Professional Documents
Culture Documents
一种基于神经网络的飞机载荷参数识别方法 马凯超
一种基于神经网络的飞机载荷参数识别方法 马凯超
017
第 31 卷 第 4 期 飞 行 力 学 Vol. 31 No. 4
2013 年 8 月 FLIGHT DYNAMICS Aug. 2013
一种基于神经网络的飞机载荷参数识别方法
马凯超,宋笔锋,殷之平,谢伟,曹善成
( 西北工业大学 航空学院,陕西 西安 710072)
0 引言 究专门针对特定机动下的载荷进行参数识别 ,取得
[1,
3]
了较为精确的结果,具有较高的实用价值 。
基于飞行参数的 载 荷 识 别 ( 以 下 简 称 参 数 识
[1]
本文沿袭以上思路,采用某机动下的飞行参数
别) 是飞机疲劳载荷监控的主要手段 ,其用途有:
和载荷,提出一种经遗传算法优化的 Kalman 滤波神
( 1) 验证飞机载荷理论计算方法和计算精度 ; ( 2) 在
经网络( GA-KFNN) 方法,完成参数识别过程,并给
新机定型试飞中通过识别载荷扩展飞行包线; ( 3) 出算例说明了该方法的准确性与实用性 。
建立的参数识别模型可用于使用中飞机的疲劳载荷
监控
[2]
。常用的参数识别技术有回归分析、神经网 1 参数识别模型
[2]
络和混合型识别等 ,其中含单隐层的神经网络已 初始数据经过滤波、平滑等预处理后,取其中的
[3]
经能达到足够的载荷识别精度 。 高度、马赫数、重量、迎角、重心法向过载等关键参
[1,
4]
目前,国内外已经开展许多基于神经网络的参 数 作为输入,以某部位的 A,B,C 三种载荷作为
数识别研究。其中,由于飞机的机动载荷是疲劳损 输出,建立 GA-KFNN 模型。 为便于对预测精度做
[1] [5]
伤和使用寿命最重要的影响因素之一 ,所以有研 出评价,引入如下指标 :
}
0. 5
W2 ( k + 1) = W2 ( k) + [y2 ( k) - y^ 2 ( k) ]K2T ( k)
变异概率 0. 3
W1 ( k + 1) = W1 ( k) + μe1b ( k) K1T ( k) γ1 和 γ2 取值范围 [0. 05,
3. 0]
( 6) μ 取值范围 [0. 05,
0. 5]
λ1 和 λ2 最终值取值范围 [0. 5,
1]
其中滤波增益阵、估计误差方差阵分别为:
第4 期 马凯超,等. 一种基于神经网络的飞机载荷参数识别方法 365
3. 2 交互验证的引入
交互验证是一种有效避免神经网络出现过学习
[11]
或欠学习的方法 。 本 文 采 用 较 为 精 确 的 K-CV
法: 将飞行参数和载荷的训练样本平均分为 K 组,
以每个子集的数据分别作一次预测集,同时其余的
K - 1 组作为训练集,得到每个个体可能出现的 K 个
适应度,以其中的最大值作为该个体的最终适应度 。
所有个体的交互验证完成后,最终适应度最小的个
体为最优个体,这样便得到一组最优参数。
4 实例分析
下面给出 GA-KFNN 对特定机动下飞机某部位
载荷的预测结果。 训练样本容量 5 700 组,预测样
本容量 180 组。 输入为前文提到的关键飞行参数,
输出为 A,B,C 三种载荷。
4. 1 GA 优化结果
KFNN 收敛过程如图 2 所示,可见 GA 的引入使
GA-KFNN 收敛较快,经过一次训练已基本达到最小
图3 GA-KFNN 与 BPNN 的预测结果
均方误差,而未经 GA 优化的 KFNN 则显示出较慢
Fig. 3 Prediction results of GA-KFNN and BPNN
的收敛速度。
表2 GA-KFNN 与 BPNN 预测精度对比
最终得到的一组最优参数为:
Table 2 Comparison of prediction accuracies of
γ1 = 2. 397 4,γ2 = 0. 752 0,λ1 = 0. 999 89,λ2 =
