[发明专利]基于径向基函数的气动建模生成式对抗网络模型训练方法

权利要求书

1.基于径向基函数的气动建模生成式对抗网络模型训练方法，其特征在于，包括以下步骤：

气动数据预处理步骤，提取气动数据集，确定气动数据集中作为输入参数和输出参数的设计参数和响应参数，并对气动数据集中存在的异常值和缺失值进行过滤和筛选，将气动数据集中的全部数据归一化处理，并按照预定比例划分为训练集、验证集和测试集；

模型构建步骤，根据所述气动数据预处理步骤中确定的输入和输出气动数据集的维度和数据量信息，在基于径向基函数的生成式对抗网络中的判别器以及生成器中设定输入层节点数、输出层节点数和隐层节点数，构建径向基神经网络模型；所述判别器D是一个径向基神经网络，包括输入层、隐藏层和输出层；所述隐藏层的神经元为径向基隐层，即输入层与隐藏层之间的神经元权重为径向基函数的形式，所述径向基函数为高斯核函数其中，x表示输入数据，v表示径向基函数的中心，σ表示径向基函数的宽度；所述判别器D为

其中，w₀表示判别器输出结点的偏置，w_j表示判别器第j个隐层节点与输出结点之间的权重，q表示判别器隐层节点的数量，x_i表示输入数据，v_j和σ_j分别表示第j个隐层节点的中心和宽度；

模型训练步骤，采用所述气动数据预处理步骤中得到的训练集对所述模型构建步骤中构建的神经网络模型中的生成器和判别器进行训练，直至输入判别器和生成器的真实数据与判别器和生成器输出的生成的数据间的均方误差满足设定收敛条件；具体的，包括以下步骤：

判别器训练步骤，将生成器参数固定，按照模型训练判别器；

生成器训练步骤，将判别器参数固定，按照模型训练生成器；

重复上述判别器训练步骤和生成器训练步骤，对判别器和生成器交替进行训练直至输入判别器和生成器的真实数据与判别器和生成器输出的生成的数据间的均方误差满足设定收敛条件；

式中，D代表判别器，G代表生成器，P_data(x)代表真实数据的分布，P_z(Z)代表随机噪声的分布，D(x)代表判别网络，G(z)代表生成网络，L_D代表判别器的损失值，L_G代表生成器的损失值，公式E代表期望

模型验证步骤，通过对所述气动数据预处理步骤中的气动数据集进行扩充或者变换，输入至经过模型训练步骤训练的神经网络模型进行测试，测试模型预测的精确度，从而对建模的方向，或者模型的迭代优化进行指导。

2.如权利要求1所述的基于径向基函数的气动建模生成式对抗网络模型训练方法，其特征在于：所述气动数据集是从CFD计算软件或者风洞试验中提取的。

3.如权利要求1所述的基于径向基函数的气动建模生成式对抗网络模型训练方法，其特征在于：所述设计参数包括马赫数、高度、雷诺数；所述响应参数包括升力系数、摩擦力系数、阻力系数、俯仰力矩系数、偏航力矩系数和滚转力矩系数；所述预定比例8:1:1。

4.如权利要求1所述的基于径向基函数的气动建模生成式对抗网络模型训练方法，其特征在于：所述生成器的输入层节点数由输入的噪声维度确定；判别器的输入层节点数由气动数据集的维度确定；生成器和判别器的隐层节点根据设定阈值确定；生成器的输出层节点数与气动数据集的维度相同；判别器的输出层节点数为1。

5.如权利要求1或4所述的基于径向基函数的气动建模生成式对抗网络模型训练方法，其特征在于：所述生成器G为一个全连接神经网络，包括输入层、隐藏层和输出层；所述输入层、隐藏层和输出层均由若干个神经元构成，且神经元之间的权重为全连接的形式。

6.如权利要求1所述的基于径向基函数的气动建模生成式对抗网络模型训练方法，其特征在于：所述模型训练步骤中，收敛条件的指标为真实数据与生成的数据的均方误差在10^-4。