[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

说明书

本发明属于声速物理计算与人工智能相结合的技术领域，公开了一种声速流场导入BP神经网络进行精细化处理的方法及系统，采用误差反向神经网络算法，将较为稀疏的流场数据样本精细化，构成数据密集程度更大的折射率流场分布；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。本发明将较为稀疏的数据作为样本导入神经网络进行训练，采用了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；本发明当取样点更加密集后，尤其在激波附近的折射率分布更加平滑，更加清晰，保真度有着明显的提升，更贴近实际情况。

技术领域

本发明属于声速物理计算与人工智能相结合的技术领域，尤其涉及一种声速流场导入BP神经网络进行精细化处理的方法及系统。

背景技术

目前，对空间目标打击以及高超声速飞行器的研究越来越受到广泛的关注，高超声速飞行器在空间中高速飞行时，会压缩周围空气，形成高温绕流场激波，周围空气发生电离，形成等离子体鞘套，电磁波将难以穿透，这就使得光学与高超声速流场的耦合得以兴起，复杂的流场干扰光束传输，引起光束的波前畸变，被称为气动光学效应。光束在高超声速绕流场中传输多数采用射线追踪的方法来计算藐视误差、偏折角、光程差等量。其中最为重要的步骤就是获得流场的密度与折射率分布。

然而进行高超声速飞行器飞行的模拟实验通常采用风洞的方法，实验成本较高，同时数据采集过程也较为繁杂与困难，在局部位置需要较为精细的流场数据时，出现数据稀疏的情况。所以迫切需要一种精细化实验流场的方法，使得射线追踪方法探究气动光学效应的结果更加精确。

随着计算机计算能力的迅猛发展，机器学习不断走进大众视野，人工神经网络算法应用于各行各业。误差反向传播(Error Back Propagation，BP)神经网络是应用最为广泛的神经网络，它的输出结果以前向传播进行，误差采用反向传播方式进行。

现有重构高超声速流场的方法普遍采用插值法或是插值法的衍生方法，普遍存在精度不够，保真度低，或者是精度达到要求但计算时间过长，导致效率低下。而BP算法是保留权值进行流场的重构，重构过程迅速且精确度很高。

通过上述分析，现有技术存在的问题及缺陷为：(1)现有的高超声速流场实验成本较高，数据采样过程较为复杂，在飞行窗口位置需要精细流场数据时难以满足要求；

(2)对于光学传输而言，精细的折射率场往往是决定计算气动光学效应结果的决定性因素，流场若不极为精细，很难得到精确的结果；

(3)普通的插值法重构流场，精确度不高，若要达到所需精确度需要消耗非常大量的计算时间，效率过低。

解决以上问题及缺陷的难度为：

将高超声速流场数据与BP算法进行对接，构建出属于不同流场的神经网络的连接权值。

解决以上问题及缺陷的意义为：

提高流场精细程度，能够大大提高射线追踪计算结果的精度，对于激光制导精度方面有着极大的参考价值。

发明内容

针对现有技术存在的问题，本发明提供了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。将稀疏分布的高超声速流场导入BP神经网络进行精细化处理，得到精度更高的流场分布。

本发明是这样实现的，一种声速流场导入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，将较为稀疏的流场数据样本精细化，构成数据密集程度更大的折射率流场分布，采用不同的收敛误差以及取样点数，精细化窗口处的折射率场分布。

具体包括以下步骤：

(1)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；