状因子的神经网络建模方法 |
| CN103407580A (zh) * | 2013-08-19 | 2013-11-27 | 空气动力学国家重点实验室 | 超大展弦比轻质高升阻比机翼的制造方法及其制造的机翼 |
| CN107985626A (zh) * | 2017-10-27 | 2018-05-04 | 南京航空航天大学 | 一种基于可变构型空天飞行器的气动布局设计方法 |
| CN108595755A (zh) * | 2018-03-21 | 2018-09-28 | 南京航空航天大学 | 一种新的火星探测飞行器面向控制的快速建模方法 |
| CN109186967A (zh) * | 2018-07-18 | 2019-01-11 | 西安交通大学 | 一种基于bp神经网络的橡胶减振器性能预测及选型方法 |
| CN111323198A (zh) * | 2020-03-10 | 2020-06-23 | 中国航天空气动力技术研究院 | 一种船尾外形旋转弹马格努斯力滚转导数获取方法 |
| JP6980958B1 (ja) * | 2021-06-23 | 2021-12-15 | 中国科学院西北生態環境資源研究院 | 深層学習に基づく農村地域分けゴミ識別方法 |
| CN113836634A (zh) * | 2021-08-24 | 2021-12-24 | 电子科技大学 | 一种大差异性气动数据的深度神经网络建模方法 |
| CN113609596A (zh) * | 2021-09-29 | 2021-11-05 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于神经网络的飞行器气动特性预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114861292A (zh) | 2022-08-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Achour et al. | Development of a conditional generative adversarial network for airfoil shape optimization | |
| CN110490884A (zh) | 一种基于对抗的轻量级网络语义分割方法 | |
| US8306800B2 (en) | Method for predicting flow and performance characteristics of a body using critical point location | |
| CN113836634B (zh) | 一种大差异性气动数据的深度神经网络建模方法 | |
| CN111695299B (zh) | 一种中尺度涡轨迹预测方法 | |
| CN111291505A (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 | |
| 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 | |
| CN109344713A (zh) | 一种姿态鲁棒的人脸识别方法 | |
| Liu et al. | Prediction and optimization of airfoil aerodynamic performance using deep neural network coupled Bayesian method | |
| CN104048676A (zh) | 基于改进粒子滤波的mems陀螺随机误差补偿方法 | |
| CN111445498A (zh) | 一种采用Bi-LSTM神经网络的目标跟踪方法 | |
| CN113447021A (zh) | 基于lstm神经网络模型的mems惯性导航系统定位增强方法 | |
| CN116341097A (zh) | 一种基于新型高维代理模型的跨音速机翼优化设计方法 | |
| Durasov et al. | Debosh: Deep bayesian shape optimization | |
| CN114861292B (zh) | 一种基于深度学习的飞行器几何特征和参数联合建模方法 | |
| Peng et al. | An automatic isotropic/anisotropic hybrid grid generation technique for viscous flow simulations based on an artificial neural network | |
| CN108984864A (zh) | 基于高斯过程方差估计的高维复杂飞行器模型表征方法 | |
| CN105825239A (zh) | 基于稀疏表示的多传感器航迹融合方法 | |
| CN111625901B (zh) | 一种面向翼型的压力系数曲线智能生成方法 | |
| CN113219840B (zh) | 三轴运动平台自适应滑模交叉耦合轮廓控制方法 | |
| CN105260498B (zh) | 一种大型民机机翼变弯度设计方法 | |
| CN109166128B (zh) | 一种非等效三维点云分割方法 | |
| Olayemia et al. | Aerodynamic lift coefficient prediction of supercritical airfoils at transonic flow regime using convolutional neural networks (CNNs) and multi-layer perceptions (MLPs) | |
| CN111708982B (zh) | 一种目标跟踪问题中关联复杂性度量方法 | |
| CN118070709A (zh) | 一种高超声速有翼再入飞行器二段翼气动外形的多目标优化方法 |
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 |