CN115408919B - 一种基于神经网络的重装空投跌落冲击预测方法及其系统 - Google Patents

一种基于神经网络的重装空投跌落冲击预测方法及其系统 Download PDF

Info

Publication number
CN115408919B
CN115408919B CN202211335838.7A CN202211335838A CN115408919B CN 115408919 B CN115408919 B CN 115408919B CN 202211335838 A CN202211335838 A CN 202211335838A CN 115408919 B CN115408919 B CN 115408919B
Authority
CN
China
Prior art keywords
neural network
reloading
training
data
airdrop
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
CN202211335838.7A
Other languages
English (en)
Other versions
CN115408919A (zh
Inventor
李仁府
习赵军
吴仲达
李毅超
梅桢琳
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of 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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202211335838.7A priority Critical patent/CN115408919B/zh
Publication of CN115408919A publication Critical patent/CN115408919A/zh
Application granted granted Critical
Publication of CN115408919B publication Critical patent/CN115408919B/zh
Priority to US18/494,986 priority patent/US11948087B1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/0499—Feedforward 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
    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • 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
    • 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
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于神经网络的重装空投跌落冲击预测方法及其系统，包括如下步骤：S1：利用重装空投跌落仿真有限元模型来获取多组样本数据；S2：确定BP神经网络的结构参数，并将其进行预处理；S3：构建BP神经网络模型；S4：使用训练完成的BP神经网络模型对实际应用过程中的重装空投跌落冲击情况进行预测。本发明所述的基于神经网络的重装空投跌落冲击预测方法及其系统，前期利用重装空投跌落仿真有限元模型来获取样本数据，后期利用累积的大量试验数据来训练神经网络，预测不同货物跌落冲击是否侧翻和气囊是否破裂，与直接用仿真模型进行预测相比节省了大量计算时间，也提高了重装空投跌落冲击预测的可靠性和精度。

