基于双分支深度神经网络的变尺寸阵列结构性能预测方法技术

本发明专利技术公开了一种基于双分支深度神经网络的变尺寸阵列结构性能预测方法。获取变尺寸阵列结构的“形‑性”关联数据集；按照变尺寸阵列结构的尺寸对“形‑性”关联数据集进行分组获得每组“形‑性”关联数据；对各组“形‑性”关联数据进行预处理获得各组阵列结构数据；构建双分支深度神经网络并训练，得到性能参数回归预测模型；利用模型对待测的变尺寸阵列结构进行性能参数的预测处理，输出最终的性能参数。本发明专利技术能实现对多种不同尺寸阵列结构的性能参数预测，尤其适用于数据缺乏的尺寸组的性能预测，为阵列结构的复杂装备性能补偿及修配提供参考信息，为复杂装备的正常运转提供保障，能广泛应用于各种具有阵列结构的复杂装备中。

【技术实现步骤摘要】
基于双分支深度神经网络的变尺寸阵列结构性能预测方法
本专利技术属于产品性能预测领域，涉及了一种阵列结构性能预测方法，具体涉及了一种基于双分支深度神经网络的变尺寸阵列结构性能参数预测方法。
技术介绍
阵列结构如阵列天线和天文望远镜等，在制造和装配等过程中不可避免会产生制造误差和装配误差，并形成阵元位置误差，严重影响具有阵列结构的复杂装备的使用性能。因此，对阵列结构的关键性能参数及时作出预测，对阵列结构复杂装备的性能保障具有重大作用。通常，阵列结构的性能可以通过试验测量或商业软件仿真计算得到。然而，试验测量需要大量的人力、物力和财力，商业软件仿真需要大量的计算资源，且随着研究阵列规模的扩大，计算量呈指数增加。因此，研究出一种高效、经济且精确的阵列结构性能预测方法符合工业的迫切需求。目前国内外学者针对阵列结构的性能预测开展了一系列研究，研究方法总体分为三类，分别是：经验预测方法、区间预测方法和精确预测方法。经验预测方法能够通过有限次的试验或仿真总结出性能参数与误差参数如均方根误差(RMSE)间的关系。该方法简单，并在早期的阵列结构性能本文档来自技高网...

【技术保护点】
1.一种基于双分支深度神经网络的变尺寸阵列结构性能预测方法，其特征在于：方法包括以下步骤：/nS1.获取变尺寸阵列结构的“形-性”关联数据集；/nS2.按照变尺寸阵列结构的尺寸大小对“形-性”关联数据集进行分组，获得每组“形-性”关联数据；/nS3.对各组“形-性”关联数据分别进行数据预处理，获得各组阵列结构数据；/nS4.构建双分支深度神经网络，并选择一组或多组阵列结构数据进行训练，得到性能参数回归预测模型；/nS5.利用性能参数回归预测模型对待测的一组或多组变尺寸阵列结构进行性能参数的预测处理，输出最终的性能参数。/n

【技术特征摘要】
1.一种基于双分支深度神经网络的变尺寸阵列结构性能预测方法，其特征在于：方法包括以下步骤：
S1.获取变尺寸阵列结构的“形-性”关联数据集；
S2.按照变尺寸阵列结构的尺寸大小对“形-性”关联数据集进行分组，获得每组“形-性”关联数据；
S3.对各组“形-性”关联数据分别进行数据预处理，获得各组阵列结构数据；
S4.构建双分支深度神经网络，并选择一组或多组阵列结构数据进行训练，得到性能参数回归预测模型；
S5.利用性能参数回归预测模型对待测的一组或多组变尺寸阵列结构进行性能参数的预测处理，输出最终的性能参数。


2.根据权利要求1所述的一种基于双分支深度神经网络的变尺寸阵列结构性能预测方法，其特征在于：所述步骤S1中，具体如下：
S11、“形-性”关联数据分为“形”数据和“性”数据：
所述“形”数据包括阵列结构因装配和制造产生的位置误差；
所述“性”数据指阵列结构的功能性参数数据；
S12、将同一种尺寸的变尺寸阵列结构下的“形”数据与“性”数据对应组合，得到该种尺寸的变尺寸阵列结构的“形-性”关联数据，得到包含多种尺寸的变尺寸阵列结构的“形-性”关联数据集。


3.根据权利要求1所述的一种基于双分支深度神经网络的变尺寸阵列结构性能预测方法，其特征在于：所述步骤S2中，按照变尺寸阵列结构的尺寸大小对“形-性”关联数据集进行分组，同一种尺寸的变尺寸阵列结构的“形-性”关联数据作为一组“形-性”关联数据，得到多组对应不同种尺寸的“形-性”关联数据。


4.根据权利要求1所述的一种基于双分支深度神经网络的变尺寸阵列结构性能预测方法，其特征在于：所述步骤S3具体如下：
S31.对各组“形-性”关联数据中，取数据量最大的一组“形-性”关联数据而获得最大数据量，将数据量小于最大数据量的其他“形-性”关联数据均进行过采样，使得所有组的“形-性”关联数据的数据量相同；
S32.分别对各组“形-...

【专利技术属性】
技术研发人员：刘振宇，郭放，胡伟飞，谭建荣，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33