基于神经网络架构搜索技术的温度场代理模型构建方法技术

本发明专利技术公开了一种基于神经网络架构搜索技术的温度场代理模型构建方法，包括：根据组件布局设计要求，生成训练数据；对训练数据进行预处理；确定神经网络基准模型，根据神经网络基准模型设定搜索参数，构建包含所有可能路径的超级网络模型；基于超级网络模型，随机选择搜索参数以得到一个子模型，利用训练数据对子模型进行训练以更新其模型参数，重复随机选择子模型和训练过程，直至训练次数达到预设值；基于训练后的超级网络模型，利用多目标优化算法搜索近似最优子模型；利用训练数据对近似最优子模型进行重新训练，获取温度场代理模型。本发明专利技术能根据组件布局设计要求实现神经网络结构的自动设计，得到的模型参数量少，预测精度高，预测时间短。预测时间短。预测时间短。

【技术实现步骤摘要】
基于神经网络架构搜索技术的温度场代理模型构建方法


[0001]本专利技术涉及组件布局优化设计
，具体涉及一种基于神经网络架构搜索技术的温度场代理模型构建方法。

技术介绍

[0002]卫星组件布局设计是卫星总体设计中的重要组成，卫星组件布局设计需要考虑多个指标因素约束，其中，温度场约束指标是关键的指标之一，与卫星性能、使用寿命直接相关。在高温环境中，电子元件温度每升高2
°
，其可靠性下降10％，当温度升高至50
°
时，其寿命仅为25
°
时的1/6。因此，需要对卫星组件布局的温度场进行构建分析，以实现考虑温度场约束的卫星组件布局优化设计。传统的组件布局温度场构建依赖高保真度的仿真软件计算，计算时间长，并且组件布局设计方案每优化调整一次就需要仿真计算一次，导致整个设计流程时间成本和计算成本极高。因此，如何提高温度场构建效率是当前卫星布局设计领域亟待解决的一个重要问题。
[0003]构建低成本的温度场代理模型来预测组件布局的温度场以取代高保真度的热仿真分析是目前提高温度场构建效率的主要解决思路。例如基于多项式的响应面法、样条函数插值法和Kriging函数插值近似方法等构建温度场代理模型。然而，上述方法通常只能处理数十维的变量，难以处理高维代理模型。例如在一个二维布局区域内需要放置20个相同发热功率的组件，在固定摆放角度的情况下则需要40个设计变量来确定20个组件的二维坐标，在计算温度场时，若将布局区域划分成200
×
200的网格，则需要40000维的变量来描述整个温度场，此时，利用上述方法无法实现温度场代理模型的构建。
[0004]为实现具有高维变量的温度场代理模型的构建，目前有部分研究提出了使用深度神经网络，如特征金字塔网络(Feature Pyramid Network,FPN)，来学习热源布局与其对应的温度场之间的映射关系，从而构建相应的温度场代理模型，以提高组件布局优化设计效率。
[0005]然而，使用深度神经网络构建代理模型虽然可以提高卫星组件布局温度场计算效率，但是针对如何选择和设计合适的神经网络模型仍然是一个难点，尤其是面对组件布局优化设计问题，一旦组件布局优化设计问题的设置发生改变，如不同边界条件、不同热源强度、不同形状组件布局，则需要人工精心设计调整神经网络模型并在训练时反复调参，才能获得较高的训练精度，极大增加了时间成本和计算成本。