Description

一种基于神经网络的重装空投跌落冲击预测方法及其系统
技术领域
本发明涉及跌落冲击预测技术领域，具体而言，涉及一种基于神经网络的重装空投跌落冲击预测方法及其系统。
背景技术
随着当今各国军事竞争的越演越烈及航空航天技术的快速发展，空投物资种类、尺寸及重量的逐步增加，这样的趋势要求可靠性更高的缓冲系统。货物和坦克属于重型空投件，在空降到地面时，会遭受地面极大的反作用力，如不加以保护，将会导致货物和坦克的损坏，造成极大的损失，更会影响军事作战的进度和成败。通过气囊缓冲，可进一步降低载荷的触地速度，使冲击载荷控制在允许范围以内，同时不出现反弹现象，保护空投件。
当前，针对重装空投试验费用高、周期长、风险大的现实问题，国内大多采用仿真计算的方法进行研究。如中国专利CN201410420956.7公开了一种复杂环境下空投着陆仿真模拟与评价方法，针对不同质量、重心位置、下落速度的货物空投跌落，如果采用仿真方法进行预测的话，构建不同模型需要花费大量时间，同时仿真计算也需要时间，因此直接用仿真预测重装空投是否成功还是比较麻烦的。
发明内容
本发明要解决的问题是：现有的直接用仿真预测重装空投的方法比较费时。
为解决上述问题，一方面，本发明提供一种基于神经网络的重装空投跌落冲击预测方法，其中，包括如下步骤：
S1：利用重装空投跌落仿真有限元模型来获取多组样本数据，包括着陆速度、横向风速、重心位置、质心高度、地面倾角、地面种类、气囊应力和货物重量；
S2：确定BP神经网络的结构参数，以着陆速度、横向风速、重心位置、质心高度、地面倾角、地面种类、气囊应力和货物重量作为输入参数，以重装是否侧翻和气囊是否破裂作为输出参数，并将其进行预处理；
S3：构建BP神经网络模型，把预处理后的多组数据分为训练组和验证组；用训练组中的数据以及累积的试验数据对BP神经网络模型进行训练，并调整BP神经网络模型的网络参数，训练成功后，用验证组中的数据对训练后的BP神经网络模型进行测试，以验证神经网络模型的准确性；
S4：使用训练完成的BP神经网络模型对实际应用过程中的重装空投跌落冲击情况进行预测，判断重装空投跌落冲击之后货物是否侧翻、气囊是否破裂。
优选地，所述步骤S1中，重装空投跌落仿真有限元模型包括：
货物、货台以及若干气囊；
货物下表面与货台上表面刚性连接；
若干气囊为圆柱形，上表面与货台下表面粘合，且各圆柱形气囊周向均匀分布有6个排气口。
优选地，所述步骤S2中，预处理为归一化处理。
优选地，所述步骤S3中，BP神经网络模型包括3层结构：
分别为输入层、中间隐含层以及输出层；
其中输入层节点数为8、中间隐含层节点数为12、输出层节点数为2；
S型正切函数tansig为中间隐含层神经元的激励函数，S型对数函数logsig为输出层神经元的激励函数。
优选地，所述步骤S3中，预处理后的多组数据，每组数据包括8个输入数据和2个输出数据，共计10个数据，采用留出法划分训练组和验证组，两者的比例为9：1。
优选地，所述步骤S3中，用训练组中的数据对BP神经网络模型进行训练，并调整BP神经网络模型的网络参数包括：
使用MATLAB中的神经网络工具箱进行网络的训练：
设定模型为3层结构的神经网络；
设定输入层节点数为8、中间隐含层节点数为12、输出层节点数为2；
设定网络中间隐含层和输出层激励函数分别为tansig和logsig函数；
设定网络训练函数为traingdx、网络性能函数为mse；
设定网络参数、网络迭代次数epochs、期望误差goal、学习速率lr；
设定完参数后，带入训练组数据开始训练神经网络。
另一方面，本发明还提供一种系统，其采用了如上所述的基于神经网络的重装空投跌落冲击预测方法，其中，所述系统包括：
数据获取模块，用于利用重装空投跌落仿真有限元模型来获取多组样本数据，包括着陆速度、横向风速、重心位置、质心高度、地面倾角、地面种类、气囊应力和货物重量；
预处理模块，用于确定BP神经网络的结构参数，以着陆速度、横向风速、重心位置、质心高度、地面倾角、地面种类、气囊应力和货物重量作为输入参数，以重装是否侧翻和气囊是否破裂作为输出参数，并将其进行预处理；
