CN114357878A - 一种水陆两栖飞机典型截面的着水面载荷预测方法 - Google Patents
一种水陆两栖飞机典型截面的着水面载荷预测方法 Download PDFInfo
- Publication number
- CN114357878A CN114357878A CN202111658286.9A CN202111658286A CN114357878A CN 114357878 A CN114357878 A CN 114357878A CN 202111658286 A CN202111658286 A CN 202111658286A CN 114357878 A CN114357878 A CN 114357878A
- Authority
- CN
- China
- Prior art keywords
- section
- load
- water
- amphibious aircraft
- predicting
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种水陆两栖飞机典型截面的着水面载荷预测方法,典型着水截面设置为二元楔形体截面,预测方法包括:步骤1,采集水陆两栖飞机着水表面中预设数量离散位置点的着水载荷;步骤2,对步骤1所采集的数据进行平滑处理,并从处理后的到的数据中选取训练样本和测试样本;其中,所述测试样本中包括训练样本;步骤3,采用基于机器学习方式,对二元楔形体截面采用现有训练样本进行模型训练构建出载荷预测模型,用于预测出二元楔形体截面的所有表面点的压力变化趋势。本发明实施例提供的技术方案解决了现有着水面载荷的预测方法,难以对复杂剖面构型及三维问题实现着水面载荷预测的问题。
Description
技术领域
本申请涉及但不限于着水载荷预测方法技术领域,尤指一种水陆两栖飞机典型截面的着水面载荷预测方法。
背景技术
目前,现有的专门用于水陆两栖飞机着水面载荷的预测方法只有Wagner二维入水冲击理论。
上述现有着水面载荷的预测该方法只适用于简单的水陆两栖飞机典型截面垂直入水的载荷预测,对于复杂剖面构型及三维问题尚没有成熟的着水面载荷预测技术。
发明内容
本发明的目的:为了解决上述技术问题,本发明实施例提供了一种水陆两栖飞机典型截面的着水面载荷预测方法,以解决现有着水面载荷的预测方法,难以对复杂剖面构型及三维问题实现着水面载荷预测的问题。
本发明的技术方案:本发明实施例提供一种水陆两栖飞机典型截面的着水面载荷预测方法,所述水陆两栖飞机的典型着水截面设置为二元楔形体截面,所述着水面载荷预测方法包括:
步骤1,采集水陆两栖飞机着水表面中预设数量离散位置点的着水载荷;
步骤2,对步骤1所采集的数据进行平滑处理,并从处理后的到的数据中选取训练样本和测试样本;其中,所述测试样本中包括训练样本;
步骤3,采用基于机器学习方式,对二元楔形体截面采用现有训练样本进行模型训练构建出载荷预测模型,用于预测出二元楔形体截面的所有表面点的压力变化趋势。
可选地,如上所述的水陆两栖飞机典型截面的着水面载荷预测方法中,所述步骤3包括:
使用高斯过程建立着水载荷预测模型;结合多层感知的神经网络模型,完成对着水载荷预测模型进行微调,进而获得水陆两栖飞机典型截面表面任意点处的压力时序变化规律数据,以对整个水陆两栖飞机典型截面入水时表面压力变化趋势的补全。
可选地,如上所述的水陆两栖飞机典型截面的着水面载荷预测方法中,还包括:
步骤A,水陆两栖飞机典型截面的物理模型进行参数化,所述参数化的结果包括:
水陆两栖飞机典型截面中各点位置的横向坐标为:
Xi=c0+(i-1)*c1;
水陆两栖飞机典型截面表面任意点坐标(Xi,Yi)可以通过斜升角来表征,即Y=tanα*X,
其中,斜升角为二元楔形体截面与水平轴的夹角。
可选地,如上所述的水陆两栖飞机典型截面的着水面载荷预测方法中,所述步骤1包括:
利用模型试验或数值仿真得到不同工况下有限点处的着水压力载荷时间序列数据,采样频率不低于2500赫兹。
可选地,如上所述的水陆两栖飞机典型截面的着水面载荷预测方法中,所述步骤3包括:
步骤31,特征参数提取和选择;建立斜升角、入水速度、测量点横轴坐标以及时间与压力值之间的非线性映射关系,将斜升角、入水速度、测量点横轴坐标、时间等落水参数作为输入参数,将压力参数作为输出参数;
步骤32,将原始问题划分为两个回归拟合子问题;
步骤33,建立高斯过程的弱回归模型,并采用训练样本对建立的高斯过程的弱回归模型进行训练,得到斜升角、入水速度、横向坐标、时间与压力的对应关系,进而得到载荷预测模型;
步骤34,基于机器学习框架采用多层感知(MLP)神经网络对载荷预测模型进行微调。
可选地,如上所述的水陆两栖飞机典型截面的着水面载荷预测方法中,所述步骤32中所划分为两个回归拟合子问题包括:
子问题1、固定斜升角时入水速度、横轴坐标、时间与压力值的回归拟合问题;
子问题1、固定入水速度时斜升角、横轴坐标、时间与压力值的回归拟合问题。
可选地,如上所述的水陆两栖飞机典型截面的着水面载荷预测方法中,所述步骤34包括:
将基于高斯过程的载荷预测模型作为弱分类器,训练出强分类器,并采用多层感知(MLP)神经网络将强分类器作为输入,对载荷预测模型进行微调最终形成基于机器学习的着水载荷预测模型。
可选地,如上所述的水陆两栖飞机典型截面的着水面载荷预测方法中,所述步骤34中,基于机器学习的着水载荷预测模型的构建过程,包括:
建立3个均为高斯回归模型的非线性弱学习器、3层神经网络模型,基于迭代算分别对训练样本进行学习;学习过程中,首先确定弱学习器参数,再根据基学习器预测每个基学习器的结果,将基学习器预测结果再作为输入,利用神经网络共享权值。
本发明的有益效果:本发明实施例提供的水陆两栖飞机典型截面的着水面载荷预测方法,可以准确预测出飞机典型截面的着水面各点位的着水载荷,为飞机结构强度设计提供更准确的载荷输入,着水载荷是瞬态载荷,存在峰值高、脉宽短的特点,随空间位置和时间变化,预测难度高,理论方法无法满足工程应用,试验只能测得局部点的载荷,仿真预测的面上压力精度不足,面载荷的预测是目前限制高性能水陆两栖飞机发展的重要因素之一。具体具有以下有益效果:
第一,提出了一种基于机器学习的水陆两栖飞机着水面载荷预测方法;
第二,将高斯过程和神经网络两种弱分类器串联起来,实现高精度的载荷预测;
第三,本发明提供的技术方案适用于建立高度非线性着水冲击面载荷预测模型,不需要建立复杂的组合核函数;
第四,传统的机器学习中,核函数的选取是个难点,需要做大量的工作,基于串联的机器学习方式避免了选取核函数的复杂过程;
第五,本发明提供的技术方案的实施方式实用、可行、易实现,预测结果可靠。
附图说明
附图用来提供对本发明技术方案的进一步理解,并且构成说明书的一部分,与本申请的实施例一起用于解释本发明的技术方案,并不构成对本发明技术方案的限制。
图1为本发明实施例提供的一种水陆两栖飞机典型截面的着水面载荷预测方法的流程图;
图2为一种水陆两栖飞机典型截面的示意图;
图3为本发明实施例中着水载荷原始试验数据的示意图;
图4为本发明实施例中原始问题转化成两个子问题原理示意图;
图5为本发明实施例中基于机器学习的着水载荷预测模型的构建过程示意图;
图6为神经网络的结构形式图;
图7为采用本发明实施例提供的着水面载荷预测方法的到的着水载荷预测值与真实值对比图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下文中将结合附图对本发明的实施例进行详细说明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
上述背景技术中已经说明,现有着水面载荷的预测该方法只适用于简单的水陆两栖飞机典型截面垂直入水的载荷预测,对于复杂剖面构型及三维问题尚没有成熟的着水面载荷预测技术。