技术实现思路

[0006]为解决上述现有技术中存在的部分或全部技术问题，本专利技术提供一种基于神经网络架构搜索技术的温度场代理模型构建方法。
[0007]本专利技术的技术方案如下：
[0008]提供了一种基于神经网络架构搜索技术的温度场代理模型构建方法，所述方法包括：
[0009]根据组件布局设计要求，生成训练数据，其中，所述训练数据包括组件布局及组件布局对应的温度场；
[0010]对所述训练数据进行预处理；
[0011]确定神经网络基准模型，根据所述神经网络基准模型设定搜索参数，构建包含所有可能路径的超级网络模型；
[0012]基于所述超级网络模型，随机选择搜索参数以得到一个子模型，利用训练数据对子模型进行训练以更新其模型参数，重复随机选择子模型和训练过程，直至训练次数达到预设值，得到训练好的包括多种子模型的超级网络模型；
[0013]基于训练后的超级网络模型，利用多目标优化算法搜索近似最优子模型；
[0014]利用训练数据对所述近似最优子模型进行重新训练以拟合组件布局与温度场的映射关系，获取温度场代理模型。
[0015]在一些可能的实现方式中，所述生成训练数据可以包括：
[0016]对组件布局区域进行网格划分，根据组件数量随机挑选对应数量的网格放置组件得到一个组件布局X
m
，利用有限元分析方法仿真计算组件布局对应的温度场T
m
，得到一个包括组件布局及组件布局对应的温度场的训练数据(X
m
,T
m
)，重复多次随机生成过程直至获得预设数量M的训练数据，得到包括M个训练数据的训练数据集{(X
m
,T
m
)|m＝1,2,
…
,M}。
[0017]在一些可能的实现方式中，所述对所述训练数据进行预处理包括：
[0018]将卫星组件布局的布局区域划分为M1×
M2个网格，将卫星组件布局用M1×
M2矩阵表示，有组件的网格位置对应的矩阵元素为组件功率，无组件的网格位置对应的矩阵元素为0。
[0019]在一些可能的实现方式中，采用具有预设层数的MobileNetV2模型作为神经网络模型基准模型。
[0020]在一些可能的实现方式中，所述搜索参数包括：MobileNetV2模型每一层设置的扩展率，MobileNetV2模型每一层设置的卷积路径数量，MobileNetV2模型每一层中每个卷积的卷积核大小。
[0021]在一些可能的实现方式中，MobileNetV2模型每层神经网络的扩展率大小从[3,6]中选取，卷积路径数量从[1,2,3,4]中选取，在卷积路径数量确定后，每个卷积的卷积核从[3,5,7,9]中进行不重复选取。
[0022]在一些可能的实现方式中，所述构建包含所有可能路径的超级网络模型包括：
[0023]根据设定的搜索参数，确定包含所有可能路径的MobileNetV2模型的网络结构，根据MobileNetV2模型的层数将MobileNetV2模型的网络结构划分为多个部分，将划分好的MobileNetV2模型的网络结构替换特征金字塔网络的主干结构ResNet模型，得到改进的特征金字塔网络作为包含所有可能路径的超级网络模型，其中，多个部分对应以ResNet50为主干结构的特征金字塔网络的左侧结构，每个部分分辨率依次减半，不同部分提取不同分辨率的图像特征。
[0024]在一些可能的实现方式中，所述基于所述超级网络模型，随机选择搜索参数以得到一个子模型，利用训练数据对子模型进行训练以更新其模型参数，重复随机选择子模型和训练过程，直至训练次数达到预设值，包括：
[0025]步骤S41，设定总训练次数E，神经网络基准模型总层数L，当前训练次数e＝1；
[0026]步骤S42，设定当前神经网络结构层数l＝1，从设置的扩展率范围中随机选择一个数值作为神经网络基准模型第l层的扩展率；
[0027]步骤S43，从设置的卷积路径数量范围中随机选择一个数值作为神经网络基准模型第l层的卷积路径数；
[0028]步骤S44，根据步骤S43确定的卷积路径数从设置的卷积核大小范围中选择对应数量且互不相同的卷积核大小；
[0029]步骤S45，确定l是否小于L，若是，令l＝l+1，并返回步骤S43，若否，进行步骤S46；
[0030]步骤S46，根据获取的扩展率、卷积路径数和卷积核大小进行神经网络基准模型的配置，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络架构搜索技术的温度场代理模型构建方法，其特征在于，包括：根据组件布局设计要求，生成训练数据，其中，所述训练数据包括组件布局及组件布局对应的温度场；对所述训练数据进行预处理；确定神经网络基准模型，根据所述神经网络基准模型设定搜索参数，构建包含所有可能路径的超级网络模型；基于所述超级网络模型，随机选择搜索参数以得到一个子模型，利用训练数据对子模型进行训练以更新其模型参数，重复随机选择子模型和训练过程，直至训练次数达到预设值，得到训练好的包括多种子模型的超级网络模型；基于训练后的超级网络模型，利用多目标优化算法搜索近似最优子模型；利用训练数据对所述近似最优子模型进行重新训练以拟合组件布局与温度场的映射关系，获取温度场代理模型。2.根据权利要求1所述的基于神经网络架构搜索技术的温度场代理模型构建方法，其特征在于，所述生成训练数据可以包括：对组件布局区域进行网格划分，根据组件数量随机挑选对应数量的网格放置组件得到一个组件布局X
m
，利用有限元分析方法仿真计算组件布局对应的温度场T
m
，得到一个包括组件布局及组件布局对应的温度场的训练数据(X
m
,T
m
)，重复多次随机生成过程直至获得预设数量M的训练数据，得到包括M个训练数据的训练数据集{(X
m
,T
m
)|m＝1,2,
…
,M}。3.根据权利要求2所述的基于神经网络架构搜索技术的温度场代理模型构建方法，其特征在于，所述对所述训练数据进行预处理包括：将卫星组件布局的布局区域划分为M1×
M2个网格，将卫星组件布局用M1×
M2矩阵表示，有组件的网格位置对应的矩阵元素为组件功率，无组件的网格位置对应的矩阵元素为0。4.根据权利要求1至3中任一项所述的基于神经网络架构搜索技术的温度场代理模型构建方法，其特征在于，采用具有预设层数的MobileNetV2模型作为神经网络模型基准模型。5.根据权利要求4所述的基于神经网络架构搜索技术的温度场代理模型构建方法，其特征在于，所述搜索参数包括：MobileNetV2模型每一层设置的扩展率，MobileNetV2模型每一层设置的卷积路径数量，MobileNetV2模型每一层中每个卷积的卷积核大小。6.根据权利要求5所述的基于神经网络架构搜索技术的温度场代理模型构建方法，其特征在于，MobileNetV2模型每层神经网络的扩展率大小从[3,6]中选取，卷积路径数量从[1,2,3,4]中选取，在卷积路径数量确定后，每个卷积的卷积核从[3,5,7,9]中进行不重复选取。7.根据权利要求5所述的基于神经网络架构搜索技术的温度场代理模型构建方法，其特征在于，所述构建包含所有可能路径的超级网络模型包括：根据设定的搜索参数，确定包含所有可能路径的MobileNetV2模型的网络结构，根据MobileNetV2模型的层数将MobileNetV2模型的网络结构划分为多个部分，将划分好的MobileNetV2模型的网络结构替换特征金字塔网络的主干结构ResNet模型，得到改进的特征金字塔网络作为包含所有可能路径的超级网络模型，其中，多个部分对应以ResNet50为主干结构的特征金字塔网络的左侧结构，每个部分分辨率依次减半，不同部分提取不同...

【专利技术属性】
技术研发人员：张小亚，孙家亮，王象，彭伟，姜廷松，
申请(专利权)人：中国人民解放军军事科学院国防科技创新研究院，
类型：发明
国别省市：