增强神经网络辨识模型泛化能力的研究

神经网络(Artificial Neural Network,ANN)辨识模型的泛化能力是其最主要的性能之一,增强ANN模型的泛化能力也是近年来国内外有关专家学者研究的重点问题。大量研究表明,ANN模型泛化能力的改善与很多因素相关联,其中恰当的性能指标函数设计是一个重要影响因素。文中在分析常见的基于均方误差最小原则的性能指标函数基础上,通过加入ANN辨识模型权值间的延迟信息,进而获得一种改进型性能指标函数。通过仿真,验证了所设计的改进型性能指标函数对增强ANN辨识模型的泛化能力是有效的。     

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。     

基于智能差分算法的摩擦力补偿方法研究

针对光电平台低速转动时，受摩擦力影响较大，使得速度跟随曲线出现“死区”现象，导致跟踪性能明显下降这一问题，提出了一种基于智能差分进化算法和Lurge摩擦模型的摩擦力补偿控制方法。通过采集记录光电转台正、反向匀速运动时的摩擦力大小，建立转台不同速度和摩擦力之间的对应关系。通过最小二乘法对摩擦模型静态参数进行分段拟合，采用智能差分进化算法辨识摩擦模型动态参数，并基于反馈的速度信息和获得的摩擦模型等效为摩擦补偿力矩输入到电流环控制输入端，实现平台平稳低速运行。实验结果表明：摩擦力补偿后速度响应误差由补偿前的±0.1°/s减小到±0.04 °/s，提出方法效果显著。