[發明專利]基于IPSO-IAGA-BPNN算法的空間主鏡結構響應預測模型的構建方法

有效

• 申請號: 202110339103.0
• 申請日: 2021-03-30
• 公開（公告）號: CN112966423B
• 公開（公告）日: 2022-08-23
• 發明（設計）人: 郭駿立;秦濤;亓波;韓培仙;張美麗;包奇紅;王進;李含;陳欣
• 申請（專利權）人: 中國科學院光電技術研究所
• 主分類號: G06F30/23
• 分類號: G06F30/23;G06F30/25;G06F30/27;G06N3/00;G06N3/08;G06N3/12
• 代理公司: 北京科迪生專利代理有限責任公司 11251
• 代理人: 楊學明

本發明公開了一種基于IPSO?IAGA?BPNN算法的空間主鏡結構響應預測模型的構建方法，屬于空間相機主鏡結構性能預測領域。其原理是基于改進的粒子群算法(IPSO)和改進的遺傳算法(IAGA)的混合算法和BPNN神經網絡相結合，構建了主鏡結構設計變量與結構響應之間的非線性映射關系的代理模型，代替了傳統有限元分析和面形擬合計算。本發明以BPNN神經網絡為中心，結合改進的粒子群算法和自適應遺傳算法，可以有效預測空間主鏡結構性能響應，提高主鏡結構性能預測的準確率，縮短主鏡結構分析設計周期。

技術領域

本發明涉及空間大口徑主鏡結構響應預測模型的構建領域，涉及基于改進粒子算法(IPSO)和改進自適應遺傳算法(IAGA)混合優化BP神經網絡(IPSO-IAGA-BPNN算法)的空間主鏡結構響應代理模型的構建方法。

背景技術

隨著空間技術的飛速發展，空間大口徑主鏡已經成為滿足日益增長的空間相機系統角度分辨率和寬覆蓋要求的一種主流方法。但是，傳統主鏡結構響應的是使用利用有限元仿真和面型擬合計算，這個過程不僅非常的耗時和計算量大，而且對于不同口徑主鏡需要重復類似設計流程。這對提高主鏡設計效率提出了巨大挑戰。因此，構建高精度的預測模型替代繁雜的仿真分析對于主鏡快速設計有著很重要的意義。

近幾年，智能算法和基于預測模型優化技術已經被廣泛的運用于主鏡高效結構構型優化設計。相比傳統有限元分析和面形擬合方法，基于預測模型優化技術構建一個數學模型來預測主鏡結構響應，因此可以大大降低計算成本。不同的代理模型被提出用來主鏡設計，如Kriging model，Response Surface Methodology(RSM)和Neural networks。Kriging近似模型和RSM模型被用于主鏡結構設計，這兩種方法實際上都是一種插值方法，模型精度取決于初始樣本，可能導致模型早熟或者局部收斂。BP Neural Network因其具有很強容錯能力、非線性映射能力和泛化能力，非常適合主鏡結構設計等高維、高非線性問題的建模。BPNN被廣泛用主鏡結構響應的預測模型，替代傳統計算量大的分析手段。神經網絡通過訓練過程學習樣本數據，之后訓練好的神經網絡作為準確的代理模型會用于復雜主鏡結構優化設計。

但是，BPNN也存在這一些固有的缺陷：1)傳統BPNN的非線性映射能力對連接權值及閾值的初始值的選擇有著很大的關系。常用的隨機初始化網絡連接參數會導致網絡不穩定，使網絡訓練容易陷入局部優化，影響預測精度。2)隱含層節點的數量由一些經驗公式得到，BPNN模型的性能不一定達到最佳。節點太少的網絡可能無法有效地映射輸入-輸出關系。然而，擁有太多節點的網絡使訓練效率不高，可能會出現過擬合現象。所以，基于Backpropagation algorithm(BP)算法的神經網絡被用來建立主鏡響應和它多維參數的關系有很大的改進空間。目前所有研究確實減少主鏡優化設計周期，但是并沒有研究優化神經網絡的連接參數來提高預測精度。

發明內容

發明目的：鑒于目前研究方法的不足，本發明目的在于提出了一種改進后的IPSO-IAGA混合算法優化BPNN神經網絡的主鏡結構響應預測模型的構建方法，旨在使用預測模型代替傳統的有限元仿真和面型擬合計算，大大減少了優化設計的計算成本，加快了主鏡結構分析流程。

本發明采用的技術方案為：一種基于IPSO-IAGA-BPNN算法的空間主鏡結構響應預測模型的構建方法，該方法包括如下步驟：

步驟1：根據設計指標和輕量化需求，確定主鏡的初始構型，確定主鏡的設計變量和結構響應目標；

步驟2：通過使用有限元仿真和面型擬合獲得初始的訓練樣本，并除去其中不滿足設計要求和加工規范的訓練樣本數據點；

步驟3：將初始訓練數據劃分為訓練集和測試集，并對數據進行歸一化處理[-1,1]之間；