一种高泛化能力的神经网络气动力降阶模型

• 作者: 寇家庆 尹明朗 张伟伟
• 来源期刊: 空气动力学学报
• 学科: 航空航天
• 关键词: 非定常气动力 降阶模型 神经网络 泛化能力 验证信号
• 年，卷（期）: 2017,（2）
• 所属期刊栏目: 研究论文
• 页码范围: 205-213
• 页数: 9页
• 分类号: V211.1+5
• 字数: 5766字
• 语种: 中文
• DOI: 10.7638/kqdlxxb-2015.0210

摘要

神经网络模型的泛化能力是指模型对于新样本的适应能力,而当前基于神经网络的非线性气动力模型往往泛化能力不足.针对这一局限,发展了一种基于计算流体力学的带验证信号气动力降阶模型,用于跨声速气动力预测.采用递归径向基函数神经网络,通过引入差分进化算法,对模型中隐含层神经元宽度进行优化,优化目标为验证信号的均方根误差最小.训练信号采用结构大幅振荡的位移和气动力响应,用小扰动下微幅运动的信号作为验证信号.算例表明建立的降阶模型不仅具有比全阶数值模拟更短的计算时长,并且由于采用了小幅运动的验证信号,使模型在不同频率和振幅下的泛化能力得到增强.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张伟伟	西北工业大学翼型叶栅空气动力学国家重点实验室	89	656	14.0	22.0
2	寇家庆	西北工业大学翼型叶栅空气动力学国家重点实验室	14	38	4.0	5.0
3	尹明朗	西北工业大学翼型叶栅空气动力学国家重点实验室	1	3	1.0	1.0