CN114021308A - 基于自适应遗传算法和神经网络的气动参数辨识方法 - Google Patents
基于自适应遗传算法和神经网络的气动参数辨识方法 Download PDFInfo
- Publication number
- CN114021308A CN114021308A CN202111205150.2A CN202111205150A CN114021308A CN 114021308 A CN114021308 A CN 114021308A CN 202111205150 A CN202111205150 A CN 202111205150A CN 114021308 A CN114021308 A CN 114021308A
- Authority
- CN
- China
- Prior art keywords
- neural network
- population
- network model
- probability
- aerodynamic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Feedback Control In General (AREA)
Abstract
本申请公开了一种基于自适应遗传算法和神经网络的气动参数辨识方法。其中,该方法包括:基于所获取的飞行体的攻角、飞行马赫数、升降舵偏角、气动系数建立神经网络模型;利用自适应调整的遗传算法对所述神经网络模型的初始权值和阈值进行优化,并基于优化后的初始权值和阈值训练所述神经网络模型;利用优化训练后的所述神经网络模型来辨识所述飞行体的实时气动系数,并利用所述神经网络模型的导数特性来辨识所述飞行体的实时气动导数。本发明解决了现有技术中气动参数辨识结果不精确的技术问题。
Description
技术领域
本发明涉及人工智能领域,具体而言,涉及一种基于自适应遗传算法和神经网络的气动参数辨识方法。
背景技术
传统气动辨识是指通过测量导弹在试验中的输入和输出数据,建立反应导弹非线性特性的数学模型,并辨识出模型中的待定系数。常用的气动参数获取方法主要有风洞试验法、理论计算法、飞行试验法,以及用最大似然准则建立气动辨识模型,将气动参数辨识问题转换成最优化问题,通过优化求取模型参数,使模型输出与实测值偏差达到最小。
然而,传统方法的试验数据往往难以获取,且建模过程比较复杂。神经网络具有很强的非线性映射能力和函数逼近能力,近些年逐渐被应用于气动参数辨识方面。原智杰构建了利用思维进化算法的BP神经网络模型,对导弹的气动参数进行预测;Carpenter M等人运用神经网络实现了一种多变量函数逼近方法对导弹气动参数进行了预测;浦甲伦等人提出了一种基于支撑向量机(SVM)的样本扩充和神经网络参数在线快速修正方法,证实了基于SVM的神经网络方法对飞行器气动参数辨识的可行性。在工程应用或者弹道仿真等领域常根据马赫数、攻角和舵偏角通过插值的方法将相应气动参数带入导弹的运动方程组来计算导弹的飞行状态,该方法受插值点影响较大且求解范围比较小。
现有技术的缺点在于:
1)建模过程比较复杂;
2)神经网络初始参数随机进行选择,辨识结果容易陷入局部最优;
3)气动系数和气动导数需分别进行建模进行辨识,且辨识结果需要插值带入导弹运动方程组;
4)插值对数据点的依赖性比较强(要想保证精度,需要足够多的插值点),且受到插值点的约束所以它的求解范围比较小,不具有预测能力。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种基于自适应遗传算法和神经网络的气动参数辨识方法,以至少解决现有技术中气动参数辨识结果不精确的技术问题。
根据本发明实施例的一个方面,提供了一种基于自适应遗传算法和神经网络的气动参数辨识方法,包括:基于所获取的飞行体的攻角、飞行马赫数、升降舵偏角、气动系数建立神经网络模型;利用自适应调整的遗传算法对所述神经网络模型的初始权值和阈值进行优化,并基于优化后的初始权值和阈值训练所述神经网络模型;利用优化训练后的所述神经网络模型来辨识所述飞行体的实时气动系数,并利用所述神经网络模型的导数特性来辨识所述飞行体的实时气动导数,其中,所述气动参数包括所述气动系数和所述气动导数。
