本發(fā)明屬于電磁計(jì)算，尤其涉及一種基于人工智能的等離子體參數(shù)診斷方法。

背景技術(shù)：

1、當(dāng)飛行器距離地面在20km-100km高度以超高聲速飛行時(shí)，其前端由于高速?zèng)_擊產(chǎn)生明顯激波。同時(shí)由于飛行器與周圍空氣的高速相對(duì)運(yùn)動(dòng)，發(fā)生強(qiáng)烈的摩擦，結(jié)合激波帶來的黏性滯止效應(yīng)和空氣的壓縮作用，使飛行器附近的熱量迅速增加。這種溫度升高導(dǎo)致氣體電離，形成活躍的等離子態(tài)，并在飛行器周圍形成“等離子體鞘套”。這個(gè)鞘套中的帶電粒子對(duì)電磁波產(chǎn)生強(qiáng)烈影響，如吸收、反射和散射，可能導(dǎo)致通信中斷，稱為“黑障問題”。對(duì)于電磁領(lǐng)域而言此鞘套的電子密度和碰撞頻率是關(guān)鍵因素。

2、目前基于微波反射法的等離子體參數(shù)診斷主要有兩種方法，一種是基于傳統(tǒng)的微波反射診斷方法，另一種是基于bp神經(jīng)網(wǎng)絡(luò)等離子體參數(shù)診斷方法?；趥鹘y(tǒng)的微波反射法主要有基于寬帶反射系數(shù)曲線曲率分析的等離子體參數(shù)診斷方法、基于波阻抗不變點(diǎn)的等離子電子密度和碰撞頻率聯(lián)合診斷方法。另一種是基于bp神經(jīng)網(wǎng)絡(luò)等離子體參數(shù)診斷方法。

3、傳統(tǒng)的微波反射診斷方法依賴于電磁波在等離子體中的截止特性來評(píng)估電子密度。具體來說，不同的電磁波頻率會(huì)在不同的電子密度臨界界面上發(fā)生全反射。通過測(cè)量這些不同頻率下的電磁波的相位變化，可以確定等離子體的電子密度。但這種方法的局限性在于，它只能檢測(cè)到等離子體分布上升沿的電子密度，而對(duì)于下降沿的電子密度則無法進(jìn)行準(zhǔn)確的診斷。另一種基于bp神經(jīng)網(wǎng)絡(luò)的等離子體參數(shù)反演方法提供了新的途徑，但由于bp神經(jīng)網(wǎng)絡(luò)易于遭遇梯度消失和爆炸的問題，其模型訓(xùn)練效果并不理想。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)中的上述不足，本發(fā)明提供的一種基于人工智能的等離子體參數(shù)診斷方法，解決了對(duì)于下降沿的電子密度則無法進(jìn)行準(zhǔn)確診斷的問題，且該方法的魯棒性較高。

2、為了達(dá)到以上目的，本發(fā)明采用的技術(shù)方案為：一種基于人工智能的等離子體參數(shù)診斷方法，包括以下步驟：

3、s1、獲取實(shí)測(cè)數(shù)據(jù)，結(jié)合等離子體對(duì)電磁波的影響特性進(jìn)行等離子體參數(shù)建模；

4、s2、基于等離子體參數(shù)的建模結(jié)果，計(jì)算不同頻點(diǎn)下的s參數(shù)；

5、s3、將s參數(shù)作為數(shù)據(jù)集的樣本，以及將等離子體的分布參數(shù)作為數(shù)據(jù)集的標(biāo)簽，并對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理；

6、s4、構(gòu)建等離子體參數(shù)診斷的殘差神經(jīng)網(wǎng)絡(luò)模型，并利用經(jīng)預(yù)處理后的數(shù)據(jù)集，對(duì)殘差神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；

7、s5、利用訓(xùn)練后的殘差神經(jīng)網(wǎng)絡(luò)模型對(duì)等離子體參數(shù)進(jìn)行診斷，完成基于人工智能的等離子參數(shù)診斷。

8、本發(fā)明的有益效果是：相較于傳統(tǒng)方法，本發(fā)明通過深度學(xué)習(xí)的框架，自動(dòng)提取和學(xué)習(xí)等離子體參數(shù)與s參數(shù)之間的復(fù)雜關(guān)系，無需依賴復(fù)雜的經(jīng)驗(yàn)公式或模型，并且解決了對(duì)于下降沿的電子密度則無法進(jìn)行準(zhǔn)確的診斷的問題。因此，本發(fā)明具有更高的魯棒性，能夠應(yīng)對(duì)各種不同的等離子體狀態(tài)和條件。

