基函数宽度对RBF神经网络气动力模型精度的影响研究

将带输出反馈的RBF（recursive radial basis function, RRBF）神经网络用于构建非定常气动力模型,能够得到一种动态非线性气动力降阶模型（reduced order model, ROM）。隐含层神经元的基函数宽度是该气动力模型的一个重要参数。为了研究基函数宽度对RRBF神经网络的影响,首先通过数学分析和计算仿真研究了训练过程中宽度与神经网络结构之间的关系,而后用NACA0012翼型俯仰运动作为算例,研究模型在不同训练信号、延迟阶数和流动状态的情况进行测试。测试结果表明,基函数宽度对此类非定常气动力模型的稳定性及泛化能力都有较大影响;最优宽度的选择随训练及预测信号的变化有所不同;较多样本时,通常选择55~75的宽度能够保证非定常气动力模型具有较高的预测精度。通过对随机俯仰运动样本的预测结果,验证了宽度的最优选择范围。     

基于分层思路的动态非线性气动力建模方法

很多非线性气动力模型难以精确预测系统的小扰动线性特征。针对这一局限,提出了一种非线性分层模型,用于辨识跨声速非线性非定常气动力。分层建模需要同时提供微幅振荡和大幅振荡两套训练样本,首先通过线性模型(如带外输入的自回归(ARX)模型)对微幅振荡样本进行建模,而后采用非线性模型(如径向基函数神经网络(RBFNN))对大幅振荡的样本与线性模型的差量进行建模,进而把线性模型和非线性模型的输出相叠加,得到分层非线性动力学模型。算例表明建立的分层气动力模型与单一自回归径向基函数(AR-RBF)神经网络模型相比不仅具有更高的数值精度,可以精确预测大幅运动中的非线性特征,而且在小扰动状态下自动退化为线性模型,能够精确刻画结构微幅振荡下的线性动力学特性。     

径向基神经网络在非线性非定常气动力建模中的应用研究

基于南航NH-2风洞中某飞机模型大迎角大振幅单自由度偏航、滚转及偏航-滚转耦合的谐波、阶跃运动实验数据,应用径向基神经网络,研究人工神经网络描述非线性非定常气动力特性的能力.研究结果表明,所建立的径向基神经网络模型的预测结果与训练数据和验证数据都符合得很好,说明神经网络建模方法可以有效地对高度非线性的气动力进行建模.研究还表明,用神经网络建立模型时所需要的风洞实验数据可以减少,从而提高风洞实验效率、减少风洞实验的时间和成本.     

径向基神经网络在非线性非定常气动力建模中的应用研究

结合EKF算法（扩展卡尔曼滤波）和RTRL算法（实时递归学习算法）的特点,提出一种基于EKF的实时递归学习算法（EKF-RTRL）,运用到循环神经网络中（RNN）。应用该神经网络对某飞机大迎角大振幅单自由度偏航、滚转以及偏航滚转耦合运动的非定常气动力进行建模。结果表明,基于EKF的实时循环神经网络计算精度高,收敛快,辨识结果与实验结果符合较好,验证了本算法的有效性。     

非定常气动力的结构自适应神经网络建模方法

讨论了非线性非定常气动力的结构自适应神经网络模型建模方法,该方法具有同时进行结构辨识与参数辨识的优点;利用纵向大振幅强迫振荡风洞试验数据,验证了建模方法及所建模型的有效性,结果表明:结构自适应神经网络模型对非定常气动力有很好的逼近能力,由于采用飞行参数的时间离散数据作为输入量,模型可直接应用于飞行仿真研究。     

飞机大迎角机动非线性气动力模型的辨识

给出一种基于最大似然辨识的方法,用以分析飞机模型的大迎角大幅强迫简谐振动获得的气动力和力矩数据,在泛函分析和非定常气动力线性理论的基础上,通过合理的简化建立了能够包括气动力动态失速和涡流破裂及显著气动迟滞效应的大线性气动力模型表达式,并应用飞机模型的试验数据验证了该方法的计算结果,实际计算结果表明该非线性气动力模型能够较为精确地计算飞机模型大幅度迎角简谐振动产生的气动力响应。     

飞机大迎角机动非线性气动力模型的辨识

给出一种基于付里叶分析的方法,用以分析飞机模型大迎角、大幅值强迫简谐振动获得的气动力和力矩数据。由一组不同频率飞机模型简谐振动的气动力响应建立升力、阻力、俯仰力矩系数的非线性模型。这些模型的最终表达形式包含阶跃类型函数的时间积分。利用飞机模型的试验数据验证本方法的计算结果。实际计算结果表明,本文给出的非线性气动力模型,能够较为精确地计算飞机模型大幅值迎角简谐振动和斜坡运动产生的气动力响应。     