根据本发明实施例的另一方面,还提供了一种基于自适应遗传算法和神经网络的气动参数辨识装置,包括:建立模块,被配置为基于所获取的飞行体的攻角、飞行马赫数、升降舵偏角、气动系数建立神经网络模型;优化模块,被配置为利用自适应调整的遗传算法对所述神经网络模型的初始权值和阈值进行优化,并基于优化后的初始权值和阈值训练所述神经网络模型;辨识模块,被配置为利用优化训练后的所述神经网络模型来辨识所述飞行体的实时气动系数,并利用所述神经网络模型的导数特性来辨识所述飞行体的实时气动导数;其中,所述气动参数包括所述气动系数和所述气动导数。
在本发明实施例中,运用现有数据将攻角、马赫数、舵偏角作为输入,相关的气动系数作为输出建立辨识模型;用交叉、变异概率自适应调整的遗传算法对神经网络的初始权值和阈值进行优化,有效避免了辨识结果陷入局部最优;利用神经网络的导数特性进一步辨识出相应气动系数的气动导数;辨识结果无需插值可直接带入导弹运动方程组进行弹道计算,实现了气动参数的辨识应用一体化,进而解决了现有技术中气动参数辨识结果不精确的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明第一实施例的一种基于自适应遗传算法和神经网络的气动参数辨识方法的流程图;
图2是根据本发明第二实施例的一种基于自适应遗传算法和神经网络的气动参数辨识方法的流程图;
图3是根据本发明实施例的神经网络拓扑结构图;
图4是根据本发明第三实施例的一种基于自适应遗传算法和神经网络的气动参数辨识方法的流程图;
图5是根据本发明第四实施例的一种基于自适应遗传算法和神经网络的气动参数辨识方法的流程图;
图6是根据本发明实施例的气动系数辨识曲线对比图;
图7是根据本发明实施例的气动导数辨识曲线对比图;
图8是根据本发明实施例的气动导数辨识曲线对比图;
图9是根据本发明实施例的速度对比曲线图;
图10是根据本发明实施例的飞行轨迹对比曲线图。
概述
本发明将自适应遗传算法和神经网络结合应用于微小型制导弹药气动辨识问题中,提出了一种自适应遗传算法-反向传播神经网络(AGA- BPNN)气动辨识模型。
运用现有数据将攻角、马赫数、舵偏角作为输入,相关的气动系数作为输出建立辨识模型;用交叉、变异概率自适应调整的遗传算法对神经网络的初始权值和阈值进行优化,有效避免了辨识结果陷入局部最优;利用神经网络的导数特性进一步辨识出相应气动系数的气动导数;辨识结果无需插值可直接带入导弹运动方程组进行弹道计算,实现了气动参数的辨识应用一体化。该方法同样可应用于弹药的气动布局分析以及控制系统设计。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例,提供了一种基于自适应遗传算法和神经网络的气动参数辨识方法,如图1所示,该方法包括:
步骤S102,基于所获取的飞行体的攻角、飞行马赫数、升降舵偏角、气动系数建立神经网络模型。
例如,基于所述攻角、所述飞行马赫数、所述升降舵偏角、所述气动系数建立非线性辨识模型;利用神经网络来拟合所述非线性辨识模型,以建立所述神经网络模型。
在一个示例性实施例中,具体的可采用如下的方法来建立所述神经网络模型:将所述攻角、所述飞行马赫数、所述升降舵偏角作为所述神经网络的输入层的三个神经元;将所述气动系数作为所述神经网络的输出层的神经元,其中,所述气动系数包括飞行体的阻力系数、升力系数、俯仰力矩系数和所述飞行体的压心较质心相对位置系数;基于所述神经网络的所述输入层和所述输出层的神经元的设置,来训练所述神经网络模型,使得所述神经网络模型拟合所述非线性辨识模型,以建立所述神经网络模型。
步骤S104,利用自适应调整的遗传算法对所述神经网络模型的初始权值和阈值进行优化,并基于优化后的初始权值和阈值训练所述神经网络模型。
在一个示例性实施例中,对所述神经网络模型的初始权值和阈值进行编码,产生初始种群,将所述初始种群作为当前待优化种群。例如,选用实数编码方式对所述神经网络模型的初始权值和阈值进行编码,形成所述初始种群个体的染色体向量,确定所述初始种群,其中,所述初始种群包括多个个体,每个个体的染色体向量包括所述神经网络模型的全部的权值和阈值。
之后循环执行以下步骤,直到迭代次数达到预设的迭代总次数:
计算所述待优化种群个体的适应度值,判断所述适应度值是否满足优化目标;
如果所述适应度值满足所述优化目标,获取优化的所述神经网络模型的初始权值和阈值,并跳出循环,否则对所述待优化种群进行选择、交叉变异处理产生新一代种群,并将所述新一代种群作为所述待优化种群,并将所述迭代次数加1。
在一个示例性实施例中,选择、交叉、变异的具体过程可以如下:根据所述待优化种群个体的适应度值确定所述种群个体被选中的概率,从所述待优化种群中选择目标个体;对交叉概率进行自适应调整,并利用自适应调整后的所述交叉概率对所述目标个体的染色体向量进行交叉操作;对变异概率进行自适应调整,并利用自适应调整后的所述变异概率对交叉操作后的所述待优化种群个体的染色体向量进行变异操作,产生新一代种群。
在一个示例性实施例中,对交叉概率进行自适应调整可以为:增加每次迭代过程中平均适应度值表现差的种群在下次迭代中的交叉概率,减小平均适应度值表现好的种群在下次迭代中的交叉概率,并随着迭代次数的增加,逐渐减小总体的交叉概率。
在一个示例性实施例中,对交叉概率进行自适应调整还可以为:基于最大交叉概率、当前迭代次数、迭代总次数、当前迭代中适应度值最小的种群个体的适应度值、当前迭代中种群平均适应度值来自适应调整所述交叉概率。
在一个示例性实施例中,对变异概率进行自适应调整可以为:增加每次迭代过程中平均适应度值表现差的种群在下次迭代中的变异概率,减小平均适应度值表现好的种群在下次迭代中的变异概率,并随着迭代次数的增加,逐渐减小总体的变异概率。
在一个示例性实施例中,对变异概率进行自适应调整还可以为:基于最大变异概率、当前迭代次数、迭代总次数、当前迭代中适应度值最小的种群个体的适应度值、当前迭代中种群平均适应度值来自适应调整所述变异概率。
步骤S106,利用优化训练后的所述神经网络模型来辨识所述飞行体的实时气动系数,并利用所述神经网络模型的导数特性来辨识所述飞行体的实时气动导数。
在一个示例性实施例中,利用优化训练后的所述神经网络模型来辨识所述飞行体的实时气动系数包括:获取所述飞行体的实时的攻角、飞行马赫数、升降舵偏角,并将实时的攻角、飞行马赫数、升降舵偏角作为输入,输入到优化训练后的所述神经网络模型,以得到所述飞行体的实时气动系数。
在一个示例性实施例中,利用所述神经网络模型的导数特性来辨识所述飞行体的实时气动导数包括:利用所述神经网络模型得到所述实时气动系数,然后利用神经网络的导数特性获取所述实时气动系数对所述飞行体的实时攻角、飞行马赫数、升降舵偏角的气动导数。
其中,所述气动参数包括所述气动系数和所述气动导数。
本实施例中,利用改进的自适应遗传算法对神经网络的初始权值和阈值进行优化,有效的避免了神经网络初始权值和阈值随机选择使辨识结果陷入局部最优,提高了辨识精度。
实施例2
根据本发明实施例,提供了另一种基于自适应遗传算法和神经网络的气动参数辨识方法,如图2所示,该方法包括:
步骤S202,系统建模。
对于轴对称型导弹,忽略高度、旋转角速率、攻角变化率,舵偏角变化率等因素影响,气动系数可看成关于攻角、舵偏角和马赫数的非线性函数,非线性辨识模型可表示为下述形式:
其中,cD为阻力系数,cL为升力系数,cz为侧向力系数,mz为俯仰力矩系数,XCP为导弹压心较之质心相对位置系数,α为攻角,δz为升降舵偏转角,Ma为飞行马赫数,f1,f2,f3,f4分别为第一、第二、第三、第四拟合函数。
步骤S204,构建神经网络模型。
对于一般的非线性映射问题,三层结构的神经网络能够达到很好的映射效果。本发明实施例采用的神经网络拓扑结构如图3所示,输入层有三个神经元,分别为攻角、舵偏角和马赫数。隐藏层有六个神经元,输出层有四个神经元,对应为气动系数cD、cL、mz、XCP。
神经网络主要目的是利用输出向量z逼近真实值向量z*,定义网络的输出误差项为:
ec=z-z* (2)
从而可以得到网络目标函数为:
其中,n为输出层向量的维数,m为数据集向量组数,a代表输出向量集和真实值向量集的第a个向量,c为当前输出向量和当前真实值向量的第c个元素,zac为当前输出向量集的第a个向量的第c个元素,zac为真实值向量集的第a个向量的第c个元素。
设定输入层向量为x、隐藏层向量为y、则网络输入层到输出层:
z=g(vT(f(wTx+b1))+b2) (4)
其中,b1为输入层到隐藏层阈值向量,b2为隐藏层到输出层的阈值向量,f(·)为隐含层采用的非线性函数,g(·)为输出层激活函数。w为网络输入层到隐藏层的权值矩阵,v为隐藏层到输出层权值矩阵,其中wjk表示输入层第j个神经元到隐藏层第k个神经元的权值,vij表示隐藏层第k 个神经元到输出层第i个神经元的权值,T表示向量的转置,z表示输出向量。
输出层的激活函数g(·)为线性函数,隐藏层网络的激活函数f(·)表达式为:
其中,x表示一个过程量,就是从输入层导入数据后到隐藏层的值, e是一个数学值,表示自然常数。
利用链式微分法则和梯度下降原理,可以得到网络权值和阈值的修正公式:
其中,k为迭代次数,η为学习率,x表示输入层,y表示隐藏层,z 表示输出层,向量至此,神经网络的反向传播过程已经全部完成。
步骤S206,利用自适应遗传算法优化神经网络模型。
针对神经网络初始权重和阈值随机选择容易陷入局部最优问题,本发明实施例引入遗传算法对神经网络模型进行优化。为了增大遗传算法全局搜索能力和收敛速度,对传统遗传算法的交叉概率和变异概率进行自适应调整。
在一个示例性实施例中,具体的优化方法可以包括以下步骤:
(1)种群初始化操作
选用实数编码方式进行编码,种群个体的染色体向量包括了神经网络的全部权值和和阈值,具体排列方式为:
Xi=[w11...w36,b11...b16,v11...v64,b21...b24] (7)
其中,Xi表示种群第i个个体的染色体向量,w11…w36分别表示输入层各个神经元到隐藏层各个神经元的权值,b11…b16分别表示输出层到隐藏层各个神经元的阈值,v11…v64分别表示隐藏层各个神经元到输出层各个神经元的权值,b21...b24分别表示隐藏层到输出层各个神经元的阈值。
(2)选择操作
用目标函数Ec值作为种群个体的适应度值vi,个体被选中概率为:
其中,ζ为系数,N为种群规模。
(3)交叉操作
抛弃传统的交叉概率为确定值的方法,运用函数关系对交叉概率进行自适应调整,增加每次迭代过程中平均适应度值表现差的种群在下次迭代中的交叉概率,减小平均适应度值表现好的种群在下次迭代中的交叉概率。为了保证前期全局搜索能力和后期收敛性,随着迭代次数的增加,逐渐减小总体的交叉概率。
其中,交叉概率的计算公式如下:
其中,Pc为种群下一代交叉概率,Pc max为设定的最大交叉概率,Pcx为某个大于0小于Pc max的数,n为当前迭代次数,N为迭代总次数,Fbest为当前迭代中适应度值最小的种群个体的适应度值,Fagvn为当前迭代中种群平均适应度值,μ为影响因子。染色体交叉方式公式为:
式(10)表示种群第i个个体的染色体向量ai在位置k处与种群第j个个体的染色体向量aj在位置k处的交叉操作,b为0到1之间随机数,aik表示种群第i个个体的染色体向量ai在位置k处的基因值,ajk表示种群第 j个个体的染色体向量aj在位置k处的基因值。
(4)变异操作。
为了进一步提高算法的全局搜索能力,变异概率的自适应计算公式同交叉操作:
其中,Pm为种群下一代变异概率,Pmmax为最大变异概率,Pmx为大于0 小于Pmmax的数,υ为影响因子。变异方式的公式如下:
式(12)表示选取种群第i个体的染色体向量在位置j处的基因值进行变异。式(12-13)中,amax为种群个体染色体向量基因值上界,amin为种群个体染色体向量基因值下界,r、r2为0到1之间的随机数,n为当前迭代次数,N为迭代总次数,aij表示种群第i个个体的染色体向量ai在位置j 处的基因值,f(g)表示基因值变异大小的一个约束函数。
步骤S208,利用神经网络导数特性辨识气动导数。
神经网络反向传播过程中,利用梯度下降法求解输出误差对权值和阈值的导数,同理可以利用该思路求解神经网络输出对输入的导数。
模型训练结束后,输入相应舵偏角、攻角和马赫数输出可以得到对应的气动系数,利用神经网络导数特性可以辨识出气动系数对输入的偏导数,即气动导数。
下面给出气动导数辨识推导过程,神经网络输出层向量z对输入层向量x的偏导数如下式:
其中
因此可以得到:
至此基于神经网络导数特性的气动导数辨识过程以全部完成。
