《表1 神经网络结构参数:改进深度学习算法的对称翼型流场再现》
如图4所示:神经网络第1、2层用于拉伸数据维度,因此采用线性激活函数(Linear)以加快计算速度;在3~6层将数据进行非线性变换,映射到样本标记空间进行非线性的激活和学习;在隐藏层6之后采用迁移学习方法思想;隐藏层7与隐藏层7′将隐藏层6的输出参数分别使用自定义激活函数和Leaky ReLU激活函数进行迁移学习得到近似的二次关系;最后在隐藏层8与8′采用SELU激活函数将预测结果进行二次修正后输出预测压力场速度场,即为图4中速度场迁移学习和压力场迁移学习。其中,隐藏层7与7′、隐藏层8与8′之间没有直接联系,通过损失函数对两者输出计算反向误差,利用链式求导法则修正权重。每经过一次正向运算和反向运算为一个完整的训练过程。相比于采用两组独立神经网络的方法,本文使用迁移学习方法在不同的输出采用相同损失函数达到相互制约的目的,并且该方法在一次梯度下降过程中可以对两组输出进行反向修正,加速收敛,预测模型详细参数如表1所示。
图表编号 | XD00212307500 严禁用于非法目的 |
---|---|
绘制时间 | 2021.03.10 |
作者 | 杨从新、凌祖光、王岩、钱晨、赵斌、周楠楠 |
绘制单位 | 兰州理工大学能源与动力工程学院、兰州理工大学能源与动力工程学院、中国核动力研究设计院、兰州理工大学能源与动力工程学院、兰州理工大学能源与动力工程学院、兰州理工大学能源与动力工程学院 |
更多格式 | 高清、无水印(增值服务) |