(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211069748.8 (22)申请日 2022.08.31 (71)申请人 电子科技大 学 地址 610000 四川省成 都市高新区 （西区） 西源大道 2006号 (72)发明人 黎业飞　徐文星　吴霖志　王政　 刘奔　王鑫磊　 (51)Int.Cl. G06F 30/23(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种机载阵列天线变形重构的方法及系统 (57)摘要 本发明公开了一种机载阵列天线变形重构 的方法及系统， 该系统包括： 应变 ‑图像数据集生 成子系统， 其功能在于生成载荷数据集， 通过有 限元算法， 将载荷数据转化成应变 ‑位移数据和 位移场云图数据集； 图像数据编码子系统， 其功 能在于构建第一层神经网络， 将 输入变量降维处 理， 得到应变到中间变量的映射关系； 数据集预 测模型子系统， 其功能在于预测第二级神经网络 需要的数据集数量， 并在此基础上构建第二层神 经网络； 变形重构精度验证子系统， 其功能在于， 基于精度需求通过近似贝叶斯算法验证精度的 可接受性， 并确定二层神经网络停止迭代训练的 条件。 权利要求书2页 说明书5页 附图5页 CN 115544825 A 2022.12.30 CN 115544825 A 1.一种机载阵列天线变形重构的方法和系统， 具体包括如下步骤： 步骤1:初步确定机载阵列天线变形重构系统的各子系统 的功能和接口定义， 进行机载 阵列天线变形重构系统的需求建模， 对 涉众需求进 行甄别主次， 采用用例图、 需求图逐层逐 级分解为系统级需求、 子系统级需求。 其中子系统包括： 应变 ‑图像数据集生成子系统、 图像 数据编码子系统、 数据集预测模型子系统和变形重构精度验证子系统。 步骤2： 基于SysML(Systems  Modeling  Language)构建机载阵列天线应变 ‑图像系统的 需求图、 包图、 模块定义图、 参数图、 状态机图、 内部模块图， 用例图， 活动图， 时序图。 步骤3： 建立与机载阵列天线实物一致的数字模型， 应变 ‑图像数据集生成子系统随机 生成的外部载荷， 其中包括空气流场载荷和温度场载荷等， 并通过有限元方法计算得到对 应的节点的应 变和位移， 和整体模型的位移场云图。 步骤4： 构建变分自编码器(Variational  Autoencoder， VAE)网络作为第一级神经网 络。 图像数据编码子系统利用计算机视觉技术对步骤3中计算得出 的位移场云图进行轮廓 筛选， 获取云图边界， 筛选后的云图作为输入， 并以步骤3生 成的应变 ‑位移数据作为真实样 本构建VAE编码器。 得到应变与中间变量Z的映射关系。 通过得到中间变量Z， 简化下一级序 贯的神经网络结构。 步骤5： 构建数据集预测模型子系统中的最小二乘法支持向量机(Least  Square  Support Vector Machine， LSSVM)模型， 预测需要的中间变量Z构 成的数据集的大小， 第 二 级神经网络将以该 预测的数据量进行训练， 避免产生过多无用数据。 步骤6： 构建反向传播神经网络(Back  Propagation， BP)作为第二级神经网络。 将步骤4 的中间变量和步骤3中生成的应变和位移的数据输入到数据集预测模型子系统中的LSSVM 模型中预测需要的数据集数量， 并训练中间变量Z与位移的第二级BP神经网络， 由于中间变 量Z经过VAE编码器的降维处 理， BP神经网络的隐藏层节点数 可大幅降低。 步骤7： 进行近似贝叶斯计算方法(Approximat e Bayesian  calculation  method， ABC) 计算， 如果二者欧式距离小于容差时， 即 则认为模拟的数据精度 时可以被接受的， 由此停止 两级神经网络训练的迭代。 2.根据权利要求1所述的基于SysML的机载阵列天线变形重构模型系统工程(Model ‑ based systems engineering， MBSE)， 其特征在于通过MBSE方法和SysML语言构建出变形重 构系统需求图包含该系统的功能、 接口和性能特性， 用于满足机载阵列天线变形重构时精 度需求变更时的信息输入， 和初步确定系统信息流通方向； 构建包图以建立变形重构系统 框架； 构建用例图以表示顶层需求， 即构建出实现机载阵列天线变形重构的两级神经网络； 构建内部模块图以确定机载阵列天线变形重构系统各子模块之 间的逻辑关系和连接顺序； 由此即可确定整个系统的信息流动方向。 如果变形重构 中出现误差较大节点数据， 可以根 据权利要求1中的四个子系统流出的数据， 在哪个环节出现第一次突变， 溯源出错的环节， 快速定位问题。 3.根据权利要求1所述的重构系统输入数据集的获取方法， 其特征在于随机产生的应 力场， 既有通过有限元方法计算得到应变和位移场， 也有通过两级序贯的神经网络获得 的 位移场。 输入的位移场云图即是输入两级神经网络的参数， 也是要反求的对象。 根据权利要 求1所述的重构系统输入数据集的获取方法， 其特征在于通过应变 ‑图像数据集生成子系 统， 输入的应变和图像数据用于训练经LSSVM预测数据量大小调整后的二级序贯神经网络，权　利　要　求　书 1/2 页 2 CN 115544825 A 2训练完成的二级神经网络即可实现通过输入应 变场进而获得位移场。 4.根据权利要求1所述的两级序贯神经网络， 由输入节点应变经过第一级神经网络得 到中间变量Z的数据集， 再通过数据集预测模型子系统预测需要 数据集的大小， 随后序贯进 第二级BP神经网络， 计算得到节点 位移， 进而求出位移场。 5.根据权利要求1所述的通过OpenCV对位移场云图的轮廓筛选和对VAE网络进行训练 的方法， 其特征在于通过有限元方法得出 的位移场云图被筛选出轮廓边界， 将被筛选出轮 廓后的位移云图作为输入， 将应变 ‑位移信息作为真实样本对VAE网络进行训练， 得到应变 到中间变量的映射关系。 6.根据权利要求1所述的LSSVM预测模型， 其特征在于将VAE中的中间变量Z  和节点位 移数据输入到LS SVM模型后， 预测需要的中间变量Z的数据集数量。 7.根据权利 要求1所述的机载阵列天线位移场ABC方法。 该方法引入基于MBSE构 建的变 形重构精度验证子系统， 如果计算后的结果是不可接受的， 即 精 度验证子系统确定增加数据集， 将消息传递给数据集生 成子系统， 继续训练VAE网络和BP神 经网络这序贯的两级神经网络， 直到精度结果是 可以被接受时停止 。 8.根据权利要求1所述的机载阵列天线变形重构系统的模型系统工程(Model  based  Systems Engineering， MBSE)设计方法的精度需求可改变性， 其特征在于， 系统的需求精度 变更时， 仍可在之前训练过的神经网络中继续训练， 并将训练后的结果实时传入精度验证 子系统， 再通过应变 ‑图像数据集生成子系统生成新的数据集， 图像数据编 码子系统继续训 练VAE网络， 数据集预测模型子系统重新估计需要中间变量数据集的数量并继续训练第二 级BP神经网络。 当精度满足新的要求时停止训练， 即得到精度更新的两级神经网络， 输入节 点应变即可获得机载阵列天线的位移场。权　利　要　求　书 2/2 页 3 CN 115544825 A 3