本实施例中,利用改进的自适应遗传算法对神经网络的初始权值和阈值进行优化,有效的避免了神经网络初始权值和阈值随机选择使辨识结果陷入局部最优,提高了辨识精度。
并且,在本实施例中,利用神经网络的导数特性,在辨识模型的基础上可以进一步辨识出相应的气动导数。
此外,在本实施例中,还可以根据飞行状态实时辨识气动参数,无需插值,可直接带入导弹运动方程组中。插值是求解过有限个已知数据点的近似函数,是一种近似求解方法,对数据点的依赖性比较强(要想保证精度,需要足够多的插值点),因为受到插值点的约束所以它的求解范围比较小。神经网络具有很强的非线性映射能力和函数逼近能力,不仅能够很好的拟合数据点,而且具有很强的预测能力,具有更广泛的求解范围。
实施例3
根据本发明实施例,提供了另一种基于自适应遗传算法和神经网络的气动参数辨识方法,如图4所示,该方法包括:
步骤S401,数据预处理。
对所获取的飞行体的攻角、飞行马赫数、升降舵偏角、气动系数等数据进行归一化处理。
步骤S402,对神经网络模型的初始权值、阈值进行编码。
选用实数编码方式对所述神经网络模型的初始权值和阈值进行编码。
步骤S403,产生初始种群。
编码后,形成所述初始种群个体的染色体向量,确定所述初始种群,其中,所述初始种群包括多个个体,每个个体的染色体向量包括所述神经网络模型的全部的权值和阈值。将初始种群作为待优化种群。
步骤S404,计算适应度值。
计算所述待优化种群个体的适应度值,判断所述适应度值是否满足优化目标。
步骤S405,是否满足优化目标。
如果所述适应度值满足所述优化目标,跳出循环,执行步骤S408,否则执行步骤S406,对所述待优化种群进行选择、交叉变异处理产生新一代种群。
步骤S406,选择、交叉、变异。
用目标函数值作为种群个体的交叉值,计算个体被选中的概率。之后,抛弃传统的交叉概率为确定值的方法,运用函数关系对交叉概率进行自适应调整,增加每次迭代过程中平均适应度值表现差的种群在下次迭代中的交叉概率,减小平均适应度值表现好的种群在下次迭代中的交叉概率。为了保证前期全局搜索能力和后期收敛性,随着迭代次数的增加,逐渐减小总体的交叉概率。最后,为了进一步提高算法的全局搜索能力,对交叉后的种群个体染色体向量进行变异。
步骤S407,产生新一代种群。
在执行了选择、交叉、变异操作之后,产生了新一代种群,跳转回步骤S405。
步骤S408,获取最优初始权值、阈值。
步骤S409,训练神经网络模型。
利用获取的最优初始权值、阈值,来训练神经网络模型。
步骤S410,测试与应用。
训练好之后,将实时获取的攻角、飞行马赫数、升降舵偏角作为输入,输入到训练后的神经网络模型中,得到对应的气动系数。之后,利用神经网络导数特性辨识气动系数对相应舵偏、攻角等的气动导数。
实施例4
本发明实施例将自适应遗传算法和神经网络结合应用与气动参数辨识中,提出了一种自适应遗传算法-反向传播神经网络气动辨识模型,即神经网络模型,并利用该神经网络模型对启动参数进行辨识。
根据本发明实施例,提供了一种气动参数辨识及应用流程,如图5所示,该方法包括:
步骤S501,根据飞行状态获取实时攻角、舵偏角、马赫数。
步骤S502,将攻角、舵偏角、马赫数作为输入带入训练好的神经网络模型;
将历史获取的攻角、舵偏角、马赫数作为输入,将相应气动系数作为输出,训练出该神经网络模型,该模型可以辨识出所需用的气动系数。
将实时获取的攻角、舵偏角、马赫数作为输入带入训练好的神经网络模型。
步骤S503,通过神经网络模型计算得到相应气动系数;
将实时获取的攻角、舵偏角、马赫数作为输入带入训练好的神经网络模型之后,利用神经网络模型,可以计算出相应的气动系数。
步骤S504,应用神经网络导数特性辨识出相应气动导数;
在神经网络模型的基础上,根据神经网络的导数特性,可进一步获得相应的气动导数。
步骤S505,将需用的气动参数带入导弹运动方程组。
本实施例中,神经网络模型可根据实时飞行状态(攻角、舵偏、马赫数)辨识出相应的气动系数及气动导数,无需插值,可直接应用与导弹运动方程组中,实现气动参数辨识应用一体化。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如 ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
