检索结果-南通市图书馆

西北工业大学学报 2024年第2期42卷 328-334页

作者：朱星谕梅立泉西安交通大学数学与统计学院陕西西安710049

将深度学习方法应用至气动数据建模,能够解决传统建模方法效率低、代价高的问题,具有重要的现实意义。基于复合神经网络模型对多源气动数据进行学习,利用低精度数据辅助高精度数据进行预测。与不同网络模型进行对比,验证了文中提出的复... 详细信息

将深度学习方法应用至气动数据建模,能够解决传统建模方法效率低、代价高的问题,具有重要的现实意义。基于复合神经网络模型对多源气动数据进行学习,利用低精度数据辅助高精度数据进行预测。与不同网络模型进行对比,验证了文中提出的复合神经网络在气动数据建模中表现优良,且泛化能力较好。

关键词：气动数据建模深度神经网络复合神经网络

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于深度神经网络的气动数据建模方法研究

基于深度神经网络的气动数据建模方法研究

引用

作者：陈文卓电子科技大学

学位级别：硕士

人类对于世界的探索已经不仅仅局限于陆地和海洋,而是将探索的方向转向了更为广袤的天空和宇宙,因此对各个国家在航空航天领域的技术实力提出了更高的挑战,国家在空气动力学领域的研究与进步也就显得尤为重要。空气动力学中在获取气动... 详细信息

人类对于世界的探索已经不仅仅局限于陆地和海洋,而是将探索的方向转向了更为广袤的天空和宇宙,因此对各个国家在航空航天领域的技术实力提出了更高的挑战,国家在空气动力学领域的研究与进步也就显得尤为重要。空气动力学中在获取气动数据时仍依赖较为传统的方法,但此类方法的局限性较大,通常具有较高的时间或经济成本。而当前人工智能技术的蓬勃发展为空气动力学领域气动数据的获取方式的发展提供了新的契机。空气动力学领域传统的数据建模方法均需要使用数学方法对于物理规律进行描述,得到一系列结构复杂的高维偏微分方程,再由高性能计算机对这些方程进行求解以获得数据。但其缺陷在于计算成本较高,耗时较长。相反,若使用深度学习方法建立脱离复杂物理机理的气动数据模型,专注于气动输入参数与其对应输出数据的映射关系研究,则可大大提高模型预测数据的效率。因此,本文将探索如何使用深度神经网络建立气动数据预测模型,并基于空气动力学领域具有代表性的多个案例建立实验所用数据集,验证基于深度神经网络的气动数据预测模型的有效性。本文所进行的工作可概括如下:1.确定本文将要采用的实验对象案例,并根据业界通用方法,借助计算机对实验案例进行求解,以构建本文所需的用于深度神经网络模型训练的相关数据集。2.经过对气动数据中输入参数和输出数据之间的关系的分析,采用经典的全连接神经网络,并对激活函数、损失函数、隐藏层层数和隐藏层节点数等超参数进行确定,建立了气动数据预测模型,对气动数据集中的气动分布规律进行学习。3.为探索是否有更为新颖、先进的深度神经网络模型可用于气动数据建模,本文以近年来取得了较为广泛关注的生成式对抗网络为基础,结合气动数据建模问题的实际情况,采用多层感知机代替原始生成式对抗网络模型中的卷积神经网络来构建生成器网络和判别器网络,建立了相关的气动数据预测模型。4.在完成以上两种类型的气动数据预测模型的相关实验后,本文分析并总结了其具有的优势和不足,针对其不足,采用了多任务学习方法和集群神经网络模型加以改进。实验证明,本文所采取的改进方法切实有效,能实现对气动数据更为准确的预测。

关键词：气动数据建模全连接神经网络生成式对抗网络多任务学习集群神经网络

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

可解释的气动数据深度学习方法研究

可解释的气动数据深度学习方法研究

引用

作者：蒋恩硕电子科技大学

学位级别：硕士

机器学习和深度学习在空气动力学领域的应用在最近几年逐渐兴起,研究人员不断尝试探索深度学习与气动数据建模的结合,得到了一些有意义的成果,但也存在很多难点仍未解决。由于缺乏可解释性,基于深度学习的气动模型通常被视为黑盒模型,... 详细信息

