基于matlab和bp神经网络的固体火箭发动机比冲性能的预测

《基于matlab和bp神经网络的固体火箭发动机比冲性能的预测》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于Matlab和BP神经网络的固体火箭发动机比冲性能的预测　　(内蒙古工业大学理学院，内蒙古呼和浩特010051) 　　摘要：本文采用基于误差反向传播算法的人工神经网络技术，利用Matlab神经网络工具箱，建立了固体火箭发动机比冲性能预测的神经网络模型，并利用实验数据进行了验证。结果表明，可以利用该方法开展固体火箭发动机比冲性能的预测。 　　关键词：固体火箭发动机比冲；BP算法；Matlab神经网络工具箱；人工神经网络 　　中图分类号：V435∶TP183文献标识码：A文章编号：1007—6921(XX)08—0073—02 　　固体火箭发动机性能参数预测是发动

2、机设计和研究的基本课题之一，正确预测发动机性能参数是提高发动机性能指标和精度并缩短研制周期的关键和基础。比冲性能的预测目前有两种方法。一种是以历次试验得到的修正系数对新设计的发动机的理论比冲进行修正。另一种是通过计算各种损失来预估比冲。这些方法存在需要样本数据大和预测精度差的缺点。 　　神经网络理论由于自身固有的超强适应能力和学习能力在很多领域获得了极其广泛的应用，解决了许多传统方法难以解决的问题。由于神经网络学习算法在数学计算上比较复杂过程也比较繁琐，容易出错。因此，采用神经网络软件包成为必然的选择。本文采用现在应用最为广泛的MATLAB神经网络工具箱，利用基于BP算法的人

3、工神经网络建立固体火箭发动机比冲性能预测模型，以提高比冲的预测精度。 1BP神经网络模型 　　BP网络由于结构简单，具有较强的非线性映射能力，是应用最为广泛的一类神经网络。BP神经网络的学习过程分为信息的正向传播过程和误差的反向传播过程两个阶段。外部输入的信号经输入层、隐含层的神经元逐层处理向前传播到输出层，给出结果。如果在输出层得不到期望输出，则转入逆向传播过程，将实际值与网络输出之间的误差沿原来联结的通路返回，通过修改各层神经元的联系权值，使误差减少，然后再转入正向传播过程，反复迭代，直到误差小于给定的值为止。 2MATLAB神经网络工具箱的应用 　　神经网络工具箱

4、是在Matlab环境下开发出来的许多工具箱之一，它以人工神经网络理论为基础，用MATLAB语言构造出典型神经网络的激活函数，在网络训练过程中使用的是Matlab 　　6.5forWindows软件，对于网络的训练使用了NeuralNetworksToolboxforMatlab。美国的Mathwork公司推出的MATLAB软件包既是一种非常实用有效的科研编程软件环境，又是一种进行科学和工程计算的交互式程序。MATLAB本身带有神经网络工具箱，可以大大方便权值训练，减少训练程序工作量，有效的提高工作效率。 3影响固体火箭发动机比冲性能的因素 　　比冲是反映发动机所用推进剂能量

5、高低和内部工作过程完善程度的重要技术指标。影响比冲性能的因素很多，主要包括以下几项：喷管喉径、喷管潜入比、平均扩张比、工作时间、扩散半角、平均工作压强、平均燃速、推进剂密度。由于固体火箭发动机的全尺寸试车需要耗费大量的人力、物力和财力。因此比冲的试验数据比较缺乏，本文共收集了6组数据样本，选定其中的5组作为训练样本，一组作为测试样本。每组数据样本前8项为输入因子，输出因子为实际比冲。利用这6组数据对网络进行训练、测试。 4网络模型设计 　　BP网络的设计主要包括输入层、隐层、输出层及各层之间的传输函数几个方面。 　　4.1网络层数。BP网络可以包含不同的隐层，理论上已经证

6、明：具有偏差和至少一个S型隐含层加上一个线性输出层的网络，能够逼近任何有理函数。对隐含层层数的经验选择为：对于线性问题一般可以采用感知器或自适应网络来解决，而不采用非线性网络，因为单层不能发挥出非线性激活函数的特长；非线性问题，一般采用两层或两层以上的隐含层，但是误差精度的提高实际上也可以通过增加隐含层中的神经元数目获得，其训练效果也比增加层数更容易观察和调整，所以一般情况下，应优先考虑增加隐含层中的神经元数。 　　4.2输入层的节点数和输出层的节点数。输入层起缓冲存储器的作用，它接收外部的输入数据，因此其节点数取决于输入矢量的维数。由于固体火箭发动机比冲性能预测的输入样本为8

7、维的输入向量，因此，输入层一共有8个神经元。 　　输出层的节点数取决于两个方面，输出数据类型和表示该类型所需的数据大小。由于固体火箭发动机比冲性能预测的输出样本为1维的输出向量，因此，输出层有1个神经元。 　　4.3隐含层神经元的节点数。隐含层神经元的节点数确定是通过对不同神经元数进行训练对比，然后适当的增加一点余量。根据前人经验，可以参照以下公式进行设计： 　　740)this.width=740"border=undefined#111nmousewheel="returnzoom_