机器学习方法在气动特性建模中的应用
发布时间：2022-02-05 01:48
气动数据建模是飞行性能仿真评估的基础。气动特性建模主要有机理建模方法和"黑箱"建模方法。本文对"黑箱"建模的三类机器学习方法——分类与回归树方法、浅层学习方法和深度学习方法,进行了算法说明与分析应用。将分类与回归树方法、浅层学习方法中的Kriging建模方法、RBF神经网络方法及SVM支持向量机方法分别应用于火箭气动特性建模、三角翼大迎角非定常气动特性建模、气动热试验数据融合,对这几类建模方法的优势和不足进行了比较分析。同时,将流动条件参数组成向量,再映射为图像,与翼型图像构成"合成图像",建立了基于翼型几何图像、来流马赫数、迎角的翼型气动特性深度神经网络模型,得到了比较好的预测效果,拓展了气动特性深度学习建模方法的使用范围。
【文章来源】：空气动力学学报. 2019,37(03)北大核心CSCD
【文章页数】：10 页
【部分图文】：
图１ＣＡＲＴ方法中的决策树示例Ｆｉｇ．１ＤｅｃｉｓｉｏｎｔｒｅｅｉｎＣＡＲＴｍｅｔｈｏｄ
图２典型轴对称火箭Ｆｉｇ．２Ｔｙｐｉｃａｌａｘｉｓｙｍｍｅｔｒｉｃｒｏｃｋｅｔ图３训练样本数对预测均方差影响Ｆｉｇ．３Ｉｎｆｌｕｅｎｃｅｏｆｔｒａｉｎｉｎｇｓａｍｐｌｅｓｎｕｍｂｅｒｏｎｍｏｄｅｌｌｉｎｇｒｅｓｕｌｔ图４建模预测结果对比Ｆｉｇ．４Ｃｏｍｐａｒｉｓｏｎｏｆｍｏｄｅｌｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓ２浅层学习建模方法２．１ＲＢＦ神经网络建模方法在函数逼近领域，早先最普遍采用的神经网络是ＢＰ网络，它是一种是多层前馈神经网络，因网络训练采用误差反向传播（Ｂａｃｋ－Ｐｒｏｐａｇａｔｉｏｎ，ＢＰ）学习算法而得名。近年来，随着径向基函数（ＲａｄｉａｌＢａｓｉｓＦｕｎｃｔｉｏｎ，ＲＢＦ）神经网络的提出和发展，为函数逼近提供了一种更有效的方法，它在逼近能力、分类能力、学习速度等方面均优于ＢＰ网络［１８］。ＲＢＦ网络是一种三层前向神经网络：输入层由信号源节点组成；第二层为隐层，隐单元的个数由所描述的问题而定，隐层采用径向基函数作为网络的激励函数；第三层为输出层，采用线性激励函数。设一个多输入多输出的ＲＢＦ网络有ｍ个输入节点、ｎ个隐层节点、ｐ个输出节点。ＲＢＦ网络的输出为：ｙ＾ｋ＝∑ｎｊ＝１ｗｊｋＲｊ（ｘ）（１）式中，ｘ为输入向量；ｙ＾ｋ为输出层第ｋ个输出，ｋ＝１，２，…，ｐ；ｗｊｋ为第ｊ个隐节点与第ｋ个输出节点的连接权值；Ｒｊ为第ｊ个径向基函数，通常采用高斯函数Ｒｊ（ｘ）＝ｅｘｐ（－
图２典型轴对称火箭Ｆｉｇ．２Ｔｙｐｉｃａｌａｘｉｓｙｍｍｅｔｒｉｃｒｏｃｋｅｔ图３训练样本数对预测均方差影响Ｆｉｇ．３Ｉｎｆｌｕｅｎｃｅｏｆｔｒａｉｎｉｎｇｓａｍｐｌｅｓｎｕｍｂｅｒｏｎｍｏｄｅｌｌｉｎｇｒｅｓｕｌｔ图４建模预测结果对比Ｆｉｇ．４Ｃｏｍｐａｒｉｓｏｎｏｆｍｏｄｅｌｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓ２浅层学习建模方法２．１ＲＢＦ神经网络建模方法在函数逼近领域，早先最普遍采用的神经网络是ＢＰ网络，它是一种是多层前馈神经网络，因网络训练采用误差反向传播（Ｂａｃｋ－Ｐｒｏｐａｇａｔｉｏｎ，ＢＰ）学习算法而得名。近年来，随着径向基函数（ＲａｄｉａｌＢａｓｉｓＦｕｎｃｔｉｏｎ，ＲＢＦ）神经网络的提出和发展，为函数逼近提供了一种更有效的方法，它在逼近能力、分类能力、学习速度等方面均优于ＢＰ网络［１８］。