机器学习和深度学习在空气动力学领域的应用在最近几年逐渐兴起,研究人员不断尝试探索深度学习与气动数据建模的结合,得到了一些有意义的成果,但也存在很多难点仍未解决。由于缺乏可解释性,基于深度学习的气动模型通常被视为黑盒模型,没有人可以确切地知道模型做出决策的依据以及决策是否可靠,尽管模型在数学公式上清晰透明,但应用在具体场景时物理意义通常并不明确,导致模型并不被空气动力学的专家认可。为了提高针对气动数据的深度学习模型的可解释性,建立普通用户与决策模型之间的信任关系,消除气动数据模型在实际部署应用中的潜在威胁,本文首先研究了机器学习的可解释性的相关理论与技术基础,其中着重研究了与模型无关的局部解释方法(LIME),然后将其应用在基于深度学习的气动数据建模中,对黑盒预测模型进行了解释。在原始解释模型的基础上,本文提出了三种对于LIME的改进模型---Uniform LIME、GANLIME和CGANLIME,弥补原始LIME应用于表格数据的回归问题时出现的扰动样本分布不均匀的问题、生成扰动样本的过程中忽略特征相关性的问题和生成扰动样本不可控的问题。针对M6跨声速机翼数据集,本文使用原始解释模型和三种改进模型对基于深度学习的黑盒气动模型预测升力系数、阻力系数和力矩系数的结果进行解释,对比局部解释结果和全局解释结果,定性地分析解释模型的优劣。并通过计算模型评价指标定量地评估不同的解释模型,具体的比较模型的好坏。实验结果表明,LIME可以有效地解释基于深度学习的气动数据模型,三种改进模型能够解决对应的问题,获得了更好的解释效果和更高的评价指标。

关键词：可解释性气动数据建模深度学习与模型无关的局部解释方法

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于生成式对抗网络的气动建模与优化方法

基于生成式对抗网络的气动建模与优化方法

引用

作者：王兵电子科技大学

学位级别：硕士

国家航天航空事业蓬勃发展和进步与空气动力学的研究息息相关,如何有效的进行气动建模一直是该领域专家们研究的重点问题,对于传统的基于物理模型的方法来说,由于存在一些复杂且难以求解的偏微分方程导致其计算效率无法满足实际需求。... 详细信息

国家航天航空事业蓬勃发展和进步与空气动力学的研究息息相关,如何有效的进行气动建模一直是该领域专家们研究的重点问题,对于传统的基于物理模型的方法来说,由于存在一些复杂且难以求解的偏微分方程导致其计算效率无法满足实际需求。而且需要耗费很多资源。很难满足实际需求。因此有人开展了基于数据驱动的无模型方法研究,但同样存在着生成数据精度不高的问题。基于生成式对抗网络（GAN）模型在诸多领域中的良好表现,因此,本文建立了基于GAN的气动数据建模及优化方法的研究,针对GAN模型在训练过程中出现的各种问题进行了优化。本文的主要工作如下:（1）在开展基于GAN的气动数据建模之前,考虑原始GAN模型过于自由,不能够按照意愿生成指定的数据,将用条件式生成对抗网络（CGAN）来代替GAN进行气动数据建模,然后设计出每个模型的网络结构,并进行实验验证。（2）结合结果分析了GAN模型在气动数据集上的拟合表现,从气动数据集的特点出发,分析出基于GAN的气动数据建模的问题所在,并基于此提出了一个定理,即在处理来自于连续函数的非线性稀疏数据时,径向基神经网络（RBFNN）是GAN的最佳判别器。并给出了理论证明。（3）基于上述定理我们提出了基于径向基函数的生成式对抗网络（Radial Basis Function-based GAN,RBF-GAN）,设计了RBF-GAN的网络结构模型,并进行了实验验证。然后结合集群神经网络的思想,提出了基于集群径向基函数的生成式对抗网络模型（Radial Basis Function Cluster-based GAN,RBFC-GAN）,同样设计了RBFC-GAN的网络模型结构,并进行了实验验证。对实验结果进行分析后得到:将RBFNN作为判别器,可以提高非线性气动数据生成的精度,相对于传统GAN,RBF-GAN和RBFC-GAN生成的气动数据的精度提高一个数量级;和全连接神经网络相比,RBFNN更适合作为面向非线性气动数据的GAN的判别器;关于模型稳定性方面,从整体训练过程中看,RBFC-GAN的稳定性最好。

关键词：气动数据建模生成式对抗网络径向基神经网络最优判别器理论集群神经网络

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：