固体火箭发动机比冲预示的神经网络仿真研究

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (10): 227-229.

固体火箭发动机比冲预示的神经网络仿真研究

王晔¹,段志信¹,李卓²

1.内蒙古工业大学理学院，呼和浩特 010051
2．中国航天科工集团公司六院41所，呼和浩特 010010

收稿日期:2007-10-25 修回日期:2008-01-21 出版日期:2008-04-01 发布日期:2008-04-01
通讯作者: 王晔

Neural network simulation study for solid propellant rocket engine of prediction of specific impulse

WANG Ye¹,DUAN Zhi－xin¹,LI Zhuo²

1.College of Science，Inner Mongolia University of Technology，Hohhot 010051，China
2.The 41st Institude of the Sixth Academy of CASC，Hohhot 010010，China

Received:2007-10-25 Revised:2008-01-21 Online:2008-04-01 Published:2008-04-01
Contact: WANG Ye

摘要/Abstract

摘要： 运用BP和RBF神经网络方法和Matlab6.5工具软件建立了小样本数据条件下的固体火箭发动机比冲的神经网络预测模型，并将两种神经网络预报的效果进行了比较。两种网络较好的预报效果，表明建立的预测模型是合理的。在此基础上，提出了与之相应的预报误差控制方法及其新型号发动机比冲预测的选模判据。数值实验结果表明，所提供的网络模型可在小样本数据条件下实现发动机比冲性能的高精度预测。

关键词: 固体发动机比冲, RBF神经网络, BP神经网络, Matlab软件, 预报误差控制, 选模判据

Abstract: By using BP，RBF neural network and Matlab6.5 software，the model of prediction of specific impulse of solid propellant rocket engine under the condition of small sample data is established.Compared two kinds of methods，it is shown that the established model is reasonable.So the corresponding controlling method of prediction error and the mode selecting criterion of the specific impulse for new-type solid rocket engine are presented.Results indicate that the network mode provides in the paper can achieve high accurate prediction for the specific impulse property of solid rocket engine under the condition of small sample data.

Key words: solid rocket engine specific impulse, RBF neural network, BP neural network, Matlab software, prediction error control, mode selection criterion

王晔¹,段志信¹,李卓². 固体火箭发动机比冲预示的神经网络仿真研究[J]. 计算机工程与应用, 2008, 44(10): 227-229.

WANG Ye¹,DUAN Zhi－xin¹,LI Zhuo². Neural network simulation study for solid propellant rocket engine of prediction of specific impulse[J]. Computer Engineering and Applications, 2008, 44(10): 227-229.

[1]	郑建锋，王应明. 基于DEA-BP神经网络的效率置信区间预测模型研究[J]. 计算机工程与应用, 2021, 57(3): 273-278.
[2]	黄晶晶，王建宏. 分数阶非因果BP神经网络模型[J]. 计算机工程与应用, 2021, 57(23): 91-97.
[3]	曹林根，宓超. 集装箱箱号字符识别算法研究[J]. 计算机工程与应用, 2021, 57(15): 178-185.
[4]	苏佳丽，伍忠东，丁龙斌，刘菲菲. 基于IGWO-RBF的LTE-R切换算法研究[J]. 计算机工程与应用, 2020, 56(8): 74-80.
[5]	楚彭子，虞翊，林辉，袁建军，姜西. ATO系统速度控制的BP-FIPID算法[J]. 计算机工程与应用, 2020, 56(22): 224-229.
[6]	冯玉芳1，2，卢厚清1，殷宏1，曹林1. 基于BP神经网络的故障诊断模型研究[J]. 计算机工程与应用, 2019, 55(6): 24-30.
[7]	邓烜堃1，2，万良1，2，黄娜娜1，2. 基于DAE-BP神经网络的股票预测研究[J]. 计算机工程与应用, 2019, 55(3): 126-132.
[8]	王勇，杨锦，王瑛. 改进Henon超混沌系统与AES结合的图像加密算法[J]. 计算机工程与应用, 2019, 55(22): 180-186.
[9]	顾婷婷，刘新会，桑庆兵，李朝锋. 基于双树复小波的无参考立体图像质量评价[J]. 计算机工程与应用, 2019, 55(2): 154-161.
[10]	杨霞，朱晓冬，刘元宁，冯家凯，刘帅. 分块小波特征结合BP神经网络的虹膜识别方法[J]. 计算机工程与应用, 2019, 55(18): 132-139.
[11]	王燕燕1，王宏伟1，2. 基于粒子群的后件多项式RBF神经网络算法[J]. 计算机工程与应用, 2019, 55(12): 72-76.
[12]	卞京红1，贺兴时1，范钦伟1，伊宝民2. 基于自适应花授粉算法的BP神经网络结构优化[J]. 计算机工程与应用, 2018, 54(3): 50-56.
[13]	赵亚飞，韦广梅. 基于BP神经网络的有限元应力修匀的研究[J]. 计算机工程与应用, 2018, 54(13): 67-72.
[14]	韦鹏宇1，2，4，潘福成1，2，3，李帅3. 改进人工蜂群优化BP神经网络的分类研究[J]. 计算机工程与应用, 2018, 54(10): 158-163.
[15]	周静1，赵鲁阳1，罗炬锋1，2. 基于时域特征提取的围栏入侵模式分类方法[J]. 计算机工程与应用, 2017, 53(21): 98-102.