ＲＢＦ网络是一种三层前向神经网络：输入层由信号源节点组成；第二层为隐层，隐单元的个数由所描述的问题而定，隐层采用径向基函数作为网络的激励函数；第三层为输出层，采用线性激励函数。设一个多输入多输出的ＲＢＦ网络有ｍ个输入节点、ｎ个隐层节点、ｐ个输出节点。ＲＢＦ网络的输出为：ｙ＾ｋ＝∑ｎｊ＝１ｗｊｋＲｊ（ｘ）（１）式中，ｘ为输入向量；ｙ＾ｋ为输出层第ｋ个输出，ｋ＝１，２，…，ｐ；ｗｊｋ为第ｊ个隐节点与第ｋ个输出节点的连接权值；Ｒｊ为第ｊ个径向基函数，通常采用高斯函数Ｒｊ（ｘ）＝ｅｘｐ（－
【参考文献】：
期刊论文
[1]人工智能与空气动力学结合的初步思考[J]. 张天姣,钱炜祺,周宇,何磊,邵元培. 航空工程进展. 2019(01)
[2]基于深度学习的翼型气动系数预测[J]. 陈海,钱炜祺,何磊. 空气动力学学报. 2018(02)
[3]飞机大迎角非定常气动力建模研究进展[J]. 汪清,钱炜祺,丁娣. 航空学报. 2016(08)
[4]深度学习研究综述[J]. 尹宝才,王文通,王立春. 北京工业大学学报. 2015(01)
[5]基于风洞试验的非定常气动力微分方程建模方法[J]. 黄达,郑万祥. 南京航空航天大学学报. 2014(04)
[6]偏最小二乘法在气动数据建模中的应用[J]. 何开锋,钱炜祺,张勇,王文正. 宇航学报. 2014(03)
[7]高斯过程元模型建模方法及在火箭弹气动分析中应用[J]. 刘新亮,张昆仑,郭波. 固体火箭技术. 2010(05)
[8]采用遗传算法优化最小二乘支持向量机参数的方法[J]. 王克奇,杨少春,戴天虹,白雪冰. 计算机应用与软件. 2009(07)
[9]喷流姿控战术导弹三维气动力数学模型[J]. 傅建明. 上海航天. 2005(04)
[10]基于模糊聚类的模糊神经网络在非定常气动力建模中的应用[J]. 史志伟,明晓. 空气动力学学报. 2005(01)
本文编号：3614338
【文章来源】：空气动力学学报. 2019,37(03)北大核心CSCD
【文章页数】：10 页
【部分图文】：
图１ＣＡＲＴ方法中的决策树示例Ｆｉｇ．１ＤｅｃｉｓｉｏｎｔｒｅｅｉｎＣＡＲＴｍｅｔｈｏｄ
图２典型轴对称火箭Ｆｉｇ．２Ｔｙｐｉｃａｌａｘｉｓｙｍｍｅｔｒｉｃｒｏｃｋｅｔ图３训练样本数对预测均方差影响Ｆｉｇ．３Ｉｎｆｌｕｅｎｃｅｏｆｔｒａｉｎｉｎｇｓａｍｐｌｅｓｎｕｍｂｅｒｏｎｍｏｄｅｌｌｉｎｇｒｅｓｕｌｔ图４建模预测结果对比Ｆｉｇ．４Ｃｏｍｐａｒｉｓｏｎｏｆｍｏｄｅｌｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓ２浅层学习建模方法２．１ＲＢＦ神经网络建模方法在函数逼近领域，早先最普遍采用的神经网络是ＢＰ网络，它是一种是多层前馈神经网络，因网络训练采用误差反向传播（Ｂａｃｋ－Ｐｒｏｐａｇａｔｉｏｎ，ＢＰ）学习算法而得名。近年来，随着径向基函数（ＲａｄｉａｌＢａｓｉｓＦｕｎｃｔｉｏｎ，ＲＢＦ）神经网络的提出和发展，为函数逼近提供了一种更有效的方法，它在逼近能力、分类能力、学习速度等方面均优于ＢＰ网络［１８］。ＲＢＦ网络是一种三层前向神经网络：输入层由信号源节点组成；第二层为隐层，隐单元的个数由所描述的问题而定，隐层采用径向基函数作为网络的激励函数；第三层为输出层，采用线性激励函数。设一个多输入多输出的ＲＢＦ网络有ｍ个输入节点、ｎ个隐层节点、ｐ个输出节点。ＲＢＦ网络的输出为：ｙ＾ｋ＝∑ｎｊ＝１ｗｊｋＲｊ（ｘ）（１）式中，ｘ为输入向量；ｙ＾ｋ为输出层第ｋ个输出，ｋ＝１，２，…，ｐ；ｗｊｋ为第ｊ个隐节点与第ｋ个输出节点的连接权值；Ｒｊ为第ｊ个径向基函数，通常采用高斯函数Ｒｊ（ｘ）＝ｅｘｐ（－
