南京航空航天大学学报

作者：刘林，杨春明，蔺佳哲，向宏辉

单位：西南科技大学计算机科学与技术学院,绵阳 621000；,西南科技大学计算机科学与技术学院,绵阳 621000；,中国空气动力研究与发展中心计算空气动力研究所,绵阳 621000；,中国航发四川燃气涡轮研究院,绵阳 621000；

关键词：深度度量学习;导弹;气动性能预测;K最近邻大边距;多输出

基金：四川省科技厅重点研发项目（2021YFG0031）；先进航空动力创新工作站项目（HKCX2022-01-022）。

传统多输出深度神经网络在导弹气动性能系数预测任务中，通常采用均方误差（Mean square error， MSE）和平均绝对误差（Mean absolute error， MAE）来训练网络，但在小样本及无物理方程约束的情况下，MSE与MAE对导弹性能系数之间的约束和不同导弹样本之间的区分就会降低。针对该问题，提出一种基于深度度量学习的K最近邻大边距损失函数（K-nearest neighbor large margin， KNNLM），它通过边距约束将大差异输出样本推开，拉近相近输出样本，以此来解决样本及样本间的约束区分问题。以导弹气动外形及工况参数作为输入，4种气动系数作为输出，在反向传播神经网络（Backpropagation neural network， BPNN）和多任务学习神经网络（Multi-task learning neural network， MTLNN）中分别采用MSE、MAE、KNNLM进行实验对比，实验结果表明：KNNLM在BPNN和MTLNN中的精度相比于MSE和MAE最大能够提升14.44%和16.35%，最少提升3.72%。KNNLM能够在少样本及无物理知识约束的情况下，能更好地对导弹样本进行约束区分，使深度神经网络模型的预测精度更高，且鲁棒性更强。

来源：2024年第5期

《南京航空航天大学学报》期刊编辑部

查看南京航空航天大学学报杂志2024年第5期