针对上述现有着水面载荷的预测方法所存在的问题,本发明实施例提供了一种水陆两栖飞机典型截面的着水面载荷预测方法,采用该方法可以准确预测出飞机典型截面的着水面各点位的着水载荷,为飞机结构强度设计提供更准确的载荷输入,着水载荷是瞬态载荷,存在峰值高、脉宽短的特点,随空间位置和时间变化,预测难度高,理论方法无法满足工程应用,试验只能测得局部点的载荷,仿真预测的面上压力精度不足,面载荷的预测是目前限制高性能水陆两栖飞机发展的重要因素之一。
本发明提供以下几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
本发明实施例提供的着水面载荷预测方法的技术方案,主要包括如下实施方案:
步骤1,利用所采集的一定数量离散位置处水陆两栖飞机船体着水载荷;
步骤2,分析数据规律并对步骤1所采集的数据进行平滑处理,并从处理后的到的数据中选取训练样本和测试样本;其中,测试样本中包括训练样本;
步骤3,基于机器学习框架设计了逐步理解着水表面流场物理规律的机器模型,对二元楔形体截面采用现有训练样本进行模型训练构建出载荷预测模型,用于预测出二元楔形体截面的所有表面点的压力变化趋势。
该步骤3中,对载荷预测模型的建模方式为:首先使用高斯过程(GaussianProcess,GP)建立着水载荷预测模型,然后结合多层感知(Multilayer Perceptron,MLP)的神经网络模型,完成对载荷预测模型的微调,进而获得水陆两栖飞机典型截面表面任意点处的压力时序变化规律数据,实现对整个水陆两栖飞机典型截面入水时表面压力变化趋势的补全。
本发明实施例提供的水陆两栖飞机典型截面的着水面载荷预测方法,具体为基于机器学习的水陆两栖飞机典型截面着水面载荷预测模型的构建和测试技术,可用于水陆两栖飞机、地效翼飞机、跨介质飞行器、陆基飞机水上迫降等模型着水面载荷的预测。
图1为本发明实施例提供的一种水陆两栖飞机典型截面的着水面载荷预测方法的流程图。该着水面载荷预测方法的具体实施方式包括如下步骤:
(一)物理模型的参数化:
图2为一种水陆两栖飞机典型截面的示意图,定义坐标系XOY,X轴水平向右为正,Y轴垂直向上为正,水陆两栖飞机典型截面表面点位置坐标是根据该点沿水陆两栖飞机典型截面底部斜边与顶点的距离来推算获得。在具体实施中,将水陆两栖飞机典型截面底部顶点设置为坐标原点,沿水陆两栖飞机典型截面表面向右依次设置压力测量点,第一个压力测量点与顶点的距离为c0,其余各点间距为c1,则第i个点的位置横向坐标计算公式为:
Xi=c0+(i-1)*c1 (1)
水陆两栖飞机典型截面表面任意点坐标(Xi,Yi)可以通过斜升角来表征,即Y=tanα*X,其中斜升角定义为楔形面与水平轴的夹角。
(二)采集数据:
采集数据采用单一参数变化的原则,设计模拟工况,变化的参数为入水速度、船体构型(二元楔形体截面的斜升角),利用模型试验或数值仿真得到不同工况下有限点处的着水压力载荷时间序列数据,采样频率不低于2500赫兹,如图3所示,为本发明实施例中着水载荷原始试验数据的示意图。
(三)数据处理:
所采集的数据受噪声干扰,会存在小幅波动,采用平滑方法对着水载荷数据进行处理,例如去除个别点,从处理后的数据中选取训练样本和测试样本,形成着水载荷样本数据集。
(四)基于机器学习构建载荷预测模型:
(1)特征参数提取和选择
着水面载荷预测模型的输入参数即为影响试验结果的关键试验条件。因此,输入参数非常重要,输入参数过少无法完整表示载荷预测模型,参数过多可能产生过约束现象;输入参数选择不当会在很大程度上影响模型的精度和准确性。
对于水陆两栖飞机典型截面入水冲击试验,由于水陆两栖飞机典型截面入水是一个时序过程,而目标是得到水陆两栖飞机典型截面表面任意点的压力变化情况,因此建立斜升角、入水速度、测量点横轴坐标以及时间与压力值之间的非线性映射关系,将斜升角、入水速度、测量点横轴坐标、时间等落水参数作为输入参数,将压力参数作为输出参数。
(2)原始问题划分
根据样本数据集的组成将原始问题划分为两个子问题:1、固定斜升角时入水速度、横轴坐标、时间与压力值的回归拟合子问题;2、固定入水速度时斜升角、横轴坐标、时间与压力值的回归拟合子问题。如图4所示,为本发明实施例中原始问题转化成两个子问题原理示意图。
(3)建立高斯过程的弱回归模型
针对上述划分得到的单个子问题,首先利用高斯过程模型适用于处理高维度、小样本和非线性等复杂问题的特点,将单个水陆两栖飞机典型截面冲击入水的落水状态和对应的压力时序数据作为试验样本进行规律学习,捕捉到水陆两栖飞机典型截面入水时表面点压力值的时序变化规律。
建立高斯过程的弱回归模型,选取高斯核函数作为协方差函数,根据超参数的极大似然估计,采用梯度下降法计算得到超参数,将超参数带入带高斯核函数,得到核函数的值。利用训练样本对建立的高斯过程的弱回归模型进行训练,得到斜升角、入水速度、横向坐标、时间与压力的对应关系,进而得到载荷预测模型。
上述建立高斯过程的弱回归模型的过程为:
假设训练样本集合D={(xi,yi)|i=1,2,......,n}服从高斯随机过程:
yi=f(xi)+εi; (2)
其中,xi为第i个样本点输入向量;yi是一个输出标量用来表示第i个样本响应值;n表示训练样本数据个数;f(xi)为xi的分布函数;εi为高斯噪声,是均值函数为0的服从独立同分布的高斯过程,即是高斯分布的方差,表示在全局模型上创建一个均值为零,但方差不为零的局部偏差。
将f(xi)记为f,由高斯过程性质可知:
其中:cov(f,f)为n×n阶对称正定协方差矩阵,表示协方差函数,记为K(X,X);X表示训练样本数据中所有的落水状态输入向量组成的特征矩阵,X=[x1,x2……xn]T;y表示训练样本数据中所有的压力响应值组成的列向量,y=[y1,y2,......,yn]T;I为n阶单位矩阵。
得到基于预测模型的着水压力响应预测公式为:
其中,x*表示测试样本数据中的一个落水状态输入向量;f*表示对应的压力预测值;K(x*,X)=K(x*,X)T为测试样本与训练集之间的1×n阶的协方差矩阵;K(x*,x*)为测试样本之间的协方差矩阵。
根据式(4),并且通过一定的矩阵运算,可以得到预测值f*的条件概率分布为:
其中,
cov(f*)=K(x*,x*)-K(x*,X)×[K(X,X)+I]-1K(X,x*); (7)
最终,将式(6)作为测试样本的预测值,式(7)表示预测的方差,用来衡量该预测的不确定性。
高斯核函数如下:
式中xp、xq为输入,σf和λ统称为核函数的超参数,记作θ,决定了核函数的值。当输入量X和输出量y给定后,根据贝叶斯定理可以得到:
超参数的极大似然函数p(y|X,θ)的表达形式如下:
在设置好超参数初始值后,可以采用共轭梯度下降法、牛顿法等优化方法对超参数进行迭代以获得超参数的最优解,将目标函数对各参数进行求导,不断迭代使得函数梯度值逐渐下降至收敛,最终求解得到收敛后的超参数并代入公式(6)和(7),从而建立高斯过程的弱回归模型。
(4)基于机器学习框架采用MLP神经网络对载荷预测模型进行微调;
将基于高斯过程的载荷预测模型作为弱分类器,采用bagging的方法,训练出强分类器,最后采用多层感知(MLP)神经网络将强分类器作为输入,对载荷预测模型进行微调最终组成训练模型,提高载荷预测模型非线性问题的处理能力和精度。
如图5所示,为本发明实施例中基于机器学习的着水载荷预测模型的构建过程示意图。具体建模过程如下:
建立3个均为高斯回归模型的非线性弱学习器、3层神经网络模型,基于迭代算分别对训练样本进行学习,首先确定弱学习器参数,再根据基学习器预测每个基学习器的结果。将基学习器预测结果再作为输入,利用神经网络共享权值。
收集试验过程产生的数据,组建训练样本,基于训练样本落水状态数据X=[x1,x2……xn]T,着水压力响应数据y=[y1,y2,......,yn]T,采用bagging算法重复采样训练样本数据m次,构成新的训练样本集Xm=[x1,x2,…xm]T,每次去3个样本,即xi=[xi1,xi2,xi3]T(i=1,2,3…,m),采用基学习器对新的训练集进行训练,得到3个子模型。计算协方差函数参数θ=[λ,σf,σn],确定协方差函数R(X,x*),基模型训练完成后,利用测试数据对比预测结果与测试数据的平均绝对百分比误差(MAPE)指标,再更新参数以减少误差值至小于1×10-6。
