CN115994491A - 一种灭火弹挂飞温度补偿方法和系统 - Google Patents
一种灭火弹挂飞温度补偿方法和系统 Download PDFInfo
- Publication number
- CN115994491A CN115994491A CN202310293658.5A CN202310293658A CN115994491A CN 115994491 A CN115994491 A CN 115994491A CN 202310293658 A CN202310293658 A CN 202310293658A CN 115994491 A CN115994491 A CN 115994491A
- Authority
- CN
- China
- Prior art keywords
- neural network
- temperature
- extinguishing bomb
- fire extinguishing
- representing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013528 artificial neural network Methods 0.000 claims abstract description 126
- 238000012549 training Methods 0.000 claims abstract description 27
- 230000002068 genetic effect Effects 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000005516 engineering process Methods 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 18
- 238000004088 simulation Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 13
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 2
- 230000001537 neural effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 11
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000001483 mobilizing effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/28—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture specially adapted for farming
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种灭火弹挂飞温度补偿方法和系统,所述方法包括:通过多传感器技术对环境温度、湿度、相对风速、大气压等外部参数进行实时监测;模拟不同外部参数下,为达到灭火弹目标补偿温度所需要的不同电压,作为训练神经网络的训练样本;构建神经网络,输入模拟的外部参数与目标补偿温度,输出对灭火弹进行温度补偿所需电压;使用遗传算法优化神经网络初始化参数;基于优化后的神经网络的结果,对灭火弹的温度进行补偿。本发明在传统的全连接神经网络的基础上添加残差模块,引入跳跃连接的方式,使得网络可以学习到残差函数,让网络的输入信息能够更有效地在整个神经网络中传递,从而获得更好的温度补偿所需电压的预测结果。
Description
技术领域
本发明涉及灭火弹挂飞温度补偿的技术领域,尤其涉及一种灭火弹挂飞温度补偿方法和系统。
背景技术
灭火弹挂飞温度补偿是一种针对飞机在高空环境下挂飞灭火弹时受到温度变化影响的解决方案。灭火弹的工作环境复杂,温度受多种因素影响,在挂飞阶段,温度过低对灭火弹的工作稳定性有着重大影响,灭火弹属于民用品,其控制装置及芯片如采用军用级,会使灭火弹的成本大幅增加,而采用商用级控制装置及芯片,则其对温度的要求更高,即在高空中不能过低,因此需要对控制装置及芯片进行温度补偿。在对灭火弹进行温度仿真以及进行温度补偿的过程中,单一的传感器可能无法完全覆盖所有的影响因素,从而导致温度补偿效果的不理想。利用神经网络进行灭火弹挂飞温度补偿时,过深的网络结构存在难优化的问题。同时,神经网络的初始化参数对网络的训练与预测存在着较大影响,目前直接使用随机化的初始化方法难以确保神经网络能够得到充分的优化。此外,目前常用温度补偿方式采用航电(飞机提供电能),而飞机各系统在航行时对航电的需要大。
发明内容
有鉴于此,本发明提供一种灭火弹挂飞温度补偿方法和系统,目的在于(1)使用多传感器监测灭火弹外部环境参数,为后续温度补偿提供坚实的数据基础;(2)使用残差模块充分调动输入信息在整个网络中的流动;(3)为设计的神经网络选择合适的初始化参数值,提供神经网络训练和预测的效果,从而获取精准的温度补偿策略,提高灭火弹在不同环境温度下的灭火效果和稳定性。
实现上述目的,本发明提供的一种灭火弹挂飞温度补偿方法和系统,包括以下步骤:
S1:通过多传感器技术对环境温度、湿度、相对风速、大气压等外部参数进行实时监测;
S2:模拟不同外部参数下,为达到灭火弹目标补偿温度所需要的不同电压,作为训练神经网络的训练样本;
S3:构建神经网络,输入模拟的外部参数与目标补偿温度,输出对灭火弹进行温度补偿所需电压;
S4:使用遗传算法优化神经网络初始化参数;
S5:基于优化后的神经网络的结果,对灭火弹的温度进行补偿。
作为本发明的进一步改进方法:
可选地,所述S1步骤中通过多传感器技术对环境温度、湿度、相对风速、大气压等外部参数进行实时监测,包括:
常见的传感器有温度传感器、湿度传感器和压力传感器等,而环境温度、湿度、相对风速、大气压均能影响灭火弹在挂飞过程中温度补偿的效果。因此,这些传感器能够即使监控灭火弹挂飞过程中所处环境的参数,从而提供数据支持灭火弹温度补偿算法。
可选地,所述S2步骤中模拟不同外部参数下,为达到灭火弹目标补偿温度所需要的不同电压,作为训练神经网络的训练样本,包括:
S21:在模拟环境中模拟不同环境温度、湿度、相对风速,以及大气压的数值:
;
;
;
;
其中,表示模拟环境中的温度,和分别表示模拟环境温度的最小值和最大值;表示模拟环境中的湿度,和分别表示模拟环境湿度的最小值和最大值;表示模拟环境中的相对风速,和分别表示模拟环境相对风速的最小值和最大值;表示模拟环境中的大气压,和分别表示模拟环境大气压的最小值和最大值。
S22:对模拟环境中的温度、湿度、相对风速,以及大气压进行随机采样,设定灭火弹工作的目标补偿温度,在每个模拟环境的外部参数下,测量灭火弹达到目标补偿温度所对应的电压值,采样方式为:
;
;
;
其中代表[0,1]上的均匀分布,均在该均匀分布上采样得到。利用计算得到x,再利用x计算得到,若,那么该x保留,否则重新生成再进行一次计算。若,那么x转化为-x,否则保持不变。对每一个外部参数执行该流程,则可获取一组模拟环境的外部参数。
S23:重复S22获取一系列模拟环境的外部参数作为神经网络的训练样本。
可选地,所述S3步骤中构建神经网络,输入模拟的外部参数与目标补偿温度,输出对灭火弹进行温度补偿所需电压,包括:
S31:定义神经网络的结构,神经网络由多个残差模块构成,残差模块可表示为:
;
其中,代表设计的残差模块,表示残差模块的输入,和分别表示残差模块第一层和第二层的权值,和分别表示残差模块第一层和第二层的偏置,为神经网络的激活函数,表达式为;
S32:添加神经网络的输入层与输出层,完成神经网络的构建,神经网络的整个计算过程为:
;
;
;
其中,表示神经网络的输入,代表构建的神经网络第一层的权值,表示构建的神经网络第一层的偏置,L表示神经网络的层数,,为第l层的残差模块,代表构建的神经网络第L层的权值,表示构建的神经网络第L层的偏置,表示神经网络预测的用于温度补偿的电压值。
S33:计算神经网络预测的用于温度补偿的电压值与的真实电压值的误差:
;
其中,表示神经网络预测的用于温度补偿的电压值,为模拟环境中测得的电压值。
S34:使用随机梯度下降法更新神经网络的权重和偏置,从而完成构建的神经网络的训练,权重和偏置的更新方式为:
;
;
其中,W和b表示神经网络中所有权重和偏置,i代表迭代次数,和分别代表第i次迭代时W和b的梯度,为神经网络的学习率,用于控制神经网络梯度下降的幅度。
可选地,所述S4步骤中使用遗传算法优化神经网络初始化参数,包括:
S41:初始化种群大小N,将神经网络的参数集合为Y,其中一个个体的参数设置为y,则种群可以表示为:
;
其中表示个体序号,;
S42:对于一个个体,使用适应度函数来评估其性能,并计算适应度值,适应度值的计算方式为:
;
其中,表示使用个体作为神经网络初始化参数时,神经网络完成训练后预测的预测的用于温度补偿的电压值,为模拟环境中测得的电压值。
