Matlab 과 BP 신경망에 기반한 고체 로켓? 엔진 비충격 성능 예측

요약: 이 문서에서는 오차 역전파 (BP 알고리즘) 를 기반으로 하는 인공신경망 기술을 사용하여 Mat lab 신경 네트워크 도구상자를 사용하여 고체 로켓 엔진의 비충격 성능을 예측하는 신경망 모델을 구축하고 실험 데이터로 검증했습니다. 그 결과, 이 방법은 고체 로켓 엔진의 비충격 성능을 예측하는 데 사용될 수 있음을 보여준다. -응?

키워드: 고체 로켓 엔진 비충격;

BP 알고리즘

Mat lab 신경망 도구 상자;

인공신경망?

중국 도서관 분류 번호: v435: TP183 문헌 식별 번호: a 문자:1007-6921(2007) 08-;

고체 로켓 엔진의 성능 매개변수를 예측하는 것은 엔진 설계와 연구의 기본 과제 중 하나이다. 고체 로켓 엔진의 성능 매개변수를 정확하게 예측하는 것은 엔진 성능 지표와 정확도를 높이고 개발 주기를 단축하는 열쇠이자 기초이다. 현재 특정 임펄스 성능을 예측하는 두 가지 방법이 있습니다. 하나는 이전 실험에서 얻은 보정 계수로 새로 설계된 엔진을 수정하는 이론비충이다. 다른 하나는 각종 손실을 계산하여 비충을 추정하는 것이다. 이러한 방법의 단점은 샘플 데이터가 크고 예측 정확도가 떨어진다는 것이다. -응?

신경 네트워크 이론은 고유의 초강력 적응성과 학습 능력으로 많은 분야에서 광범위하게 응용되어 많은 전통적인 방법으로 해결하기 어려운 문제를 해결했다. 신경망 학습 알고리즘 수학 계산이 복잡하기 때문에 과정이 복잡하여 오류가 발생하기 쉽다. 따라서 신경망 패키지를 채택하는 것은 필연적인 선택이다. 이 글은 현재 널리 사용되고 있는 MATLAB 신경 네트워크 도구 상자를 이용하여 BP 알고리즘에 기반한 인공신경망을 이용하여 고체 로켓 엔진 비충격 성능 예측 모델을 구축하여 비충 예측 정확도를 높인다. -응?

1 BP 신경망 모델?

BP 네트워크는 구조가 간단하고 비선형 매핑 능력이 강하여 가장 널리 사용되는 신경망이 되었다. BP 신경 네트워크의 학습 과정은 정보의 순전파 과정과 오차의 역전파 과정의 두 단계로 나뉜다. 외부 입력 신호는 입력 및 은층 뉴런의 레이어별 처리를 거쳐 출력 레이어로 전파되어 결과를 제공합니다. 출력 레이어에서 원하는 출력을 얻을 수 없는 경우 역방향 전파 프로세스로 전송되고 실제 값과 네트워크 출력 간의 오류가 원래 연결 경로를 따라 반환됩니다. 각 층의 뉴런에 대한 연결 가중치를 수정하여 오류를 줄인 다음 오류가 지정된 값보다 작을 때까지 정방향 전파 프로세스로 이동합니다. -응?

MATLAB 신경망 도구 상자 응용 프로그램?

신경 네트워크 도구 상자는 Mat lab 환경에서 개발된 많은 도구 상자 중 하나입니다. 인공신경망 이론을 바탕으로, Mat lab 언어를 이용하여 전형적인 신경망의 활성화 함수를 구축하고, 네트워크 훈련 과정에서 MATLAB 을 사용한다.

6.5 Windows 소프트웨어의 경우 Mat lab 의 신경망 키트를 사용하여 네트워크 교육을 실시합니다. 미국 Math work 에서 출시한 MATLAB 소프트웨어 패키지는 매우 실용적이고 효과적인 과학 프로그래밍 소프트웨어 환경일 뿐만 아니라 과학 및 엔지니어링 컴퓨팅의 대화형 프로그램이기도 합니다. MATLAB 자체에는 무게 훈련을 크게 용이하게 하고, 훈련 프로그램의 작업량을 줄이며, 생산성을 높일 수 있는 신경망 도구 상자가 있습니다. -응?

3. 고체 로켓 엔진의 비충격 성능에 영향을 미치는 요인은 무엇입니까?

비충은 엔진에서 사용하는 추진제의 에너지 수준과 내부 작업 과정의 완성도를 반영하는 중요한 기술 지표이다. 비충격 성능에 영향을 미치는 요인은 주로 노즐 목 지름, 노즐 관통비, 평균 팽창비, 근무 시간, 확산 반각, 평균 작동 압력, 평균 연소율, 추진제 밀도 등입니다. 고체 로켓 엔진의 풀 사이즈 시운전에는 대량의 인력, 물력, 재력이 필요하기 때문이다. 그래서 비충의 실험 데이터는 비교적 부족하다. 이 문서에서는 6 세트의 데이터 샘플을 수집하여 그 중 5 그룹을 교육 샘플로, 1 그룹을 테스트 샘플로 선택했습니다. 각 데이터 샘플의 처음 8 개 항목은 입력 계수이고 출력 계수는 실제 비충격입니다. 이 6 개의 데이터 세트는 네트워크를 훈련하고 테스트하는 데 사용됩니다. -응?

4 네트워크 모델 설계?

BP 네트워크의 설계에는 주로 입력 레이어, 암시적 레이어, 출력 레이어 및 레이어 간 전송 함수가 포함됩니다. -응?

4. 1 네트워크 계층. BP 네트워크는 다른 숨겨진 계층을 포함할 수 있습니다. 이론적으로 편차와 하나 이상의 S 자형 은층과 선형 출력 레이어가 있는 네트워크가 임의의 유리 함수에 접근할 수 있다는 것을 증명했다. 숨겨진 계층의 경험적 선택은 선형 문제의 경우 일반적으로 비선형 네트워크가 아닌 센서 또는 어댑티브 네트워크로 해결할 수 있다는 것입니다. 단일 레이어는 비선형 활성화 함수의 특수한 역할을 수행할 수 없기 때문입니다.

비선형 문제의 경우 일반적으로 2 층 이상의 은층을 사용하지만, 오차 정확도 향상은 실제로 은층 뉴런의 수를 늘려 얻을 수 있으며, 그 훈련 효과는 층을 늘리는 것보다 더 쉽게 관찰하고 조정할 수 있기 때문에 일반적으로 은층 뉴런의 수를 늘리는 것을 우선적으로 고려해야 한다.

4.2 입력 레벨의 노드 수 및 출력 레벨의 노드 수. 입력 계층은 외부 입력 데이터를 수신하는 버퍼 메모리 역할을 하므로 노드 수는 입력 벡터의 차원에 따라 달라집니다. 고체 로켓 엔진의 비충격 성능을 예측하는 입력 샘플은 8 차원 입력 벡터이기 때문에 입력층 I * * * 에는 8 개의 뉴런이 있습니다. -응?

출력 레이어의 노드 수는 출력 데이터 유형과 해당 유형을 나타내는 데 필요한 데이터 크기의 두 가지 측면에 따라 달라집니다. 고체 로켓 엔진 비충격 성능 예측의 출력 샘플이 1 차원 출력 벡터이기 때문에 출력층에는 1 개의 뉴런이 있습니다. -응?

4.3 암시 적 층 뉴런의 노드 수. 은층 뉴런의 노드 수는 서로 다른 뉴런 수를 훈련하고 비교한 다음 약간의 여유를 적절히 늘려서 결정된다. (알버트 아인슈타인, Northern Exposure (미국 TV 드라마), 스포츠명언) 이전 사람들의 경험에 따르면, 디자인은 다음 공식을 참조할 수 있습니다.

-응?

여기서 n 은 숨겨진 노드의 수입니다.

N I 는 입력 노드의 수입니다.

-응?

N 0 은 출력 노드의 수입니다.

A 는 1 에서 10 사이의 상수입니다. -응?

이 원리에 따르면 이 BP 네트워크의 숨겨진 레이어 노드 수는 [KF (] 8+1[KF)]+A (A =1~10) 입니다. -응?

4.4 전달 함수. 일반적으로 BP 네트워크의 구조는 숨겨진 레이어에서 S 자 활성화 함수를 사용하고 출력 레이어에서는 선형 활성화 함수를 사용합니다. -응?

4.5 교육 방법 선택. 부가동량법을 이용한 역전파는 인터넷이 오차면에서 슬럼프에 빠질 가능성을 낮추고 훈련 시간을 줄이는 데 도움이 된다. 학습률이 너무 크면 학습이 불안정해지고, 값이 너무 작으면 훈련 시간이 매우 길어진다. 적응학습률은 훈련의 안정을 보장하는 상황에서 합리적인 고속을 달성할 수 있어 훈련 시간을 줄일 수 있다. -응?

