本发明专利技术公开了一种基于BP神经网络的FAST反射面控制算法，其包括数据集划分设计和训练BP神经网络模型(以下简称BP模型)两个阶段；其中用于训练BP模型的训练样本随标定抛物面工作的开展持续更新，从而更新BP模型。本发明专利技术提供的控制算法具有灵活性和准确性，其灵活性包括：1)针对2225个促动器伸长量的BP模型结构设计提高了训练精度和收敛速度；2)BP模型方便通过增加实测样本随时更新BP模型。其准确性包括：1)以现有FAST反射面控制数据库为样本，满足FAST反射面控制要求(面型精度稍有提升，在5mm以内，预测时间在500ms以内)；2)BP模型具备深度学习能力，方便地通过增加实测样本随时更新，来不断提升反射面实际控制精度。来不断提升反射面实际控制精度。来不断提升反射面实际控制精度。
【技术实现步骤摘要】
基于BP神经网络的FAST反射面控制算法
[0001]本专利技术涉及望远镜反射面的控制算法领域，尤其是涉及一种基于BP神经网络的FAST反射面控制算法。
技术介绍
[0002]500米口径球面射电望远镜(Five
‑
hundred
‑
meter Aperture Spherical radio Telescope，FAST)隶属于国家重大科技基础设施项目，是目前世界上单口径最大，灵敏度最高的射电望远镜。其主动反射面系统可以使FAST在500m口径的球冠状反射面的不同区域形成300m口径的抛物面。FAST主动反射面采用索网作为支撑结构，刚性的面板通过连接机构连接在柔性的索网结构的节点上。索网结构由6670根主索和设置在2225个主索节点上的下拉索组成，下拉索的另一端通过促动器与地面上的基础固定，索网结构的边缘通过150根主索固定在圈梁上的牵索耳板上。FAST在观测时，通过促动器牵动下拉索控制主索节点的位置，实现在反射面的不同区域变位形成当前天文观测所要求的抛物面。
[0003]FAST主动反射面具有跨度大、精度高的特点。FAST为进行跟踪观测，要求反射面控制算法在规定的时间(500ms以内)计算出当前工况下2225个促动器的伸长量，并实时下发给促动器PLC执行，以控制反射面不断形成当前时刻观测所需的抛物面，追踪观测天体。
[0004]现阶段FAST反射面控制采用基于力学模型的索网节点控制方案。该方案(CN201811382149.5)通过对反射面控制数据库进行实时的插值计算来获得当前任意抛物面的促动器伸长量数据，进行抛物面的实时张拉。该方案解决了基于实时测量的闭环控制方案无法实现FAST全天候、实时反馈的问题。然而，该方案由于需要样本数据必须在离散的空间点和温度点上，无法使用精度更高的现场实测样本，这使得该方案进一步提升FAST反射面控制精度的空间不大。而且，通过划分更细的网格，虽然有可能提升反射面控制精度，但是重新划分网格，需要重新建立一套标定数据库，时间成本较大，并且因为仿真产生的样本数据毕竟无法达到实测样本的精度，提升空间也很有限。
[0005]公开于该
技术介绍
部分的信息仅仅旨在加深对本专利技术的总体
技术介绍
的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
技术实现思路
[0006]本专利技术的目的在于提供一种基于BP神经网络的FAST反射面控制算法，以解决现有技术中存在的无法充分利用实测数据，且面型精度进一步提升困难的问题。
[0007]为了实现上述目的，本专利技术采用以下技术方案：
[0008]本专利技术提供一种基于BP神经网络的FAST反射面控制算法，所述方法包括数据集划分设计和训练BP神经网络模型(以下简称BP模型)两个阶段；其具有步骤如下：
[0009]1)对实验数据，即，反射面控制数据库(见CN201811382149.5)进行相关性分析，确定BP模型的输入指标为环境温度、变位抛物面顶点的空间位置(方位角、天顶角、坐标x、y、z)，输出指标为促动器的总伸长量(促动器的基准球面伸长量加从基准球面变位至理论抛
物面的伸长量)；
[0010]2)对实验数据按照随机性原则进行重新分布；
[0011]3)对实验数据进行预处理，即，利用min
‑
max标准化(min
‑
max normalization)的处理方法标准化实验数据；
[0012]4)针对上述实验数据，进行关于训练集、验证集、测试集的数据集划分设计；
[0013]5)针对上述数据集，进行BP模型结构设计(包括BP模型的网络节点和超参数设置)，利用BP算法分别构建2225个促动器总伸长量的BP模型；
[0014]6)针对上述2225个BP模型，在测试样本中，将BP模型的预测值和测试样本的实际标定值进行对比，设定均方根误差阈值，令均方根误差超过该阈值的BP模型进入到循环迭代训练中，选择训练效果最好的BP模型，从而优化参数；
[0015]7)提取上述2225个BP模型的权重(阈值)矩阵，按照从小到大的编号顺序将每一个BP模型的隐含层对应的权重(阈值)矩阵写入大型矩阵，并进一步拆分为10个子矩阵；
[0016]8)输入实际环境温度，变位抛物面顶点的空间位置信息(方位角、天顶角、坐标x、y、z)，利用步骤7)中的每一个隐含层的权重、阈值矩阵、激活函数进行计算，再经过反归一化处理之后，得到最终的促动器伸长量；