神经网络模型构建模块，用于构建BP神经网络模型，把预处理后的多组数据分为训练组和验证组；用训练组中的数据以及累积的试验数据对BP神经网络模型进行训练，并调整BP神经网络模型的网络参数，训练成功后，用验证组中的数据对训练后的BP神经网络模型进行测试，以验证神经网络模型的准确性；
预测模块，用于使用训练完成的BP神经网络模型对实际应用过程中的重装空投跌落冲击情况进行预测，判断重装空投跌落冲击之后货物是否侧翻、气囊是否破裂。
相对于现有技术，本发明所述的基于神经网络的重装空投跌落冲击预测方法及其系统具有以下有益效果：
（1）本发明所述的基于神经网络的重装空投跌落冲击预测方法及其系统，建立基于神经网络的重装空投跌落冲击预测方法，前期利用重装空投跌落仿真有限元模型来获取样本数据，后期利用累积的大量试验数据来训练神经网络，预测不同货物跌落冲击是否侧翻和气囊是否破裂，与直接用仿真模型进行预测相比节省了大量计算时间，也提高了重装空投跌落冲击预测的可靠性和精度，为部队各种装备空投提供科学指导；
（2）本发明所述的基于神经网络的重装空投跌落冲击预测方法及其系统，通过有限元仿真和累积试验获得大量的样本数据，对这些数据进行归一化处理得到神经网络的训练样本，然后建立神经网络，通过Matlab神经网络训练工具箱不断地进行学习训练，预测准确性会越来越高；
（3）本发明所述的基于神经网络的重装空投跌落冲击预测方法及其系统，通过建立货物模型和气囊模型，对空投正常工况和极限工况下的着陆缓冲过程进行仿真计算，得出货物着陆过程自由落体、气囊缓冲和气囊反弹阶段货物姿态变化情况。另外，通过与试验数据对比来验证仿真模型的准确性。
附图说明
图1为本发明的基于神经网络的重装空投跌落冲击预测方法流程图；
图2为本发明的重装空投跌落仿真有限元模型示意图；
图3为本发明的空投跌落有限元分析流程图；
图4为本发明的基于神经网络的重装空投跌落冲击预测模型示意图；
图5为本发明的神经网络模型训练流程图；
图6为本发明的基于神经网络的重装空投跌落冲击预测系统示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
实施例一
提供一种基于神经网络的重装空投跌落冲击预测方法，如图1所示，其中，包括如下步骤：
S1：利用重装空投跌落仿真有限元模型来获取多组样本数据，包括着陆速度、横向风速、重心位置、质心高度、地面倾角、地面种类、气囊应力和货物重量；
S2：确定BP神经网络的结构参数，以着陆速度、横向风速、重心位置、质心高度、地面倾角、地面种类、气囊应力和货物重量作为输入参数，以重装是否侧翻和气囊是否破裂作为输出参数，并将其进行预处理；
S3：构建BP神经网络模型，把预处理后的多组数据分为训练组和验证组；用训练组中的数据以及累积的试验数据对BP神经网络模型进行训练，并调整BP神经网络模型的网络参数，训练成功后，用验证组中的数据对训练后的BP神经网络模型进行测试，以验证神经网络模型的准确性；
S4：使用训练完成的BP神经网络模型对实际应用过程中的重装空投跌落冲击情况进行预测，判断重装空投跌落冲击之后货物是否侧翻、气囊是否破裂。
建立基于神经网络的重装空投跌落冲击预测方法，前期利用重装空投跌落仿真有限元模型来获取样本数据，后期利用累积的大量试验数据来训练神经网络，预测不同货物跌落冲击是否侧翻和气囊是否破裂，与直接用仿真模型进行预测相比节省了大量计算时间，也提高了重装空投跌落冲击预测的可靠性和精度，为部队各种装备空投提供科学指导。
该重装空投跌落冲击的神经网络模型通过前期容易获得的仿真数据和后期不断积累的试验数据，通过神经网络算法不断训练，随着迭代学习的增加，该模型预测的精度也会越来越高。也就是说，这是一个循环迭代不断训练可以实时更新的神经网络预测模型。由于重装空投试验的时间成本较高，前期根本无法获得足够的数据训练模型，所以，前期模型数据的来源主要是通过仿真来获取，仿真模型只需要少量的试验数据即可验证仿真模型的准确性，说明可以通过仿真来获取数据进行前期的神经网络训练，在后期随着试验次数的增加，可以将采集的数据代入前面仿真训练的模型进行再训练，每增加一定的数据就进行自动的训练，就这样反复迭代的训练，最后预测的结果准确性会越来越高。