如图6所示,为神经网络的结构形式图,该神经网络包括输入层,隐层,输出层,从图6中可以看出,网络输入层的节点个数为n=3个,隐层节点个数分别为H1=3和H2=3,输出层节点个数为1个。
网络输出为:
神经网络参数设置:隐藏层激活函数选择修正线性单元函数(Rectified LinearUnit,ReLU),ReLU(x)=max(0,x);训练误差均方误差为0.001;全局初始率延迟率ρ=0.88,学习率0.0001。将xi1,xi2,xi3作为输入,初始化权重wij (1)=wij (2)=wij (3)=0.1。融合高斯回归模型得到神经网络的输入。
除输入节点外,隐藏层节点和输出节点包含激活函数,通常全连接神经网络用于函数逼近时,f1,f2为非线性函数,f3为线性函数。
f1(x)=f2(x)=ReLU(x) (14)
f3(x)=x (15)
多层感知器(Multilayer Perceptron,MLP)是最典型的人工神经网络模型,本发明实施例使用MLP和ReLU激活函数在高斯过程模型输出的时序依赖规律上,结合水陆两栖飞机典型截面表面点坐标信息和时间信息,对原始问题中的高度非线性映射关系进一步拟合,获得最终的压力变化曲线。
本发明实施例提供的水陆两栖飞机典型截面的着水面载荷预测方法,具体具有以下有益效果:
第一,提出了一种基于机器学习的水陆两栖飞机着水面载荷预测方法;
第二,将高斯过程和神经网络两种弱分类器串联起来,实现高精度的载荷预测;
第三,本发明提供的技术方案适用于建立高度非线性着水冲击面载荷预测模型,不需要建立复杂的组合核函数;
第四,传统的机器学习中,核函数的选取是个难点,需要做大量的工作,基于串联的机器学习方式避免了选取核函数的复杂过程;
第五,本发明提供的技术方案的实施方式实用、可行、易实现,预测结果可靠。
另外,本发明实施例提供的基于机器学习的水陆两栖飞机典型截面着水面载荷预测方法,已经应用于XXX飞行器水面载荷预计与验证技术研究中,证明了其方法的有效性。
如图7所示,为采用本发明实施例提供的着水面载荷预测方法的到的着水载荷预测值与真实值对比图。
虽然本发明所揭露的实施方式如上,但所述的内容仅为便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属领域内的技术人员,在不脱离本发明所揭露的精神和范围的前提下,可以在实施的形式及细节上进行任何的修改与变化,但本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (8)
1.一种水陆两栖飞机典型截面的着水面载荷预测方法,其特征在于,所述水陆两栖飞机的典型着水截面设置为二元楔形体截面,所述着水面载荷预测方法包括:
步骤1,采集水陆两栖飞机着水表面中预设数量离散位置点的着水载荷;
步骤2,对步骤1所采集的数据进行平滑处理,并从处理后的到的数据中选取训练样本和测试样本;其中,所述测试样本中包括训练样本;
步骤3,采用基于机器学习方式,对二元楔形体截面采用现有训练样本进行模型训练构建出载荷预测模型,用于预测出二元楔形体截面的所有表面点的压力变化趋势。
2.根据权利要求1所述的水陆两栖飞机典型截面的着水面载荷预测方法,其特征在于,所述步骤3包括:
使用高斯过程建立着水载荷预测模型;结合多层感知的神经网络模型,完成对着水载荷预测模型进行微调,进而获得水陆两栖飞机典型截面表面任意点处的压力时序变化规律数据,以对整个水陆两栖飞机典型截面入水时表面压力变化趋势的补全。
3.根据权利要求2所述的水陆两栖飞机典型截面的着水面载荷预测方法,其特征在于,还包括:
步骤A,水陆两栖飞机典型截面的物理模型进行参数化,所述参数化的结果包括:
水陆两栖飞机典型截面中各点位置的横向坐标为:
Xi=c0+(i-1)*c1;
水陆两栖飞机典型截面表面任意点坐标(Xi,Yi)可以通过斜升角来表征,即Y=tanα*X,
