检索结果-南通市图书馆

南京航空航天大学学报 2024年第05期56卷 950-959页

作者：刘林杨春明蔺佳哲向宏辉西南科技大学计算机科学与技术学院中国空气动力研究与发展中心计算空气动力研究所中国航发四川燃气涡轮研究院

传统多输出深度神经网络在导弹气动性能系数预测任务中，通常采用均方误差（Mean square error, MSE）和平均绝对误差（Mean absolute error, MAE）来训练网络，但在小样本及无物理方程约束的情况下，MSE与MAE对导弹性能系数之间的约束... 详细信息

传统多输出深度神经网络在导弹气动性能系数预测任务中，通常采用均方误差（Mean square error, MSE）和平均绝对误差（Mean absolute error, MAE）来训练网络，但在小样本及无物理方程约束的情况下，MSE与MAE对导弹性能系数之间的约束和不同导弹样本之间的区分就会降低。针对该问题，提出一种基于深度度量学习的k最近邻大边距损失函数（k-nearest neighbor large margin, kNNLM），它通过边距约束将大差异输出样本推开，拉近相近输出样本，以此来解决样本及样本间的约束区分问题。以导弹气动外形及工况参数作为输入，4种气动系数作为输出，在反向传播神经网络（Backpropagation neural network, BPNN）和多任务学习神经网络（Multi-task learning neural network, MTLNN）中分别采用MSE、MAE、kNNLM进行实验对比，实验结果表明：kNNLM在BPNN和MTLNN中的精度相比于MSE和MAE最大能够提升14.44%和16.35%，最少提升3.72%。kNNLM能够在少样本及无物理知识约束的情况下，能更好地对导弹样本进行约束区分，使深度神经网络模型的预测精度更高，且鲁棒性更强。

关键词：深度度量学习导弹气动性能预测 k最近邻大边距多输出

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

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

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

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：