其中，如图2所示，所述步骤S1中，重装空投跌落仿真有限元模型包括：
货物、货台以及若干气囊；
货物下表面与货台上表面刚性连接；
若干气囊为圆柱形，上表面与货台下表面粘合，且各圆柱形气囊周向均匀分布有6个排气口。
考虑到空投跌落过程的特点，及本实施例模拟仿真的主要目的，为降低模拟难度，减少计算时间，对空投跌落模拟作了以下几点简化：
（1）将货物及货台视为一整体，用长方体代替实际模型，不考虑系留问题。
（2）货台及货物以一定的速度（如10m/s）跌落，可以设置相关参数。
（3）货物及货台跌落时保持水平跌落。
图2表示重装空投跌落仿真有限元模型结构示意图，通过ANSYS/LS-DYNA软件里面的质点（PointMass）的设置可以改变货物的质量和重心，货台的质量通过改变材料密度实现，货物和货台刚性连接。六个圆柱形气囊的上层黏合于各自对应的上、下垫板，圆柱形气囊周向均匀分布六个排气口。地面位于空投平台的正下方，θ表示地面与水平面的夹角，通过改变地面的材料属性来改变地面的类型。横向风速方向水平向右，大小可以设定。
利用有限元法，在ANSYS/LS-DYNA软件的开发平台上，建立空投系统中关键过程的数值模拟模型，并进行计算机数值模拟，空投跌落的有限元分析如图3所示。
通过建立货物模型和气囊模型，对空投正常工况和极限工况下的着陆缓冲过程进行仿真计算，得出货物着陆过程自由落体、气囊缓冲和气囊反弹阶段货物姿态变化情况。另外，通过与试验数据对比来验证仿真模型的准确性，通过有限元仿真获得大量的样本数据。
其中，所述步骤S2中，预处理为归一化处理。
在仿真计算基础上，对重装空投跌落冲击预测方法的输入输出进行细化，引入着陆速度、横向风速、重心位置、质心高度、地面倾角、地面种类、气囊应力和货物重量等8个参数作为系统输入，引入货物是否侧翻和气囊是否破裂这2个因子的预测数值作为系统输出，进一步精准的对重装空投跌落缓冲及空投情况进行预测。本系统具有如下特性：多输入（八个输入）多输出（两个输出）；非线性；输入输出之间不具有显性的表达关系；耦合性。
针对上述系统特性选取神经网络来构建模型，由于神经网络的构造基于生物的神经系统，具有以下特征：
非线性。大脑处理信息的过程就是一种非线性过程。在神经网络处理信息过程中，模拟大脑中神经元的节点处于激活或者抑制两种不同的状态，这种过程在数学模型上表现为一种非线性关系；
非局限性。一个神经网络通常由多个神经元连接而成，这些神经元相互影响，而系统的整体表现不仅取决于神经元的状态，还受神经元之间的加权连接影响；
非常定性。神经网络具有自学习能力，神经网络在处理信息的过程中，不仅信息会有各种变化，神经网络本身也会随着信息的变化而变化；
非凸性。非凸性指系统的能量函数有多个极值，在系统输出中表现为系统有多个稳定的平衡状态。
以上特征保证了神经网络能够很好的满足系统模型搭建要求。同时，神经网络还具有逼近效果好，网络构建简单等优点便于建模使用，降低了实际应用部署的难度。
神经网络的学习过程由正向传播和反向传播组成。正向传播过程中输入信息从输入层经隐单元层逐层处理并传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各层神经元的权值，使得误差信号最小。
设有含n个节点的任意网络，各节点特性为Sigmoid型。假设该网络只有一个输出y，任一节点i的输出O i ，并设有N个样本(x i，y i)(k=1，2，…，N)，对某一输入x k，网络的输出为y k，节点i的输出为O ik 。
节点j的输入为：
Figure 550658DEST_PATH_IMAGE001
（1）
节点j的输出为：
Figure 398528DEST_PATH_IMAGE002
（2）
其中，w为各层节点间的连接权值，f为传递函数。
设网络的均方误差为：
Figure 792601DEST_PATH_IMAGE003
（3）
定义：
Figure 485750DEST_PATH_IMAGE004
（4）
Figure 281668DEST_PATH_IMAGE005
（5）
其中，
Figure 29001DEST_PATH_IMAGE006
为隐含层的误差梯度，/>
