一种烧蚀条件下天线罩几何外形变化的预测方法及系统

本发明涉及天线罩几何外形变化预测领域，尤其是涉及一种烧蚀条件下天线罩几何外形变化的预测方法及系统。

背景技术：

1、烧蚀条件下天线罩的几何外形变化影响着罩内天线导引头的性能，并进而影响着整个飞行器的性能。目前，研究烧蚀条件下天线罩的几何外形变化问题的思路主要有两种：一种是根据该领域的相关理论公式建立相应的数学模型来进行预测，该类方法也称为解析方法；另一种是采用数据驱动的方式，根据现有的数据选用一定的机器学习方法构建预测模型来进行预测的，该类方法也称为机器学习方法。由于烧蚀情况下影响天线罩几何外形变化的因素众多，解析方法基本都是建立在基于对实际情况的一些简化或假设的基础上，因而或多或少存在这一定的缺陷；机器学习方法根据现有的数据训练模型，然后用训练好的模型进行预测，在一定程度上克服了解析方法的缺点，是解析方法的有益补充。

2、采用机器学习方法预测天线罩几何外形的变化，在本质上属于一个时间序列预测问题。目前采用机器学习方法研究烧蚀条件下天线罩几何外形变化的资料较少。由于用于描述天线罩几何外形的网格点较多(一般4千多个)，每个网格点包含3个坐标，因此该时间序列最基本的输入输出的变量数上万计(假设网格点为4000，那么变量个数为：4000×3＝12000个)。针对上述情况，如按照传统的思路，采用常用的自回归差分移动平均模型，对每个点单独进行时间序列分析、构建模型，需要建上万个模型来进行预测，不仅费时费力，而且割裂了网格点之间以及网格点坐标之间可能存在的相关性，效果不一定会好；如采用常用的神经网络模型，上万变量的输入输出不仅造成了模型的庞大性、复杂性和训练时间和难度的增加，而且很可能导致最后预测结果的变差。综上所述，现有常用方法难以用于对烧蚀条件下天线罩的几何外形变化进行预测。

3、所以需要发展一种高效的算法来实现对烧蚀条件下天线罩的几何外形变化进行预测。

技术实现思路

1、本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种烧蚀条件下天线罩几何外形变化的预测方法及系统。

2、本发明的目的可以通过以下技术方案来实现：

3、一种烧蚀条件下天线罩几何外形变化的预测方法，包括：

4、数据整理和主成分分析步骤；

5、长短期记忆网络训练和优化步骤；

6、预测和还原变换步骤；

7、其中，所述数据整理和主成分分析步骤包括：

8、收集天线罩几何外形变化原始数据；

9、通过主成分分析技术，对所述原始数据进行降维；

10、所述长短期记忆网络训练和优化步骤包括：

11、建立长短期记忆网络模型；

12、基于降维后的数据，训练并优化所述长短期记忆网络模型，得到最优模型；

13、所述预测和还原变换步骤包括：

14、对用于预测的数据进行变换处理，并输入所述最优模型，得到天线罩几何外形变化的预测结果；

15、对所述预测结果进行还原变换，得到天线罩几何外形数据。

16、进一步地，所述通过主成分分析技术，对所述原始数据进行降维，包括以下步骤：

17、将所述原始数据整理为数据矩阵的形式；

18、对数据矩阵进行主成分变换处理，按重要程度由大到小选取l个主成分，使得选取的主成分所占信息的和大于原数据矩阵所包含信息的95％以上；

19、根据选取的l个主成分，得到变换后的数据矩阵，该矩阵称为主成分数据矩阵，并保存相应的主成分转化矩阵。

20、进一步地，所述长短期记忆网络训练和优化步骤具体为：

21、对所述主成分数据矩阵按列进行归一化处理，得到新的数据矩阵，该矩阵称为主成分归一化数据矩阵，并保留进行归一化所需的参数；

22、把所述主成分归一化数据矩阵按3：1的比例按时间顺序划分为主成分归一化训练数据矩阵和主成分归一化校正数据矩阵；

23、把所述主成分归一化训练数据矩阵和主成分归一化校正数据矩阵转化为适合进行监督学习的数据矩阵，分别称为主成分归一化监督训练数据矩阵和主成分归一化监督校正数据矩阵；

24、建立长短期记忆网络lstm模型，选用均方根误差作为判别标准，对lstm模型中的lstm层的单元数设定搜索范围及搜索步长，代入上一步得到的主成分归一化监督训练数据矩阵和主成分归一化监督校正数据矩阵，采用网格搜索法得到最优模型。

25、进一步地，把所述主成分归一化训练数据矩阵和主成分归一化校正数据矩阵转化为适合进行监督学习的数据矩阵，具体为：设置数值k，根据前k个时间点的数据来预测后一个时间点的数据，其中前k个时间点的数据称为监督学习中的输入特征，第k+1个时间点的数据称为监督学习中的目标值。

26、进一步地，所述预测和还原变换步骤具体包括：

27、把用于预测的原始数据整理成数据矩阵的形式，得到检验数据矩阵；

28、根据主成分转化矩阵，对所述检验数据矩阵进行主成分变换处理，得到的新的数据矩阵，该矩阵称为检验主成分数据矩阵；

29、根据保留的进行归一化所需的参数，对所述检验主成分数据矩阵按列进行归一化处理，得到新的数据矩阵，该矩阵称为检验主成分归一化数据矩阵；

30、根据前k个时间点来预测后一个时间点的数据的要求，按监督学习的要求，把检验主成分归一化数据矩阵转化为适合监督学习的数据矩阵，该矩阵称为检验主成分归一化监督检验数据矩阵；

