【技术实现步骤摘要】
本专利技术涉及航天器仿真模型动态修正领域，特别涉及一种基于变可信度模型的仿真动态修正方法。
技术介绍
1、航天试验具有技术难度高、风险性大、成本高昂等特点，一次试验需要耗费大量的物资、设备等资源。而仿真模型可以在较小成本内预设控制条件并复现特定的操作，从而降低实际航天试验的风险、提高试验的效率，是航天领域必备的技术手段。栅格舵是一种具有多自由度和高度非线性的航天器姿态控制装备，主要用于调节飞行器的姿态。栅格舵仿真模型是利用计算机技术对栅格舵装备进行建模的产物，然而栅格舵装备构造复杂、参数空间巨大，同时在飞行过程中需要应对多种复杂的动态环境和不确定性因素，导致栅格舵的仿真过程非常容易出现误差。因此，需要对仿真模型进行修正，以提升其准确性和可靠性，从而为任务的顺利实施提供重要支持。传统仿真修正方法通常直接针对原始仿真模型的结构和参数等进行优化，但航天仿真模型的逻辑复杂、结构繁琐等特点会让传统方法面临优化效率低、优化结果不稳定等挑战，针对这些不足，本专利技术提出一种基于变可信度模型的仿真动态修正方法。变可信度方法可以融合不同精度的数据，本专利技术将仿真和实测数据分别视为低精度和高精度数据，通过高精度数据修正低精度数据的局部趋势从而实现对低精度数据的修正。
技术实现思路
1、本专利技术的目的是为了克服现有技术的不足，提出一种基于变可信度模型的仿真动态修正方法，以解决对高复杂度的栅格舵仿真模型的优化问题，包括以下内容：
2、建立栅格舵系统的物理仿真模型sm；
3、使用
4、获取栅格舵系统的实测数据r；
5、构建变可信度模型并使用所述f和所述r进行训练得到所述sm的修正模型f2r；
6、利用所述f2r对待优化仿真数据进行修正。
7、作为优选，所述使用所述sm产生仿真数据f的过程为：设置一组拉偏值，连同其它所述栅格舵系统的确定参数一起构成输入参数，将输入参数输入所述sm得到包含若干个变量的时间序列类型的预测结果，重复上述过程得到多组输出，即仿真数据f。
8、作为优选，所述构建及训练变可信度修正模型包括以下内容：
9、步骤1：设计网络模型结构；
10、网络模型结构为：整个变可信度修正模型包括时间序列预测模块和高低精度关系映射模块。时间序列预测模块用于拟合仿真数据得到一个低精度预测模型；高低精度关系映射模块用于将低精度预测结果映射为高精度结果。对两个模块的设计如下：
11、(1)设计所述时间序列预测模块
12、作为优选，所述时间序列预测模块采用非平稳时间序列预测模型，在transformer的基础上引入非平稳时间序列预测机制，以改进传统transformer模型无法准确预测非平稳序列的缺陷。该模型包含归一化(normalization)模块，去平稳化transformer模块和反归一化(de-normalization)模块。
13、作为优选，归一化模块用于利用输入序列x的均值和方差对输入序列进行变换得到平稳化后的输入序列x′；具体操作表示如下：
14、原始输入序列s和c分别表示序列长度和维度数，计算其均值和方差为：
15、
16、
17、得到平稳化后的输入序列的计算方式为：
18、
19、其中，⊙为内积运算。
20、作为优选，去平稳化transformer模块在transformer的基础上采用去平稳化(de-stationary)注意力机制替代传统的自注意力机制，计算所述原始序列x的注意力而所述平稳化后的输入序列x′的注意力。由于所述输入序列x′为平稳化后的序列，使用传统自注意力机制依然计算所述x′的注意力，容易导致过度平稳问题，因此使用去平稳化注意力机制，旨在计算所述原始序列x的注意力。修改后的注意力形式化表示如下：
21、
22、其中，q，k和v分别代表所述x的查询矩阵、键矩阵和值矩阵，对应的q′，k′和v′则分别表示所述x′的查询矩阵、键矩阵和值矩阵。由于所述x′进行了归一化，因此可以假设所有变量x1′,x2′,…,xc′的序列共享一个方差，从而将简化为一个标量表示q矩阵沿着时间维度的均值，dk表示q，k和v矩阵的列数，即向量维度。
23、可以发现，该所述注意力中q′,k′和v′可以直接由所述x′通过线性变换得到，而μq,k均无法直接计算，因此，需要对和kμq的值进行进一步计算。在此，令并构造多层神经网络计算τ和δ的值。
24、作为优选，由于τ始终为正数，为提高效率可以直接学习其对数logτ。利用多层神经网络计算τ值时，需要以所述序列x和所述序列方差σx作为输入。网络隐藏层采用1层一维卷积层和2层全连接层，输出层为1层全连接层，其神经元数量为1。
25、作为优选，利用多层神经网络计算δ值时，需要以所述序列x和所述序列均值μx作为输入。网络隐藏层采用1层一维卷积层和2层全连接层，输出层为1层全连接层，其神经元数量为所述序列x的变量维度。
26、作为优选，所述去平稳化transformer模块的编码器包含2个encoder层，解码器包含1个decoder层，其多头注意力包含8个所述去平稳化注意力机制。
27、作为优选，反归一化模块用于利用所述输入序列x的均值和方差对去平稳化模型的输出进行变换得到反归一化的序列输出。具体操作表示如下：
28、对所述去平稳化transformer模块的输出进行反归一化，假设模块预测长度为o，输出为经过反归一化后的输出序列为则该过程可表示为：
29、
30、(2)设计所述高低精度关系映射模块
31、作为优选，所述高低精度关系映射模块采用两段式bp神经网络结构，包含一个线性bp神经网络和一个非线性bp神经网络，分别用于学习两种精度数据的线性关系和非线性关系。所述线性和非线性bp神经网络均包含1层输入层、1层输出层和3层隐藏层，其中，输入层神经元个数等于所述输入参数的个数，输出层神经元个数等于所述预测结果的参数个数，三层隐藏层的神经元数量均为64，dropout为0.2。相比于线性bp神经网络，非线性网络每层隐藏层均使用relu激活函数实现非线性映射。两个网络输出结果按照某种权重α加权组合为最终预测值，即设给定线性网络的输出为nnhl，给定非线性网络的输出为nnhnl，则所述最终预测值定义为如下公式：
32、
33、步骤2：处理所述时间序列预测模块所需数据；
34、将数据处理成满足时间序列预测模块要求的结构。
35、作为优选，所述处理数据过程包括特征选择和预处理两个阶段。特征选择阶段从数据各个参数中挑选对落点位置产生影响的特征参数；预处理阶段将选择的特征参数序列基于z-score方法进行标准化，并将数据备份为两份，分别作为输入和预期输出数据。
36、作为优选，对输入数据进行分批本文档来自技高网...
【技术保护点】
1.一种基于变可信度模型的仿真动态修正方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述使用所述SM产生仿真数据F的过程为：
3.根据权利要求1所述的方法，其特征在于，所述变可信度修正模型包括时间序列预测模块和高低精度关系映射模块，时间序列预测模块用于拟合仿真数据得到一个低精度预测模型；关系映射模块用于将低精度预测结果映射为高精度结果。
4.根据权利要求3所述的方法，其特征在于，所述时间序列预测模块采用非平稳时间序列预测模型，在Transformer的基础上引入非平稳时间序列预测机制。
5.根据权利要求4所述的方法，其特征在于，所述时间序列预测模块包含归一化模块、去平稳化Transformer模块和反归一化模块；其中归一化模块用于利用输入序列x的均值和方差对输入序列进行变换得到平稳化后的输入序列x′；去平稳化Transformer模块在Transformer的基础上对自注意力机制进行改进，计算所述x的注意力，并通过多层神经网络计算τ和Δ的值，其中τ为所述x′的方差，Δ为所述x的键矩阵与查询矩阵沿着时间维度的均值
6.根据权利要求5所述的方法，其特征在于，还包括数据处理过程，所述数据处理过程包括对数据进行特征选择和预处理；所述特征选择为从数据各个参数中挑选对落点位置产生影响的特征参数；所述预处理为将选择的特征参数序列基于z-score方法进行标准化，并将数据备份为两份，分别作为输入和预期输出数据。
7.根据权利要求6所述的方法，其特征在于，所述训练过程分为两阶段，第一阶段为基于所述仿真数据F利用所述数据处理过程处理后的数据训练所述时间序列预测模块；第二阶段为利用训练好的所述时间序列预测模块基于所述实测数据R训练所述高低精度关系映射模块。
8.根据权利要求1所述的方法，其特征在于，所述高低精度关系映射模块为一个线性BP神经网络和一个非线性BP神经网络组成的模型。
9.根据权利要求8所述的方法，其特征在于，所述线性BP神经网络包含1层输入层、1层输出层和3层隐藏层；所述非线性BP神经网络包含1层输入层、1层输出层和3层隐藏层，所述非线性BP神经网络的每层隐藏层均使用ReLU激活函数实现非线性映射。
10.根据权利要求9所述的方法，其特征在于，所述线性BP神经网络和非线性BP神经网络输出结果按照预设权重α加权组合为最终预测值。
...【技术特征摘要】
1.一种基于变可信度模型的仿真动态修正方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述使用所述sm产生仿真数据f的过程为：
3.根据权利要求1所述的方法，其特征在于，所述变可信度修正模型包括时间序列预测模块和高低精度关系映射模块，时间序列预测模块用于拟合仿真数据得到一个低精度预测模型；关系映射模块用于将低精度预测结果映射为高精度结果。
4.根据权利要求3所述的方法，其特征在于，所述时间序列预测模块采用非平稳时间序列预测模型，在transformer的基础上引入非平稳时间序列预测机制。
5.根据权利要求4所述的方法，其特征在于，所述时间序列预测模块包含归一化模块、去平稳化transformer模块和反归一化模块；其中归一化模块用于利用输入序列x的均值和方差对输入序列进行变换得到平稳化后的输入序列x′；去平稳化transformer模块在transformer的基础上对自注意力机制进行改进，计算所述x的注意力，并通过多层神经网络计算τ和δ的值，其中τ为所述x′的方差，δ为所述x的键矩阵与查询矩阵沿着时间维度的均值之积；反归一化模块用于利用所述x的均值和方差对去平稳化transformer模块的输出进行变换得到反归一化...
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。