《表1 U、V方向速度的训练误差与输入参数数量的变化关系》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于机器学习算法的舰面流场预警系统研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

实际工程应用中，该舰面流场实时预警系统希望通过在舰船表面的关键位置布置压强传感器，通过监测这些位置压强的变化来对舰船流场做出实时预测。因此，分析数值计算所得的舰船表面所有点的压强信息，筛选出对流场影响最大的关键点，并将这些点的压强作为神经网络的输入。甲板面位于z=27.4 m位置处，为避免海浪溅得过高影响压强传感器的测量精度，测压点位置均选在z=25.4 m以上，由于舰船表面共有73096个网格点，无法直接确定输入参数个数及位置，选取了148个工况下压强标准差最大的32个点作为备选测压点进行特征选择。通过Matlab建立BP神经网络模型，隐藏层15个神经元，训练函数为trainlm函数（即LM算法），输入为测压点的压强数据，输出为U、V方向来流速度，其中样本数据的70%作为训练集，15%作为验证集，15%作为测试集。尝试从待选测压点中分别抽取4、6、8、10、12个点作为输入，均随机抽取1000次，选取误差最小的结果，如表1所示。