一种发动机腔体雷达散射特性确定方法与流程

1.本技术属于发动机雷达散射特征仿真设计技术领域，具体涉及一种发动机腔体雷达散射特性确定方法。


背景技术：

2.航空发动机属于电大尺寸复杂腔体，内部极其结构复杂，结构件特征尺度从毫米级到米级跨度巨大，其散热源众多，耦合散射强烈。航空发动机特有的复杂结构造成其雷达散射特性仿真评估困难，且计算误差大。
3.现有的仿真手段主要分全波方法、低频方法和高频方法。全波方法计算精度高，但其巨大的计算量，使其在实际中难以应于电大尺寸物体的散射问题求解。低频方法在求解对象的特征尺寸远远大于入射波长的时候，使整个目标离散为基础的积分方程的效率大大降低，同样不适应于发动机腔体散射计算。高频方法基于电磁波高频特性近似处理，极大地提高了计算能力，但对于发动机这类复杂目标而言，其计算精度成为限制高频算法的重要问题。


技术实现要素：

4.为了解决上述问题，本技术提供了一种发动机腔体雷达散射特性确定方法，主要包括：
5.步骤s1、获取发动机腔体的内腔壁上的等效感应电流密度；
6.步骤s2、构建bp神经网络，在所述bp神经网络中，构建基于额定电流密度与实际输出电流密度差值的性能指标函数，按照梯度下降法修正网络的权值系数，优化所述等效感应电流密度的迭代次数；
7.步骤s3、根据所述迭代次数，对电流密度进行迭代，获得感应电流在后向雷达的散射场。
8.优选的是，所述bp神经网络包括输入层、隐含层及输出层，所述输入层包括4个输入项，分别为额定电流密度，实际输出电流密度，误差项及常数项，所述误差项为额定电流密度与实际输出电流密度之差。
9.优选的是，所述隐含层的层数为2～10层。
10.优选的是，所述隐含层输入为：
[0011][0012]
隐含层输出为：
[0013]
yj＝f(netj)；
[0014]
其中，w
ji
为bp神经网络的隐含层权值系数，xi为输入层数据，
[0015]
优选的是，所述输出层的层数k为1。
[0016]
优选的是，所述输出层的输入为：
[0017][0018]
所述输出层的输出为：
[0019]
z＝g(net
out
)；
[0020]
其中，w2j为bp神经网络的输出层的权值系数，yj为隐含层输出，
[0021]
优选的是，所述bp神经网络的权值系数初始化为区间[-0.5，0.5]上的随机数矩阵。
[0022]
优选的是，步骤s2中，进一步包括根据所述性能指标函数e(k)附加一使搜索快速收敛全局极小的惯性项：
[0023][0024]
其中，η为学习效率，α为惯性系数，取0-1之间数值。
[0025]
本技术的关键点在于，针对发动机腔体磁场电流密度优化计算，而进行的bp神经网络建立过程和方式，保护的点包括：
[0026]
1、提出的雷达散射计算过程和方法；
[0027]
2、基于复杂腔体优化的神经网络的结构及其层数；
[0028]
3、基于复杂腔体优化的神经网络输入层、隐含层、输出层参数及计算方式；
[0029]
4、基于复杂腔体优化的电流密度优化的神经网络自学习方法。
[0030]
本技术通过神经网络优化训练的方法，对传统物理光学法迭代进行优化判断，网络学习过程对误差进行判断，达到期望误差值，减少了迭代条件判断造成的计算误差，提高了计算效率。
附图说明
[0031]
图1是本技术发动机腔体雷达散射特性确定方法的流程图。
[0032]
图2是本技术发动机腔体雷达散射特性确定方法的航空发动机雷达腔体散射示意图。
[0033]
图3是本技术发动机腔体雷达散射特性确定方法的用于电流密度迭代次数计算的bp神经网络示意图。
具体实施方式
[0034]
为使本技术实施的目的、技术方案和优点更加清楚，下面将结合本技术实施方式中的附图，对本技术实施方式中的技术方案进行更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施方式是本技术一部分实施方式，而不是全部的实施方式。下面通过参考附图描述的实施方式是示
例性的，旨在用于解释本技术，而不能理解为对本技术的限制。基于本技术中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本技术保护的范围。下面结合附图对本技术的实施方式进行详细说明。
[0035]
