基于﹢GA-ELM﹢的飞行载荷参数识别

基于﹢GA-ELM﹢的飞行载荷参数识别

ID:46620461

大小:641.12 KB

页数:5页

时间:2019-11-26

基于﹢GA-ELM﹢的飞行载荷参数识别_第1页
基于﹢GA-ELM﹢的飞行载荷参数识别_第2页
基于﹢GA-ELM﹢的飞行载荷参数识别_第3页
基于﹢GA-ELM﹢的飞行载荷参数识别_第4页
基于﹢GA-ELM﹢的飞行载荷参数识别_第5页
资源描述:

《基于﹢GA-ELM﹢的飞行载荷参数识别》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库

1、第5卷第4期航空工程进展Vol畅5No畅42014年11月ADVANCESINAERONAUTICALSCIENCEANDENGINEERINGNov.2014文章编号:1674‐8190(2014)04‐497‐05基于GA‐ELM的飞行载荷参数识别张夏阳,黄其青,殷之平,曹善成,刘飞(西北工业大学航空学院,西安710072)摘要:针对用复杂飞行数据识别飞行载荷时的精度低、速度慢等问题,提出一种结合遗传算法(GA)和极限学习机(ELM)的GA‐ELM模型。该模型使用ELM神经网络作为计算核心,用遗传算法产生ELM网络输入层到隐含层的权值矩阵和隐含层偏移量;用

2、GA‐ELM模型对飞行数据进行识别,并与BP神经网络和原始ELM神经网络的识别结果进行对比。结果表明:GA‐ELM模型是一种有效且高精度的飞行载荷参数识别方法。关键词:飞行载荷;飞行参数;遗传算法;极限学习机;GA‐ELM模型中图分类号:TP183文献标识码:AEstablishingaParametricFlightLoadsIdentificationMethodwithGA‐ELMModelZhangXiayang,HuangQiqing,YinZhiping,CaoShancheng,LiuFei(SchoolofAeronautics,Northwe

3、sternPolytechnicalUniversity,Xi’an710072,China)Abstract:Aparametricflightloadsidentificationmethodsuitableforcomplexflightdataispresented,whichcombinesgeneticalgorithm(GA)andextremelearningmachine(ELM).ThemodelisbasedonELMmethod,andGAisusedtodevelopbiasweightandweightmatrixbetweenin

4、putandhiddenlayerinELMnetwork.Intheend,GA‐ELMmodelisusedtoidentifyflyingloadbasedonrealflyingdata.TheidentifyresultiscomparedwiththatofBPnetworkandoriginalELMmethod,andGA‐ELMmodelisprovedtobevalidated,accuracyandfeasible.Keywords:flightloads;flightparameters;geneticalgorithm;extreme

5、learningmachine;GA‐ELMmodel[2]的飞参-载荷识别问题。但是,在对包含多个机0引言动动作的完整起落过程进行飞参-载荷识别时发现,传统的BP神经网络出现了精度下降、训练缓飞行载荷是编制飞机载荷谱、确定飞机剩余寿慢、参数调整困难等一系列问题,亟需一种适用于命、分析飞机结构的可靠性等工作中不可或缺的重这类复杂识别问题的新模型。要数据,飞行载荷数据的准确性将直接影响人们能本文提出一种结合遗传算法(GA)和极限学习否对飞机健康状态做出正确的评价。因此,如何获机(ELM)的GA‐ELM模型,分别利用该模型、原得高精度的飞行载荷数据一直是国内外研究

6、的重始ELM模型和优化的BP神经网络模型对所建立点。目前确定飞行载荷的方法主要有参数解析法、[1]的飞行载荷参数识别模型进行识别,并对比三者的直接测量法和参数识别法等。其中基于神经网识别精度和效率,以证明GA‐ELM模型的有效性络的参数识别法已被证明适用于特定机动动作下和实用性。收稿日期:2014‐03‐03;修回日期:2014‐04‐181飞行载荷参数识别模型基金项目:国家自然科学基金(11102158)通信作者:张夏阳,sum1412@126.com飞行载荷的参数识别模型主要是用数学方法498航空工程进展第5卷建立起飞参和飞行载荷的转换关系。目前国内常据,

7、本文将最大实测载荷值放大1.2倍代替设计极用的飞参记录仪通常可以记录几十个甚至上百个限载荷数据。实践证明,修正后的指标完全满足工[3]数据,但并非所有的飞参数据都适合建立参数识程精度要求。别模型。建立模型时,会掺杂与飞行载荷无关的飞2极限学习机基本原理参,一方面会严重影响模型的预测性能,另一方面会产生大量冗余神经元,浪费计算机资源。因此,[6]极限学习机是由FengGuorui等提出的一首先需要选择合适的飞行参数建立识别模型。种单层前馈神经网络(SLFN)学习算法,ELM神根据飞行力学的知识,飞行载荷主要由气动载经网络的输入层与隐含层之间的权值矩阵和偏移荷和飞

8、机自身受到的惯性力组成。气动载荷主要量

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。