GA-KFNN and BPNN
0. 998 42,μ = 0. 299 03。
最大绝对 最大相对 平均相对
方法 载荷
误差 / N·m 误差 / % 误差 / %
A 6. 212 5 5. 728 2 2. 475 4
GA-KFNN B 3. 910 7 7. 939 1 1. 484 8
C 2. 821 3 8. 604 0 2. 796 2
A 6. 644 2 6. 458 6 3. 219 6
BPNN B 7. 490 2 11. 756 9 6. 237 9
C 4. 728 9 10. 116 9 6. 490 3
4. 3 GA-KFNN 泛化能力
图2 KFNN 收敛过程 泛化能力是指网络训练好后,对新的输入数据
Fig. 2 KFNN convergence process 能给出准确的输出结果,或当原输入数据受到噪声
[12]
4. 2 GA-KFNN 识别精度 污染时,仍具有一定的输出精度 。GA-KFNN 具
该机 动 下 GA-KFNN 对 三 种 载 荷 的 预 测 结 果 有较好的泛化能力,现设计验证方法如下:
( 局部) 如图 3 所示; 作为对比,图中同时给出 BPNN ( 1) 对训练样本的马赫数、迎角、重心法向过载
的预测结果( 局部) 。 等 3 个关键输入参数进行噪声污染: 对其 1 /2 样本
数据对比如表 2 所示。 数据加减随机数或直接变为随机数 ( 计算机任意选
由图 3 和表 2 可知,GA-KFNN 的 最 大 绝 对 误 择方式; 随机数取值范围与原数据相同 ) ,1 /4 样本
差、最大相对误差和平均相对误差均低于 BPNN,且 数据置零,其余样本数据不做处理,以此模仿原数据
能满足指标要求; 而大量实验中 BPNN 的平均相对 受到污染、歪曲和遗漏等情况; 3 个参数的污染过程
误差很 难 低 于 3% ,不 满 足 指 标 要 求。 可 见 GA- 是独立的;
KFNN 具 有 较 高 的 精 度,可 以 应 用 在 工 程 实 际 问 ( 2) 对训练样本的输出不做任何修改; 对预测
题中。 样本的输入和输出均不做任何修改 ;
366 飞 行 力 学 第 31 卷
5 结论
通过本文研究得出以下结论: ( 1) 利用神经网
络方法,针对特定机动的参数识别可以获得较为精
确的结果; ( 2) 用 GA 优化得到的最佳参数训练神经
网络 模 型,可 以 加 速 模 型 的 收 敛,提 高 运 算 效 率;
( 3) GA-KFNN 不依赖于网络权值的初值,具有较高
的识别精度; ( 4 ) GA-KFNN 具有较强的泛化能力,
表现为训练样本发生严重的噪声污染时仍能给出具
有一定精度的预测结果; ( 5) 目前 GA-KFNN 尚存在
多输出精度不对等的问题,表现在对载荷 C 的识别
精度总是低于载荷 A 和 B,其原因下一步将重点进
行研究。
参考文献:
櫟櫟櫟櫟櫟櫟櫟櫟櫟櫟櫟櫟櫟櫟櫟櫟櫟櫟櫟櫟櫟櫟櫟櫟櫟櫟櫟櫟櫟櫟櫟櫟櫟櫟櫟櫟櫟櫟櫟櫟櫟櫟櫟櫟櫟櫟
( 上接第 366 页)
[10] Nicolas Garcia-Pedrajas,Domingo Drtiz-Boyer,Cesar 121-132.
Hervas-Martinez. An alternative approach for neural [12] 贺昱曜,方忠,徐德民. 基于卡尔曼滤波的二次型神
network evolution with a genetic algorithm: crossover by 经网络学习算法及收敛性分析[J]. 系统工程与电
combinatorial optimization[J]. Neural Networks,
2006, 子技术, 21( 8) : 57-59.
1999,
19( 4) : 514-528. ( 编辑: 方春玲)
[11] 史峰,王小川,郁磊,等. Matlab 神经网络 30 个案例
分析[M]. 北京: 北京航空航天大学出版社,2010: