【技术实现步骤摘要】
一种基于神经架构搜索的数字化建模方法
[0001]本专利技术涉及深度学习
，尤其涉及一种基于神经架构搜索的数字化建模方法。
技术介绍
[0002]现有技术随着模型规模的扩大、超参数的增多，其缺点主要表现在以下几个方面：结构编码方式无法代表复杂的网络结构搜索空间，编码空间过大导致这些搜索算法无法收敛，深度学习模型训练时间太长导致黑箱优化方法的计算效率降低等。
[0003]为了解决问题，架构搜索网络首次在2017年的ICML上被提出，并用强化学习的方法解决这个新问题。架构搜索网络广泛用到各个领域，且在构造网络模型、网络调参方面逐渐强于人为操作，在一些落地算法中具有更好的实时性、可训练性、可一致性。
[0004]为了解决现有基于仿真平台数字化建模技术无法满足建模需求的问题，实现航天复杂装备系统实时故障诊断能力，降低航天复杂装备系统的故障发生的风险的需求。
技术实现思路
[0005]鉴于上述问题，提出了本专利技术以便提供克服上述问题或者至少部分地解决上述问题的一种基于神经架构搜索的数字化建模方法...
【技术保护点】
【技术特征摘要】
1.一种基于神经架构搜索的数字化建模方法，其特征在于，所述建模方法包括：获取航天设备的实时运行数据和历史数据；根据所述实时运行数据和所述历史数据基于深度迁移学习训练循环神经网络预测，生成预测数据；根据所述预测数据进行数据扩充，获得扩充数据；根据所述扩充数据利用模块化网络结构并进行拼装构建搜索空间；采用强化学习方法将所述搜索空间建模成马尔可夫决策过程，产生卷积神经网络架构模型。2.根据权利要求1所述的一种基于神经架构搜索的数字化建模方法，其特征在于，所述基于深度迁移学习训练循环神经网络预测具体包括：输入训练样本数据，所述训练样本数据为航天装备整体运行状态数据，数据包括历年历史数据和实时数据；将历年航天装备历史运行状态数据样本进行预处理，获得预处理历史航天装备数据；构建深度神经网络并选择参数，输入所述训练样本数据；采用迭代反向传播算法优化残差，获得深度优化数据结果；根据所述优化数据结果获得满足阈值性能的源域循环神经网络预测模型；航天装备运行状态数据样本预处理，获得预处理训练样本数...
【专利技术属性】
技术研发人员：程胜，邱化强，王勋，王明，王龙，赵新鹏，
申请(专利权)人：北京神舟航天软件技术股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。