基于深度度量学习的导弹气动系数预测

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。