本发明提出一种航空发动机腔体的雷达散射计算方法，对传统的物理光学方法(高频电磁算法)进行改进，通过神经网络训练的方式，对物理光学方法的迭代次数进行自动优化判断，解决人工设置收敛次数造成的收敛条件判断失误，导致计算结果不准确或反复计算的问题，提高了计算效率和计算精度。可以解决航空发动机复杂腔体的工程计算的实际困难。
[0036]
如图1所示，本技术的发动机腔体雷达散射特性确定方法，主要包括：
[0037]
步骤s1、获取发动机腔体的内腔壁上的等效感应电流密度；
[0038]
步骤s2、构建bp神经网络，在所述bp神经网络中，构建基于额定电流密度与实际输出电流密度差值的性能指标函数，按照梯度下降法修正网络的权值系数，优化所述等效感应电流密度的迭代次数；
[0039]
步骤s3、根据所述迭代次数，对电流密度进行迭代，获得感应电流在后向雷达的散射场。
[0040]
如图2所示，本技术的入射波由开口sa进入后，将在腔体内部sc产生散射场，最终回波从入口处退出。若忽略边缘及外部散射的贡献，其散射场来自电磁波在腔体内部的多次反射。设一均匀平面电磁流(ei,hi)照射在开口腔体口径sa上，腔体内部产生的散射场为(es,hs)。
[0041]
a)发动机入射口径sa上的等效电流在腔体内壁上的散射为
[0042][0043][0044]
式中，k是自由空间波数，z＝1/y是自由空间波阻抗，是腔体口sa面内法向的单位矢量，分别表示腔体内壁和口径上的位置矢量，g是自由空间green函数。
[0045]
b)腔壁sc上的等效感应电流密度由磁场积分方程(mfie)迭代得到：
[0046][0047]
式中第一项表示入射场的影响，第二项代表感应电流之间的相互作用。
[0048]
c)考虑腔体各部分之间的互相作用，通过式2进行迭代计算，可得到进一步电流分布：
[0049][0050]
式中，是腔体内壁sc内法向的单位矢量。
[0051]
d)对于电流密度jz(rc)，通过建立(error back-pragagation training)bp神经网络(如图3所示)，采用误差自适应算法，自适应优化迭代次数z，得到满足误差要求的计算结果。
[0052]
神经网络输入向量为x＝(x1,x2,...,xi,...,xn,)
t
其中；隐层输出向量为y＝(y1,
y2,...,yj,...,ym,)
t
；输出层输出向量为。w1
ji
是输入层到隐层之间的权值，w2
kj
是隐层到输出层之间的权值，其中下脚标i,j,k分别代表输入层，隐层和输出层的节点序号。
[0053]
①
神经网络输入层：
[0054]
输入层数n＝4，向量x＝[x1,x2,x3,x4],分别对应额定电流密度jr,实际输出电流密度j(步骤c中计算的结果)，误差项error＝jr-j。x4对应图2中的常数项
[0055]
②
神经网络隐含层
[0056]
隐含层层数m＝2～10
[0057]
隐含层输入：
[0058][0059]
隐含层输出：
[0060]
yj＝f(netj)，
[0061]
其中
[0062]
③
神经网络输出层
[0063]
隐含层层数k＝1
[0064]
输出层的输入：
[0065][0066]
输出层的输出：
[0067]
z＝g(net
out
)，
[0068]
其中
[0069]
④
bp神经网络自学习
[0070]
先取权值初值矩阵为区间[-0.5，0.5]上的随机数矩阵。
[0071]
网络学习性能指标函数：
[0072][0073]
按照梯度下降法修正网络的权值系数，即按e(k)对加权系数的负梯度方向搜索调整，并附加一使搜索快速收敛全局极小的惯性项。
[0074][0075]
式中：η为学习效率，α为惯性系数，取0-1之间数值。
[0076]
按照bp神经网络学习方法进行网络权值w的自适应调整，进而实现整个神经网络的计算，得到输出值z，即电流密度数值计算的迭代次数。
[0077]
e)通过积分得到感应电流在后向雷达散射场：
[0078][0079][0080]
与传统高频电磁算法相比，本发明提出的计算方法，通过神经网络训练的方式，对物理光学方法的迭代次数进行自动优化判断，解决人工设置收敛次数造成的收敛条件判断失误，导致计算结果不准确或反复计算的问题，提高航空发动机复杂腔体的工程计算计算效率和计算精度。
[0081]
虽然，上文中已经用一般性说明及具体实施方案对本技术作了详尽的描述，但在本技术基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本技术精神的基础上所做的这些修改或改进，均属于本技术要求保护的范围。