[发明专利]一种高超声速流场导入BP神经网络进行精细化处理的方法及系统

权利要求书

1.一种声速流场导入BP神经网络进行精细化处理的方法，其特征在于，所述声速流场导入BP神经网络进行精细化处理的方法采用误差反向神经网络算法，将稀疏的声速流场数据样本进行精细化，构成数据密集程度更大的声速折射率流场分布；

以及采用收敛误差和取样点数，对窗口处的所述声速折射率六场分布进行精细化。

2.如权利要求1所述的声速流场导入BP神经网络进行精细化处理的方法，其特征在于，所述构成数据密集程度更大的声速折射率流场分布的方法进一步包括：

将稀疏的声速数据作为样本导入神经网络进行训练，采用单隐含层进行神经网络的传播，计算到达输出层数时，输出层误差未达到指定要求时将改变每个神经元之间连接的权值时，重新进行计算；当样本与实际输出的归一化均方误差δ小于10^-5时，对均方误差反归一处理后，对应的实际均方根误差满足要求，同时输入大量坐标，输出大量坐标对应折射率分布数据。

3.如权利要求1所述的声速流场导入BP神经网络进行精细化处理的方法，其特征在于，所述声速流场导入BP神经网络进行精细化处理的方法进一步包括：

步骤一，运用仿真软件模拟出高速飞行器在高空飞行的气体流场密度的分布；

步骤二，将密度值转化为对应的折射率值；将密度转化为折射率的转化公式为G-D公式；

步骤三，运用编程技术实现BP神经网络算法；

步骤四，将仿真得到的横纵坐标数据以及对应坐标的折射率输入神经网络算法；

步骤五，将输出的横纵坐标及坐标对应的折射率提取出来，重新构建流场，实现流场精细化。

4.如权利要求3所述的声速流场导入BP神经网络进行精细化处理的方法，其特征在于，所述步骤一进一步包括：

建立类钝头的模型，在高空、以高超声速的飞行条件下进行飞行，仿真出类钝头的模型外流场的密度特性；

所述步骤二进一步包括：将仿真得到的流场的坐标及对应的密度提取出来，使用G-D公式将密度值转化为对应的折射率值；通用的G-D公式为：n＝1+K_GD·ρ，其中其中λ的单位为μm。

5.如权利要求3所述的声速流场导入BP神经网络进行精细化处理的方法，其特征在于，所述步骤三进一步包括：

对BP神经网络算法进行编程，其算法的主要思想为输入训练样本，利用神经元之间的权值与激活函数计算输出值，输出值与样本值存在误差，将误差进行反向传播，调整权值，使得输出与样本接近，当均方误差ε小于指定误差δ时训练结束，并保留权值。

6.如权利要求3所述的声速流场导入BP神经网络进行精细化处理的方法，其特征在于，所述步骤四进一步包括：

(4a)将流场得到的横纵坐标归一化后作为样本输入层的输入BP神经网络；

(4b)将折射率作归一化处理，得到即为样本期望，样本期望将与输出层作比较得到它们之间的误差；与分别为横坐标x'与纵坐标y'归一化后的值，它们构成神经网络的输入层；为输出折射率，构成输出层；中间部分为隐含层，本实例设置的隐含层为1层，隐含层共有30个神经元，k＝30；

(4c)当计算出一个输出折射率它与期望值存在误差，此时的误差若大于指定的误差，误差将反向传播，重新调整神经元的之间的权重；

(4d)当权值调整之后重新进行计算，直到输出值与期望值之间的误差ε小于指定误差δ时停止计算，保存神经元之间连接的权值，训练结束；

(4e)当训练结束后进入预测阶段，重新输入大量间隔极小的坐标参数，通过训练保存下来的神经网络，即可输出坐标对应的误差ε小于指定误差δ的折射率值。

7.如权利要求3所述的声速流场导入BP神经网络进行精细化处理的方法，其特征在于，所述步骤五进一步包括：

将输出值进行反归一化并对应横纵坐标构成精细化的折射率流场。