人工智能程序员书写数字飞行器代码的神经网络决策方法技术

本发明专利技术公开提供了一种人工智能程序员书写数字飞行器代码的神经网络决策方法，使用人工智能程序员来替代人书写数字飞行器源代码，具体通过对目标样本集与飞行器部件模型零件仿真步长向量决策集建立对应关系，并进行神经网络训练，获得决策零件仿真步长向量；可以根据任务要求自主编写数字飞行器源代码，并且自主决策源代码书写中代码的编写、飞行器模型中模块的内部仿真步长设计等问题，将人从繁重的数字飞行器源代码编写过程中解放出来。本发明专利技术合理地完成数字飞行器源代码的自主决策，实现了数字飞行器源代码书写的自动化与智能化，降低了飞行器的仿真成本。

Neural network decision making method for artificial intelligence programmers writing digital aircraft code

The invention discloses a neural network decision-making method for an artificial intelligence programmer to write the code of a digital aircraft, which uses an artificial intelligence programmer to write the source code of a digital aircraft instead of a human being, and establishes a corresponding relationship between the target sample set and the step-size vector decision-making set of the simulation part of an aircraft component model, and carries out the method. Neural network is trained to obtain the simulation step vector of the decision-making parts, and the source code of the digital aircraft can be written independently according to the task requirements, and the coding of the code in the writing of the decision-making source code, the design of the internal simulation step of the module in the aircraft model and other issues are independently decided. Liberated. The invention reasonably completes the independent decision-making of the source code of the digital aircraft, realizes the automation and intellectualization of the source code writing of the digital aircraft, and reduces the simulation cost of the aircraft.

