一种导弹导引律及参数的非线性MMAE辨识方法

针对现代空战中来袭导弹导引律参数辨识问题,提出了一种非线性的多模型自适应(MMAE)辨识方法。采用无色卡尔曼滤波(UKF)方法对非线性多模型集进行状态估计。利用多模型自适应估计方法,设计了导弹的导引律及参数辨识器,在三维坐标内实现了对导弹IPN,APN,OGL和PP导引律及对应导引参数的辨识,并通过算例仿真验证了该方法的快速性和准确性。     

液-固挤压铝基复合材料动态系统建模方法

 液态浸渗挤压是一种可以由液态金属直接成形复合材料管、棒、型材的新工艺,针对该工艺过程参数和成形过程难于控制的现存问题,在对其辨识建模特点进行深入分析的基础上,采用基于U-D分解的非线性模型和参数在线估计方法,辨识出液-固挤压铝基复合材料过程的动态模型。实验结果表明,该方法可以提高模型和参数在线估计的计算效率和数值稳定性,辨识模型能很好地反映系统的动态特性,说明该在线估计方法工程应用的有效性,同时也为液-固挤压复合材料工艺的实际应用和过程控制奠定了基础。     

采样数据含高频有色噪声的连续模型辨识

提出了一种采样数据中存在高频有色噪声的连续模型辨识方法,该方法通过引入积分运算,将连续时间系统的微分方程模型转换为积分方程模型,从而在辨识时使噪声的影响可以忽略,然后直接利用传统的最小二乘法估计出系统的连续时间模型参数。该方法具有较强的抗有色噪声干扰的鲁棒性、计算方法简单、参数辨识精度高等优点。仿真实例验证了该方法的有效性与可行性。     

基于辅助变量最小二乘的无人艇模型辨识方法

无人艇模型是无人艇运动控制研究领域的核心,模型的精确性对控制算法的设计及验证有很大的影响.为了解决有色噪声对无人艇模型参数辨识时的干扰问题,提出了一种辅助变量最小二乘算法对无人艇模型参数进行辨识.对离散KT方程加入噪声,得到无人艇时间序列分析模型,根据Tally原理引入辅助变量对最小二乘算法进行完善并辨识模型参数.所做理论分析及仿真结果表明:该算法可以准确估计无人艇时间序列分析模型参数,并能对无人艇下一时刻航向角做出准确预报,有效解决了有色噪声所带来的"参数有偏估计"问题.实船实验结果表明:相比一般最小二乘算法,所提算法的辨识收敛时间可减少50％,航向角预报误差减小约40％,有效预报时长提升一倍以上.该算法对无人艇时间序列分析模型的辨识更加准确,具有很高的实际应用价值.     

一种MEMS陀螺仪零偏建模与估计方法

针对MEMS陀螺仪零偏随时间变化的问题,提出了一种MEMS陀螺仪的零偏建模与估计方法.通过分析静态条件下陀螺仪零偏变化的影响因素,建立了陀螺仪零偏和温度之间的差分方程模型.采用系统辨识的方法,给出了系统模型的参数辨识流程.基于最小二乘法,实现了模型参数的辨识.设计了测试验证试验,基于陀螺仪的零偏样本特性建立了三阶差分方程,并进行了参数辨识和模型验证,结果表明该模型可以有效地估计陀螺仪的零偏.     

基于模糊聚类的模糊神经网络在非定常气动力建模中的应用

建立了一种基于模糊聚类的模糊神经网络模型.该模型利用模糊聚类技术确定系统的模糊空间和模糊规则数,利用BP算法调整模糊神经网络的权系数.应用该模型对某飞机模型做俯仰-滚转耦合运动的非定常气动力进行了辨识.结果表明,基于模糊聚类的模糊神经网络计算速度快,辨识结果与实验结果符合较好.用模糊聚类技术可以解决模糊神经网络的结构辨识问题,基于模糊聚类的模糊神经网络可以很好地用于复杂机动飞行的非定常气动力建模.     

基于微分载荷模型的飞行载荷参数辨识方法

介绍了一种基于微分载荷模型的飞行载荷辨识方法.根据实测载荷与飞行参数之间存在的相关性,利用输出误差法对平尾微分载荷模型进行了辨识,得到了飞行状态下平尾载荷的计算模型.同时得到了适合于飞行载荷辨识的一种方法,该方法可以研究飞机的不同操纵规律对结构载荷的影响,具有较高的精度,可行有效.     

基于PSO的船体动态变形模型参数在线辨识

在船体变形测量领域，惯性量匹配法凭借其高精度、易实现的优点成为了时下的研究热点。详细介绍了角速度匹配法进行船体变形角估计的原理，针对算法中动态变形模型（二阶Markov）参数难以确定的问题，推导了两套INS的角增量输出差值与动态变形角之间的关系，建立了利用角增量差值的自相关函数进行求参的理论依据。在求参工具上选择了粒子群算法，借助指数衰减正弦信号的形式建立算法模型，并且合理设置算法参数，最终形成一套完整的在线辨识方案。仿真实验证实，该方案能够实现动态变形模型参数的精确辨识，辨识精度较高，且SNR门限低。最终的变形角估计结果表明，结合该参数辨识算法，船体变形角估计误差可控制在10″左右，证明了该方法的可行性。     

基于物理信息神经网络的飞机气动参数辨识方法

在飞机设计与研制过程中，通过气动参数辨识建立可靠的飞行动力学模型非常重要。传统的气动参数辨识工程算法，诸如极大似然法，需要给出合理的飞行动力学模型以及待辨识参数的初值。基于传统神经网络的气动参数辨识可以避免飞行动力学建模过程，这种方法需要通过增量法、导数法间接地从神经网络提取气动参数。本文提出了一种基于物理信息神经网络的飞机气动参数辨识方法，可将含待辨识参数的飞行动力学模型作为正则项加入损失函数，直接辨识得到气动参数。该方法可以显著减少建模数据需求，也能提高建模精度。飞行仿真数据验证结果表明，该方法的无噪声、含2%噪声仿真数据，纵向飞行状态空间模型辨识最大相对误差分别为1.80%、4.64%，表明了基于物理信息神经网络的飞机气动参数辨识方法具有可行性，并对含噪声的飞行数据具有泛化性。     

一种时域稳定参数预报与最优估计兼容的参数辨识法

 本文导出一种基于时域稳定的参数预报与最优估计兼容的状态估计和参数辨识算法。这种算法将系统辨识分为三步:1.以辨识系统预报误差渐近稳定为准则的参数预报;2.以预报参数为条件的状态估计;3.对参数和状态的后验修正。即一般分割辨识算法（GPIA）与模型参考辨识算法（MRIA）相结合的兼容辨识算法。本文将这一算法用于飞行器气动系数和控制导数的辨识,并与GPIA算法所得结果相比较。