4.6 학습 속도의 경험적 선택. 일반적으로 0.0 1 ~ 0.8 범위의 시스템 안정성을 보장하기 위해 더 작은 학습률을 선택하는 경향이 있습니다. 이 네트워크의 학습률은 0.05 입니다. -응?

4.7 예상 오차 선택. 일반적으로 비교로서 예상 오차 값이 다른 두 개의 네트워크를 동시에 훈련시킬 수 있으며, 마지막으로 종합적으로 고려하여 그 중 하나를 결정할 수 있습니다. -응?

요약하면 BP 네트워크의 토폴로지는 8× 13× 1 입니다. 중간 계층 뉴런의 전달 함수는 S 자 탄젠트 함수인 tansig 입니다. 출력이 간격 [0, 1] 으로 정규화되었기 때문에 출력 레이어 뉴런의 전달 함수는 S 형 로그 함수 logsig 로 설정할 수 있습니다. 네트워크의 교육 함수는 가변 학습률을 가진 운동량 BP 알고리즘을 사용하여 신경 네트워크의 가중치 및 임계값 함수를 수정합니다. -응?

5 온라인 교육 및 테스트?

신경망을 배우고 훈련시킬 때, 예측비 추이를 예측할 때, 입력 출력 데이터를 사전 처리해야 한다. 즉, 표준화되거나 표준화되고, 네트워크의 입력 출력 데이터는 [0, 1] 범위로 제한되어야 한다. 정규화의 주된 이유는 1 네트워크의 입력 데이터가 종종 물리적 의미와 차원이 다르기 때문에 정규화하면 각 입력 컴포넌트에 동일한 중요한 위치를 부여할 수 있기 때문입니다.

② 일부 입력 변수의 값은 다른 입력 변수의 값과 매우 다를 수 있습니다. 정규화하면 값이 큰 변수가 값이 작은 변수를 가릴 수 없습니다.

③ 뉴런 포화를 피할 수 있다. -응?

6 세트의 실측 데이터 샘플에 대한 표준화된 데이터는 표 1 에 나와 있습니다.

-응?

시뮬레이션 함수 sim 은 1 과 같이 예측 오차 곡선을 사용하여 네트워크의 출력을 계산하는 데 사용됩니다.

-응?

그림에서 볼 수 있듯이, 네트워크 예측치와 실제 값 사이의 오차는 매우 작아서 모두 3% 미만이다. 애플리케이션 요구 사항을 완벽하게 충족합니다. -응?

6 결론?

신경망은 입/출력의 높은 비선형 매핑으로 작용 함수의 여러 복합을 통해 고체 로켓 엔진의 비충격 성능 매개변수를 예측합니다. 다음과 같은 결론을 얻었습니다.

6. 1 시스템을 모델링할 필요가 없습니다. 충분한 교육 샘플 (실험 데이터 또는 시뮬레이션 데이터에서 얻은) 만 있으면 예측할 수 있습니다. -응?

6.2 BP 네트워크는 학습과 훈련을 통해 샘플 데이터를 기준으로 입력과 출력 사이의 관계를 파악함으로써 경험에 의한 문제 판단이 아니라 문제에 대한 해결책을 찾기 때문에 적응형 기능을 갖추고 있어 작은 샘플 데이터를 분석할 때 통계적 회귀 방법의 부족을 극복합니다. -응?

6.3 결과 잘 훈련된 BP 네트워크 모델이 고체 로켓 엔진의 비충격 성능을 정확하게 예측할 수 있는 것으로 나타났다. -응?

6.4 모델의 예측 규칙은 샘플 특성의 영향을 받습니다. 고체 로켓 엔진 비충격 실험 데이터의 부족으로 인해 이 모델은 추가 실험 데이터 검증이 필요합니다. -응?

[참고 문헌]

[1] 유배진, 여상, 하국강. 인공 신경망을 기반으로 한 연소율 관련성 연구 [J]. 추진 기술, 2004,25 (2):156-158.

장옥성. 신경 네트워크 원리에 기반한 고체 로켓 엔진 비충격 성능 예측 [D]. 후허 하오 터: 내몽골 공업대 석사 논문, 2002.

비스칼 기술 제품 연구 개발 센터. MATLAB6.5 응용 프로그램 인터페이스 프로그래밍 [M]. 베이징: 전자공업출판사, 2003.

문신, 주루, 왕단리 등. Mat lab 신경망 응용 설계 [M]. 베이징 과학출판사 2000.

생강. 인공신경망 소개 [M]. 베이징: 고등교육출판사, 200 1.