Figure 175948DEST_PATH_IMAGE007
为输出层信号节点值。
如果神经元j为输出层神经元，则有：
Figure 672789DEST_PATH_IMAGE008
（6）
Figure 323213DEST_PATH_IMAGE009
（7）
如果神经元j为隐含层神经元，则有：
Figure 247307DEST_PATH_IMAGE010
（8）/>
Figure 615971DEST_PATH_IMAGE011
（9）
因此对于一个BP神经网络而言，其算法具体为：
①选定一个初权值；
②对于k=1到N，通过式（6）至式（9）：从正向来看，计算出O jk ，x jk 和
Figure 916502DEST_PATH_IMAGE007
。从反向来看，计算出各反向值；
③修正权值
Figure 687012DEST_PATH_IMAGE012
；
④重复②、③步，直至输出结果在误差范围内。
归一化有同一、统一和合一的意思，无论是为了建模还是为了计算，都要实现基本度量单位统一。神经网络是以样本在事件中的统计分别几率来进行训练（概率计算）和预测，所以对样本的数据进行归一化处理十分必要。而且，为了数据处理的方便，归一化可以避免一些不必要的数值问题，能加快收敛、避免神经元饱和、保证数据中数值小的不被吞食。
预测模型有8个输入节点，分别为着陆速度、横向风速、重心位置、质心高度、地面倾角、地面种类、气囊材料和货物重量，统一量纲后对各输入量进行归一化处理，统一到无量纲的浮点类型0到1的数据范围。
预测模型2个输出节点中货物是否侧翻和气囊是否破裂输出“0”和“1”两种数值，侧翻和破裂输出为“0”，否则输出为“1”，无须进行归一化处理。
经过处理后仿真计算后的2个输出量和8个输入量组成1组样本数据，将大量仿真数据所组成的样本数据输入到神经网络进行训练和预测。
其中，如图4所示，所述步骤S3中，BP神经网络模型包括3层结构：
分别为输入层、中间隐含层以及输出层；
其中输入层节点数为8、中间隐含层节点数为12、输出层节点数为2；
S型正切函数tansig为中间隐含层神经元的激励函数，S型对数函数logsig为输出层神经元的激励函数。
基于神经网络的高度非线性逼近能力，核心是采用负梯度方法进行反向传播误差并修改网络权值，以网络输出误差最小为其优化目标来深度训练网络，直至逼近所设定误差。
构建神经网络的预测模型，通过重装空投跌落冲击的主要影响因子，对重装空投是否成功、气囊是否破裂的情况进行预测，为部队各种装备空投提供科学指导方法。在建立神经网络的预测模型时需提前确定以下3个参数：网络层数、各层（输入层、中间隐含层、输出层）的节点数和激励函数。
（1）网络层数
网络层总数主要由输入层、中间隐含层以及输出层组成，考虑到本预测模型的输入和输出变量，本模型的输入和输出层均设为单层。
增加中间隐含层数，可以一定程度上改善网络的预测精度，但过多的中间隐含层会增加神经网络的计算时间，甚至可能出现“过拟合”现象。本模型的函数是连续的，且在其定义域上是封闭的，由Htcht-Nielsen研究成果可知，单层中间隐含层即可实现任意n维到m维的映射，因此预测模型的实现选择三层BP神经网络。
（2）各层节点数
1）输入层节点数
神经网络的输入端用来接收大量的样本信息，称之为输入变量即原始输入数据。输入信息种类越多，能反映的特征信息越详细，得到的网络模型越能代表真实的情况。重装空投跌落冲击预测系统中通过有限元仿真模型来获取样本数据，这些数据大都是与空投跌落冲击密切相关的，本模型作为多变量多项式的求解模型，输入节点数为8，分别为着陆速度、横向风速、重心位置、质心高度、地面倾角、地面种类、气囊应力和货物重量。
2）中间隐含层节点数
中间隐含层在网络模型中主要充当将输入层分发给其的数据进行计算，并将计算结果传递给输出层的角色，即建立输入变量与输出结果之间的特殊映射，在特征层面上寻找重装空投成功与否与各影响因子之间的某种复杂关系，找到不同影响因子的影响程度，用权值来表征，其上下波动的误差通过阈值来进一步对映射关系进行补偿，近似逼近真实结果。选节点数时应满足以下原则：
隐含层节点数k保证：k<N-1（N表示训练样本数），这样是为了避免网络模型与训练样本出现“特性无关”现象，影响训练结果；
