一种基于预训练与增量学习的飞行器气动参数辨识方法技术

一种基于预训练与增量学习的飞行器气动参数辨识方法，属于飞行器技术领域。方法如下：随机选取多组飞行状态并选取不同飞行状态值，对飞行状态获得对应的气动参数后构建飞行状态

【技术实现步骤摘要】
一种基于预训练与增量学习的飞行器气动参数辨识方法


[0001]本专利技术涉及一种基于预训练与增量学习的飞行器气动参数辨识方法，属于飞行器


技术介绍

[0002]飞行器面临复杂的环境特性，气动不确定性强。传统基于风洞试验/工程计算等方法建立气动模型的气动参数计算方法计算量较大且与实际飞行环境存在一定偏差；而传统气动在线辨识方法只依赖一定时间内的小样本飞行数据进行辨识，准确性较差。因此，急需开发一种新的快速准确的飞行器气动参数辨识方法。

技术实现思路

[0003]为解决
技术介绍
中存在的问题，本专利技术提供一种基于预训练与增量学习的飞行器气动参数辨识方法。
[0004]实现上述目的，本专利技术采取下述技术方案：一种基于预训练与增量学习的飞行器气动参数辨识方法，所述方法包括如下步骤：
[0005]S1：随机选取飞行器的多组飞行状态，并分别选取不同飞行状态值，对每组飞行状态分别采用风洞试验获得对应的气动参数，而后构建飞行状态
‑
气动参数的数据库；
[0006]S2：初始化网络参数，构建气动拟合神经网络，并对气动拟合神经网络进行预训练，并保存预训练后权值，调整气动拟合神经网络权重，并将气动拟合神经网络装订于飞行器中；
[0007]S3：训练支持向量机，在线辨识当前飞行状态
‑
气动参数样本；
[0008]S4：对气动拟合神经网络进行在线增量学习，以对网络进行修正；
[0009]S5：利用气动拟合神经网络预测气动参数。/>[0010]与现有技术相比，本专利技术的有益效果是：
[0011]本专利技术考虑了飞行器复杂的环境特性与气动不确定性强的特点，在线下训练后可在线根据当前飞行器状态辨识获得飞行器气动参数，采用气动拟合神经网络，可根据给定飞行状态，快速计算气动参数，提高了工程可行性；采用预训练以及增量学习的方法，可充分利用线下风洞理论数据及线上气动参数辨识值，提高气动参数辨识精度。
附图说明
[0012]图1是本专利技术的流程图。
具体实施方式
[0013]下面将结合本专利技术实施例中的附图，对本专利技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是专利技术的一部分实施例，而不是全部的实施例，基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，
都属于本专利技术保护的范围。
[0014]一种基于预训练与增量学习的飞行器气动参数辨识方法，所述方法包括如下步骤：
[0015]S1：随机选取飞行器的多组飞行状态(攻角α、马赫数Ma、舵偏角δ
e
)，并分别选取不同飞行状态值，对每组飞行状态分别采用风洞试验获得对应的气动参数(升力系数导数阻力系数导数俯仰力矩系数导数)，而后构建飞行状态
‑
气动参数的数据库；
[0016]S2：初始化网络参数w0，构建气动拟合神经网络，基于S1所述数据库，并采用有监督学习方式对气动拟合神经网络进行预训练，并保存预训练后权值，利用梯度下降法调整气动拟合神经网络权重，并将气动拟合神经网络装订于飞行器中；
[0017]所述对气动拟合神经网络进行预训练的步骤如下：
[0018]S201：定义气动拟合神经网络f
w
(α,Ma,δ
e
)以及学习率η；
[0019]S202：计算网络预示各气动参数误差的平方和L如下：
[0020][0021]式(1)中：
[0022]表示升力系数导数；
[0023]表示阻力系数导数；
[0024]表示俯仰力矩系数导数；
[0025]若L小于阈值L
max
，则训练结束，输出训练的网络，否则进行S203；
[0026]S203：采用梯度下降法调整初始化网络参数w0：
[0027][0028]式(2)中：
[0029]η表示学习率；
[0030]表示网络预示误差对初始化网络参数的梯度；
[0031]而后减少学习率：
[0032]η＝0.999η
[0033]完成减少学习率后重复S202。