其中,斜升角为二元楔形体截面与水平轴的夹角。
4.根据权利要求3所述的水陆两栖飞机典型截面的着水面载荷预测方法,其特征在于,所述步骤1包括:
利用模型试验或数值仿真得到不同工况下有限点处的着水压力载荷时间序列数据,采样频率不低于2500赫兹。
5.根据权利要求4所述的水陆两栖飞机典型截面的着水面载荷预测方法,其特征在于,所述步骤3包括:
步骤31,特征参数提取和选择;建立斜升角、入水速度、测量点横轴坐标以及时间与压力值之间的非线性映射关系,将斜升角、入水速度、测量点横轴坐标、时间等落水参数作为输入参数,将压力参数作为输出参数;
步骤32,将原始问题划分为两个回归拟合子问题;
步骤33,建立高斯过程的弱回归模型,并采用训练样本对建立的高斯过程的弱回归模型进行训练,得到斜升角、入水速度、横向坐标、时间与压力的对应关系,进而得到载荷预测模型;
步骤34,基于机器学习框架采用多层感知(MLP)神经网络对载荷预测模型进行微调。
6.根据权利要求5所述的水陆两栖飞机典型截面的着水面载荷预测方法,其特征在于,所述步骤32中所划分为两个回归拟合子问题包括:
子问题1、固定斜升角时入水速度、横轴坐标、时间与压力值的回归拟合问题;
子问题1、固定入水速度时斜升角、横轴坐标、时间与压力值的回归拟合问题。
7.根据权利要求6所述的水陆两栖飞机典型截面的着水面载荷预测方法,其特征在于,所述步骤34包括:
将基于高斯过程的载荷预测模型作为弱分类器,训练出强分类器,并采用多层感知(MLP)神经网络将强分类器作为输入,对载荷预测模型进行微调最终形成基于机器学习的着水载荷预测模型。
8.根据权利要求7所述的水陆两栖飞机典型截面的,其特征在于,所述步骤34中,基于机器学习的着水载荷预测模型的构建过程,包括:
建立3个均为高斯回归模型的非线性弱学习器、3层神经网络模型,基于迭代算分别对训练样本进行学习;学习过程中,首先确定弱学习器参数,再根据基学习器预测每个基学习器的结果,将基学习器预测结果再作为输入,利用神经网络共享权值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111658286.9A CN114357878A (zh) | 2021-12-30 | 2021-12-30 | 一种水陆两栖飞机典型截面的着水面载荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111658286.9A CN114357878A (zh) | 2021-12-30 | 2021-12-30 | 一种水陆两栖飞机典型截面的着水面载荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114357878A true CN114357878A (zh) | 2022-04-15 |
Family
ID=81106168
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111658286.9A Pending CN114357878A (zh) | 2021-12-30 | 2021-12-30 | 一种水陆两栖飞机典型截面的着水面载荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114357878A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116383975A (zh) * | 2023-06-06 | 2023-07-04 | 西北工业大学 | 一种基于试飞数据的起落架载荷预测方法 |
-
2021
- 2021-12-30 CN CN202111658286.9A patent/CN114357878A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116383975A (zh) * | 2023-06-06 | 2023-07-04 | 西北工业大学 | 一种基于试飞数据的起落架载荷预测方法 |