多变量非线性非定常气动力的模糊逻辑模型

应用模糊逻辑算法,建立了带升降舵偏角影响的非线性非定常气动力模糊逻辑模型,并进行了验证。结果表明：所建立的非定常气动力模糊逻辑模型有较强的预测能力。此方法为今后建立多变量、复杂运动的非线性非定常气动力数学模型,提供很好的借鉴。     

非定常气动力非线性微分方程建模方法

为准确描述过失速机动中非定常气动力特性,研究了以非线性微分方程为基本结构的非定常气动建模方法.基于动力学系统建模思想,分析揭示该模型的物理机理,并发展和改进了基于风洞强迫振荡试验的模型参数辨识方法:基于小振幅试验数据,采用线性回归参数辨识方法辨识确定气动模型中特征时间常数等线性参数;基于大振幅试验数据,采用遗传算法全局...     

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.     

RBF网络用于边界层转捩中抽吸流优化控制

 在抽吸气流控制边界层转捩问题中 ,将径向基神经网络用于抽吸流速与转捩位置间的函数关系建模 ,构造了网络结构 ,利用一组两通道抽吸流控制转捩的实验数据训练网络 ,获得了优化的网络参数。在此基础上 ,利用训练网络所获得的输入 /输出关系模型求解了最优抽吸流速。结果表明 ,RBF网络可有效地应用于边界层转捩主动控制中的系统函数关系建模。     

RBF神经网络在电气设备状态评估中的应用

以切比雪夫正交基函数(RBF)神经网络搭配教师模块作为电气设备状态评估的模型,通过对过去序列样本的学习,在考虑影响电气设备状态的各种因素的情况下用教师模块对学习过程进行监督,调整网络的权值,然后识别电气设备状态当前情况。结果表明该神经网络具有良好的识别能力、快速的收敛能力并可以应用于大规模的电气设备状态评估中。     

基于Log-Sigmoid型径向基神经网络的雷达辐射源识别

提出基于一种新的鲁棒性径向基 (RBF)神经网络的雷达辐射源识别方法。此网络应用Log -Sigmoid函数作为基函数 ,避免了学习过程中的不稳定状态 ,并且比传统的RBF有更好的学习性能和函数逼近能力。并介绍一种新的归一化函数 ,通过归一化函数把不同类型 ,不同量纲的原始评估数值转换到 [- 1,1]区间 ,该效用函数较好地体现了“奖优罚劣”的原则 ,同时又更有利于神经网络的训练。仿真实验证明了该方法的优越性。     

基于神经网络的故障率预测方法

 为了更好地预测产品故障率,提出了基于神经网络的故障率预测方法,分别给出了基于反向传播(BP)网络和径向基函数(RBF)网络进行故障率预测的基本思想、预测模型和实施步骤。分别对比分析了神经网络法与回归分析法、分解分析法、移动平均法、指数平滑法、自适应过滤法、自回归移动平均混合(ARMA)模型等统计预测方法的区别,对照故障率的特点,说明了神经网络法是其中最适用于故障率预测的统计方法。最后分别按这两种模型对某航空公司波音飞机故障率进行了预测,预测结果表明：这两种模型均适用于故障率预测,预测值与真实值的误差在20%之内,且RBF网络的预测效果略优于BP网络,此外通过与上述统计预测法的误差进行对比,说明神经网络法预测误差最小。     

基于神经网络的导弹稳定控制回路设计方法

基于径向基函数神经网络（RBFNN）的学习能力和逼近特性,将传统方法中的局部/整体构架蕴涵于神经网络内部,对导弹稳定控制律进行局部（定点）/整体（拟合）设计,以简化计算步骤,提高设计方法的通用性和自动化程度,以防空导弹侧向稳定控制回路设计为背景,对所提出的稳定控制回路设计方法进行了仿真,验证了该方法的可行性和有效性。     

飞机多学科设计优化中的近似方法分析

首先介绍了近似方法中的二次响应面方法、径向基神经网络方法、Kriging方法和增强的径向基函数方法。结合测试函数和某机翼模型为例,分别用这四种方法构造测试函数和某机翼结构和气动学科的近似模型,并总结这四种方法的特点和在对各种模型近似中的适用性。结果表明,Kriging方法和增强的径向基函数方法的近似是非常精确和稳健的。