[发明专利]人工智能程序员书写数字飞行器代码的神经网络决策方法

说明书

本发明公开提供了一种人工智能程序员书写数字飞行器代码的神经网络决策方法，使用人工智能程序员来替代人书写数字飞行器源代码，具体通过对目标样本集与飞行器部件模型零件仿真步长向量决策集建立对应关系，并进行神经网络训练，获得决策零件仿真步长向量；可以根据任务要求自主编写数字飞行器源代码，并且自主决策源代码书写中代码的编写、飞行器模型中模块的内部仿真步长设计等问题，将人从繁重的数字飞行器源代码编写过程中解放出来。本发明合理地完成数字飞行器源代码的自主决策，实现了数字飞行器源代码书写的自动化与智能化，降低了飞行器的仿真成本。

技术领域

本发明涉及飞行器设计领域，更具体的说是涉及一种人工智能程序员书写数字飞行器代码的神经网络决策方法。

背景技术

飞行器设计与研制过程中，为了保证飞行器最终应用的高可靠性，在设计中需要大量采用现有设计的主流方法，并且需要进行仿真验证与地面试验。其中有一些地面试验不能完全的反映飞行器真实在轨工作状况，而且成本高昂，因此受到了限制。

数字飞行器仿真验证没有环境条件的限制，而且只要模型建立足够精确，就能够较好的模拟出飞行器的工作状况，因此仿真验证方法在飞行器设计中得到了广泛的应用，并且飞行器数值仿真已经用于飞行器设计的验证。

在数字飞行器搭建的过程中，需要编写大量的源代码，工作量大。目前基本依靠人来完成源代码中一系列问题的决策。人工编写代码费时费力，使用人工智能程序员来替代人书写数字飞行器源代码，可以根据飞行器的具体设计情况，自主编写飞行器仿真模型的源代码，并对模型中模块的选择进行决策，将人从繁重的数字飞行器源代码编写过程中解放出来。

神经网络是一种分布式并行处理信息的算法数学模型，分为BP神经网络、RBF神经网络等多个种类。依据节点的连接关系及其权值，训练好的神经网络能够对高维空间中的映射关系进行拟合，用简单的形式表达复杂的函数关系。神经网络具有很强的拟合能力与较快的运算速度，基于深度学习的AlphaGo已经在围棋领域取得了成功。神经网络在训练时能够将样本的信息存储在网络中，训练好的网络在接近但非样本输入的情况下能够计算出合适的输出值，所以神经网络具有依据已有样本进行决策的能力。

因此，如何提供一种利用人工智能程序员自主书写数字飞行器源代码的神经网络决策方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种人工智能程序员书写数字飞行器代码的神经网络决策方法，该方法使用计算机进行数字飞行器源代码书写，人工智能程序员对书写过程中遇到的变量类型选择，算法选择，飞行器模型中模块的内部仿真步长设计等问题，依据训练得到的神经网络进行自主决策，提高了编写效率，降低了飞行器仿真成本。

为了达到上述目的，本发明采用如下技术方案：

一种人工智能程序员书写数字飞行器代码的神经网络决策方法，所述方法包括以下步骤：

步骤一，收集数字飞行器的目标样本，目标样本包括目标元素集和飞行器部件模型零件仿真步长向量决策集；将目标元素集中的每个目标元素和飞行器部件模型零件仿真步长向量决策集中的每个目标元素一一对应存储至目标样本数据库；

步骤二，提取步骤一中目标元素集中每个目标元素的特征向量和飞行器部件模型零件仿真步长向量；

步骤三，将步骤二中的特征向量归一化，得到神经网络训练输入向量；

步骤四，将步骤二中的飞行器部件模型零件仿真步长向量归一化，得到神经网络训练输出向量；

步骤五，训练神经网络；

步骤六，获取待决策目标，提取待决策特征向量并进行归一化；

步骤七，将待决策特征向量作为决策输入向量，运行步骤五中训练好的神经网络，获得决策输出向量；