S43:对所有个体分别获取的适应度值计算选择算子,并选择计算出的选择算子在前10%的个体作为优秀个体进入下一代,选择算子的计算方式为:
;
S44:在选择出的优秀个体中,使用变异操作引入新的基因变化,以增加种群的多样性,变异算子可以表示为:
;
其中为随机生成的变异步长;
使用变异操作将种群数量增加至被选择算子选择前种群数量的50%,重复步骤S42-S44,直到被选择的优秀个体少于5个,并从最终的种群中选择适应度值最高的个体作为最优解:
;
其中表示选择出的最佳个体,即神经网络最佳的初始化参数函数代表筛选种群中最佳的适应度值。
可选地,所述S5步骤中基于优化后的神经网络的结果,对灭火弹的温度进行补偿,包括:
对于训练完成的神经网络,输入环境中的温度、相对湿度,以及大气压以及目标补偿温度,即可获得对灭火弹进行温度补偿时所需要使用的电压。
本发明还提供了一种灭火弹挂飞温度补偿系统,包括:
数据获取模块:用于获取灭火弹挂飞时或者挂飞仿真时的环境参数;所述环境参数包括环境温度、湿度、相对风速、大气压;
在灭火弹挂飞时,相对风速可以由飞机直接给定飞行速度和风速、风向来进行计算;在实验室进行仿真模拟挂飞时,相对风速则可以直接给定风速。
数据处理模块:用于对输入的环境参数与目标补偿温度计算经过神经网络后的结果;
温度补偿模块:用于根据神经网络输出的电压值对灭火弹挂飞时的温度进行补偿。
本发明的有益效果为:
本发明提出了一种灭火弹挂飞温度补偿方法和系统,在考虑灭火弹挂飞温度补偿的过程中,本发明充分考虑到获取灭火弹挂飞过程外部环境参数的重要性,通过使用多传感器获取环境温度、湿度、相对风速、大气压等外部参数信息,建立多因素失温拟合,为后续温度补偿提供数据基础。为了解决温度补偿神经网络的训练过程中因网络过深导致的信息损失问题,本发明在传统的全连接神经网络的基础上添加残差模块,引入跳跃连接的方式,使得网络可以学习到残差函数,让网络的输入信息能够更有效地在整个神经网络中传递,从而获得更好的温度补偿所需电压的预测结果。神经网络的初始参数设置对于网络的训练和预测效果具有非常重要的影响。本发明通过引入遗传算法,模拟生物遗传和进化过程来搜索合适的解,在神经网络的初始参数优化中,本发明使用的遗传算法可以通过对网络参数进行随机的变异操作,产生新的个体,并根据适应度函数评估其性能,从而逐步优化神经网络的初始参数设置,找到较为合适的参数组合。并为精准温度补偿的电压控制提供了数据支持,节省对航电的需求并减少过度的温度补偿而造成的航电浪费。
附图说明
图1为本发明一实施例的一种灭火弹挂飞温度补偿方法和系统的流程示意图。
具体实施方式
下面结合附图对本发明作进一步的说明,但不以任何方式对本发明加以限制,基于本发明教导所作的任何变换或替换,均属于本发明的保护范围。
实施例1:为了实现上述目的,本发明提供了一种灭火弹挂飞温度补偿方法和系统,如图1所示包括以下步骤:
S1:通过多传感器技术对环境温度、湿度、相对风速、大气压等外部参数进行实时监测:
常见的传感器有温度传感器、湿度传感器和压力传感器等,而环境温度、湿度、相对风速、大气压均能影响灭火弹在挂飞过程中温度补偿的效果。这些传感器能够即使监控灭火弹挂飞过程中所处环境的参数,从而提供数据支持灭火弹温度补偿算法。灭火弹的工作环境复杂,温度受多种因素影响,单一的传感器可能无法完全覆盖所有的影响因素,从而导致温度补偿效果的不理想。本方案采用的多传感器方法可以提高监测的准确性和可靠性,降低误差和漏报的风险,获得更全面的环境信息,从而提高灭火弹挂飞过程中温度补偿的效率和精度。
S2:模拟不同外部参数下,为达到灭火弹目标补偿温度所需要的不同电压,作为训练神经网络的训练样本:
S21:在模拟环境中模拟不同环境温度、湿度、相对风速,以及大气压的数值:
;
;
;
;
其中,表示模拟环境中的温度,和分别表示模拟环境温度的最小值和最大值,本实施例中分别为-20°C与40°C;表示模拟环境中的湿度,和分别表示模拟环境湿度的最小值和最大值,本实施例中分别为10%与80%;表示模拟环境中的相对风速,和分别表示模拟环境相对风速的最小值和最大值,本实施例分别为0km/h和900km/h;表示模拟环境中的大气压,和分别表示模拟环境大气压的最小值和最大值,本实施例中大气压包括但不限于,作为实施基础分别取0.6个气压(平流层气压)与1个气压。
在不限定的范围的基础上,实际模拟过程中,相对风速数据有2种来源方式,一是在实验室采集时,在环境温度、湿度和大气压数值为变量时,可以直接给定相对风速而不需要采集;二是在挂飞实验阶段,相对风速数据则可以由飞机的飞行速度、适时风速、风向进行计算得到,适时风速、风向数据可由飞机飞行数据得到。
具体地,灭火弹在挂飞中,相对风速的最小值可理想地视为起飞阶段,速度为0km/h,相对风速的最大值可理想地视为900km/h,即民用航空器的正常飞行速度,实际气象情况包括飞行状况致使相对速度有可能会高于900km/h,在本发明中不作为限制阈值。
S22:对模拟环境中的温度、湿度、相对风速,以及大气压进行随机采样,设定灭火弹工作的目标补偿温度,在每个模拟环境的外部参数下,测量灭火弹达到目标补偿温度所对应的电压值,本实施例中目标补偿温度为20°C,所对应的电压根据模拟环境的不同实时测量。使用正态分布对外部参数进行随机采样,采样方式为:
;
;
;
其中代表[0,1]上的均匀分布,均在该均匀分布上采样得到。利用计算得到x,再利用x计算得到,若,那么该x保留,否则重新生成再进行一次计算。若,那么x转化为-x,否则保持不变。
模拟获得的环境温度计算方式为,湿度的计算方式为,以及大气压的计算方式为。计算完成后即可获得一组模拟环境的外部参数。
S23:重复S22获取一系列模拟环境的外部参数作为神经网络的训练样本,本实施例共产生1500个样本。
S3:构建神经网络,输入模拟的外部参数与目标补偿温度,输出对灭火弹进行温度补偿所需电压:
S31:定义神经网络的结构,神经网络由多个残差模块构成,残差模块可表示为:
;
其中,代表设计的残差模块,表示残差模块的输入,和分别表示残差模块第一层和第二层的权值,和分别表示残差模块第一层和第二层的偏置,为神经网络的激活函数,表达式为;
S32:添加神经网络的输入层与输出层,完成神经网络的构建,神经网络的整个计算过程为:
;
;
;
其中,表示神经网络的输入,,代表构建的神经网络第一层的权值,表示构建的神经网络第一层(输入层)的偏置,L表示神经网络的层数,,为第l层的残差模块,代表构建的神经网络第L层的权值,表示构建的神经网络第L层的偏置,表示神经网络预测的用于温度补偿的电压值。
S33:计算神经网络预测的用于温度补偿的电压值与的真实电压值的误差:
;
其中,表示神经网络预测的用于温度补偿的电压值,为模拟环境中测得的电压值。
S34:使用随机梯度下降法更新神经网络的权重和偏置,从而完成构建的神经网络的训练,权重和偏置的更新方式为:
;
;
其中,W和b表示神经网络中所有权重和偏置,i代表迭代次数,和分别代表第i次迭代时W和b的梯度,本实施例中共迭代2000次,为神经网络的学习率,用于控制神经网络梯度下降的幅度,本实施例中为0.001。
由于传统的神经网络中输入信息从输入层到传递层需要经过多个非线性激活函数的作用,每一层都会产生一定的信息损失,导致神经网络层数过多时学习效果不佳。本发明使用的残差模块引入跳跃连接的方式,使得输入的信息可以跳跃式地在神经网络的不同层之间传递,从而大幅度提高了信息的传递效率,从而更有利于神经网络的学习。
S4:使用遗传算法优化神经网络初始化参数:
S41:初始化种群大小N,将神经网络的参数集合为Y,其中一个个体的参数设置为y,则种群可以表示为:
;
其中表示个体序号,,本实施例中。
S42:对于一个个体,使用适应度函数来评估其性能,并计算适应度值,适应度值的计算方式为:
;
其中,表示使用个体作为神经网络初始化参数时,神经网络完成训练后预测的预测的用于温度补偿的电压值,为模拟环境中测得的电压值。
S43:对所有个体分别获取的适应度值计算选择算子,并选择计算出的选择算子在前10%的个体作为优秀个体进入下一代,选择算子的计算方式为:
;
S44:在选择出的优秀个体中,使用变异操作引入新的基因变化,以增加种群的多样性,变异算子可以表示为:
;
其中为随机生成的变异步长,由均值为0,方差为1的高斯函数随机生成。
使用变异操作将种群数量增加至被选择算子选择前种群数量的50%,重复步骤S42-S44,直到被选择的优秀个体少于5个,并从最终的种群中选择适应度值最高的个体作为最优解:
;
其中表示选择出的最佳个体,即神经网络最佳的初始化参数函数代表筛选种群中最佳的适应度值。
神经网络参数的初始化会影响到神经网络的训练和预测效果。因此,寻找合适的初始化参数是神经网络设计中的关键问题之一。本发明使用遗传算法对神经网络的参数进行初始化,能够模拟生物遗传和进化的过程来搜索可行解,从而提供更好的神经网络参数初始化选择,进一步提高神经网络的训练和预测效果。
S5:基于优化后的神经网络的结果,对灭火弹的温度进行补偿:
对于训练完成的神经网络,输入环境中的温度、湿度、相对风速,以及大气压以及目标补偿温度,即可获得对灭火弹进行温度补偿时所需要使用的电压。
实施例2:
本发明还提供一种灭火弹挂飞温度补偿系统,所述系统包括:
数据获取模块:用于获取灭火弹挂飞时的环境参数;
数据处理模块:用于对输入的环境参数与目标补偿温度计算经过神经网络后的结果;
温度补偿模块:与灭火弹的控制装置电性连接,用于根据神经网络输出的电压值对灭火弹挂飞时的温度进行补偿。在实际的温度补偿过程中,灭火弹的控制装置通过温度补偿模块,利用电能发热,使灭火弹的控制装置处于稳定的温度范围,大幅提升了灭火弹的工作稳定性,同时也大幅降低了灭火弹的运维成本。
详细地,本发明实施例中所述灭火弹挂飞温度补偿系统中的所述各模块在使用时采用与上述的图1中所述的灭火弹挂飞温度补偿方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此限制。尤其如环境温度、湿度、相对风速和大气压数值取值,仅作为案例说明,并不对本发明方案起具体阈值限制作用。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“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、装置、物品或者方法不仅包括那些要素,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、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种灭火弹挂飞温度补偿方法,其特征在于,包括以下步骤:
S1:通过多传感器技术对环境温度、湿度、大气压外部参数进行实时监测;
S2:模拟温度、湿度、相对风速、大气压外部参数,为达到灭火弹目标补偿温度所需要的不同电压,作为训练神经网络的训练样本;
S3:构建神经网络,输入模拟的外部参数与目标补偿温度,输出对灭火弹进行温度补偿所需电压;
S4:使用遗传算法优化神经网络初始化参数;
S5:基于优化后的神经网络的结果,对灭火弹的温度进行补偿。
2.根据权利要求1所述的灭火弹挂飞温度补偿方法,其特征在于,所述步骤S2中模拟不同外部参数下,为达到灭火弹目标补偿温度所需要的不同电压,作为训练神经网络的训练样本,包括:
S21:在模拟环境中模拟不同环境温度、湿度、相对风速,以及大气压的数值:
;
;
;
;
其中,表示模拟环境中的温度,和分别表示模拟环境温度的最小值和最大值;表示模拟环境中的湿度,和分别表示模拟环境湿度的最小值和最大值;表示模拟环境中的相对风速,和分别表示模拟环境相对风速的最小值和最大值;表示模拟环境中的大气压,和分别表示模拟环境大气压的最小值和最大值;
S22:对模拟环境中的温度、湿度、相对风速,以及大气压进行随机采样,设定灭火弹工作的目标补偿温度,在每个模拟环境的外部参数下,测量灭火弹达到目标补偿温度所对应的电压值;
S23:重复S22获取一系列模拟环境的外部参数作为神经网络的训练样本。
3.根据权利要求2所述的灭火弹挂飞温度补偿方法,其特征在于,模拟环境中的温度、湿度、相对风速,以及大气压随机采样方式为:
;
;
;
其中代表[0,1]上的均匀分布,均在该均匀分布上采样得到,利用计算得到x,再利用x计算得到,若,那么该x保留,否则重新生成再进行一次计算,若,那么x转化为-x,否则保持不变,对每一个外部参数执行该流程,则可获取一组模拟环境的外部参数。
4.根据权利要求2所述的灭火弹挂飞温度补偿方法,其特征在于,所述S3步骤中构建神经网络,输入模拟的外部参数与目标补偿温度,输出对灭火弹进行温度补偿所需电压,包括:
S31:定义神经网络的结构,神经网络由多个残差模块构成,残差模块可表示为:
;
其中,代表设计的残差模块,表示残差模块的输入,和分别表示残差模块第一层和第二层的权值,和分别表示残差模块第一层和第二层的偏置,为神经网络的激活函数,表达式为;
S32:添加神经网络的输入层与输出层,完成神经网络的构建,神经网络的整个计算过程为:
;
;
;
其中,表示神经网络的输入,代表构建的神经网络第一层的权值,表示构建的神经网络第一层的偏置,L表示神经网络的层数,,为第l层的残差模块,代表构建的神经网络第L层的权值,表示构建的神经网络第L层的偏置,表示神经网络预测的用于温度补偿的电压值;
S33:计算神经网络预测的用于温度补偿的电压值与的真实电压值的误差:
;
其中,表示神经网络预测的用于温度补偿的电压值,为模拟环境中测得的电压值;
S34:使用随机梯度下降法更新神经网络的权重和偏置,从而完成构建的神经网络的训练,权重和偏置的更新方式为:
;
;
其中,W和b表示神经网络中所有权重和偏置,i代表迭代次数,和分别代表第i次迭代时W和b的梯度,为神经网络的学习率,用于控制神经网络梯度下降的幅度。
5.根据权利要求4所述的灭火弹挂飞温度补偿方法,其特征在于,所述S4步骤中使用遗传算法优化神经网络初始化参数,包括:
S41:初始化种群大小N,将神经网络的参数集合为Y,其中一个个体的参数设置为y,则种群可以表示为:
;
其中表示个体序号,;
S42:对于一个个体,使用适应度函数来评估其性能,并计算适应度值,适应度值的计算方式为:
;
其中,表示使用个体作为神经网络初始化参数时,神经网络完成训练后预测的预测的用于温度补偿的电压值,为模拟环境中测得的电压值;
S43:对所有个体分别获取的适应度值计算选择算子,并选择计算出的选择算子在前10%的个体作为优秀个体进入下一代,选择算子的计算方式为:
;
S44:在选择出的优秀个体中,使用变异操作引入新的基因变化,以增加种群的多样性,变异算子可以表示为:
;
其中为随机生成的变异步长;
使用变异操作将种群数量增加至被选择算子选择前种群数量的50%,重复步骤S42-S44,直到被选择的优秀个体少于5个,并从最终的种群中选择适应度值最高的个体作为最优解:
;
其中表示选择出的最佳个体,即神经网络最佳的初始化参数函数代表筛选种群中最佳的适应度值。
6.根据权利要求5所述的灭火弹挂飞温度补偿方法,其特征在于,所述S5步骤中基于优化后的神经网络的结果,对灭火弹的温度进行补偿,包括:
对于训练完成的神经网络,输入环境中的温度、湿度、相对风速,以及大气压以及目标补偿温度,即可获得对灭火弹进行温度补偿时所需要使用的电压。
7.一种灭火弹挂飞温度补偿系统,其特征在于,包括:
数据获取模块:用于获取灭火弹挂飞时或者挂飞仿真时的环境参数;所述环境参数包括环境温度、湿度、相对风速、大气压;
数据处理模块:用于对输入的环境参数与目标补偿温度计算经过神经网络后的结果;
温度补偿模块:用于根据神经网络输出的电压值对灭火弹挂飞时的温度进行补偿。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310293658.5A CN115994491B (zh) | 2023-03-24 | 2023-03-24 | 一种灭火弹挂飞温度补偿方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310293658.5A CN115994491B (zh) | 2023-03-24 | 2023-03-24 | 一种灭火弹挂飞温度补偿方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115994491A true CN115994491A (zh) | 2023-04-21 |
CN115994491B CN115994491B (zh) | 2023-06-30 |
Family
ID=85993893
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310293658.5A Active CN115994491B (zh) | 2023-03-24 | 2023-03-24 | 一种灭火弹挂飞温度补偿方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115994491B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116341397A (zh) * | 2023-05-30 | 2023-06-27 | 湖南光华防务科技集团有限公司 | 一种基于深度神经网络的灭火弹温度场模拟方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108073075A (zh) * | 2017-12-21 | 2018-05-25 | 苏州大学 | 基于ga优化bp神经网络的硅微加速度计温度补偿方法、系统 |
CN108120451A (zh) * | 2017-12-21 | 2018-06-05 | 苏州大学 | 基于改进pso优化神经网络的硅微加速度计温度补偿方法、系统 |
CN111598215A (zh) * | 2020-04-03 | 2020-08-28 | 四川知微传感技术有限公司 | 一种基于神经网络的温度补偿方法和系统 |
