基于级联前向神经网络的翼型优化算法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 第1章 绪论 | 第13-18页 |
| 1.1 研究背景 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-15页 |
| 1.3 神经网络的发展与应用 | 第15-16页 |
| 1.4 基于代理模型的气动优化 | 第16-17页 |
| 1.5 本章小结 | 第17-18页 |
| 第2章 遗传算法简介及应用 | 第18-27页 |
| 2.1 遗传算法原理 | 第18-23页 |
| 2.1.1 编码策略 | 第20页 |
| 2.1.2 评价函数 | 第20-21页 |
| 2.1.3 遗传算子 | 第21-22页 |
| 2.1.4 遗传算法参数 | 第22-23页 |
| 2.2 函数优化结果与分析 | 第23-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第3章 神经网络原理及应用 | 第27-43页 |
| 3.1 神经元模型及其网络结构 | 第27-33页 |
| 3.1.1 神经元原理 | 第27-28页 |
| 3.1.2 激活函数 | 第28-30页 |
| 3.1.3 网络结构 | 第30-33页 |
| 3.2 反向传播算法 | 第33-38页 |
| 3.2.1 损失函数 | 第34页 |
| 3.2.2 链式法则 | 第34-36页 |
| 3.2.3 敏感性反向传播 | 第36-38页 |
| 3.3 级联前向网络 | 第38页 |
| 3.4 运用神经网络拟合高阶非线性函数 | 第38-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 基于代理模型的翼型优化方案 | 第43-52页 |
| 4.1 翼型参数化方法 | 第43-46页 |
| 4.1.1 常见的翼型参数化方法 | 第43-45页 |
| 4.1.2 CST方法 | 第45页 |
| 4.1.3 CST方法精度 | 第45-46页 |
| 4.2 代理模型技术 | 第46-50页 |
| 4.2.1 Kriging代理模型 | 第46-47页 |
| 4.2.2 BP神经网络代理模型 | 第47-49页 |
| 4.2.3 级联前向网络代理模型 | 第49页 |
| 4.2.4 各代理模型精度的对比 | 第49-50页 |
| 4.3 优化方案 | 第50-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第5章 翼型气动优化设计算例及分析 | 第52-66页 |
| 5.1 NACA0012翼型算例 | 第52-59页 |
| 5.2 RAE2822翼型算例 | 第59-64页 |
| 5.3 优化结果分析 | 第64-65页 |
| 5.4 本章小结 | 第65-66页 |
| 第6章 总结与展望 | 第66-68页 |
| 6.1 本文工作总结 | 第66页 |
| 6.2 下一步工作展望 | 第66-68页 |
| 参考文献 | 第68-73页 |
| 作者简介 | 第73页 |
