針對撲翼飛行器面向控制建模時無法直接測量氣動參數(shù)并精確建立氣動模型的問題,傳統(tǒng)BP網(wǎng)絡(luò)辨識法依據(jù)撲翼飛行器試飛數(shù)據(jù),使用BP網(wǎng)絡(luò)計算當(dāng)前氣動參數(shù),再結(jié)合撲翼飛行器動力學(xué)模型計算其飛行狀態(tài),與試飛數(shù)據(jù)比較后,將誤差經(jīng)撲翼飛行器動力學(xué)模型反向傳播至BP網(wǎng)絡(luò)來更新網(wǎng)絡(luò)參數(shù)。實驗表明傳統(tǒng)方法計算精度較低,且動力學(xué)模型復(fù)雜度高,存在梯度消失問題,為此提出一種基于雙BP神經(jīng)網(wǎng)絡(luò)的氣動參數(shù)辨識方法。該方法首先采用一個BP網(wǎng)絡(luò)對撲翼飛行器動力學(xué)模型進行逆向辨識,為后續(xù)氣動參數(shù)辨識提供理想網(wǎng)絡(luò)計算模型,再結(jié)合批量隨機梯度下降法用另一BP網(wǎng)絡(luò)將撲翼飛行器柔性等非線性因素綜合到待辨識氣動模型中,實現(xiàn)撲翼飛行器氣動參數(shù)辨識。實驗結(jié)果表明所提雙BP神經(jīng)網(wǎng)絡(luò)法在辨識精度、模型復(fù)雜度和模型訓(xùn)練時間等方面均優(yōu)于傳統(tǒng)BP網(wǎng)絡(luò)法。 

【文章來源】：計算機應(yīng)用. 2019,39(S2)北大核心CSCD

【文章頁數(shù)】：4 頁

【部分圖文】：

圖2 雙BP神經(jīng)網(wǎng)絡(luò)整體辨識結(jié)構(gòu)

各方向速度辨識結(jié)果

圖3 各方向速度辨識結(jié)果根據(jù)以上辨識結(jié)果,利用文中所提方法辨識出的BP_NN1氣動參數(shù)模型進行計算,得到的氣動參數(shù)再經(jīng)撲翼飛行器理想動力學(xué)模型計算后的飛行狀態(tài)數(shù)據(jù)與實測數(shù)據(jù)基本吻合。圖中各狀態(tài)數(shù)據(jù)所對應(yīng)的平均相對辨識誤差分別為0.12%,1.19%,1.38%,0.01%,2.65%,1.35%。其中, Z方向速度和Y方向角速度辨識誤差相對較高,經(jīng)分析與撲翼飛行器實際飛行過程中機翼的撲動運動產(chǎn)生的擾動有關(guān),導(dǎo)致這兩個狀態(tài)量自身波動較大,辨識誤差也相應(yīng)增大。綜上,從對實測數(shù)據(jù)的整體辨識結(jié)果來看,文中所提的雙BP神經(jīng)網(wǎng)絡(luò)模型能夠有效辨識出撲翼飛行器的氣動參數(shù)。

【參考文獻】：
期刊論文
[1]基于飛行試驗的無人機氣動參數(shù)辨識[J]. 亓國棟,于劍橋,陳方正,蔣軍.  彈箭與制導(dǎo)學(xué)報. 2019(02)
[2]一種改進的擴展卡爾曼濾波氣動參數(shù)辨識方法[J]. 羅鵬,楊華,陳偉芳.  工業(yè)控制計算機. 2018(12)
[3]飛行器氣動參數(shù)智能在線辨識技術(shù)研究[J]. 浦甲倫,韓業(yè)鵬,張亮.  宇航總體技術(shù). 2018(06)
[4]微型仿生撲翼機控制器設(shè)計[J]. 賀雪晨,周超英,汪超.  電子設(shè)計工程. 2018(16)
[5]基于深度殘差生成對抗網(wǎng)絡(luò)的醫(yī)學(xué)影像超分辨率算法[J]. 高媛,劉志,秦品樂,王麗芳.  計算機應(yīng)用. 2018(09)
[6]基于BP神經(jīng)網(wǎng)絡(luò)的機械臂視覺伺服控制[J]. 楊馬英,葛軼眾.  計算機應(yīng)用. 2017(S2)
[7]基于遺傳算法的彈道參數(shù)辨識方法研究[J]. 杜昌平,周德云,宋筆鋒,張浩峰.  西北工業(yè)大學(xué)學(xué)報. 2008(03)

博士論文
[1]小批量隨機梯度下降算法在地震成像中的應(yīng)用[D]. 潘磊.中國科學(xué)技術(shù)大學(xué) 2018

碩士論文
[1]基于仿生學(xué)的微撲翼飛行器控制技術(shù)研究[D]. 張明偉.西北工業(yè)大學(xué) 2007



本文編號：3212362