一种基于Dropout的BiLSTM网络机翼阻力系数预测方法

一种基于dropout的bilstm网络机翼阻力系数预测方法
技术领域
1.本发明涉及机翼阻力系数预测领域，具体涉及一种基于dropout的bilstm网络机翼阻力系数预测方法。


背景技术：

2.高空长航时无人机在军事和民用领域具有广阔的应用前景，而翼型是影响该类飞行器气动性能的关键。因此，层流翼型气动性能预测是高空长航时无人机研究中的关键技术，气动阻力系数就是其中重要的一环。
3.当前关于机翼气动阻力系数的预测方法主要是分为传统数值模拟方法和人工神经网络方法。
4.传统方式得到机翼阻力系数通常采用计算流体力学(cfd)软件进行数值仿真，根据navier
‑
stocks方程建立系统数学模型，再带入相关参数进行求解计算，建模过程极为复杂，虽然计算准确度高，但耗费大量的时间。
5.人工神经网络这类方法不需要建立复杂的数学模型，常见的有rbf神经网络。这类网络可以挖掘数据之间的关系，建立机翼外形参数与气动阻力系数之间的非线性模型，虽然比传统计算速度要快，但整体效率并不高，而且在计算过程中很容易出现局部最优，过拟合的问题。因此，如何高效准确地预测气动阻力系数成为了重点研究课题。


技术实现要素：

6.针对现有技术中的上述不足：无法高效准确预测气动阻力系数，且未回避计算过程的局部最优，过拟合问题，本发明提供了一种基于dropout的bilstm网络机翼阻力系数预测方法。
7.为了达到上述发明目的，本发明采用的技术方案为：
8.一种基于dropout的bilstm网络机翼阻力系数预测方法，包括以下步骤：
9.s1、获取机翼外形参数与机翼阻力系数，并构建机翼参数数据集；
10.s2、根据构建的机翼参数数据集构建特征工程数据集；
11.s3、构建dropout
‑
bilstm网络模型，并根据特征工程数据集进行模型训练，得到训练后的dropout
‑
bilstm网络模型；
12.s4、利用训练后的dropout
‑
bilstm网络模型预测机翼阻力系数。
13.本发明具有以下有益效果：
14.通过获取机翼外形参数与机翼阻力系数，同时基于获得机翼外形参数与机翼阻力系数构建机翼参数数据集，并得到特征工程数据集；构建dropout
‑
bilstm网络模型，充分挖掘机翼外形相关参数的设定对于机翼阻力系数的影响关系，基于bilstm层具备的方便序列建模，以及长时记忆的能力，在一定程度上解决优化过程中的梯度爆炸或梯度消失的问题，同时基于dropout机制可以避免最终模型出现过拟合的现象，使得最终的模型可以得到高精度高准确率的性能输出，并根据特征工程数据集进行模型训练，得到训练后的dropout
‑
bilstm网络模型，并基于训练后的dropout
‑
bilstm网络模型完成机翼阻力系数的预测，与传统解算方式相比，获得高准确率的同时，极大地降低运算过程的时间量级。
15.进一步地，步骤s1具体包括以下分步骤：
16.s11、以预设控制参数为nurbs曲线控制点坐标，采用拉丁超立方采样法生成机翼外形参数；
17.s12、根据步骤s11中机翼外形参数生成翼型nurbs曲线外型；
18.s13、根据步骤s12中翼型nurbs曲线外型划分翼型外流场结构网格；
19.s14、利用navier
‑
stocks方程模型结合步骤s13中翼型外流场结构网格得到机翼阻力系数；
20.s15、对步骤s11中机翼外形参数与步骤s14中机翼阻力系数进行预处理；
21.s16、对步骤s15中预处理后的机翼外形参数进行归一化，并结合预处理后的机翼阻力系数构建机翼参数数据集。
22.该进一步方案的有益效果为：
23.对数据进行预处理，为后续模型构建与训练提供数据支撑。
24.进一步地，步骤s16中对预处理后的机翼外形参数进行归一化的计算式表示为：
[0025][0026]
其中，x为预处理后的机翼外形参数归一化值，x为预处理后的机翼外形参数，x
min
为预处理后的机翼外形参数中最小值，x
max
为预处理后的机翼外形参数中最大值。
[0027]
该进一步方案的有益效果为：
[0028]
数据归一化后，可以有效消除量纲差异，进而可以加速优化过程。
[0029]
进一步地，步骤s2具体为：
[0030]
以步骤s1中构建的机翼参数数据集内机翼阻力系数构建标签数据集，以除机翼阻力系数外其他数据作为输入参数数据集，得到特征工程数据集。
[0031]
该进一步方案的有益效果为：
[0032]