【技术实现步骤摘要】
人工智能程序员书写数字飞行器代码的神经网络决策方法
本专利技术涉及飞行器设计领域，更具体的说是涉及一种人工智能程序员书写数字飞行器代码的神经网络决策方法。
技术介绍
飞行器设计与研制过程中，为了保证飞行器最终应用的高可靠性，在设计中需要大量采用现有设计的主流方法，并且需要进行仿真验证与地面试验。其中有一些地面试验不能完全的反映飞行器真实在轨工作状况，而且成本高昂，因此受到了限制。数字飞行器仿真验证没有环境条件的限制，而且只要模型建立足够精确，就能够较好的模拟出飞行器的工作状况，因此仿真验证方法在飞行器设计中得到了广泛的应用，并且飞行器数值仿真已经用于飞行器设计的验证。在数字飞行器搭建的过程中，需要编写大量的源代码，工作量大。目前基本依靠人来完成源代码中一系列问题的决策。人工编写代码费时费力，使用人工智能程序员来替代人书写数字飞行器源代码，可以根据飞行器的具体设计情况，自主编写飞行器仿真模型的源代码，并对模型中模块的选择进行决策，将人从繁重的数字飞行器源代码编写过程中解放出来。神经网络是一种分布式并行处理信息的算法数学模型，分为BP神经网络、RBF神经网络等多个种类。依据节点的连接关系及其权值，训练好的神经网络能够对高维空间中的映射关系进行拟合，用简单的形式表达复杂的函数关系。神经网络具有很强的拟合能力与较快的运算速度，基于深度学习的AlphaGo已经在围棋领域取得了成功。神经网络在训练时能够将样本的信息存储在网络中，训练好的网络在接近但非样本输入的情况下能够计算出合适的输出值，所以神经网络具有依据已有样本进行决策的能力。因此，如何提供一种利用人工智能程序员自主书写数字飞行器源代码的神经网络决策方法是本领域技术人员亟需解决的问题。
技术实现思路
有鉴于此，本专利技术提供了一种人工智能程序员书写数字飞行器代码的神经网络决策方法，该方法使用计算机进行数字飞行器源代码书写，人工智能程序员对书写过程中遇到的变量类型选择，算法选择，飞行器模型中模块的内部仿真步长设计等问题，依据训练得到的神经网络进行自主决策，提高了编写效率，降低了飞行器仿真成本。为了达到上述目的，本专利技术采用如下技术方案：一种人工智能程序员书写数字飞行器代码的神经网络决策方法，所述方法包括以下步骤：步骤一，收集数字飞行器的目标样本，目标样本包括目标元素集和飞行器部件模型零件仿真步长向量决策集；将目标元素集中的每个目标元素和飞行器部件模型零件仿真步长向量决策集中的每个目标元素一一对应存储至目标样本数据库；步骤二，提取步骤一中目标元素集中每个目标元素的特征向量和飞行器部件模型零件仿真步长向量；步骤三，将步骤二中的特征向量归一化，得到神经网络训练输入向量；步骤四，将步骤二中的飞行器部件模型零件仿真步长向量归一化，得到神经网络训练输出向量；步骤五，训练神经网络；步骤六，获取待决策目标，提取待决策特征向量并进行归一化；步骤七，将待决策特征向量作为决策输入向量，运行步骤五中训练好的神经网络，获得决策输出向量；步骤八，将决策输出向量进行反归一化，得到决策零件仿真步长向量。优选的，在上述人工智能程序员书写数字飞行器代码的神经网络决策方法中，所述步骤一具体包括，(1)收集目标样本的方法包括计算机自动收集与人工收集；(2)将目标元素集中的目标元素和飞行器部件模型零件仿真步长向量决策集中的飞行器部件模型零件仿真步长向量一一对应匹配，存储至计算机文件中，所述存储方式包括但不限于数据库文件，Excel文件，文本文件；所述目标元素和飞行器部件模型零件仿真步长向量均为若干个。优选的，在上述人工智能程序员书写数字飞行器代码的神经网络决策方法中，在所述步骤二中，所述目标元素包括若干数据对象，特征向量由若干个所述数据对象的属性值构成。优选的，在上述人工智能程序员书写数字飞行器代码的神经网络决策方法中，所述步骤三具体包括，样本i的目标元素的特征向量记作：Si＝(ai,Mi,Jix,Jiy,Jiz,fi,Pi,Ki),i＝1...N其中，飞行器轨道半长轴为ai，飞行器总质量为Mi，飞行器三轴转动惯量分别为Jix、Jiy、Jiz，太阳帆板一阶振动频率fi，飞行器能提供给控制力矩陀螺的最大电功率为Pi，控制力矩陀螺构型为Ki；将特征向量中每个元素分别归一化，得到神经网络训练输入向量记作Sini，Sini＝(a′i,M′i,J′ix,J′iy,J′iz,f′i,P′i,K′i),i＝1...N。优选的，在上述人工智能程序员书写数字飞行器代码的神经网络决策方法中，所述步骤四具体包括，样本i的零件仿真步长向量记作：Ti＝(tai,tbi,tci,tdi),i＝1...N其中，tai为控制力矩陀螺中的框架无刷电机的仿真步长，tbi为转子无刷电机的仿真步长设置，tci为框架轴承的仿真步长，tdi为转子轴承的仿真步长；将零件仿真步长向量中每个元素分别归一化，得到神经网络训练输出向量记作Touti＝(t′ai,t′bi,t′ci,t′di),i＝1...N优选的，在上述人工智能程序员书写数字飞行器代码的神经网络决策方法中，所述步骤五中，将步骤三得到的神经网络训练输入向量与步骤四得到的神经网络训练输出向量作为一个完整的神经网络训练样本训练神经网络；所述神经网络训练样本分成两部分，一部分是用于训练的训练集，另一部分是用于测试的测试集；其中测试集的选取方法包括但不限于均匀选取法，随机选取法。优选的，在上述人工智能程序员书写数字飞行器代码的神经网络决策方法中，在使用测试集测试神经网络的过程中，根据测试集的测试结果利用优化算法优化神经网络的训练参数，直至神经网络的均方拟合误差取最小值；其中优化算法包括但不限于粒子群算法、遗传算法。经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种人工智能程序员书写数字飞行器代码的神经网络决策方法，使用人工智能程序员来替代人书写数字飞行器源代码可以根据任务要求自主编写数字飞行器源代码，并且自主决策源代码书写中代码的编写、飞行器模型中模块的内部仿真步长设计等问题，将人从繁重的数字飞行器源代码编写过程中解放出来。本专利技术利用神经网络强大的非线性拟合能力，在训练神经网络时将样本信息存储在网络中，在应用时向神经网络输入决策所需的信息，运行神经网络后即能输出决策，使决策过程具有了快速性与自主性。具体而言，本专利技术利用目标样本集与飞行器部件模型零件仿真步长向量决策集建立对应关系，并进行神经网络训练，获得决策零件仿真步长向量；合理地完成数字飞行器源代码的自主决策，实现了数字飞行器源代码书写的自动化与智能化，降低了飞行器的仿真成本。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。图1附图为本专利技术训练神经网络的流程示意图；图2附图为本专利技术人工智能程序员书写数字飞行器代码的神经网络决策方法的整体流程示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本本文档来自技高网...