训练样本数一般为网络模型连接权数的2~10倍。
根据经验公式，隐含层最佳节点为
Figure 516428DEST_PATH_IMAGE013
（10）
式（10）中：K为隐含层神经元个数；I为输入层神经元个数；Q为输出层神经元个数。通过对比不同隐含层结构的网络的预测精度得到最佳的隐含层节点数为12。
3）输出层节点数
神经网络的输出节点取决于构架模型的需求，本模型主要用于输出重装空投货物是否侧翻以及气囊是否破裂，共设置2个输出神经元。货物是否侧翻和气囊是否破裂预测数值通过反向传播和权重更新，进一步减小模型前向估算误差、修正模型。
（3）激励函数
神经网络需要激励函数将单层感知机扩展到带有激活函数的多个神经元，提高神经网络的表达能力，将输入变量与输出变量之间的映射关系表达地更加细致精准，进而使得预测值更加逼近真实值，提高神经网络的精度。
激励函数的选择是为了增加网络模型的表达能力。因为本模型中的输入变量之间是非线性变化的，要将其耦合到模型中得到预测结果，单靠线性模型的表达式远远不够的，故需要通过激励函数加入非线性因素。这里我们选择了S型正切函数tansig作为中间隐含层神经元的激励函数，S型对数函数logsig作为输出层神经元的激励函数。
其中，所述步骤S3中，预处理后的多组数据，每组数据包括8个输入数据和2个输出数据，共计10个数据，采用留出法划分训练组和验证组，两者的比例为9：1。
其中，如图5所示，所述步骤S3中，用训练组中的数据对BP神经网络模型进行训练，并调整BP神经网络模型的网络参数包括：
使用MATLAB中的神经网络工具箱进行网络的训练：
设定模型为3层结构的神经网络；
设定输入层节点数为8、中间隐含层节点数为12、输出层节点数为2；
设定网络中间隐含层和输出层激励函数分别为tansig和logsig函数；
设定网络训练函数为traingdx、网络性能函数为mse；
设定网络参数、网络迭代次数epochs、期望误差goal、学习速率lr；
设定完参数后，带入训练组数据开始训练神经网络。
模型训练完成后带入验证组数据，验证神经网络模型的准确性。若重装空投跌落冲击预测模型验证期望误差在5%以内，该神经网络模型则能够很好的逼近真实模型，实现输出重装空投预测的工作。
这样，本实施例中的方法通过有限元仿真获得大量的样本数据，对这些数据进行归一化处理得到神经网络的训练样本，然后建立神经网络，通过Matlab神经网络训练工具箱进行学习训练，预测重装空投着陆货物是否侧翻、气囊是否破裂的情况。
实施例二
提供一种系统，其采用了如实施例一所述的基于神经网络的重装空投跌落冲击预测方法，如图6所示，其中，所述系统包括：
数据获取模块，用于利用重装空投跌落仿真有限元模型来获取多组样本数据，包括着陆速度、横向风速、重心位置、质心高度、地面倾角、地面种类、气囊应力和货物重量；
预处理模块，用于确定BP神经网络的结构参数，以着陆速度、横向风速、重心位置、质心高度、地面倾角、地面种类、气囊应力和货物重量作为输入参数，以重装是否侧翻和气囊是否破裂作为输出参数，并将其进行预处理；
神经网络模型构建模块，用于构建BP神经网络模型，把预处理后的多组数据分为训练组和验证组；用训练组中的数据以及累积的试验数据对BP神经网络模型进行训练，并调整BP神经网络模型的网络参数，训练成功后，用验证组中的数据对训练后的BP神经网络模型进行测试，以验证神经网络模型的准确性；
预测模块，用于使用训练完成的BP神经网络模型对实际应用过程中的重装空投跌落冲击情况进行预测，判断重装空投跌落冲击之后货物是否侧翻、气囊是否破裂。
这样，本实施例中的系统通过有限元仿真获得大量的样本数据，对这些数据进行归一化处理得到神经网络的训练样本，然后建立神经网络，通过Matlab神经网络训练工具箱进行学习训练，预测重装空投着陆货物是否侧翻、气囊是否破裂的情况。
应当了解，本说明书未详细阐述的部分都是已有技术。
虽然本发明披露如上，但本发明的保护范围并非仅限于此。本领域技术人员在不脱离本发明的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。

