.png){kind=icon}
返回
Physics-Guided Adversarial Machine Learning for Aircraft Systems Simulation
.png){kind=icon}
OA
AI
DOI：10.1109/TR.2022.3196272.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在飞机系统性能评估的背景下，深度学习技术使我们能够从实验测量中快速推断模型，而系统知识的详细程度低于基于物理的建模通常所需的系统知识。然而，这种廉价的模型开发也带来了关于模型可信度的新挑战。本文提出了一种新颖的方法，即物理指导的对抗性机器学习 (ML)，它提高了对模型物理一致性的信心。该方法首先执行物理指导的对抗测试阶段，以搜索揭示行为系统不一致的测试输入，同时仍在可预见的操作条件范围内。然后，它继续进行物理相关的对抗性训练，通过迭代地减少先前发现的反例上不需要的输出偏差，向模型教授系统相关的物理领域预知。对两个飞机系统性能模型的经验评估表明，我们的对抗性ML方法在暴露两个模型的物理不一致性以及提高它们与物理领域知识一致的倾向方面是有效的。
Keyword:
Physics
Atmospheric modeling
Data models
Computational modeling
Sensitivity
Aircraft
Training
Adversarial machine learning
aircraft product development
deep learning (DL)
search-based software testing (SBST)
期刊
IF:
5.7
论文数:
2.8K
被引数:
8.5K
机构
引用论文
.png){kind=icon}
Reynolds averaged turbulence modelling using deep neural networks with embedded invariance使用具有嵌入式不变性的深度神经网络进行雷诺平均湍流建模
OAAI
OAAI分享收藏Ethylene glycol based silicon nitride nanofluids: An experimental study on their thermophysical, electrical and optical properties乙二醇基氮化硅纳米流体的热物理、电学和光学性质的实验研究
PREAI
分享收藏分享收藏
查看更多内容