基于近似优化的拼接式曲率误差调整主镜设计
发布时间:2021-04-08 00:29
光机系统的优化设计具有效率高、迭代周期短等特点,但对复杂光机系统的优化存在收敛难的问题。设计了一种基于拉丁超立方与径向基函数(RBF)神经网络结合的近似优化算法,并将其应用于带有曲率误差调整机构的拼接式望远镜主镜设计中。仿真结果表明,该算法优化后的主镜达到了设计指标,为解决复杂光机系统迭代时间长的问题提供了新思路。
【文章来源】:光学学报. 2020,40(20)北大核心EICSCD
【文章页数】:6 页
【部分图文】:
拉丁超立方采样示意图
RBF神经网络以RBF(空间中任意一点到中心点欧氏距离的单调函数)为节点激活函数,由输入层、隐藏层和输出层组成,RBF神经网络的主要结构如图2所示。输入层与隐藏层之间的连接权值为1,输出层权值采用线性学习策略,隐藏层包含的激活函数(一般为格林函数或高斯函数)主要采用非线性学习策略。理论上RBF神经网络可以逼近任意连续函数。当激活函数为高斯函数时,RBF神经网络的第i个输出yi可表示为
近似优化算法用拉丁超立方采样算法获取的采样点训练神经网络近似模型,然后优化近似模型,得到最佳设计结果,该算法的具体流程如图3所示,其中,R C 2 为决定系数。当R C 2 大于0.9时,表明近似模型可信,决定系数可表示为
【参考文献】:
期刊论文
[1]基于响应面法的消防泵S型叶片改进优化设计[J]. 王春林,彭海菠,丁剑,刘栋. 机械工程学报. 2013(10)
本文编号:3124491
【文章来源】:光学学报. 2020,40(20)北大核心EICSCD
【文章页数】:6 页
【部分图文】:
拉丁超立方采样示意图
RBF神经网络以RBF(空间中任意一点到中心点欧氏距离的单调函数)为节点激活函数,由输入层、隐藏层和输出层组成,RBF神经网络的主要结构如图2所示。输入层与隐藏层之间的连接权值为1,输出层权值采用线性学习策略,隐藏层包含的激活函数(一般为格林函数或高斯函数)主要采用非线性学习策略。理论上RBF神经网络可以逼近任意连续函数。当激活函数为高斯函数时,RBF神经网络的第i个输出yi可表示为
近似优化算法用拉丁超立方采样算法获取的采样点训练神经网络近似模型,然后优化近似模型,得到最佳设计结果,该算法的具体流程如图3所示,其中,R C 2 为决定系数。当R C 2 大于0.9时,表明近似模型可信,决定系数可表示为
【参考文献】:
期刊论文
[1]基于响应面法的消防泵S型叶片改进优化设计[J]. 王春林,彭海菠,丁剑,刘栋. 机械工程学报. 2013(10)
本文编号:3124491
本文链接:https://www.wllwen.com/kejilunwen/yiqiyibiao/3124491.html