Claims (6)

1.一种基于神经网络的重装空投跌落冲击预测方法，其特征在于，包括如下步骤：
S1：利用重装空投跌落仿真有限元模型来获取多组样本数据，包括着陆速度、横向风速、重心位置、质心高度、地面倾角、地面种类、气囊应力和货物重量；
S2：确定BP神经网络的结构参数，以着陆速度、横向风速、重心位置、质心高度、地面倾角、地面种类、气囊应力和货物重量作为输入参数，以重装是否侧翻和气囊是否破裂作为输出参数，并将其进行预处理；
S3：构建BP神经网络模型，把预处理后的多组数据分为训练组和验证组；用训练组中的数据以及累积的试验数据对BP神经网络模型进行训练，并调整BP神经网络模型的网络参数，训练成功后，用验证组中的数据对训练后的BP神经网络模型进行测试，以验证神经网络模型的准确性；
其中，用训练组中的数据以及累积的试验数据对BP神经网络模型进行训练，并调整BP神经网络模型的网络参数，具体包括：
通过仿真来获取样本数据进行前期的神经网络训练，在后期随着试验次数的增加，将采集的试验数据代入前面仿真训练的模型进行再训练，每增加一定的试验数据就进行自动的训练，如此反复迭代训练；
所述步骤S3中，BP神经网络模型包括3层结构：
分别为输入层、中间隐含层以及输出层；
其中输入层节点数为8、中间隐含层节点数为12、输出层节点数为2；
S型正切函数tansig为中间隐含层神经元的激励函数，S型对数函数logsig为输出层神经元的激励函数；
S4：使用训练完成的BP神经网络模型对实际应用过程中的重装空投跌落冲击情况进行预测，判断重装空投跌落冲击之后货物是否侧翻、气囊是否破裂。
2.根据权利要求1所述的基于神经网络的重装空投跌落冲击预测方法，其特征在于，所述步骤S1中，重装空投跌落仿真有限元模型包括：
货物、货台以及若干气囊；
货物下表面与货台上表面刚性连接；
若干气囊为圆柱形，上表面与货台下表面粘合，且各圆柱形气囊周向均匀分布有6个排气口。
3.根据权利要求1所述的基于神经网络的重装空投跌落冲击预测方法，其特征在于，所述步骤S2中，预处理为归一化处理。
4.根据权利要求1所述的基于神经网络的重装空投跌落冲击预测方法，其特征在于，所述步骤S3中，预处理后的多组数据，每组数据包括8个输入数据和2个输出数据，共计10个数据，采用留出法划分训练组和验证组，两者的比例为9：1。
5.根据权利要求1所述的基于神经网络的重装空投跌落冲击预测方法，其特征在于，所述步骤S3中，用训练组中的数据对BP神经网络模型进行训练，并调整BP神经网络模型的网络参数包括：
使用MATLAB中的神经网络工具箱进行网络的训练：
设定模型为3层结构的神经网络；
设定输入层节点数为8、中间隐含层节点数为12、输出层节点数为2；
设定网络中间隐含层和输出层激励函数分别为tansig和logsig函数；
设定网络训练函数为traingdx、网络性能函数为mse；
设定网络参数、网络迭代次数epochs、期望误差goal、学习速率lr；
设定完参数后，带入训练组数据开始训练神经网络。
6.一种采用如权利要求1至5任一项所述的基于神经网络的重装空投跌落冲击预测方法的系统，其特征在于，所述系统包括：
数据获取模块，用于利用重装空投跌落仿真有限元模型来获取多组样本数据，包括着陆速度、横向风速、重心位置、质心高度、地面倾角、地面种类、气囊应力和货物重量；
预处理模块，用于确定BP神经网络的结构参数，以着陆速度、横向风速、重心位置、质心高度、地面倾角、地面种类、气囊应力和货物重量作为输入参数，以重装是否侧翻和气囊是否破裂作为输出参数，并将其进行预处理；
神经网络模型构建模块，用于构建BP神经网络模型，把预处理后的多组数据分为训练组和验证组；用训练组中的数据以及累积的试验数据对BP神经网络模型进行训练，并调整BP神经网络模型的网络参数，训练成功后，用验证组中的数据对训练后的BP神经网络模型进行测试，以验证神经网络模型的准确性；
预测模块，用于使用训练完成的BP神经网络模型对实际应用过程中的重装空投跌落冲击情况进行预测，判断重装空投跌落冲击之后货物是否侧翻、气囊是否破裂。
CN202211335838.7A 2022-10-28 2022-10-28 一种基于神经网络的重装空投跌落冲击预测方法及其系统 Active CN115408919B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211335838.7A CN115408919B (zh) 2022-10-28 2022-10-28 一种基于神经网络的重装空投跌落冲击预测方法及其系统
US18/494,986 US11948087B1 (en) 2022-10-28 2023-10-26 Drop impact prediction method and system for heavy equipment airdrop based on neural network