CN111898732A (zh) * | 2020-06-30 | 2020-11-06 | 江苏省特种设备安全监督检验研究院 | 基于深度卷积神经网络的超声波测距补偿方法 |
CN111948273A (zh) * | 2020-08-21 | 2020-11-17 | 山东工商学院 | 气体传感器温度补偿模型建立、气体浓度测量方法及装置 |
US20220216670A1 (en) * | 2020-10-22 | 2022-07-07 | Hisense Broadband Multimedia Technologies Co., Ltd. | Optical module and temperature control method thereof |
CN114754801A (zh) * | 2022-06-16 | 2022-07-15 | 北京理工导航控制科技股份有限公司 | 一种基于神经网络对光纤陀螺零偏温度补偿方法、装置及存储介质 |
WO2023273779A1 (zh) * | 2021-07-02 | 2023-01-05 | 苏州贝克微电子股份有限公司 | 利用eda软件二次开发能力的芯片设计方法 |
-
2023
- 2023-03-24 CN CN202310293658.5A patent/CN115994491B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108073075A (zh) * | 2017-12-21 | 2018-05-25 | 苏州大学 | 基于ga优化bp神经网络的硅微加速度计温度补偿方法、系统 |
CN108120451A (zh) * | 2017-12-21 | 2018-06-05 | 苏州大学 | 基于改进pso优化神经网络的硅微加速度计温度补偿方法、系统 |
CN111598215A (zh) * | 2020-04-03 | 2020-08-28 | 四川知微传感技术有限公司 | 一种基于神经网络的温度补偿方法和系统 |
CN111898732A (zh) * | 2020-06-30 | 2020-11-06 | 江苏省特种设备安全监督检验研究院 | 基于深度卷积神经网络的超声波测距补偿方法 |
CN111948273A (zh) * | 2020-08-21 | 2020-11-17 | 山东工商学院 | 气体传感器温度补偿模型建立、气体浓度测量方法及装置 |
US20220216670A1 (en) * | 2020-10-22 | 2022-07-07 | Hisense Broadband Multimedia Technologies Co., Ltd. | Optical module and temperature control method thereof |
WO2023273779A1 (zh) * | 2021-07-02 | 2023-01-05 | 苏州贝克微电子股份有限公司 | 利用eda软件二次开发能力的芯片设计方法 |
CN114754801A (zh) * | 2022-06-16 | 2022-07-15 | 北京理工导航控制科技股份有限公司 | 一种基于神经网络对光纤陀螺零偏温度补偿方法、装置及存储介质 |
Non-Patent Citations (5)
Title |
---|
何怡刚;陈张辉;李兵;苏蓓蕾;: "改进AFSA-BP神经网络的湿度传感器温度补偿研究", 电子测量与仪器学报, no. 07, pages 100 - 105 * |
彭基伟;吕文华;行鸿彦;武向娟;: "基于改进GA-BP神经网络的湿度传感器的温度补偿", 仪器仪表学报, no. 01, pages 153 - 160 * |
李扬;刘明光;钱学成;陈佳;王昕;: "压力传感器的温度补偿研究及其应用", 电测与仪表, no. 18, pages 107 - 112 * |
杨明;王璇;高宏伟;: "基于多级深度网络的高清晰度红外电子变倍算法", 弹箭与制导学报, no. 04, pages 14 - 19 * |
陈天璐,阙沛文: "基于神经网络融合的传感器温度误差补偿", 工业仪表与自动化装置, no. 04, pages 17 - 25 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116341397A (zh) * | 2023-05-30 | 2023-06-27 | 湖南光华防务科技集团有限公司 | 一种基于深度神经网络的灭火弹温度场模拟方法 |
CN116341397B (zh) * | 2023-05-30 | 2023-09-05 | 湖南光华防务科技集团有限公司 | 一种基于深度神经网络的灭火弹温度场模拟方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115994491B (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5888640B2 (ja) | 太陽光発電予測装置、太陽光発電予測方法及び太陽光発電予測プログラム | |
CN115994491B (zh) | 一种灭火弹挂飞温度补偿方法和系统 | |
CN108052968B (zh) | 一种qsfla-svm的感知入侵检测方法 | |
CN113486078A (zh) | 一种分布式配电网运行监控方法及系统 | |
CN111415010A (zh) | 一种基于贝叶斯神经网络的风电机组参数辨识方法 | |
CN113591215A (zh) | 基于不确定性的异常卫星组件布局检测方法 | |
CN114118537A (zh) | 一种空域航班碳排放量组合预测方法 | |
Elanchezhian et al. | Evaluating different models used for predicting the indoor microclimatic parameters of a greenhouse. | |
Yang et al. | Prediction of significant wave heights based on CS-BP model in the south China sea | |
CN113537648B (zh) | 一种基于集合数据的风速预测方法及装置 | |
JP2021049841A (ja) | 制御装置、学習装置、制御方法、学習方法、及びプログラム | |
CN108710966B (zh) | 一种基于多簇esn神经网络的光伏发电功率预测方法 | |
CN107061032B (zh) | 一种发动机运行状态的预测方法及预测系统 | |
CN112272074B (zh) | 一种基于神经网络的信息传输速率控制方法及系统 | |
CN117252085A (zh) | 基于神经网络与粒子群的斜拉桥索力容差优化方法及系统 | |
CN116933037A (zh) | 一种基于多模型融合的光伏出力预测方法及相关装置 | |
CN105956720A (zh) | 一种基于t-s模糊模型的风电功率超短期预测方法 | |
Liu et al. | Application of least square support vector machine based on particle swarm optimization to chaotic time series prediction | |
CN113108949B (zh) | 一种基于模型融合的探空仪温度传感器误差预测方法 | |
Dotche et al. | Evaluating Solar Energy Harvesting using Artificial Neural Networks: A Case study in Togo | |
CN112784477A (zh) | 一种基于WRF-LES和BP-PSO-Bagging相结合的风功率预测方法 | |
Vallejo et al. | Genetic algorithm applied to the specialization of neural networks for the forecast of wind and solar generation | |
TWI662423B (zh) | 風力發電之預測顯示系統及方法 | |
Wang et al. | Efficient climate simulation via machine learning method | |
Dong et al. | A System For Hybrid 4DVar-EnKF Data Assimilation Based On Deep Learning |
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 |