基于支持向量机回归的飞行载荷参数识别研究.pdf

《基于支持向量机回归的飞行载荷参数识别研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、２０１３年８月西北工业大学学报Ａｕｇ．２０１３第３１卷第４期ＪｏｕｒｎａｌｏｆＮｏｒｔｈｗｅｓｔｅｒｎＰｏｌｙｔｅｃｈｎｉｃａｌＵｎｉｖｅｒｓｉｔｙＶｏｌ．３１Ｎｏ．４基于支持向量机回归的飞行载荷参数识别研究曹善成，宋笔锋，殷之平，黄其青（西北工业大学航空学院，陕西西安７１００７２）摘要：飞行载荷参数识别是单机寿命监控中的重要技术，主要通过建立飞行参数与飞行载荷之间的转换关系，实现间接获取关键部位的载荷谱。针对飞行参数与飞行载荷之间非线性识别问题，结合飞机典型的机动动作，提出了一种改进的支持向量机回归（ＳＶＭ-Ｒ）飞行载荷识别模型。该模型首先采用主成分分析缩减ＳＶＭ-Ｒ模型输

2、入，再利用交叉验证和遗传算法优化ＳＶＭ-Ｒ模型设置参数，最后根据优化参数训练得到飞行载荷的ＳＶＭ-Ｒ识别模型。通过在半滚机动动作下，飞行参数识别某一部位弯矩的实例分析，验证了优化改进的ＳＶＭ-Ｒ模型对飞行载荷识别的最大残差可控制在实测载荷的２０％以内，平均残差控制在实测载荷的３％以内，且优于未经优化的ＳＶＭ-Ｒ模型。关键词：飞行载荷，飞行参数，支持向量机回归，主成分分析，遗传算法，交叉验证方法中图分类号：Ｖ４１２．４１文献标识码：Ａ文章编号：１０００-２７５８（２０１３）０４-０５３５-０５飞机在飞行中受到的外载荷是飞机疲劳载荷监指关键部位的弯矩、扭矩和剪力。控的最重要的原始

3、参数。目前，直接在关键部位上过多的飞行参数作为ＳＶＭ-Ｒ模型的输入会增加装应变传感器比较困难，而且现有应变测量技术加模型的复杂度和计算量，于是利用主成分分析方难以保证在复杂环境下长期可靠的准确测量。因此法对飞行参数进行降维，得到正交化的模型输入；其为满足单机疲劳载荷监控技术的要求，需在分析有次鉴于交叉验证是模型性能评估的有效方法，遗传限飞行实测数据的基础上，建立飞行载荷参数识别算法是实现参数全局寻优有效方法，本文将交叉验［１］模型。证和遗传算法结合以寻优得到ＳＶＭ-Ｒ模型的最佳基于机动的飞行载荷参数识别须仔细分析每一模型设置参数。任务段的机动飞行情况，并综合所有的典型任务剖面

4、给出能够代表该战斗机未来所有典型机动飞行，［２］如半滚、盘旋、横滚、斤斗和平飞等。但机动动作识别超出本文研究内容，本文主要研究在特定机动动作下，飞行载荷与飞行参数基于改进支持向量机回归（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅＲｅｇｒｅｓｓｉｏｎ，ＳＶＭ-Ｒ）模型的建模。1飞行载荷参数识别模型影响飞行载荷的主要飞行参数有重心法向过载、方向舵偏角、高度、马赫数、攻角、副翼偏角、滚转图１飞行载荷参数识别模型流程角速度、俯仰角速度和偏航角速度等，飞行载荷主要收稿日期：２０１２-１２-０２基金项目：国家自然科学基金（１１１０２１５８）资助作者简介：曹善成（１９８９—），西北工业大学硕

5、士研究生，主要从事飞行器设计及系统建模研究。·５３６·西北工业大学学报第３１卷m为避免模型识别的载荷所估算的飞机疲劳寿命＋－∑（αi－αi）＝０与实际疲劳寿命产生较大误差，现给出识别载荷与i＝１［３］＋实测载荷残差的技术指标：ｓ．ｔ．０≤αi≤C１）最大的残差应控制在设计极限载荷的２０％０≤α－i≤C以内。i＝１，２⋯，m２）平均残差应该控制在设计极限载荷的３％式中，K（xi，xj）＝φ（xi）·φ（xj），为支持向量机核以内。函数，本文核函数选择径向基函数（ＲＢＦ）本文平均残差是指所有残差取绝对值后的平均２K（xi，xj）＝ｅｘｐ（－g‖xi－xj‖）（５）值，其次由于暂无

6、设计极限载荷数据，本文将最大残＋－上述凸二次规划问题一组可行解为α珔，α珔，计差控制在实测载荷的２０％以内，平均残差控制在实算最优权值为测载荷的３％以内，完全满足工程精度要求。m＋－w＝∑（α珔i－α珔i）φ（xi）（６）i＝１2支持向量机回归模型选取α珔＋中一个分量α珔＋j计算偏置项得b＝yj－wφ（xj）＋ε（７）支持向量机回归是以统计学习理论为基础的一n于是x所在空间R上的非线性回归函数为种机器学习算法，它具有严格的数学理论基础、直观m＋－的几何解释和良好的泛化能力，在处理小样本学习y＝∑（α珔i－α珔i）K（xi，x）＋b（８）i＝１问题上具有独到的优越性，尤其适用于

7、非线性回归ＳＶＭ-Ｒ模型须优化惩罚参数C、核函数参数g数据处理。给定训练集和松弛变量ε，才能达到良好的识别精度。本文采nmT＝｛（x１，y１），（x２，y２），⋯，（xm，ym）｝∈（R，R）用交叉验证方法和遗传优化算法对上述３个ＳＶＭ-（１）Ｒ模型设置参数在给定区间内寻找最优值。首先应将输入变量从n维映射到l维特征空间nlR→R，x→φ（x），在特征空间中构造优化超平3SVM-R模型优化改进面，将非线性问题转化成线性问题。f（x）＝Wφ（x）＋b（２）3畅1SVM-R模型输入输出优化式中，W为l维权重