DOI:10.13645/j.cnki.f.d.2013.04.

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）

摘 要： 提出一种经遗传算法优化的 Kalman 滤波神经网络 （ GA-KFNN） 方法，对飞机特定机动下的载荷进行参

数识别。首先，构建 Kalman 滤波神经网络 （ KFNN） ，设计了相关改进算法抑制滤波发散，提高了网络的预测精
度和抗噪能力； 其次，利用遗传算法 （ GA） 优化 KFNN 的相关参数，使网络能迅速收敛，提高了运算效率。载
荷识别结果显示，改进和优化后的 GA-KFNN 运行稳定，收敛迅速，具有良好的识别精度和泛化能力，满足工程
实际需求。
关 键 词： 神经网络； Kalman 滤波； 遗传算法； 载荷识别
中图分类号： V215. 2 文献标识码： A 文章编号： 1002-0853（ 2013） 04-0363-04

An alternative approach for parameter based flight loads

identification using the neural networks

MA Kai-chao，SONG Bi-feng，YIN Zhi-ping，XIE Wei，CAO Shan-cheng

（ College of Aeronautics，NWPU，Xi’an 710072，China）
Abstract： This paper describes a parameter based flight loads identification approach under specific ma-
neuvers by developing Genetic Algorithm improved Kalman Filter Neural Networks （ GA-KFNN） ． Firstly，
in order to overcome the defects of conventional Back-propagation Neural Networks （ BPNN） ，KFNN are
constructed and improved by updated algorithms to restrain filtering divergence，whilst be more precise in
prediction and robust to noise． Secondly，GA is applied to optimize the parameters of KFNN，so that the
networks can converge more quickly and have higher efficiency． The results of loads identification show
that GA-KFNN operates stably，converge rapidly，and have good recognition accuracy and generalization
ability，which meet the demands of engineering practice．
Key words： neural networks； Kalman filter； genetic algorithm； load identification

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 ：

收稿日期： 2012-11-30； 修订日期： 2013-03-28； 网络出版时间： 2013-06-06 12： 24

基金项目： 国家自然科学基金青年科学基金资助（ 11102158）
作者简介： 马凯超（ 1988-） ，男，北京人，硕士研究生，研究方向为飞行器系统辨识。
364 飞 行 力 学 第 31 卷

（ 1） 最大误差应控制在实测载荷的 20% 以内； P i （ k） u i －1 （ k）

K i （ k） = T （ 7）
（ 2） 平均误差应控制在实测载荷的 3% 以内。 λ i + u i －1 （ k） P i （ k） u i －1 （ k）
1
2 KFNN 的改进 P i （ k + 1） = ［I － K i （ k） u Ti －1 （ k） ］P i （ k） （ 8）
λi
常规反 向 传 播 神 经 网 络 （ BPNN） 原 理 见 文 献 输入层-隐层、隐层-输出层之间的误差：
［1，
6］。飞行参数与不可预知的偏差作为输入 u0 ，
经过“输入层 → 隐层 → 输出层 ”两次加权求和与非
e1b （ k） = f'［y1 （ k） ］W2T （ k） e2b （ k）
e2b （ k） = f'［y2 （ k） ］［z（ k） － u2 （ k） ］
} （ 9）

线性映射，输出 u2 作为载荷的预测值； 通过与载荷

3 优化过程
的实测值 z 比较，来反向调整各层权值 W i （ i = 0，
1，
2； 表示网络层号，下同） 。网络代价函数为： 3. 1 GA 的引入
1 已建立的 KFNN 包含两层 S 型函数的斜率 γ1
E = （ z － u2 ） T （ z － u2 ） （ 1）
2 和 γ2 、遗忘因子的最终值 λ1 和 λ2 、学习效率 μ 等待
若非线性函数选为 S 型函数，则有： 优化参数。在多种适用于神经网络的优化算法中，
1 － e －γ iy i GA 的运算规模较小、算法复杂度低、易于获得全局
u i = f（ W i u i －1 ） = f（ y i ） = （ i = 1，
2）
1 + e －γ iy i ［10］
，因此采用 GA 优化这 5 种参数。 将上述
最优解
（ 2）
参数编码成为特定长度的二进制串，每串代表一个
式中，γ1 和 γ2 分别为两个 S 型函数的斜率，对网络 个体，采用式（ 1） 计算个体的适应度，其余过程见图
误差和迭代次数有较大影响。 1，相关参数设置见表 1。
由于神经网络的训练过程可以视为一个线性离
［7］
散时间 系 统 ，所 以 可 用 Kalman 滤 波 算 法 构 建
KFNN 完成上述过程。 稳定的 KFNN 不依赖于 W i
［6-7］
初值的 选 取，且 精 度 更 高，收 敛 速 度 更 快 。但
KFNN 常假设过程噪声 w 和量测噪声 v 为零均值的
白噪声（ 方差分别为 Ｒ 和 Q） ，仍给预测结果带来一
［7］
定误差，且有可能出现滤波发散现象 。 本文采用
如下算法进行改进：
（ 1） 为了抑制滤波发散，采用“衰减记忆滤波 ”
［8］
法 ，引入遗忘因子 λ i （ i = 1，
2） 来取代 Ｒ 和 Q 对滤
波增益的改变效果，λ i 的具体形式为：
T
λ i = min｛ E［（ y^ i － y i ） （ y^ i － y i ） ］｝ （ 3）
在先验知识不足的情况下，可让 λ i 从较大值退
火到［0，
1］之间的某一个较小值，从而逐渐主导滤
［7-8］
波增益阵的改变 。
［6，
9］
（ 2） 为了减小误差，采用“快速学习算法 ” ，
图1 GA-KFNN 流程
从载荷的实测值 z 反推第 2 层非线性映射之前的
Fig． 1 GA-KFNN flowchart
y2 （ k） ，并以第 1 层非线性映射之后的加权求和值作
表1 GA 相关参数设置
为 y^ 2 （ k） ，这两个值对更新 W1 和 W2 有重要作用：
Table 1 The parameters’scope in GA
1
γ [
y2 （ k） = f －1［z（ k） ］ = ln 1 + z（ k）
1 － z（ k）
（ 4） ] 参数 数值
y^ 2 （ k） = W2 （ k） u1 （ k） （ 5） 种群大小 50

2，若设学习效率为 μ，则有： 进化代数 20

对于 i = 1，
交叉概率

}
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

（ 3） 用污染后的样本进行训练和预测，分别采 C 的预测精度一般要低于载荷 A 和 B，如图 3 和图 4

用 GA-KFNN 方法和 BPNN 方法。 两种方法的预测 所示。初步的分析是对于这种多输入多输出的样
结果（ 局部） 如图 4 所示，数据对比见表 3。 本，GA-KFNN 还存在两方面的问题： 一是初始数据
的检验和预处理尚不充分； 二是模型的适应能力等
还有待提升。这些都是未来工作的重点。

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：

［1］ 蒋祖国，田丁栓，周占廷． 飞机结构载荷 / 环境谱［M］．

图4 GA-KFNN 与 BPNN 对污染数据的预测结果 北京： 电子工业出版社，
2012： 77-88，
252-254，
357-358．
Fig． 4 Predicted results for the polluted data ［2］ 刘文廷． 结构可靠性设计手册［M］． 北京： 国防工业出
by GA-KFNN and BPNN 版社，
2008： 323-332．
表3 GA-KFNN 与 BPNN 对污染数据的预测精度对比 ［3］ Tikka J A． Flight parameter based fatigue analysis ap-
Table 3 Comparison of predicted accuracies for the proach for a fighter aircraft［J］． The Aeronautical Journal，
polluted data by GA-KFNN and BPNN 112（ 1） ： 79-91．
2008，
［4］ 刘 文 廷，王 智，隋 福 成，等． 单 机 寿 命 监 控 技 术 指 南
最大绝对 最大相对 平均相对
方法 载荷 ［M］． 北京： 国防工业出版社，
2010： 40-49．
误差 / N·m 误差 / % 误差 / %
［5］ Kaneko H，Furukawa T． Operational loads regression e-
A 8. 851 4 8. 323 2 3. 375 4
quation development for advanced fighter aircraft［C］/ /
GA-KFNN B 5. 041 6 8. 942 5 3. 305 6
Paper ICAS 24th International Congress of the Aeronauti-
C 5. 011 7 11. 80 10 6. 206 0
cal Sciences． Japan，
2004： 1-9．
A 18. 944 0 26. 675 0 6. 630 1
［6］ Ｒavindra V J． Flight vehicle system identification： a time
BPNN B 13. 784 0 32. 994 0 7. 263 8
domain methodology ［M］． USA： American Institute of
C 6. 775 5 19. 816 0 4. 462 4
Aeronautics and Astronautics，
2006： 265-274．
由以上图表可见，对关键输入参数作较大变动
［7］ 付梦印，邓志红，闫莉萍，等． Kalman 滤波理论及其在
后，BPNN 的误差较大，尤其是峰谷值点，导致其最 导航系统中的应用［M］． 第二版． 北京： 科学出版社，
大相对误差远远超出指标允许的范围 ； 而 GA-KFNN 2010： 175-198．
的最大相对误差仍低于 20% ，平均相对误差略高于 ［8］ Godrad D． Channel equalization using a Kalman filter for
3% （ 其中载荷 A 和载荷 B 在 4% 以内，载荷 C 为 fast data transmission［J］． Communication，1974，18 （ 5） ：
6. 2% ） ，在峰谷值点未发生大的偏差。 这在工程上 267-273．
具有实际意义。 当飞机的数据采集系统发生故障 ［9］ Scalero Ｒ S，Tepedelenlioglu N． A fast algorithm for train-