CN116383975B (zh) * | 2023-06-06 | 2023-08-15 | 西北工业大学 | 一种基于试飞数据的起落架载荷预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109508488B (zh) | 基于遗传算法优化bp神经网络的喷丸成形工艺参数预测方法 | |
CN109002686B (zh) | 一种自动生成样本的多牌号化工过程软测量建模方法 | |
CN107194433B (zh) | 一种基于深度自编码网络的雷达一维距离像目标识别方法 | |
CN109559338B (zh) | 一种基于加权主成分分析法及m估计的三维点云配准方法 | |
CN105975573A (zh) | 一种基于knn的文本分类方法 | |
CN109118013A (zh) | 一种基于神经网络的经营数据预测方法、可读存储介质和预测系统 | |
CN105259331A (zh) | 一种节理岩体单轴强度预测方法 | |
CN109726517A (zh) | 一种基于多变量关联数据的设备剩余寿命预测方法 | |
CN114861519B (zh) | 复杂地质条件下初始地应力场加速优化反演方法 | |
CN110738271A (zh) | 一种锌浮选过程精矿品位预测方法 | |
CN108062566A (zh) | 一种基于多核潜在特征提取的智能集成软测量方法 | |
CN114722731B (zh) | 一种拖体粘滞拖曳阻力预测方法及系统 | |
CN114330067A (zh) | 一种软基水闸有限元模型修正方法 | |
CN114357878A (zh) | 一种水陆两栖飞机典型截面的着水面载荷预测方法 | |
Göktepe et al. | Comparison of multilayer perceptron and adaptive neuro-fuzzy system on backcalculating the mechanical properties of flexible pavements | |
CN112614021A (zh) | 一种基于已建隧道信息智能识别的隧道围岩地质信息预测方法 | |
CN104634265A (zh) | 一种基于多元图像特征融合的矿物浮选泡沫层厚度软测量方法 | |
Durasov et al. | Debosh: Deep bayesian shape optimization | |
Regazzoni et al. | A physics-informed multi-fidelity approach for the estimation of differential equations parameters in low-data or large-noise regimes | |
CN109540089B (zh) | 一种基于贝叶斯-克里金模型的桥面高程拟合方法 | |
CN108984864A (zh) | 基于高斯过程方差估计的高维复杂飞行器模型表征方法 | |
CN109493921A (zh) | 一种基于多代理模型的常压精馏过程建模方法 | |
CN111582634B (zh) | 一种地下大空间施工多因素安全分级方法及系统 | |
CN115206455B (zh) | 基于深度神经网络的稀土元素组分含量预测方法及系统 | |
Guo et al. | Data mining and application of ship impact spectrum acceleration based on PNN neural network |
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 |