[0017]9)最终的促动器伸长量减去旧球面促动器伸长量后，加上最近更新的球面促动器伸长量后得到最终的抛物面促动器伸长量，发送控制器执行；
[0018]10)随着后续标定工作的开展，将得到的一些人工标定抛物面的促动器伸长量数据保存，填入BP模型的训练样本中，更新BP模型，提高BP模型的预测精度。
[0019]作为一种进一步的技术方案，步骤1)中所述的相关性分析方法为Pearson相关性分析，基于实验数据对促动器的伸长量和实际环境温度、抛物面顶点的方位角、天顶角、坐标x、y、z进行了相关性分析。
[0020]作为一种进一步的技术方案，步骤2)中所述的按照随机性原则重新分布实验数据，即，将所有实验数据按列(每一列数据包括标定抛物面对应的2225个促动器伸长量、环境温度、抛物面顶点的方位角、天顶角、坐标x、y、z)进行随机排序。
[0021]作为一种进一步的技术方案，步骤3)中所述的min
‑
max normalization标准化处理方法的计算公式为
[0022][0023]其中，y
max
＝1，y
min
＝
‑
1，x
max
为x所代表指标在训练样本中的最大值，x
min
为x所代表指标在训练样本中的最小值，x为标准化处理之前的指标值，x
*
为标准化处理之后的指标值。
[0024]作为一种进一步的技术方案，步骤4)中所述的数据集划分设计包括抽取总数据库的25％作为测试样本，剩余的75％作为训练样本，训练样本在训练过程中各数据集划分比例具体为训练集：验证集：测试集＝70％：15％：15％。
[0025]作为一种进一步的技术方案，步骤5)中所述的BP模型结构设计中网络节点的配置为一个输入层、三个隐含层和一个输出层，其中输入层包含6个神经元节点，三个隐含层分别包含12、6、3个神经元节点，隐含层均使用双曲正切函数(Tanh函数，见公式2)作为激活函数，输出层包含1个神经元节点，使用线性传输函数(Purelin函数，见公式3)，
[0026][0027]y＝x
ꢀꢀꢀ
(3)
[0028]其中，x表示本层神经网络中神经元上的输入，tanh(x)和y分别表示不同激活函数将输入映射到输出端的输出值。
[0029]作为一种进一步的技术方案，步骤5)中所述的BP模型结本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于BP神经网络的FAST反射面控制算法，其特征在于，所述方法包括数据集划分设计和训练BP神经网络模型两个阶段；BP神经网络模型简称BP模型；其具体步骤如下：1)对实验数据，即，反射面控制数据库进行相关性分析，确定BP神经网络模型的输入指标为环境温度、变位抛物面顶点的空间位置，输出指标为促动器的总伸长量；2)对实验数据按照随机性原则进行重新分布；3)对实验数据进行预处理，即，利用min
‑
max标准化的处理方法标准化实验数据；4)针对上述实验数据，进行关于训练集、验证集、测试集的数据集划分设计；5)针对上述数据集，进行BP模型结构设计，包括BP模型的网络节点和超参数设置，利用BP算法分别构建2225个促动器总伸长量的BP模型；6)针对上述2225个BP模型，在测试样本中，将BP模型的预测值和测试样本的实际标定值进行对比，设定均方根误差阈值，令均方根误差超过该阈值的BP模型进入到循环迭代训练中，选择训练效果最好的BP模型，从而优化参数；7)提取上述2225个BP模型的权重和阈值矩阵，按照从小到大的编号顺序将每一个BP模型的隐含层对应的权重和阈值矩阵写入大型矩阵，并进一步拆分为10个子矩阵；8)输入实际环境温度，变位抛物面顶点的空间位置信息，利用步骤7)中的每一个隐含层的权重、阈值矩阵、激活函数进行计算，再经过反归一化处理之后，得到最终的促动器伸长量；9)最终的促动器伸长量减去旧球面促动器伸长量后，加上最近更新的球面促动器伸长量后得到最终的抛物面促动器伸长量，发送控制器执行；10)随着后续标定工作的开展，将得到的一些人工标定抛物面的促动器伸长量数据保存，填入BP模型的训练样本中，更新BP模型，提高BP模型的预测精度。2.根据权利要求1所述的基于BP神经网络的FAST反射面控制算法，其特征在于，步骤1)中所述相关性分析的方法为Pearson相关性分析，基于实验数据对促动器的伸长量和实际环境温度、抛物面顶点的方位角、天顶角、坐标x、y、z进行了相关性分析。3.根据权利要求1所述的基于BP神经网络的FAST反射面控制算法，其特征在于，步骤2)中按照随机性原则重新分布实验数据具体为：将所有实验数据按列进行随机排序；每一列数据包括标定抛物面对应的2225个促动器伸长量、环境温度、抛物面顶点的方位角、天顶角、坐标x、y、z。4.根据权利要求1所述的基于BP神经网络的FAST反射面控制算法，其特征在于，步骤3)中所述的min
‑
max normalization标准化处理方法的计算公式为：其中，y
max
＝1，y
min
＝
‑
1，x
max
为x所代表指标在训练样本中的最大值，x
min
为x所代表指标在训练样本中的最小值，x为标准化处理之前的指标值，x<...
【专利技术属性】
技术研发人员：李庆伟，田利，马震，李辉，李铭哲，郑云勇，王清梅，
申请(专利权)人：山东大学，
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。