时，往往 会 出 现 误 采 或 漏 采。 在 这 种 情 况 下，GA- ing feed-forward neural networks［J］． IEEE Transactions

on Signal Processing， 40（ 1） ： 202-210．
1992，
KFNN 仍能根据有限的可靠信息给出具有一定参考
( 下转第 371 页)
价值的预测结果，体现出较强的实用性。
当然，大量实验中也观测到： GA-KFNN 对载荷
第4 期 邵明强，等． 基于子空间和 PEM 的无人直升机两阶段参数辨识 371

文中采用的辨识方法可以推广到其它飞行器 （ 如固 化工学报， 57（ 3） ： 473-479．

2006，
定翼飞机） 模型参数的辨识。 ［9］ Metter Bernard，Mark B Tischler，Takeo Kanade． System i-
dentification of small size unmanned helicopter dynamics
参考文献： ［J］． Journal of the American Helicopter Society，
2002，
47
（ 1） ： 50-63．
［1］ 杨一栋． 直升机飞行控制［M］． 北京： 国防工业出版
［10］ Metter B． Modeling small-scale unmanned rotor-craft for
社，
2007： 72-79．
advanced flight control design［D］． Pittsburgh： Camegie
［2］ 王琨玉． 直升机飞行控制系统［M］． 北京： 蓝天出版
Mellon University，
2001．
社，
1999： 92-98．
［11］ 孙涛，宋彦国，张呈林． 模型直升机悬停状态下飞行力
［3］ 孙涛． 直升机飞行力学模型辨识研究［D］． 南京： 南京
学模型辨识［J］． 航空学报， 30（ 1） ： 40-45．
2009，
航空航天大学，
2010．
［12］ 沈福生． 小型无人直升机飞行力学参数化模型辨识研
［4］ 宋彦国，孙涛． 旋翼飞行器飞行力学系统辨识建模算
究［D］． 南京： 南京航空航天大学，
2008．
法［J］． 南京航空航天大学学报， 43（ 3） ： 387-392．
2011，
［13］ 江群，王道波，李猛． 基于 PEM 的辅助动力装置系统辨
［5］ 吴建德，李平，韩波． 一种基于参数辨识的微小型无人
识与仿 真［J］． 燃 气 涡 轮 试 验 与 研 究，2010，23 （ 3 ） ：
直升机建模方法［J］． 航空学报， 28（ 4） ： 845-850．
2007，
46-49．
［6］ 杨帆，熊笑，陈宗基，等． 超小型直升机动力学模型的
［14］ Wouter Favoreel，Bart De Moor，Peter Van Overschee．
建模、辨识与验证［J］． 北京航空航天大学学报，
2010，
Subspace statespace system identification for industrial
36（ 8） ： 913-917．
processes［J］． Journal of Process Control， 10（ 2-3） ：
2000，
［7］ 孙涛，宋彦国，张呈林． 基于子空间法的小型直升机飞
149-155．
行力学模型辨识［J］． 南京航空航天大学学报，2008，
40（ 5） ： 589-593．
( 编辑: 李怡)
［8］ 李幼凤，苏宏业，褚健． 子空间模型辨识方法综述［J］．

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：