通过得到的机翼参数数据集构建特征工程数据集，为后续的模型训练得到相关数据支撑。
[0033]
进一步地，步骤s3具体包括以下分步骤：
[0034]
s31、构建bilstm网络层；
[0035]
s32、通过至少两个bilstm网络层与全连接层构建初始bilstm网络模型；
[0036]
s33、在初始bilstm网络模型的第一个bilstm网络层与第二个bilstm网络层后均添加一个dropout层，得到dropout
‑
bilstm网络模型；
[0037]
s34、对特征工程数据集进行切割划分，得到训练数据集与测试数据集；
[0038]
s35、利用训练数据集训练dropout
‑
bilstm网络模型，得到训练后的初始dropout
‑
bilstm网络模型；
[0039]
s36、利用测试数据集对训练后的初始dropout
‑
bilstm网络模型进行验证，若满足预期结果则输出当前训练后的初始dropout
‑
bilstm网络模型，作为训练后的dropout
‑
bilstm网络模型，否则返回步骤s35。
[0040]
该进一步方案的有益效果为：
[0041]
利用bilstm网络层方便序列建模，具备长时间记忆的能力，且在一定程度上解决优化过程中的梯度爆炸或爆炸消失的问题，同时与单向lstm相比，不仅能够记忆之前的信息还能记忆当前数据后的数据，迭加上dropout机制后，可以避免最终模型出现过拟合的现象，为构建的预测模型，即dropout
‑
bilstm网络模型得到高性能，从而充分挖掘到机翼外形相关参数的设定对于机翼阻力系数的影响关系，从而达到预测机翼阻力系数的最终目的。
[0042]
进一步地，步骤s31中构建的bilstm网络层具体包括：
[0043]
输入门、输出门、遗忘门以及细胞状态；
[0044]
输入门的计算式表示为：
[0045]
i
t
＝sig(w
i
·
[h
t
‑1,x
t
]+b
i
)
[0046]
其中，i
t
为状态步长为t的输入门，sig(.)为s形激活曲线，w
i
为输入门i所对应的权重矩阵，h
t
‑1为状态步长为t
‑
1的单元细胞的输出，x
t
为状态步长为t的单元细胞的输入，b
i
为输入门i所对应的偏置矩阵，[.]为对括号内矩阵做乘积运算；输出门的计算式表示为：
[0047]
o
t
＝sig(w
o
[h
t
‑1,x
t
]+b
o
)
[0048]
其中，o
t
为状态步长为t的输出门，w
o
为输出门o所对应的权重矩阵，b
o
为输出门o所对应的偏置矩阵；
[0049]
遗忘门的计算式表示为：
[0050]
f
t
＝sig(w
f
·
[h
t
‑1,x
t
]+b
f
)
[0051]
其中，f
t
为状态步长为t的遗忘门，w
f
为遗忘门f所对应的权重矩阵，b
f
为遗忘门f所对应的偏置矩阵。
[0052]
细胞状态的计算式表示为：
[0053][0054]
其中，c
t
为状态步长为t的细胞状态，*为向量点乘计算符，c
t
‑1为状态步长为t
‑
1的细胞状态，为状态步长为t的临时细胞状态。
[0055]
该进一步方案的有益效果为：
[0056]
采用bilstm网络层方便序列建模，具备长时间记忆的能力，且在一定程度上解决优化过程中的梯度爆炸或爆炸消失的问题，同时与单向lstm相比，不仅能够记忆之前的信息还能记忆当前数据后的数据。
[0057]
进一步地，步骤s4具体为：
[0058]
采用步骤s1中获取机翼外形参数的方式得到待测机翼外形参数，并作为训练后的dropout
‑
bilstm网络模型输入，根据训练后的dropout
‑
bilstm网络模型输出得到预测机翼阻力系数。
[0059]
该进一步方案的有益效果为：
[0060]
通过训练得到的dropout
‑
bilstm网络模型挖掘充分挖掘机翼外形相关参数的设定对于机翼阻力系数的影响关系，进而达到预测机翼阻力系数的最终目的，与传统解算方式相比，在获得高精度高准确率的同时极大地降低运算过程的时间量级。
附图说明
[0061]
图1为本发明提供的一种基于dropout的bilstm网络机翼阻力系数预测方法的步
骤流程图；
[0062]
图2为本发明中步骤s1的分步骤流程图；
[0063]
图3为本发明中步骤s3的分步骤流程图；
[0064]
图4为本发明中bilstm隐藏层结构示意图；
[0065]
图5为本发明中dropout
‑
bilstm网络模型的结构示意图；
[0066]
图6为本发明中添加dropout机制的网络连接对比示意图，其中，图6(a)为标准bilstm层的网络连接，图6(b)为添加dropout机制的bilstm层的网络连接；
[0067]
图7为本发明实施例中训练后的dropout
‑
bilstm网络模型的结构示意图；
[0068]
图8为本发明实施例中基于训练后的dropout
‑
bilstm网络模型的预测结果。
具体实施方式
[0069]
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
[0070]
如图1所示，本发明实施例提供了一种基于dropout的bilstm网络机翼阻力系数预测方法，包括以下步骤s1至步骤s4：
[0071]
s1、获取机翼外形参数与机翼阻力系数，并构建机翼参数数据集；
[0072]
如图2所示，本发明实施例中，步骤s1具体包括以下分步骤：
[0073]
s11、以预设控制参数为nurbs曲线控制点坐标，采用拉丁超立方采样法生成机翼外形参数；
[0074]
s12、根据步骤s11中机翼外形参数生成翼型nurbs曲线外型；
[0075]
s13、根据步骤s12中翼型nurbs曲线外型划分翼型外流场结构网格；
[0076]
实际中，采用icem软件划分翼型外流场结构网格。
[0077]
s14、利用navier
‑
stocks方程模型结合步骤s13中翼型外流场结构网格得到机翼阻力系数；
[0078]
实际中，建立navier
‑
stocks方程模型，并将划分得到的翼型外流场结构网格导入模型，解算机翼阻力系数。
[0079]
s15、对步骤s11中机翼外形参数与步骤s14中机翼阻力系数进行预处理；
[0080]
实际中，在计算过程异常的数据，即缺失特征参数的数据，在计算过程中会导致输出的数值缺失，因此需要将得到的机翼外形参数与机翼阻力系数中缺失特征参数的数据进行删除。
[0081]
s16、对步骤s15中预处理后的机翼外形参数进行归一化，并结合预处理后的机翼阻力系数构建机翼参数数据集。
[0082]
本发明实施例中，步骤s16中对预处理后的机翼外形参数进行归一化的计算式表示为：
[0083][0084]
其中，x为预处理后的机翼外形参数归一化值，x为预处理后的机翼外形参数，x
min
为预处理后的机翼外形参数中最小值，x
max
为预处理后的机翼外形参数中最大值。
[0085]
实际中，对每个机翼外形参数进行归一化处理，将所有数据按照比例映射到[0，1]区间。
[0086]
s2、根据构建的机翼参数数据集构建特征工程数据集；
[0087]
本发明实施例中，步骤s2具体为：
[0088]
以步骤s1中构建的机翼参数数据集内机翼阻力系数构建标签数据集，以除机翼阻力系数外其他数据作为输入参数数据集，得到特征工程数据集。
[0089]
s3、构建dropout
‑
bilstm网络模型，并根据特征工程数据集进行模型训练，得到训练后的dropout
‑
bilstm网络模型；
[0090]
如图3所示，步骤s3具体包括以下分步骤：
[0091]
s31、构建bilstm网络层；
[0092]
实际中，bilstm网络层可以分为两类，将各机翼中除机翼阻力系数外其他数据构建的多维矩阵作为bilstm网络层的输入，将机翼阻力系数作为bilstm网络层的输出，其中，多维矩阵可表示为：
[0093][0094]
其中，每一行中矩阵元素为一个机翼所包含的除机翼阻力系数外其他数据，每一列中矩阵元素为一类机翼外形参数，x为输入参数数据集，cd为标签数据集，y
n
为机翼阻力系数。
[0095]
本发明实施例中，步骤s31中构建的bilstm网络层具体包括：
[0096]
实际中，如图4所示，bilstm网络层的隐藏层结构包括输入门、输出门、遗忘门以及细胞状态。
[0097]
输入门、输出门、遗忘门以及细胞状态；
[0098]
输入门的计算式表示为：
[0099]
i
t
＝sig(w
i
·
[h
t
‑1,x
t
]+b
i
)
[0100]
其中，i
t
为状态步长为t的输入门，sig(.)为s形激活曲线，可表示为：w
i
为输入门i所对应的权重矩阵，h
t
‑1为状态步长为t
‑
1的单元细胞的输出，h也可表示为急剧变化的短期记忆状态，x
t
为状态步长为t的单元细胞的输入，b
i
为输入门i所对应的偏置矩阵，[.]为对括号内矩阵做乘积运算；输出门的计算式表示为：
[0101]
o
t
＝sig(w
o
[h
t
‑1,x
t
]+b
p
)
[0102]
其中，p
t
为状态步长为t的输出门，w
p
为输出门o所对应的权重矩阵，b
o
为输出门o所对应的偏置矩阵；
[0103]
遗忘门的计算式表示为：
[0104]
f
t
＝sig(w
f
·
[h
t
‑1,x
t
]+b
f
)
[0105]
其中，f
t
为状态步长为t的遗忘门，w
f
为遗忘门f所对应的权重矩阵，b
f
为遗忘门f所对应的偏置矩阵。
[0106]
细胞状态的计算式表示为：
[0107][0108]
其中，c
t
为状态步长为t的细胞状态，c为随着时间缓慢变化的细胞状态，表示长时记忆，*为向量点乘计算符，c
t
‑1为状态步长为t
‑
1的细胞状态，为状态步长为t的临时细胞状态，可表示为：tanh(.)为双曲正切激活函数，计算可表示为：w
c
为细胞状态c所对应的权重矩阵，b
c
为细胞状态c所对应的偏置矩阵。
[0109]
s32、通过至少两个bilstm网络层与全连接层构建初始bilstm网络模型；
[0110]
s33、在初始bilstm网络模型的第一个bilstm网络层与第二个bilstm网络层后均添加一个dropout层，得到dropout
‑
bilstm网络模型；
[0111]
本实施例中，如图5所示，整个dropout
‑
bilstm网络模型包括四个bilstm网络层，两个dropout层，以及一个全连接层，其中，分别在前两层bilstm网络层后均添加一个dropout层，然后依次排布两个bilstm网络层，最后以一个全连接层进行输出。
[0112]
实际中，如图6(a)所示，每个神经元都与其他的神经元进行连接，添加dropout层后，如图6(b)所示，每个神经单元以一定的概率被保留，这样不仅加快了训练速度，同样地防止了在训练过程中出现过拟合的情况。
[0113]
s34、对特征工程数据集进行切割划分，得到训练数据集与测试数据集；
[0114]
s35、利用训练数据集训练dropout
‑
bilstm网络模型，得到训练后的初始dropout
‑
bilstm网络模型；
[0115]
s36、利用测试数据集对训练后的初始dropout
‑
bilstm网络模型进行验证，若满足预期结果则输出当前训练后的初始dropout
‑
bilstm网络模型，作为训练后的dropout
‑
bilstm网络模型，否则返回步骤s35。
[0116]
实际中，经过特征工程数据集划分的训练数据集与测试数据集完成对dropout
‑
bilstm网络模型的训练，本发明实施例中，使用adam作为优化器，损失函数为mse进行具体的模型训练，同时训练过程中批处理参数batch size设置为32，保存训练过程中最佳模型，得到训练后的dropout
‑
bilstm网络模型如图7所示，其中dropout的值分别为0.2、0.1，以及bilstm网络神经元units个数分别为256、256、128、32，最后通过全连接层dense进行输出。
[0117]
s4、利用训练后的dropout
‑
bilstm网络模型预测机翼阻力系数。
[0118]
本发明实施例中，步骤s4具体为：
[0119]
采用步骤s1中获取机翼外形参数的方式得到待测机翼外形参数，并作为训练后的dropout
‑
bilstm网络模型输入，根据训练后的dropout
‑
bilstm网络模型输出得到预测机翼阻力系数。
[0120]
实际中，如图8所示，本发明实施例中通过采用步骤s1中获取机翼外形参数的方式得到待测机翼外形参数，并作为训练后的dropout
‑
bilstm网络模型输入，将得到的预测真实值pred value与真实值true value之间进行对比，预测准确率为99.3％，预测值近乎于真实值，实现了预测的目的。
[0121]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程
图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0122]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0123]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0124]
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
[0125]
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。