[0034]S3：利用飞行过程线上实测小样本数据，训练支持向量机，在线辨识当前飞行状态
‑
气动参数样本；
[0035]所述气动参数样本在线辨识的步骤如下：
[0036]S301：建立三个多输入单输出(MISO)支持向量机函数f
D
,f
L
,f
m
：
[0037][0038]式(3)中：
[0039]α表示攻角；
[0040]Ma表示马赫数；
[0041]δ
e
表示舵偏角；
[0042]ω
z
表示角速度；
[0043]三个多输入单输出(MISO)支持向量机函数的模型输入均为飞行状态，三个多输入单输出(MISO)支持向量机函数的模型输出分别为升力系数C
L
的估计值阻力系数C
D
的估计值以及俯仰力矩系数C
m
的估计值
[0044]S302：对于每个支持向量机，初始化支持向量机参数w
svm
，以输出误差最小为目标，优化支持进行优化：
[0045][0046]式(4)中：
[0047]η
svm
表示支持向量机学习步长；
[0048]S303：采用数值微分计算气动参数导数如下：
[0049][0050]S4：基于S3辨识得到的飞行状态
‑
气动参数样本，利用随机梯度下降方法，对气动拟合神经网络进行在线增量学习，以对网络进行修正；
[0051]所述对气动拟合神经网络进行在线增量学习的步骤如下：
[0052]S401：定义学习率η以及收敛阈值Δ；
[0053]S402：从辨识完成的气动参数中随机选择出N个，用作增量学习的样本；
[0054]S403：计算N个样本对应节点上气动拟合神经网络输出与样本数据之间的均方误差loss作为损失函数：
[0055][0056]若loss小于收敛阈值Δ，则训练结束，输出训练的网络，否则进行S404；
[0057]S404：采用梯度下降法调整当前网络参数w：
[0058][0059]式(7)中：
[0060]为网络预示误差对当前网络参数的梯度；
[0061]完成后重复S403。
[0062]S5：利用气动拟合神经网络预测气动参数，即：
[0063]对于本领域技术人员而言，显然本专利技术不限于上述示范性实施例的细节，而且在不背离本专利技术的精神或基本特征的情况下，能够以其他的形式实现本专利技术。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本专利技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同条本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于预训练与增量学习的飞行器气动参数辨识方法，其特征在于：所述方法包括如下步骤：S1：随机选取飞行器的多组飞行状态，并分别选取不同飞行状态值，对每组飞行状态分别采用风洞试验获得对应的气动参数，而后构建飞行状态
‑
气动参数的数据库；S2：初始化网络参数，构建气动拟合神经网络，并对气动拟合神经网络进行预训练，并保存预训练后权值，调整气动拟合神经网络权重，并将气动拟合神经网络装订于飞行器中；S3：训练支持向量机，在线辨识当前飞行状态
‑
气动参数样本；S4：对气动拟合神经网络进行在线增量学习，以对网络进行修正；S5：利用气动拟合神经网络预测气动参数。2.根据权利要求1所述的一种基于预训练与增量学习的飞行器气动参数辨识方法，其特征在于：S2所述对气动拟合神经网络进行预训练的步骤如下：S201：定义气动拟合神经网络f
w
(α,Ma,δ
e
)以及学习率η；S202：计算网络预示各气动参数误差的平方和L如下：式(1)中：表示升力系数导数；表示阻力系数导数；表示俯仰力矩系数导数；若L小于阈值L
max
，则训练结束，输出训练的网络，否则进行S203；S203：采用梯度下降法调整初始化网络参数w0：式(2)中：η表示学习率；表示网络预示误差对初始化网络参数的梯度；而后减少学习率：η＝0.999η完成减少学习率后重复S202。3.根据权利要求2所述的一种基于预训练与增量学习的飞行器气动参数辨识方法，其特征在于：S3所述气动参数样本在线辨识的...

【专利技术属性】
技术研发人员：韦常柱，魏金鹏，程杰，朱光楠，王瑞鸣，
申请(专利权)人：哈尔滨逐宇航天科技有限责任公司，
类型：发明
国别省市：