9、進(jìn)一步地，所述步驟s2包括以下步驟：

10、s201、選取一寬頻段的天線，并基于等離子體參數(shù)的建模結(jié)果，對(duì)模型進(jìn)行網(wǎng)格劃分；

11、s202、基于網(wǎng)格劃分結(jié)果，計(jì)算不同頻點(diǎn)下的s參數(shù)。

12、上述進(jìn)一步方案的有益效果是：通過計(jì)算寬頻的反射系數(shù)，為后續(xù)診斷跨量級(jí)等離子體的參數(shù)奠定了基礎(chǔ)。

13、再進(jìn)一步地，所述對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理，其具體為：

14、對(duì)s參數(shù)的格式進(jìn)行調(diào)整，以使其與殘差神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)相對(duì)應(yīng)；

15、利用對(duì)數(shù)轉(zhuǎn)換方式對(duì)數(shù)據(jù)集的標(biāo)簽進(jìn)行歸一化處理，完成對(duì)數(shù)據(jù)集的預(yù)處理。

16、上述進(jìn)一步方案的有益效果是：將s參數(shù)調(diào)整格式，能夠使用殘差網(wǎng)絡(luò)提取更豐富的特征，且采用對(duì)數(shù)處理，能夠減少等離子體的參數(shù)跨量級(jí)帶來的影響。

17、再進(jìn)一步地，所述殘差神經(jīng)網(wǎng)絡(luò)模型包括：

18、卷積層，用于基于天線的反射系數(shù)，提取等離子體參數(shù)與電磁波數(shù)據(jù)的低維特征，所述卷積層包括依次連接的7×7卷積層、批量歸一化層、relu激活函數(shù)和3×3最大池化層；

19、殘差序列生成層，用于通過增加通道數(shù)，基于天線的反射系數(shù)，提取等離子體參數(shù)與電磁波數(shù)據(jù)的高維特征，所述殘差序列生成層包括4個(gè)殘差序列，4個(gè)殘差序列分別包括3個(gè)殘差單元、4個(gè)殘差單元、6個(gè)殘差單元以及3個(gè)殘差單元；

20、特征融合層，用于融合低維特征和高維特征；

21、決策構(gòu)建層，用于利用全連接層對(duì)融合后的結(jié)果進(jìn)行整合，輸出等離子參數(shù)的診斷結(jié)果。

22、上述進(jìn)一步方案的有益效果是：與基于bp神經(jīng)網(wǎng)絡(luò)的模型相比，殘差神經(jīng)網(wǎng)絡(luò)具有顯著的優(yōu)勢(shì)。首先，殘差網(wǎng)絡(luò)通過特殊的“殘差連接”結(jié)構(gòu)有效地解決了深度神經(jīng)網(wǎng)絡(luò)常見的梯度消失和梯度爆炸問題，使得網(wǎng)絡(luò)能夠更深，從而捕捉更多的特征。其次，殘差網(wǎng)絡(luò)的這種結(jié)構(gòu)使其在訓(xùn)練過程中更為穩(wěn)定，收斂速度更快。這意味著在相同的訓(xùn)練時(shí)間內(nèi)，殘差網(wǎng)絡(luò)能夠達(dá)到更好的性能。最后，基于殘差網(wǎng)絡(luò)的方法由于其出色的特性，使得模型對(duì)噪聲和異常值具有更好的容忍性，提高了參數(shù)診斷的魯棒性。因此，本發(fā)明綜合了深度學(xué)習(xí)的先進(jìn)性和殘差網(wǎng)絡(luò)的穩(wěn)定性，使等離子體參數(shù)的反演更加準(zhǔn)確。

23、再進(jìn)一步地，所述殘差神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練與優(yōu)化過程如下：

24、將經(jīng)預(yù)處理后的數(shù)據(jù)集劃分為訓(xùn)練集、測(cè)試集和驗(yàn)證集；

25、正向傳播一組訓(xùn)練集樣本，將訓(xùn)練集樣本輸入至當(dāng)前權(quán)重下的殘差神經(jīng)網(wǎng)絡(luò)模型中提取特征，得到一組輸出的預(yù)測(cè)值，并計(jì)算該預(yù)測(cè)值與真實(shí)值之間的第一組數(shù)據(jù)的均方根誤差；

26、反向傳播第一組數(shù)據(jù)的均方根誤差，更新當(dāng)前殘差神經(jīng)網(wǎng)絡(luò)模型的權(quán)重，調(diào)整超參數(shù)，并繼續(xù)提取特征，得到一組輸出的新預(yù)測(cè)值，并計(jì)算新預(yù)測(cè)值與真實(shí)值之間的第二組數(shù)據(jù)的均方根誤差，直至第二組數(shù)據(jù)的均方根誤差小于預(yù)設(shè)的閾值，完成對(duì)殘差神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練，其中，訓(xùn)練的過程中利用驗(yàn)證集對(duì)訓(xùn)練的殘差神經(jīng)網(wǎng)絡(luò)模型的進(jìn)行驗(yàn)證，在訓(xùn)練結(jié)束后，利用測(cè)試集對(duì)殘差神經(jīng)網(wǎng)絡(luò)模型進(jìn)行測(cè)試；

27、選用第二組數(shù)據(jù)的均方根誤差作為殘差神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)，并通過帶動(dòng)量的隨機(jī)批量梯度下降法對(duì)殘差神經(jīng)網(wǎng)絡(luò)模型的參數(shù)進(jìn)行優(yōu)化，且利用余弦退火技術(shù)動(dòng)態(tài)調(diào)整殘差神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)率。

28、再進(jìn)一步地，所述對(duì)殘差神經(jīng)網(wǎng)絡(luò)模型的參數(shù)進(jìn)行優(yōu)化的表達(dá)式如下：

29、

30、vt＝β·vt-1+(1-β)·gt

31、θt＝θt-1-α·vt

32、其中，和gt均表示損失函數(shù)j在殘差神經(jīng)網(wǎng)絡(luò)模型參數(shù)θt-1處的梯度，vt表示在時(shí)間步t的速度，β表示動(dòng)量項(xiàng)，vt-1表示上一個(gè)時(shí)間步的速度，θt表示經(jīng)過時(shí)間步t更新后的殘差神經(jīng)網(wǎng)絡(luò)模型參數(shù)，α表示學(xué)習(xí)率，θt-1表示經(jīng)過時(shí)間步t-1更新后的殘差神經(jīng)網(wǎng)絡(luò)模型參數(shù)。

技術(shù)特征：

1.一種基于人工智能的等離子體參數(shù)診斷方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于人工智能的等離子體參數(shù)診斷方法，其特征在于，所述步驟s2包括以下步驟：

3.根據(jù)權(quán)利要求1所述的基于人工智能的等離子體參數(shù)診斷方法，其特征在于，所述對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理，其具體為：

4.根據(jù)權(quán)利要求1所述的基于人工智能的等離子體參數(shù)診斷方法，其特征在于，所述殘差神經(jīng)網(wǎng)絡(luò)模型包括：

5.根據(jù)權(quán)利要求1所述的基于人工智能的等離子體參數(shù)診斷方法，其特征在于，所述殘差神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練與優(yōu)化過程如下：

6.根據(jù)權(quán)利要求1所述的基于人工智能的等離子體參數(shù)診斷方法，其特征在于，所述對(duì)殘差神經(jīng)網(wǎng)絡(luò)模型的參數(shù)進(jìn)行優(yōu)化的表達(dá)式如下：

技術(shù)總結(jié)
本發(fā)明提供了一種基于人工智能的等離子體參數(shù)診斷方法，涉及電磁計(jì)算技術(shù)領(lǐng)域，該方法包括獲取實(shí)測(cè)數(shù)據(jù)，結(jié)合等離子體對(duì)電磁波的影響特性進(jìn)行等離子體參數(shù)建模；基于等離子體參數(shù)的建模結(jié)果，計(jì)算不同頻點(diǎn)下的S參數(shù)；將S參數(shù)作為數(shù)據(jù)集的樣本，以及將等離子體的分布參數(shù)作為數(shù)據(jù)集的標(biāo)簽，并對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理；構(gòu)建等離子體參數(shù)診斷的殘差神經(jīng)網(wǎng)絡(luò)模型，并利用經(jīng)預(yù)處理后的數(shù)據(jù)集，對(duì)殘差神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；利用訓(xùn)練后的殘差神經(jīng)網(wǎng)絡(luò)模型對(duì)等離子體參數(shù)進(jìn)行診斷，完成基于人工智能的等離子參數(shù)診斷。本發(fā)明解決了對(duì)于下降沿的電子密度則無法進(jìn)行準(zhǔn)確診斷的問題，且該方法的魯棒性比目前已知的方法好。

技術(shù)研發(fā)人員：黃曉偉,莊劍,劉金鋼,李航,盛新慶,全棟梁,杜斌,白海通
受保護(hù)的技術(shù)使用者：北京理工大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/8