实施例5
为了验证算法实用性,选取一组飞行马赫数、舵偏角确定的数据作为测试集,以攻角作为变化量分别用神经网络、遗传算法-神经网络、自适应遗传算法-神经网三种算法模型对各项气动参数进行辨识,其中GA-BP神经网络算法的交叉概率设为0.3,变异概率设为0.05,其余各项参数均与 AGA-BP神经网络算法相同。以攻角作为横坐标,各项气动参数为变化量进行仿真验证。神经网络和自适应遗传算法的参数设计如下表格:
表1神经网络参数
表2自适应遗传算法参数
各项气动系数在三种算法下辨识曲线对比结果如图6所示。
三种算法仿真结果分别对应各项气动参数的均方误差如表3所示:
表3各项参数均方误差对比
以微小型制导弹药无控飞行进行弹道验证,用训练好的网络模型辨识出本申请涉及工程下弹道仿真所需气动参数。然后将气动参数代入六自由度弹道型,并与理论气动参数下插值计算下的弹道进行对比。仿真条件:导弹质量为m=1.5kg,导弹初速V=30m/s,导弹初始坐标[01.50]m,初始俯仰角设为θ=20°,初始偏航角设为ψ=-3°,0.2秒时增速发动机开始工作,0.6秒时增速发动机停止工作,发动机推力P=1000N。下面给出弹道仿真的速度对比曲线和在地面坐标系中飞行轨迹对比曲线如图8和图9 所示。
实施例6
根据本发明实施例,还提供了一种用于实施上述实施例的方法的基于自适应遗传算法和神经网络的气动参数辨识装置,如图10所示,该装置包括:
建立模块12,被配置为基于所获取的飞行体的攻角、飞行马赫数、升降舵偏角、气动系数建立神经网络模型;
优化模块13,被配置为利用自适应调整的遗传算法对所述神经网络模型的初始权值和阈值进行优化,并基于优化后的初始权值和阈值训练所述神经网络模型;
辨识模块14,被配置为利用优化训练后的所述神经网络模型来辨识所述飞行体的实时气动系数,并利用所述神经网络模型的导数特性来辨识所述飞行体的实时气动导数;其中,所述气动参数包括所述气动系数和所述气动导数。
可选地,本实施例中的具体示例可以参考上述实施例1至实施例5中所描述的示例,本实施例在此不再赘述。
实施例7
本发明的实施例还提供了一种存储介质。可选地,在本实施例中,上述存储介质可以被设置为存储用于执行实施例1至5中的方法的程序代码
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于自适应遗传算法和神经网络的气动参数辨识方法,其特征在于,包括:
基于所获取的飞行体的攻角、飞行马赫数、升降舵偏角、气动系数建立神经网络模型;
利用自适应调整的遗传算法对所述神经网络模型的初始权值和阈值进行优化,并基于优化后的初始权值和阈值训练所述神经网络模型;
利用优化训练后的所述神经网络模型来辨识所述飞行体的实时气动系数,并利用所述神经网络模型的导数特性来辨识所述飞行体的实时气动导数;
其中,所述气动参数包括所述气动系数和所述气动导数。
2.根据权利要求1所述的方法,其特征在于,基于所获取的飞行体的攻角、飞行马赫数、升降舵偏角、气动系数建立神经网络模型包括:
基于所述攻角、所述飞行马赫数、所述升降舵偏角、所述气动系数建立非线性辨识模型;
利用神经网络来拟合所述非线性辨识模型,以建立所述神经网络模型。
3.根据权利要求2所述的方法,其特征在于,利用神经网络来拟合所述非线性辨识模型,以建立所述神经网络模型包括:
将所述攻角、所述飞行马赫数、所述升降舵偏角作为所述神经网络的输入层的三个神经元;
将所述气动系数作为所述神经网络的输出层的神经元,其中,所述气动系数包括飞行体的阻力系数、升力系数、俯仰力矩系数和所述飞行体的压心较质心相对位置系数;
基于所述神经网络的所述输入层和所述输出层的神经元的设置,来训练所述神经网络模型,使得所述神经网络模型拟合所述非线性辨识模型,以建立所述神经网络模型。
4.根据权利要求1所述的方法,其特征在于,利用自适应调整的遗传算法对所述神经网络模型的初始权值和阈值进行优化包括:
对所述神经网络模型的初始权值和阈值进行编码,产生初始种群,将所述初始种群作为当前待优化种群;
循环执行以下步骤,直到迭代次数达到预设的迭代总次数:
计算所述待优化种群个体的适应度值,判断所述适应度值是否满足优化目标;
