基于GA-ELM的飞行载荷参数识别

针对用复杂飞行数据识别飞行载荷时的精度低、速度慢等问题,提出一种结合遗传算法(GA)和极限学习机(ELM)的GA-ELM模型。该模型使用ELM神经网络作为计算核心,用遗传算法产生ELM网络输入层到隐含层的权值矩阵和隐含层偏移量;用GA-ELM模型对飞行数据进行识别,并与BP神经网络和原始ELM神经网络的识别结果进行对比。结果表明:GA-ELM模型是一种有效且高精度的飞行载荷参数识别方法。     

一种基于神经网络的飞机载荷参数识别方法

提出一种经遗传算法优化的Kalman滤波神经网络(GA-KFNN)方法,对飞机特定机动下的载荷进行参数识别.首先,构建Kalman滤波神经网络(KFNN),设计了相关改进算法抑制滤波发散,提高了网络的预测精度和抗噪能力;其次,利用遗传算法(GA)优化KFNN的相关参数,使网络能迅速收敛,提高了运算效率.载荷识别结果显示,改进和优化后的GA-KFNN运行稳定,收敛迅速,具有良好的识别精度和泛化能力,满足工程实际需求.     

基于遗传神经网络的飞行载荷参数识别

针对飞行载荷参数识别问题,结合典型机动动作,提出一种优化改进的BP神经网络模型。模型采用留出方法和遗传算法对BP神经网络的设置参数进行优化,利用最优设置参数训练得到飞行载荷与飞行参数的BP神经网络模型。在半滚机动下,通过利用飞行参数识别某一部位弯矩并与未优化BP神经网络对比,表明优化改进的BP神经网络模型对飞行载荷参数识别是一种可行且精度高的方法。