【技术保护点】
1.一种人工智能程序员书写数字飞行器代码的神经网络决策方法，其特征在于，所述方法包括以下步骤：步骤一，收集数字飞行器的目标样本，目标样本包括目标元素集和飞行器部件模型零件仿真步长向量决策集；将目标元素集中的每个目标元素和飞行器部件模型零件仿真步长向量决策集中的每个目标元素一一对应存储至目标样本数据库；步骤二，提取步骤一中目标元素集中每个目标元素的特征向量和飞行器部件模型零件仿真步长向量；步骤三，将步骤二中的特征向量归一化，得到神经网络训练输入向量；步骤四，将步骤二中的飞行器部件模型零件仿真步长向量归一化，得到神经网络训练输出向量；步骤五，训练神经网络；步骤六，获取待决策目标，提取待决策特征向量并进行归一化；步骤七，将待决策特征向量作为决策输入向量，运行步骤五中训练好的神经网络，获得决策输出向量；步骤八，将决策输出向量进行反归一化，得到决策零件仿真步长向量。

【技术特征摘要】
1.一种人工智能程序员书写数字飞行器代码的神经网络决策方法，其特征在于，所述方法包括以下步骤：步骤一，收集数字飞行器的目标样本，目标样本包括目标元素集和飞行器部件模型零件仿真步长向量决策集；将目标元素集中的每个目标元素和飞行器部件模型零件仿真步长向量决策集中的每个目标元素一一对应存储至目标样本数据库；步骤二，提取步骤一中目标元素集中每个目标元素的特征向量和飞行器部件模型零件仿真步长向量；步骤三，将步骤二中的特征向量归一化，得到神经网络训练输入向量；步骤四，将步骤二中的飞行器部件模型零件仿真步长向量归一化，得到神经网络训练输出向量；步骤五，训练神经网络；步骤六，获取待决策目标，提取待决策特征向量并进行归一化；步骤七，将待决策特征向量作为决策输入向量，运行步骤五中训练好的神经网络，获得决策输出向量；步骤八，将决策输出向量进行反归一化，得到决策零件仿真步长向量。2.根据权利要求1所述的人工智能程序员书写数字飞行器代码的神经网络决策方法，其特征在于，所述步骤一具体包括，(1)收集目标样本的方法包括计算机自动收集与人工收集；(2)将目标元素集中的目标元素和飞行器部件模型零件仿真步长向量决策集中的飞行器部件模型零件仿真步长向量一一对应匹配，存储至计算机文件中，所述存储方式包括但不限于数据库文件，Excel文件，文本文件；所述目标元素和飞行器部件模型零件仿真步长向量均为若干个。3.根据权利要求1所述的人工智能程序员书写数字飞行器代码的神经网络决策方法，其特征在于，在所述步骤二中，所述目标元素包括若干数据对象，特征向量由若干个所述数据对象的属性值构成。4.根据权利要求1所述的人工智能程序员书写数字飞行器代码的神经网络决策方法，其特征在于，所述步骤三具体包括，样本i的目标元素的特征向量记作：Si＝(ai,Mi,Ji...

【专利技术属性】
技术研发人员：董云峰，李培昀，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京,11