图２典型轴对称火箭Ｆｉｇ．２Ｔｙｐｉｃａｌａｘｉｓｙｍｍｅｔｒｉｃｒｏｃｋｅｔ图３训练样本数对预测均方差影响Ｆｉｇ．３Ｉｎｆｌｕｅｎｃｅｏｆｔｒａｉｎｉｎｇｓａｍｐｌｅｓｎｕｍｂｅｒｏｎｍｏｄｅｌｌｉｎｇｒｅｓｕｌｔ图４建模预测结果对比Ｆｉｇ．４Ｃｏｍｐａｒｉｓｏｎｏｆｍｏｄｅｌｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓ２浅层学习建模方法２．１ＲＢＦ神经网络建模方法在函数逼近领域，早先最普遍采用的神经网络是ＢＰ网络，它是一种是多层前馈神经网络，因网络训练采用误差反向传播（Ｂａｃｋ－Ｐｒｏｐａｇａｔｉｏｎ，ＢＰ）学习算法而得名。近年来，随着径向基函数（ＲａｄｉａｌＢａｓｉｓＦｕｎｃｔｉｏｎ，ＲＢＦ）神经网络的提出和发展，为函数逼近提供了一种更有效的方法，它在逼近能力、分类能力、学习速度等方面均优于ＢＰ网络［１８］。ＲＢＦ网络是一种三层前向神经网络：输入层由信号源节点组成；第二层为隐层，隐单元的个数由所描述的问题而定，隐层采用径向基函数作为网络的激励函数；第三层为输出层，采用线性激励函数。设一个多输入多输出的ＲＢＦ网络有ｍ个输入节点、ｎ个隐层节点、ｐ个输出节点。ＲＢＦ网络的输出为：ｙ＾ｋ＝∑ｎｊ＝１ｗｊｋＲｊ（ｘ）（１）式中，ｘ为输入向量；ｙ＾ｋ为输出层第ｋ个输出，ｋ＝１，２，…，ｐ；ｗｊｋ为第ｊ个隐节点与第ｋ个输出节点的连接权值；Ｒｊ为第ｊ个径向基函数，通常采用高斯函数Ｒｊ（ｘ）＝ｅｘｐ（－
【参考文献】：
期刊论文
[1]人工智能与空气动力学结合的初步思考[J]. 张天姣,钱炜祺,周宇,何磊,邵元培. 航空工程进展. 2019(01)
[2]基于深度学习的翼型气动系数预测[J]. 陈海,钱炜祺,何磊. 空气动力学学报. 2018(02)
[3]飞机大迎角非定常气动力建模研究进展[J]. 汪清,钱炜祺,丁娣. 航空学报. 2016(08)
[4]深度学习研究综述[J]. 尹宝才,王文通,王立春. 北京工业大学学报. 2015(01)
[5]基于风洞试验的非定常气动力微分方程建模方法[J]. 黄达,郑万祥. 南京航空航天大学学报. 2014(04)
[6]偏最小二乘法在气动数据建模中的应用[J]. 何开锋,钱炜祺,张勇,王文正. 宇航学报. 2014(03)
[7]高斯过程元模型建模方法及在火箭弹气动分析中应用[J]. 刘新亮,张昆仑,郭波. 固体火箭技术. 2010(05)
[8]采用遗传算法优化最小二乘支持向量机参数的方法[J]. 王克奇,杨少春,戴天虹,白雪冰. 计算机应用与软件. 2009(07)
[9]喷流姿控战术导弹三维气动力数学模型[J]. 傅建明. 上海航天. 2005(04)
[10]基于模糊聚类的模糊神经网络在非定常气动力建模中的应用[J]. 史志伟,明晓. 空气动力学学报. 2005(01)
本文编号：3614338
本文链接：https://www.wllwen.com/kejilunwen/lxlw/3614338.html
