(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111587543.4 (22)申请日 2021.12.23 (71)申请人 中国人民解 放军军事科学院国防科 技创新研究院 地址 100071 北京市丰台区东大街5 3号 (72)发明人 张小亚　彭伟　张俊　姚雯　 (74)专利代理 机构 北京奥文知识产权代理事务 所(普通合伙) 11534 代理人 张文 (51)Int.Cl. G06F 30/15(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 17/13(2006.01) (54)发明名称 基于元学习的内嵌物理知识的神经网络初 始化设计方法 (57)摘要 本发明公开了一种基于元学习的内嵌物理 知识的神经网络初始化设计方法， 该方法用于卫 星组件布局板温度场重构计算， 该方法包括： 步 骤S1： 构建内嵌物理知 识的神经网络； 步骤S2： 利 用元学习训练神经网络， 获取神经网络的元初始 化参数； 步骤S3： 神经网络加载元初始化参数， 利 用测点温度重构待测卫星组件布局板的温度场， 并利用测点温度构建损失函数， 通过训练最小化 损失函数得到最优的性能参数， 从而获取待测卫 星组件布局板的温度场的最优代理模型。 由此， 在该方法中， 可以通过较少的样本参数， 并降低 计算数据成本， 能够在较短的时间内对卫星组件 布局板温度场进行有效地重构计算。 权利要求书2页 说明书7页 附图2页 CN 114417497 A 2022.04.29 CN 114417497 A 1.一种基于元学习的内嵌物理知识的神经网络初始化设计方法， 其特征在于， 所述方 法用于卫星组件布局板温度场重构计算， 所述方法包括： 步骤S1： 构建内嵌物理知识的神经网络； 步骤S2： 利用元 学习训练所述神经网络， 获取 所述神经网络的元初始化 参数； 步骤S3： 所述神经网络加载所述元初始化参数， 利用测点温度重构待测卫星组件布局 板的温度场， 并利用测点温度构建损失函数， 通过训练最小化所述损失函数得到最优的性 能参数， 从而获取 所述待测卫星组件布局板的温度场的最优代理模型。 2.根据权利要求1所述的基于元学习的内嵌物理知识的神经网络初始化设计方法， 其 特征在于， 在所述方法中， 所述待测卫星组件布局板的温度满足如下控制方程： 其中， 边界： T＝T0或 或 在上述公式中， φ表示强度分布， k表示区域内的热传导系数， T0表示等温边界或对流边 界的温度值， 并且， 在执 行所述方法 之前， 提前获取部分测点温度值。 3.根据权利要求2所述的基于元学习的内嵌物理知识的神经网络初始化设计方法， 其 特征在于， 所述强度分布φ存在于分布范围[φmin,φmax]内， 在所述步骤S2 中包括， 在所述分布范围内随机采样得到一个测试值φi， 并将其视为高 阶先验信息， 并利用每一次采样构建如下内嵌物理知识的损失函数： 其中， 或者 其中， 和 均表示权 重参数。 4.根据权利要求3所述的基于元学习的内嵌物理知识的神经网络初始化设计方法， 其 特征在于， 每一次采样所 得到的方程视为 一个任务， 在所述步骤S2中包括， 在相同的任务下， 采用随机梯度下降算法对网络参数更新M次， 然后寻找N个任务下的最优性能参数 该参数即为所述神经网络的元初始化 参数。 5.根据权利要求4所述的基于元学习的内嵌物理知识的神经网络初始化设计方法， 其 特征在于， 在所述 步骤S3中包括， 利用测点温度构成如下的损失函数： 其中， 或者 之后， 通过训练最小化损失 得到最优的性能参数θ**， 从而得到整个温度场的最优权　利　要　求　书 1/2 页 2 CN 114417497 A 2代理模型。 6.根据权利要求4所述的基于元学习的内嵌物理知识的神经网络初始化设计方法， 其 特征在于， 在所述步骤S3中， 采用随机梯度下降或自适应动量估计算法对损失函数 进 行优化， 在设置的迭代周期N下找到最优的性能参数θ**。 7.根据权利要求4所述的基于元学习的内嵌物理知识的神经网络初始化设计方法， 其 特征在于， 在所述步骤S2中包括， 训练所述神经网络寻找在每个任务下最好的性能参数θ*， 其中， 在相同任务下， 采用SGD或者Adam算法更新神经网络参数θ， 第k次更新后可以通过 描述； 在不同任 务下， 神经网络参数θ 以 方向进行更新， 更新步长∈采用线性 策略步∈＝∈0(1‑k/N)， 更新方式可以描述 为 8.根据权利要求1所述的基于元学习的内嵌物理知识的神经网络初始化设计方法， 其 特征在于， 在所述步骤S1 中， 所述神经网络的深度为D， D≥3， 并对 所述神经网络给定初始化 参数， 所述神经网络包括 一个输入层、 一个输出层和D ‑2个隐藏层。 9.根据权利要求8所述的基于元学习的内嵌物理知识的神经网络初始化设计方法， 其 特征在于， 所述神经网络表示 为Nθ(·)， 利用带有激活函数的多层感知机， 使得： 其中， 权　利　要　求　书 2/2 页 3 CN 114417497 A 3