【技术实现步骤摘要】
本专利技术涉及船舶设计技术，尤其涉及一种基于深度模糊神经网络的船舶概念设计评估与优化方法。
技术介绍
1、水面大型船舶属于重型复杂装备系统，在船舶的完整设计周期中，概念设计阶段重要的设计参数如主尺度参数、型线参数、功能布置参数具有决定性的影响，总体性能在概念设计阶段基本可以确定。船舶的研究、设计与制造过程中与多个学科行业相关，传统的串行船舶总体设计模式，即通过多轮设计往复迭代参数并最终形成满足用户要求与各学科设计规范的可行方案的方法，设计周期长，资源耗费大，难以适应现代的设计要求，同时无法确认较优的设计方案。随着计算机科学与人工智能技术的发展，产生了新型的基于智能推理的船舶概念设计方案生产技术，通过人工智能算法自动学习参数特征，并分析用户需求，由计算机快速生成众多的船舶概念设计方案，由此又衍生出了对生成的概念设计方案评估与寻优的研究。
2、现有的船舶概念设计优化方案可以定义为一个多目标优化问题，为求解全局较优解，通常运用多目标遗传算法在载重性能、航行性能、海况生存性能等多个设计目标下取得性能的均衡。但是遗传算法存在速度慢、封闭竞争等短板，近期快速发展的跨学科设计人工智能算法注重复杂系统内部多学科知识融合，但在实际船舶设计过程中忽略了用户需求的模糊性，容易导致寻优算法所搜索的设计方案的泛化性受限，因此需要一种既可提取模糊特征也可高效学习多学科参数耦合关系的船舶概念设计方案解优化方法。
技术实现思路
1、本专利技术要解决的技术问题在于针对现有技术中的缺陷，提供一种基于深度模
2、本专利技术解决其技术问题所采用的技术方案是：一种基于深度模糊神经网络的船舶概念设计评估与优化方法，包括以下步骤：
3、1)构建数据集
4、将已完成设计制造的船舶概念设计参数数据库作为构建数据集的正类样本，主要包括主尺度参数集、型线参数集和功能布置参数集；
5、由模糊推理技术根据用户需求所生成的船舶概念设计方案解集，同样由主尺度参数、型线参数与功能布置参数组成，作为构建数据集的负类样本，负类样本包含了大部分待优化的数据；
6、2)根据欧式距离为数据集中的数据赋予标签，获得带标签的数据集；
7、3)使用构建的有标签的数据集对tsk-svm深度模糊神经网络模型有监督的训练，使用网格搜索法确定tsk-svm模型中的超参数，保存测试精度最高时的tsk-svm深度模糊神经网络模型，作为训练完成的tsk-svm深度模糊神经网络模型；
8、所述tsk-svm深度模糊神经网络模型的训练过程包括：
9、计算tsk前件网络中的适应度以提取船舶概念设计方案解中的模糊性特征；
10、将模糊性特征与原数据特征组合重构数据集，用于训练svm模型，svm模型的识别结果就是tsk-svm神经网络模型的识别结果；
11、4)以船舶概念设计方案解集为输入，经过tsk-svm算法确定预测值，损失函数计算预测误差，误差反向传播算法将误差从输出层传递至输入层，进而由梯度下降法微调推理所得的船舶概念设计方案解中的具体参数，最终输出完成微调也即合理化的全部船舶概念设计方案解集。
12、按上述方案，所述步骤2)中获得带标签的数据集流程主要包括：多学科船舶概念设计方案参数库与推理所得的船舶概念设计方案解集合并为参数集，根据参数集中各具体参数获得的每条船舶概念设计方案的欧氏距离作为衡量数据，为每条概念设计方案赋予不同比较结果对应的标签，最终与参数集共同组成带标签的数据集。
13、按上述方案，所述步骤2)中赋予标签的方法为：通过分别与多学科船舶概念设计参数集中的参数计算最短欧氏距离得到参数集中各参数之间合理性关系的评估，若最短欧氏距离超过了设定阈值范围则认为当前概念设计方案参数组合偏离了船舶设计参数之间应有的特征，判定为不合理的参数组合，并赋予负类标签；反之，则赋予正类标签。
14、按上述方案，步骤2)中赋予标签的方法具体如下：
15、每条船舶概念设计方案的具体参数有主尺度参数、型线参数、功能布置参数在内的共d个具体参数，组成d维特征，记母型船的数量为n，组成的多学科船舶概念设计方案参数库为：
16、
17、矩阵中每行表示一条母型船的概念设计方案的具体参数向量，也即特征向量；
18、记模糊推理技术生成的船舶概念设计方案解集中的解数量为n′，则船舶概念设计方案解集可表示为：
19、
20、其中每行表示根据用户需求推理所得的一个船舶概念设计方案解；
21、于是多学科船舶概念设计参数库s与船舶概念设计方案解集h组合的参数集d表示为：
22、
23、在推理所得的船舶概念设计方案解集中每个解的参数合理化程度不同，即参数符合耦合关系的程度不同，则通过与多学科船舶概念设计参数库中的船舶设计参数计算的最短欧氏距离作为合理化程度的描述符，计算方式如下：
24、τi′＝1-min{‖hi′-si‖|i＝1,2,…,n},i′＝1,2,…,n′
25、τi′的结果表示的为船舶概念设计方案解的合理化程度，也即两个高维向量的接近程度，对于d维的船舶概念设计参数向量，当设定阈值为0.9时，允许了推理的船舶概念设计方案解在合理性方面有一定的偏差，保留了船舶概念设计方案解的泛化性与多样性，另一方面也可减少优化过程中迭代的次数，当合理化程度超过0.9时认为当前船舶概念设计方案解的参数组合为合理，标签设定为正类，否则为不合理，标签设定为负类，具体计算方式如下：
26、
27、经过以上合理化程度的评估，船舶概念设计方案解集h中的每条船舶概念设计参数都已被赋予了标签(label)，对于船舶概念设计参数库s中的每条船舶概念设计方案则全部赋予正类标签，最终加了标签的参数集d成为完整的数据集，表示为：
28、
29、其中，n″＝n+n′，表示数据集中样本总数。
30、按上述方案，所述步骤3)中提取船舶概念设计方案解中的模糊性特征，具体如下：
31、深度模糊神经网络tsk-svm的输入为带标签的数据集d，在前件网络中，第一层为输入层，将输入值传递至下一层，第二层中每个节点为一个隶属度值表示各输入分量对一个语言变量模糊集的隶属度，即：
32、
33、其中，i＝1,2,…,n″，j＝1,2,…,d，m＝1,2,…,m；d为输入数据集的维度，m为模糊分割数，该层的节点总数为d×m；
34、计算隶属度值时采用高斯隶属度函数，则：
35、
36、其中，cjm与σjm分别表示隶属函数的中心与宽度，根据现有船舶参数集经过模糊c均值(fuzzy c-means，fcm)聚类计算所得；
37、tsk-svm的第三层中每个节点代表一条规则，其作用为匹配模糊规则的前件，计算出每条规则的适应度，即：<本文档来自技高网...
【技术保护点】
1.一种基于深度模糊神经网络的船舶概念设计评估与优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度模糊神经网络的船舶概念设计评估与优化方法，其特征在于，所述步骤2)中获得带标签的数据集流程主要包括：多学科船舶概念设计方案参数库与推理所得的船舶概念设计方案解集合并为参数集，根据参数集中各具体参数获得的每条船舶概念设计方案的欧氏距离作为衡量数据，为每条概念设计方案赋予不同比较结果对应的标签，最终与参数集共同组成带标签的数据集。
3.根据权利要求1所述的基于深度模糊神经网络的船舶概念设计评估与优化方法，其特征在于，所述步骤2)中赋予标签的方法为：通过分别与多学科船舶概念设计参数集中的参数计算最短欧氏距离得到参数集中各参数之间合理性关系的评估，若最短欧氏距离超过了设定阈值范围则认为当前概念设计方案参数组合偏离了船舶设计参数之间应有的特征，判定为不合理的参数组合，并赋予负类标签；反之，则赋予正类标签。
4.根据权利要求3所述的基于深度模糊神经网络的船舶概念设计评估与优化方法，其特征在于，步骤2)中赋予标签的方法具体如下：
...
【技术特征摘要】
1.一种基于深度模糊神经网络的船舶概念设计评估与优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度模糊神经网络的船舶概念设计评估与优化方法，其特征在于，所述步骤2)中获得带标签的数据集流程主要包括：多学科船舶概念设计方案参数库与推理所得的船舶概念设计方案解集合并为参数集，根据参数集中各具体参数获得的每条船舶概念设计方案的欧氏距离作为衡量数据，为每条概念设计方案赋予不同比较结果对应的标签，最终与参数集共同组成带标签的数据集。
3.根据权利要求1所述的基于深度模糊神经网络的船舶概念设计评估与优化方法，其特征在于，所述步骤2)中...
【专利技术属性】
技术研发人员：杨萌，陶鹏，封禄义，王玉成，
申请(专利权)人：中国舰船研究设计中心，
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。