31、把所述检验主成分归一化监督检验数据矩阵代入最优模型，得到相应的预测结果，该结果称为归一化后的预测结果；

32、根据保留的进行归一化所需的参数，把归一化后的预测结果变换为归一化前的预测结果，该结果也称为主成分变换后的预测结果；

33、根据所述主成分转化矩阵，把主成分变换后的预测结果变换为主成分变换前的预测结果；该结果也就是预测的整个天线罩的几何外形数据矩阵。

34、一种烧蚀条件下天线罩几何外形变化的预测系统，包括：数据处理模块，模型构建模块及预测模块；

35、所述数据处理模块用于执行数据整理和主成分分析步骤；

36、所述模型构建模块用于执行长短期记忆网络训练和优化步骤；

37、所述预测模块用于执行预测和还原变换步骤；

38、其中，所述数据整理和主成分分析步骤包括：

39、收集天线罩几何外形变化原始数据；

40、通过主成分分析技术，对所述原始数据进行降维；

41、所述长短期记忆网络训练和优化步骤包括：

42、建立长短期记忆网络模型；

43、基于降维后的数据，训练并优化所述长短期记忆网络模型，得到最优模型；

44、所述预测和还原变换步骤包括：

45、对用于预测的数据进行变换处理，并输入所述最优模型，得到天线罩几何外形变化的预测结果；

46、对所述预测结果进行还原变换，得到天线罩几何外形数据。

47、进一步地，所述通过主成分分析技术，对所述原始数据进行降维，包括以下步骤：

48、将所述原始数据整理为数据矩阵的形式；

49、对数据矩阵进行主成分变换处理，按重要程度由大到小选取l个主成分，使得选取的主成分所占信息的和大于原数据矩阵所包含信息的95％以上；

50、根据选取的l个主成分，得到变换后的数据矩阵，该矩阵称为主成分数据矩阵，并保存相应的主成分转化矩阵。

51、进一步地，所述长短期记忆网络训练和优化步骤具体为：

52、对所述主成分数据矩阵按列进行归一化处理，得到新的数据矩阵，该矩阵称为主成分归一化数据矩阵，并保留进行归一化所需的参数；

53、把所述主成分归一化数据矩阵按3：1的比例按时间顺序划分为主成分归一化训练数据矩阵和主成分归一化校正数据矩阵；

54、把所述主成分归一化训练数据矩阵和主成分归一化校正数据矩阵转化为适合进行监督学习的数据矩阵，分别称为主成分归一化监督训练数据矩阵和主成分归一化监督校正数据矩阵；

55、建立长短期记忆网络lstm模型，选用均方根误差作为判别标准，对lstm模型中的lstm层的单元数设定搜索范围及搜索步长，代入上一步得到的主成分归一化监督训练数据矩阵和主成分归一化监督校正数据矩阵，采用网格搜索法得到最优模型。

56、进一步地，把所述主成分归一化训练数据矩阵和主成分归一化校正数据矩阵转化为适合进行监督学习的数据矩阵，具体为：设置数值k，根据前k个时间点的数据来预测后一个时间点的数据，其中前k个时间点的数据称为监督学习中的输入特征，第k+1个时间点的数据称为监督学习中的目标值。

57、进一步地，所述预测和还原变换步骤具体包括：

58、把用于预测的原始数据整理成数据矩阵的形式，得到检验数据矩阵；

59、根据主成分转化矩阵，对所述检验数据矩阵进行主成分变换处理，得到的新的数据矩阵，该矩阵称为检验主成分数据矩阵；

60、根据保留的进行归一化所需的参数，对所述检验主成分数据矩阵按列进行归一化处理，得到新的数据矩阵，该矩阵称为检验主成分归一化数据矩阵；

61、根据前k个时间点来预测后一个时间点的数据的要求，按监督学习的要求，把检验主成分归一化数据矩阵转化为适合监督学习的数据矩阵，该矩阵称为检验主成分归一化监督检验数据矩阵；

62、把所述检验主成分归一化监督检验数据矩阵代入最优模型，得到相应的预测结果，该结果称为归一化后的预测结果；

63、根据保留的进行归一化所需的参数，把归一化后的预测结果变换为归一化前的预测结果，该结果也称为主成分变换后的预测结果；

64、根据所述主成分转化矩阵，把主成分变换后的预测结果变换为主成分变换前的预测结果；该结果也就是预测的整个天线罩的几何外形数据矩阵。

65、与现有技术相比，本发明具有以下有益效果：

66、本发明主要基于主成分分析和长短期记忆网络技术，通过主成分分析技术，对几何外形参数进行降维；采用长短期记忆网络对降维后的数据进行建模预测，预测后的数据可通过相应的反变换转换成几何外形数据，既克服了常用的自回归差分移动平均模型需要建很多模型的缺点，也避免了常用的神经网络模型由于输入输出变量多带来的困难，可方便地实现对烧蚀天线罩的几何外形变化进行预测。