基于不确定性的卫星组件布局温度场预测方法技术

本发明专利技术公开了一种基于不确定性的卫星组件布局温度场预测方法，包括：S1，构建深度神经网络模型；S2，生成训练数据集和池数据集；S3，利用训练数据集训练深度神经网络模型；S4，利用模型对每个池数据重复进行多次温度场预测，计算多次预测结果的方差；S5，根据方差将池数据进行降序排列，选取位于前序的预设数量的池数据，将选取的池数据及对应的温度场作为新训练数据添加到训练数据集中，并将选取的池数据从池数据集中删除；S6，继续训练模型；S7，判断模型的预测精度是否达到预设要求；若否，利用模型对每个池数据重复进行多次温度场预测，计算多次预测结果的方差，返回步骤S5。本发明专利技术能够以少量的训练数据得到高精度的代理模型，降低计算成本。低计算成本。低计算成本。

【技术实现步骤摘要】
基于不确定性的卫星组件布局温度场预测方法


[0001]本专利技术涉及卫星布局设计
，具体涉及一种基于不确定性的卫星组件布局温度场预测方法。

技术介绍

[0002]卫星技术在通信、遥感、导航、军事侦察等领域发挥着不可替代的重要作用，是目前工业领域的热点研究课题。为了满足卫星的总体性能，在确定卫星内部各组件的布局时通常要考虑在当前组件布局下的温度场是否满足设计要求，例如最大温度是否过高，特定位置温度是否过高等。因此，如何获得组件布局下的温度场是一个在进行卫星设计时需要解决的一个问题。对于如何获得组件布局下的温度场，目前主要采用两种方法，第一种方法是利用基于有限元分析的仿真软件计算得到组件布局的温度场，该方法通过对输入仿真软件的组件布局进行分析从而得到对应的温度场，当计算出的温度场不满足设计要求时，则不断迭代整个过程，最终得到温度场较优的卫星组件布局。第二种方法是利用基于深度神经网络的代理模型进行组件布局的温度场预测，该方法通过给定一定数量的包括组件布局及温度场的训练数据，通过构建和训练深度学习中的神经网络，得到卫星组件布局温度场的深度神经网络代理模型，基于该深度神经网络代理模型，在给定卫星组件布局后，能够利用该代理模型快速预测得到卫星组件布局对应的温度场。
[0003]然而，基于有限元分析的仿真计算方法决定了其单次仿真计算效率不会太高，而确定最终卫星组件布局是一个迭代优化的过程，在进行迭代优化过程中，需要多次分析卫星组件布局温度场，使得优化效率大幅降低，并且对于复杂组件布局的温度场的计算，计算成本和计算时间还会随着复杂程度逐级增加。虽然利用基于深度神经网络的代理模型的预测方法能够实现卫星组件布局的温度场的快速预测，从而显著提高卫星组件布局优化效率，但是为了保证得到的深度神经网络代理模型具有足够的预测精度，需要利用大量的训练数据训练深度神经网络模型，由于卫星研制成本高昂的特点，无法像传统领域(例如图像识别)那样简单获得大量的实验数据集去训练深度神经网络模型，每个训练数据的获取均耗费较多的计算资源和计算时间。并且，现有的基于深度神经网络的代理模型的预测方法在给定卫星组件布局后，仅能够给出一个肯定的温度场预测结果，并不能给出一个评价当前预测结果可信度的数据。而在实际工程应用中，数据可能存在噪声、神经网络模型参数与结构的可选性等多种不确定因素的影响，使得构建的深度神经网络模型存在一定的不确定性，而这种不确定性会对深度神经网络模型训练过程以及预测结果产生很大的影响。

技术实现思路

[0004]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不确定性的卫星组件布局温度场预测方法。
[0005]本专利技术的技术方案如下：
[0006]提供了一种基于不确定性的卫星组件布局温度场预测方法，所述方法包括以下步
骤：
[0007]S1，构建深度神经网络模型；
[0008]S2，生成训练数据集和池数据集，其中，所述训练数据集包括多个训练数据，所述池数据集包括多个池数据，所述训练数据包括卫星组件布局及卫星组件布局对应的温度场，所述池数据包括卫星组件布局；
[0009]S3，利用所述训练数据集训练所述深度神经网络模型以拟合卫星组件布局与温度场的映射关系；
[0010]S4，利用训练后的所述深度神经网络模型对所述池数据集中每个所述池数据的卫星组件布局重复进行多次温度场预测，并计算多次温度场预测结果的方差；
[0011]S5，根据每个所述池数据对应的方差将所述池数据进行降序排列，选取位于前序的预设数量的池数据，确定选取的池数据的卫星组件布局对应的温度场，将选取的池数据及对应的温度场作为新训练数据添加到所述训练数据集中，并将选取的池数据从所述池数据集中删除；
[0012]S6，利用更新后的所述训练数据集继续训练所述深度神经网络模型；
[0013]S7，判断训练后的所述深度神经网络模型的预测精度是否达到预设要求；
[0014]若是，将当前所述深度神经网络模型作为最终预测模型；
[0015]若否，利用训练后的所述深度神经网络模型对更新后的所述池数据集中每个所述池数据的卫星组件布局重复进行多次温度场预测，计算多次温度场预测结果的方差，并返回步骤S5。
[0016]在一些可选的实现方式中，在构建深度神经网络模型时，在所述深度神经网络模型的输出层前设置Dropout层，且Dropout层在所述深度神经网络模型的训练过程和预测过程中均保持打开状态。
[0017]在一些可选的实现方式中，所述生成训练数据集和池数据集，包括：
[0018]对组件布局设计区域进行网格划分，根据组件数量随机挑选组件布局设计区域的相应数量的网格放置组件得到一个卫星组件布局，利用有限元分析方法计算卫星组件布局对应的温度场，获取一个包括卫星组件布局及卫星组件布局对应的温度场的训练数据，重复多次随机获取过程直至获得第一预设数量的训练数据，得到包括第一预设数量的训练数据的训练数据集；
[0019]基于划分网格后的组件布局设计区域，根据组件数量随机挑选组件布局设计区域的相应数量的网格放置组件得到一个卫星组件布局，获取一个包括卫星组件布局的池数据，重复多次随机获取过程直至获得第二预设数量的池数据，得到包括第二预设数量的池数据的池数据集。
[0020]在一些可选的实现方式中，多次温度场预测结果的方差利用以下公式计算；
[0021][0022]其中，σ表示卫星组件布局对应的多次温度场预测结果的方差，Q表示预测次数，T
q
′
表示卫星组件布局对应的第q次温度场预测结果，表示卫星组件布局对应的多次温度场预测结果的均值。
[0023]在一些可选的实现方式中，多次温度场预测结果的均值利用以下公式计算；
[0024][0025]其中，表示卫星组件布局对应的多次温度场预测结果的均值，Q表示预测次数，T
q
′
表示卫星组件布局对应的第q次温度场预测结果。
[0026]在一些可选的实现方式中，在步骤S5中，利用有限元分析方法计算确定选取的池数据的卫星组件布局对应的温度场。
[0027]在一些可选的实现方式中，所述方法还包括以下步骤：
[0028]步骤S8，将待预测卫星组件布局重复输入所述最终预测模型进行多次温度场预测，计算多次温度场预测结果的均值和方差。
[0029]在一些可选的实现方式中，将所述待预测卫星组件布局的多次温度场预测结果的均值作为所述待预测卫星组件布局的最终预测温度场。
[0030]本专利技术技术方案的主要优点如下：
[0031]本专利技术的基于不确定性的卫星组件布局温度场预测方法基于生成的池数据对深度神经网络模型的预测不确定性进行分析量化，并利用不确定性分析量化结果对训练数据集和池数据集进行循环更新，以进行深度神经网络模型的循环训练，能够以较少的包括卫星组件布局及其对应的温度场的训练数据训练得到具有高预测精度的卫星组件布局温度场代理模型，减少计算资源消耗，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于不确定性的卫星组件布局温度场预测方法，其特征在于，包括以下步骤：S1，构建深度神经网络模型；S2，生成训练数据集和池数据集，其中，所述训练数据集包括多个训练数据，所述池数据集包括多个池数据，所述训练数据包括卫星组件布局及卫星组件布局对应的温度场，所述池数据包括卫星组件布局；S3，利用所述训练数据集训练所述深度神经网络模型以拟合卫星组件布局与温度场的映射关系；S4，利用训练后的所述深度神经网络模型对所述池数据集中每个所述池数据的卫星组件布局重复进行多次温度场预测，并计算多次温度场预测结果的方差；S5，根据每个所述池数据对应的方差将所述池数据进行降序排列，选取位于前序的预设数量的池数据，确定选取的池数据的卫星组件布局对应的温度场，将选取的池数据及对应的温度场作为新训练数据添加到所述训练数据集中，并将选取的池数据从所述池数据集中删除；S6，利用更新后的所述训练数据集继续训练所述深度神经网络模型；S7，判断训练后的所述深度神经网络模型的预测精度是否达到预设要求；若是，将当前所述深度神经网络模型作为最终预测模型；若否，利用训练后的所述深度神经网络模型对更新后的所述池数据集中每个所述池数据的卫星组件布局重复进行多次温度场预测，计算多次温度场预测结果的方差，并返回步骤S5。2.根据权利要求1所述的基于不确定性的卫星组件布局温度场预测方法，其特征在于，在构建深度神经网络模型时，在所述深度神经网络模型的输出层前设置Dropout层，且Dropout层在所述深度神经网络模型的训练过程和预测过程中均保持打开状态。3.根据权利要求1所述的基于不确定性的卫星组件布局温度场预测方法，其特征在于，所述生成训练数据集和池数据集，包括：对组件布局设计区域进行网格划分，根据组件数量随机挑选组件布局设计区域的相应数量的网格放置组件得到一个卫星组件布局，利用有限元分析方法计算卫星组件布局对应的...

【专利技术属性】
技术研发人员：姚雯，郑小虎，张俊，周炜恩，陈小前，
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：