如果所述适应度值满足所述优化目标,获取优化的所述神经网络模型的初始权值和阈值,并跳出循环,否则对所述待优化种群进行选择、交叉变异处理产生新-代种群,并将所述新一代种群作为所述待优化种群,并将所述迭代次数加1。
5.根据权利要求4所述的方法,其特征在于,对所述神经网络模型的初始权值和阈值进行编码,产生初始种群包括:选用实数编码方式对所述神经网络模型的初始权值和阈值进行编码,形成所述初始种群个体的染色体向量,确定所述初始种群,其中,所述初始种群包括多个个体,每个个体的染色体向量包括所述神经网络模型的全部的权值和阈值。
6.根据权利要求4所述的方法,其特征在于,对所述待优化种群进行选择、交叉变异处理产生新-代种群包括:
根据所述待优化种群个体的适应度值确定所述种群个体被选中的概率,从所述待优化种群中选择目标个体;
对交叉概率进行自适应调整,并利用自适应调整后的所述交叉概率对所述目标个体的染色体向量进行交叉操作;
对变异概率进行自适应调整,并利用自适应调整后的所述变异概率对交叉操作后的所述待优化种群个体的染色体向量进行变异操作,产生新一代种群。
7.根据权利要求6所述的方法,其特征在于,
对交叉概率进行自适应调整包括:增加每次迭代过程中平均适应度值表现差的种群在下次迭代中的交叉概率,减小平均适应度值表现好的种群在下次迭代中的交叉概率,并随着迭代次数的增加,逐渐减小总体的交叉概率;和/或
对变异概率进行自适应调整包括:增加每次迭代过程中平均适应度值表现差的种群在下次迭代中的变异概率,减小平均适应度值表现好的种群在下次迭代中的变异概率,并随着迭代次数的增加,逐渐减小总体的变异概率。
8.根据权利要求6所述的方法,其特征在于,
对交叉概率进行自适应调整包括:基于最大交叉概率、当前迭代次数、迭代总次数、当前迭代中适应度值最小的种群个体的适应度值、当前迭代中种群平均适应度值来自适应调整所述交叉概率;和/或
对变异概率进行自适应调整包括:基于最大变异概率、当前迭代次数、迭代总次数、当前迭代中适应度值最小的种群个体的适应度值、当前迭代中种群平均适应度值来自适应调整所述变异概率。
9.一种基于自适应遗传算法和神经网络的气动参数辨识装置,其特征在于,包括:
建立模块,被配置为基于所获取的飞行体的攻角、飞行马赫数、升降舵偏角、气动系数建立神经网络模型;
优化模块,被配置为利用自适应调整的遗传算法对所述神经网络模型的初始权值和阈值进行优化,并基于优化后的初始权值和阈值训练所述神经网络模型;
辨识模块,被配置为利用优化训练后的所述神经网络模型来辨识所述飞行体的实时气动系数,并利用所述神经网络模型的导数特性来辨识所述飞行体的实时气动导数;
其中,所述气动参数包括所述气动系数和所述气动导数。
10.一种计算机可读存储介质,其上存储有程序,其特征在于,所述程序被执行时,使得计算机执行如权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111205150.2A CN114021308A (zh) | 2021-10-15 | 2021-10-15 | 基于自适应遗传算法和神经网络的气动参数辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111205150.2A CN114021308A (zh) | 2021-10-15 | 2021-10-15 | 基于自适应遗传算法和神经网络的气动参数辨识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114021308A true CN114021308A (zh) | 2022-02-08 |
Family
ID=80056298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111205150.2A Pending CN114021308A (zh) | 2021-10-15 | 2021-10-15 | 基于自适应遗传算法和神经网络的气动参数辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114021308A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115808284A (zh) * | 2023-02-09 | 2023-03-17 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 基于神经网络参数调度的风洞多工况建模方法 |
