买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：沈阳航空航天大学

摘要：本发明公开了一种基于CNN‑LSTM‑Attention网络结构的固体火箭发动机总冲预测方法，包括如下步骤：采集不同型号的固体火箭发动机点火过程推力数据，得到推力数据样本集；对每组推力样本数据进行降采样，使得每组推力样本数据中的样本点数量相同；对降采样后的样本数据采用滑动窗口的方式进行重叠采样，形成高维数据集，之后，将所述高维数据集划分为训练样本以及测试样本；构建深度神经网络模型，并利用所述训练样本对所述深度神经网络模型进行训练，得到训练好的深度神经网络模型，并利用测试样本进行测试；利用经过测试的所述训练好的深度神经网络模型对固体火箭发动机的总冲进行预测。该预测方法成本低、预测效率高、预测精度高。

主权项：1.基于CNN-LSTM-Attention网络结构的固体火箭发动机总冲预测方法，其特征在于，包括如下步骤：S1：采集不同型号的固体火箭发动机点火过程推力数据，得到推力数据样本集，其中，所述推力数据样本集中包含多组推力样本数据；S2：对每组推力样本数据进行降采样，使得每组推力样本数据中的样本点数量相同；S3：对降采样后的样本数据采用滑动窗口的方式进行重叠采样，使得每组样本数据包含多个小样本数据，形成高维数据集，之后，将所述高维数据集根据样本数量按比例划分为训练样本以及测试样本；S4：构建深度神经网络模型，并利用所述训练样本对所述深度神经网络模型进行训练，得到训练好的深度神经网络模型，之后，利用所述测试样本测试所述训练好的深度神经网络模型，其中，所述深度神经网络模型包括卷积模块、LSTM模块和Attention模块；S5：利用经过测试的所述训练好的深度神经网络模型对固体火箭发动机的总冲进行预测；S2中，对第i组推力样本数据进行降采样的方法如下：S21：采用下式对第i组推力样本数据的时间进行Min-Max归一化，使时间的大小处于[0,1]之间： 式中，表示第i组推力样本数据中第j个时间节点；表示第i组推力数据末尾时间节点；表示第i组推力数据起始时间节点，表示对第i组推力样本数据中第j个时间节点进行归一化后对应的时间节点；S22：对第i组推力样本数据进行降采样，得到N个等时间步长的目标节点，并利用归一化后的第j个时间节点对应的推力值对降采样后的时间节点kN对应的推力赋值，其中，k＝1、2、3…、N，j为使的最小值；S4中，所述深度神经网络模型中的卷积模块包括2层大小为3，数量为16的一维卷积层，每层卷积层后面连接一层池化层和随即丢失操作，池化层采取最大池化方式，最大池化滤波器的大小为2，随即丢失采用丢失率为0.3，所述最后一层池化层的后面连接一层展平层，所述LSTM模块包括两层数量分别为32和64个LSTM单元的LSTM层，每个LSTM层后采用丢失率为0.3的随即丢失操作，所述Attention模块位于所述LSTM模块之后，采用Self-Attention方式，经过Attention模块后输出64个神经元，64个神经元最后与一个神经元进行全连接，最后一层的单个神经元为输出值。

全文数据：

权利要求：

百度查询： 沈阳航空航天大学 基于CNN-LSTM-Attention网络结构的固体火箭发动机总冲预测方法