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211335838.7A CN115408919B (zh) 2022-10-28 2022-10-28 一种基于神经网络的重装空投跌落冲击预测方法及其系统

Publications (2)

Publication Number Publication Date
CN115408919A CN115408919A (zh) 2022-11-29
CN115408919B true CN115408919B (zh) 2023-03-24

Family

ID=84168093

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211335838.7A Active CN115408919B (zh) 2022-10-28 2022-10-28 一种基于神经网络的重装空投跌落冲击预测方法及其系统

Country Status (2)

Country Link
US (1) US11948087B1 (zh)
CN (1) CN115408919B (zh)

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5377108A (en) * 1992-04-28 1994-12-27 Takata Corporation Method for predicting impact and an impact prediction system for realizing the same by using neural networks
CN104166771B (zh) * 2014-08-26 2017-07-18 中国人民解放军装甲兵工程学院 复杂环境下空投着陆仿真模拟与评价方法
US11080441B2 (en) * 2017-10-12 2021-08-03 Suntracker Technologies Ltd. Supervised training data generation for interior environment simulation
EP3893064A1 (en) * 2020-04-07 2021-10-13 GF Machining Solutions AG Method for predicting status of machining operation
CN111639397B (zh) * 2020-05-29 2022-03-04 山东交通学院 一种基于bp神经网络的大风作用下船舶断缆预警方法
AU2020102874A4 (en) * 2020-10-19 2020-12-17 Alam, Mohammad Shabbir MR A recommendation model for aero dynamic design of structures using deep recurrent neural network
CN113268919A (zh) * 2021-05-11 2021-08-17 华北电力大学 一种基于神经网络预测的线性自抗扰控制器的设计方法
CN114692325A (zh) * 2022-02-11 2022-07-01 南京航空航天大学 基于索膜结构的翼伞结构有限元建模方法

Also Published As

Publication number Publication date
US11948087B1 (en) 2024-04-02
CN115408919A (zh) 2022-11-29

Similar Documents

Publication Publication Date Title
Perera et al. Application of particle swarm optimization and genetic algorithms to multiobjective damage identification inverse problems with modelling errors
CN110008499B (zh) 一种基于Bayesian kriging模型的机构优化设计方法
CN113609596B (zh) 一种基于神经网络的飞行器气动特性预测方法
Thirumalainambi et al. Training data requirement for a neural network to predict aerodynamic coefficients
CN114117840B (zh) 一种基于仿真和试验数据混合驱动的结构性能预测方法
CN109885916B (zh) 一种基于lssvm的混合试验在线模型更新方法
CN110631792B (zh) 基于卷积神经网络的抗震混合试验模型更新方法
CN111177974A (zh) 基于双层嵌套寻优和子集模拟的结构小失效概率计算方法
CN112597702B (zh) 基于径向基函数的气动建模生成式对抗网络模型训练方法
CN106568647B (zh) 一种基于神经网络的混凝土强度预测方法
CN115408919B (zh) 一种基于神经网络的重装空投跌落冲击预测方法及其系统
Altun et al. Identification of dynamic loads on structural component with artificial neural networks
CN113408200A (zh) 航空装备振动环境分析和预测方法
CN110851911B (zh) 终端状态计算模型训练方法、控制序列搜索方法及装置
CN114266387A (zh) 一种输变电工程工期预测方法、系统、设备及存储介质
CN117350096A (zh) 一种粒子群优化算法驱动下载荷性能评价的多类型传感器布局优化方法
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
CN114218672A (zh) 跨超声速大迎角配平翼的抖振响应获取方法及相关装置
CN116956738B (zh) 一种基于自适应代理模型的机械结构可靠度计算方法
CN114035536A (zh) 一种基于蒙特卡洛法的飞行控制系统鲁棒性评估方法
CN113570111A (zh) 基于轻量化网络的桥梁健康状态片上监测方法
CN113761813B (zh) 基于流体力学与气象数据的输电线路动态容量预测方法
CN116956738A (zh) 一种基于自适应代理模型的机械结构可靠度计算方法
JP4267726B2 (ja) 制御装置における動作信号と操作量との関係を決定する装置、制御装置、データ生成装置、入出力特性決定装置及び相関関係評価装置
CN113850366B (zh) 一种基于lstm的预测目标运动的方法

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Li Renfu

Inventor after: Xi Zhaojun

Inventor after: Wu Zhongda

Inventor after: Li Yichao

Inventor after: Mei Zhenlin

Inventor before: Li Renfu

Inventor before: Xi Zhaojun

Inventor before: Wu Zhongda

Inventor before: Li Yichao

Inventor before: Mei Zhenlin