-
2021
- 2021-10-15 CN CN202111205150.2A patent/CN114021308A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115808284A (zh) * | 2023-02-09 | 2023-03-17 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 基于神经网络参数调度的风洞多工况建模方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108549233B (zh) | 一种带有直觉模糊信息的无人机空战机动博弈方法 | |
Raitoharju et al. | Training radial basis function neural networks for classification via class-specific clustering | |
CN107633105B (zh) | 一种基于改进混合蛙跳算法的四旋翼无人机参数辨识方法 | |
CN110516318B (zh) | 基于径向基函数神经网络代理模型的翼型设计方法 | |
CN105608295B (zh) | 焦化炉压力的多目标遗传算法与rbf神经网络优化建模方法 | |
CN112231839B (zh) | 针对高耗时约束的飞行器追峰采样智能探索方法 | |
CN113553755B (zh) | 电力系统状态估计方法、装置及设备 | |
Meng et al. | UAV route planning based on the genetic simulated annealing algorithm | |
CN111308896A (zh) | 基于可变误差的非线性系统自适应最优控制方法 | |
CN113885320A (zh) | 一种基于混合量子鸽群优化的飞行器随机鲁棒控制方法 | |
CN111880412A (zh) | 基于单评判网络的可重构机器人零和神经最优控制方法 | |
CN114021308A (zh) | 基于自适应遗传算法和神经网络的气动参数辨识方法 | |
CN116225066A (zh) | 一种基于混沌映射鹈鹕优化算法的无人机路径优化方法 | |
CN115329594B (zh) | 一种大规模导弹集群攻防对抗仿真加速方法及系统 | |
WO2016054148A1 (en) | System and method for controller adaptation | |
CN109884887A (zh) | 一种基于自校正小波神经网络的连续回转马达控制方法 | |
CN111047002B (zh) | 一种基于bp神经网络的校直行程预测方法 | |
CN113341696A (zh) | 一种运载火箭姿态控制参数智能整定方法 | |
CN105976029A (zh) | 一种布谷鸟行为rna-ga的桥式吊车神经网络建模方法 | |
CN110779526B (zh) | 一种路径规划方法、装置及存储介质 | |
CN109116300A (zh) | 一种基于非充分指纹信息的极限学习定位方法 | |
CN114462149B (zh) | 一种基于预训练与增量学习的飞行器气动参数辨识方法 | |
CN115289917B (zh) | 基于深度学习的火箭子级着陆实时最优制导方法及系统 | |
CN115796021A (zh) | 一种基于神经网络的变体飞行器自适应pid控制参数整定方法 | |
CN112906308B (zh) | 一种天线罩辐射特性快速预示方法、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |