飛行器氣動參數(shù)智能在線辨識技術(shù)研究

浦甲倫，韓業(yè)鵬，張 亮

(哈爾濱工業(yè)大學航天學院，哈爾濱 150001)

0 引言

對于大氣層內(nèi)長時間飛行的飛行器，如巡航導彈、滑翔導彈，空氣動力是影響最大也是最復雜的外力[1]。在實際飛行中，如果氣動參數(shù)變化劇烈，在地面基于標稱氣動設(shè)計的軌跡及控制系統(tǒng)可能無法滿足實際需求，此時通過在線氣動參數(shù)辨識可規(guī)劃更準確的飛行軌跡，對控制參數(shù)進行自適應(yīng)調(diào)整，從而適應(yīng)氣動參數(shù)變化的情況。因此,針對導彈飛行中的在線快速、精確辨識技術(shù)進行研究顯得極為迫切[2]。

導彈氣動參數(shù)辨識是指利用導彈在試驗或?qū)嶋H飛行中測得的輸入和輸出數(shù)據(jù)，采用系統(tǒng)辨識技術(shù)，建立反映導彈本質(zhì)動態(tài)特性的氣動力數(shù)學模型，并辨識出數(shù)學模型中的待定系數(shù)[3]。氣動參數(shù)辨識核心3要素是：模型、數(shù)據(jù)和等價準則。從是否依靠模型的角度可將系統(tǒng)辨識的方法分為兩大類：一類是基于模型的參數(shù)辨識，即首先建立系統(tǒng)的狀態(tài)方程和觀測方程，利用參數(shù)辨識方法對模型的參數(shù)進行辨識；另一類是部分依靠模型或完全不依靠系統(tǒng)模型的辨識方法，利用給出的輸入和輸出數(shù)據(jù)，同步辨識出系統(tǒng)模型和模型參數(shù)[4]。

一般來說，導彈氣動參數(shù)辨識通常是基于模型的參數(shù)辨識：首先根據(jù)導彈特性和力學基本規(guī)律，采用推理方法，建立系統(tǒng)動力學方程組——狀態(tài)方程組。然后利用系統(tǒng)試驗或系統(tǒng)運行中測得的輸入和輸出數(shù)據(jù)，辨識出動力學方程組中的氣動因素，包括建立氣動力數(shù)學模型，并辨識出氣動力數(shù)學模型的待定參數(shù)[5]。此類基于模型的常規(guī)辨識方法適用于離線氣動參數(shù)辨識問題，包括基于氣動數(shù)據(jù)插值表的氣動系數(shù)、氣動導數(shù)及配平舵偏角參數(shù)化模型的離線辨識技術(shù)，以及基于歷史飛行試驗數(shù)據(jù)的氣動系數(shù)、氣動導數(shù)、配平舵偏角模型的修正技術(shù)。所涉及的算法包括極大似然法、最小二乘方法和如粒子群優(yōu)化、混合遺傳算法等智能優(yōu)化算法[6]。

對于大多數(shù)導彈動力學系統(tǒng)，理論建模工作比較成熟，有現(xiàn)成完整的動力學方程組，且氣動力數(shù)學模型有工程應(yīng)用較為簡便而合理的形式。故而，導彈氣動參數(shù)辨識變成了利用飛行或地面試驗的實測數(shù)據(jù)，估計氣動力數(shù)學模型中未知參數(shù)的問題。參數(shù)估計的任務(wù)是根據(jù)試驗測得的樣本推斷未知參數(shù)的數(shù)值，因此導彈氣動參數(shù)辨識問題主要解決參數(shù)估計準則和估計算法兩個問題[7]。

通常來說，不依靠系統(tǒng)模型的參數(shù)辨識相對基于系統(tǒng)模型的參數(shù)辨識來說，在算法效率、辨識精度上都處于劣勢，隨著人工智能特別是神經(jīng)網(wǎng)絡(luò)的發(fā)展，通過機器學習的方式得到逼近真實系統(tǒng)模型的訓練模型的辨識方法，獲得了新一輪關(guān)注，在諸如氣動參數(shù)辨識、電機參數(shù)辨識、慣性器件參數(shù)辨識等方面成為了新的研究方向[8]。目前，神經(jīng)網(wǎng)絡(luò)在氣動參數(shù)辨識方面已獲得較為廣泛的研究和應(yīng)用，如PNN(感知器神經(jīng)網(wǎng)絡(luò))、BP(反向傳播)神經(jīng)網(wǎng)絡(luò)、Hopfield網(wǎng)絡(luò)等，以及近年來獲得關(guān)注的基于多層神經(jīng)網(wǎng)絡(luò)的深度學習網(wǎng)絡(luò)，如RBM(限制玻爾茲曼機)、CNN(卷積網(wǎng)絡(luò))、DBN(深度置信網(wǎng)絡(luò))等[9-11]。

本文將以神經(jīng)網(wǎng)絡(luò)(Neural Networks，NN) 為基礎(chǔ)，研究單隱層和多隱層神經(jīng)網(wǎng)絡(luò)在氣動參數(shù)辨識問題中的應(yīng)用,并針對在線氣動參數(shù)辨識的需求，結(jié)合支撐向量機(Support Vector Machine，SVM)方法與神經(jīng)網(wǎng)絡(luò)技術(shù)，設(shè)計可行的在線氣動參數(shù)辨識方案。

1 氣動參數(shù)智能辨識流程設(shè)計

當導彈飛行時，縱橫向運動相互耦合，必須采用六自由度運動方程作為導彈動力學系統(tǒng)的數(shù)學模型，其中氣動參數(shù)是未知的。首先給定氣動參數(shù)的一組初估值，計算六自由度運動方程對輸入測量值的響應(yīng)，并與真實系統(tǒng)輸出的測量值進行比較，判斷是否滿足一定的等價準則，如果不滿足，則修正氣動參數(shù)。反復這一過程，直至滿足等價準則為止，從而得到正確的氣動參數(shù)。

智能氣動參數(shù)辨識方法主要是基于神經(jīng)網(wǎng)絡(luò)方法和SVM方法。SVM可以用于對其他方法建立的模型的參數(shù)進行訓練，如圖1所示。SVM可以對神經(jīng)網(wǎng)絡(luò)的參數(shù)或六自由度模型的參數(shù)，以及其他一些算法的參數(shù)進行學習。SVM可直接利用輸入輸出數(shù)據(jù)進行訓練，給出訓練后的模型，同時給出關(guān)注的參數(shù)，也可以對經(jīng)其他方法處理后的樣本進行學習。SVM還可用于子樣的擴充，即利用已有的小樣本數(shù)據(jù)作為SVM的原始訓練樣本，尋找SVM的最優(yōu)參數(shù)，繼而用訓練后的模型對小樣本數(shù)據(jù)進行預測擴充。并且，針對在線參數(shù)辨識問題，可以將SVM方法與神經(jīng)網(wǎng)絡(luò)結(jié)合使用。即利用SVM的快速和少數(shù)支撐向量決定結(jié)果的特點，設(shè)計模型修訂策略，在線對已經(jīng)離線訓練好的神經(jīng)網(wǎng)絡(luò)模型進行修訂。

圖1 結(jié)合SVM的氣動參數(shù)智能辨識Fig.1 Intelligent parameters identification with SVM

傳統(tǒng)的氣動參數(shù)辨識需要解決的是參數(shù)估計準則和估計算法問題，而智能參數(shù)辨識主要解決的是神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)模型、輸入輸出數(shù)據(jù)和網(wǎng)絡(luò)訓練問題。

2 導彈氣動參數(shù)智能在線辨識方案設(shè)計

在對導彈氣動參數(shù)進行在線辨識時，應(yīng)著重考慮快速性和準確性，并考慮一定的自適應(yīng)性。其基本的辨識模型和辨識方法與離線工況類似，不同之處在于要結(jié)合離線辨識的結(jié)果，針對在線辨識的時間、計算量等較為嚴苛的約束條件，設(shè)計合理的辨識流程和方案。

在對離線參數(shù)辨識研究的基礎(chǔ)上，還需針對性地對模型簡化和快速辨識方法及方案、流程設(shè)計進行深入研究。

2.1 氣動參數(shù)辨識模型的簡化

可按如下兩種思路對氣動參數(shù)辨識的模型進行簡化：一是通過參數(shù)分析，減少待辨識參數(shù)數(shù)量，降低辨識模型維度；二是結(jié)合特定辨識方法，將基本模型拆解為多個簡單的、低維的待辨識模型。

假定氣動參數(shù)辨識基本模型(具體的模型將以基本模型為基礎(chǔ)，根據(jù)導彈的特點進行一定的修正，然后可根據(jù)實際需求選擇狀態(tài)變量和觀測變量，建立相應(yīng)的狀態(tài)方程和觀測方程)如下：

(1)

2.2 在線快速辨識算法

通過濾波的方法可以把改變參數(shù)估計問題轉(zhuǎn)化為狀態(tài)估計問題，依據(jù)飛行器系統(tǒng)實際情況，采用連續(xù)估計模型，并通過離散時間測量和離散濾波算法達到實時效果。針對一般問題，擴展卡爾曼濾波、無跡卡爾曼濾波、自校正濾波等算法均能保持良好的濾波質(zhì)量和收斂速度。其中，自校正濾波采用的現(xiàn)代時間序列分析方法是最優(yōu)濾波的新方法論。基本工具為向量自回歸滑動平均模型(Autoregressive Moving Average，ARMA)， 因其在快速參數(shù)估計上的口碑，本文采用ARMA模型來提高在線估計速度。

現(xiàn)代時間序列分析方法的理論基礎(chǔ)是白噪聲估計理論，利用該理論可以解決狀態(tài)和信號估計問題的機理是：由狀態(tài)空間模型或傳遞函數(shù)模型，可將系統(tǒng)狀態(tài)和信號表為輸入白噪聲、觀測白噪聲和觀測信號三者的線性組合，因而可將狀態(tài)和信號估計問題轉(zhuǎn)化為白噪聲估計和觀測信號預報問題，即狀態(tài)空間模型可按規(guī)則轉(zhuǎn)化為ARMA模型，二者是等價的。用ARMA的遞推辨識器伴隨最優(yōu)濾波器得到自校正濾波器。采用某種辨識方法估計ARMA模型參數(shù)，用其代替真實值代入最優(yōu)濾波器，得到相應(yīng)的次優(yōu)濾波器。如參數(shù)估值收斂，則此次優(yōu)濾波器漸進于相應(yīng)的最優(yōu)濾波器。

(1)ARMA模型

設(shè)系統(tǒng)的隨機輸入e(t)∈Rm為m維白噪聲Ee(t)=0，E[e(t)Te(j)]=Qeδtj，其中δtj=1(t=j)，δtj=0(t≠j)，且輸出y(t)∈Rm，有模型y(t)∈Rm

y(t)+A1y(t-1)+…+Anay(t-na)=
C0e(t)+C1e(t-1)+…+Cnce(t-na)

(2)

其中Ai、Ci為m×m系數(shù)陣，na、nc為模型階次。

引入q-1為滯后算子，滿足

q-1x(t)=x(t-1)

(3)

并引入多項式矩陣

A(q-1)=Im+A1q-1+…+Anaq-na

(4)

C(q-1)=C0+C1q-1+…+Cncq-nc

(5)

則ARMA模型可表示為

A(q-1)y(t)=C(q-1)e(t)

(6)

在不引起混淆的情形下，可省略q-1，記為

Ay(t)=Ce(t)

(7)

(2)狀態(tài)空間模型與ARMA模型的轉(zhuǎn)化

狀態(tài)空間模型與ARMA模型可以相互轉(zhuǎn)化。通過如下轉(zhuǎn)化過程，可將參數(shù)辨識的基本狀態(tài)空間模型轉(zhuǎn)化為ARMA模型，之后可利用估計方法求解。

為了表述方便，首先將狀態(tài)空間模型寫為：

x(t+1)=Φx(t)+Γw(t)

(8)

y(t+1)=Hx(t)+ν(t)

(9)

引入無關(guān)測噪聲信號s(t)=Hx(t)，則有

s(t)=H(In-q-1Φ)-1q-1w(t)

(10)

利用矩陣求逆公式有如下ARMA模型

det(In-q-1Φ)s(t)=Ηadj(In-q-1Φ)-1Γq-1w(t)

(11)

y(t)=s(t)+ν(t)

(12)

現(xiàn)代時間序列分析方法的基本工具是ARMA新息模型，而Kalman濾波的基本工具是Riccati方程的求解。比較構(gòu)造ARMA新息模型和Riccati方程求解的計算量，可以得出結(jié)論：在Kalman濾波方法中，用迭代法求解Riccati方程，要求進行m×m矩陣求逆和n×n矩陣的乘法運算；而現(xiàn)代時間序列分析方法中，用Gevers-Wbuters迭代算法構(gòu)造ARMA新息模型要求m×m矩陣求逆和m×m矩陣的乘法運算。因此當n>m時，通常構(gòu)造ARMA模型的計算量要比求解Riccati方程小。

2.3 在線快速辨識方案設(shè)計

在上述參數(shù)辨識方法的研究基礎(chǔ)上，可設(shè)計采用神經(jīng)網(wǎng)絡(luò)方法結(jié)合SVM方法的在線辨識方案：

1)利用神經(jīng)網(wǎng)絡(luò)進行離線學習，訓練和校核神經(jīng)網(wǎng)絡(luò)模型(或系統(tǒng)動力學模型)的參數(shù)，然后在此基礎(chǔ)上簡化(考慮參數(shù)靈敏度、參數(shù)重要程度、參數(shù)影響程度)和設(shè)計(結(jié)合SVM)在線辨識模型。

2)在線辨識時不再對模型進行復雜訓練，可采用固定參數(shù)、參數(shù)切換和利用SVM在線快速修正幾種不同方式，避免在線進行大量計算且能夠有效節(jié)省存儲空間。其中，將重點研究結(jié)合SVM的神經(jīng)網(wǎng)絡(luò)在線快速修正技術(shù)，即利用SVM的特點，在新的數(shù)據(jù)處于分類間隔外時，不對辨識模型進行修正；反之，通過更新支撐向量的方式快速修正模型。

3)對模型的描述(包括離線模型建立及其訓練階段)采用現(xiàn)代時間序列分析方法，以進一步滿足在線要求，在線計算過程中的優(yōu)化方法也將采用遞推最小二乘、混合蛙跳等計算量較小的方法。

最終采用的在線智能快速氣動參數(shù)辨識方案如圖2所示。

圖2 導彈氣動參數(shù)在線快速辨識方案Fig.2 Project of online missile aerodynamic parameters identification

3 基于小波神經(jīng)網(wǎng)絡(luò)的氣動參數(shù)辨識

本文首先采用神經(jīng)網(wǎng)絡(luò)中的小波網(wǎng)絡(luò)(Wavelet Neural Network, WNN)建模方法進行氣動參數(shù)辨識方法研究。

3.1 小波神經(jīng)網(wǎng)絡(luò)的構(gòu)建

小波建模首先根據(jù)樣本數(shù)據(jù)的時頻特性，初步確定出可用的小波基函數(shù)及其數(shù)目L，然后根據(jù)預測誤差最小的思想將樣本數(shù)據(jù)分成兩部分，進一步按輸出均方誤差準則確定出模型的最優(yōu)小波基數(shù)目S，同時進行優(yōu)選確定相應(yīng)的小波基函數(shù)集，最后，選擇參數(shù)調(diào)整訓練算法確定小波網(wǎng)絡(luò)權(quán)值。

小波網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計中包括隱層節(jié)點數(shù)確定和節(jié)點激勵函數(shù)選取兩個方面。在實際應(yīng)用中，一般選取具有單隱層的3層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。單隱層前向神經(jīng)網(wǎng)絡(luò)對非線性函數(shù)的逼近研究得最早，且理論上早已證明單隱層神經(jīng)網(wǎng)絡(luò)能以任意精度逼近連續(xù)函數(shù)。

常用的激活函數(shù)有δ(x)=1/1+e-x，δ(x)=(ex-e-x)/(ex+e-x)等。小波網(wǎng)絡(luò)與一般前向神經(jīng)網(wǎng)絡(luò)不同之處在于隱層神經(jīng)元的激活函數(shù)為小波函數(shù)，并且每個激活函數(shù)的參數(shù)都不同。

本文選用連續(xù)參數(shù)小波網(wǎng)絡(luò)，即小波參數(shù)(aj,bj)是連續(xù)變化的，單輸入單輸出網(wǎng)絡(luò)模型可表示為：

(13)

wj為輸出變量與第j個小波基之間的連接權(quán)值，aj和bj分別為小波基的伸縮和平移參數(shù)，S為小波基的個數(shù)。上面結(jié)構(gòu)中加入了線性項cx+d,它反映系統(tǒng)的線性特性，這在實際應(yīng)用中是非常有意義的，因為實際系統(tǒng)是線性和非線性的統(tǒng)一，一定條件下可表現(xiàn)出明顯的線性特性，特別是對于導彈氣動系數(shù)的建模，系數(shù)同時具有線性和非線性特性，加入一些具有明確物理意義的線性項是適當?shù)模@既能擴展模型的適用范圍，又能提高建模精度。

對于多輸入多輸出(MIMO)系統(tǒng)建模，可以得到類似的結(jié)構(gòu)形式。因為氣動力系數(shù)模型屬于多輸入多輸出系統(tǒng)，所以下文主要針對MIMO系統(tǒng)的建模展開論述。

設(shè)p維輸入向量為X,X∈Rn,q維輸出向量為Y,小波網(wǎng)絡(luò)的隱層節(jié)點數(shù)量隨輸入維數(shù)p呈指數(shù)級增長。假設(shè)單輸入時隱層節(jié)點數(shù)為n，在p維輸入情況下采用小波基標量積的方式構(gòu)造網(wǎng)絡(luò)結(jié)構(gòu)，即用式(14)構(gòu)造多維小波網(wǎng)絡(luò)隱節(jié)點函數(shù)。

ψ(x1,x2,…,xp)=ψ(x1)ψ(x2)…ψ(xp)

(14)

則所需隱層節(jié)點數(shù)就變?yōu)閚p，隨著輸入維數(shù)的增加，隱層節(jié)點數(shù)將達到很高的數(shù)量級，這就是小波網(wǎng)絡(luò)的所謂“維數(shù)災(zāi)(curse of dimensionality)”問題。

輸入和輸出的關(guān)系式可表示如下：

(15)

Y=W×ψ+CX+D

(16)

其中權(quán)值和參數(shù)矩陣表達式為：

(17)

3.2 小波神經(jīng)網(wǎng)絡(luò)的訓練

訓練采用基于最小二乘的遞推正交最小二乘法(ROLS算法)。正交最小二乘算法雖然避免了求逆矩陣，但當N很大時，QR分解計算量非常大，難于實現(xiàn)在線計算。因此，本小節(jié)將采用ROLS算法來實現(xiàn)QR分解。

(18)

(19)

J(W(n))取極小值的線性輸出權(quán)矩陣W(n)和n組樣本輸入時網(wǎng)絡(luò)輸出與期望輸出的偏差分別計算如下：

(20)

(21)

ROLS訓練的算法程序如下：

可以看到，ROLS算法解決了矩陣H為病態(tài)的問題；W為唯一確定且誤差平方和最小；不需要計算中間步驟的W(n)；每增加一組新數(shù)據(jù)，做L次變換，計算量小，可用于參數(shù)的在線辨識。

4 結(jié)合SVM方法的氣動參數(shù)辨識

在氣動參數(shù)辨識中，可將多個參數(shù)的辨識問題處理為測量值與預測值之間誤差的正負分類，然后利用諸如最小二乘、極大似然、智能算法等方法進行參數(shù)估計。也可按一對其余的或一對一辦法轉(zhuǎn)化為多個二分類問題，再求解對應(yīng)的回歸問題。

4.1 SVM對回歸問題的求解

SVM用于回歸問題的基本思想是：根據(jù)觀測數(shù)據(jù)y=[y1,y2,…,yl]T估計未知函數(shù)f(x,w)的參數(shù)w=[w1,w2,…,wl]T，即

y=f(x,w)+b

(22)

式中，b表示觀測值與預測值間的誤差，x表示特征變量，與對應(yīng)的觀測數(shù)據(jù)y組成訓練數(shù)據(jù)集合，{(x1,y1),(x2,y2),…,(xl,yl)}。

未知函數(shù)項f(x,w)可表示為：

(23)

式中，Φ(·)為將訓練數(shù)據(jù)從輸入空間映射到希爾伯特(Hilbert)空間的函數(shù)。

針對氣動參數(shù)辨識問題，y=[y1,y2,…,yl]T為觀測數(shù)據(jù)，x對應(yīng)于待辨識的參數(shù)(氣動系數(shù)、氣動系數(shù)導數(shù)或模型的參數(shù))，f(x,w)為未知的，用于描述待辨識參數(shù)和觀測數(shù)據(jù)之間關(guān)系的函數(shù)。

用于回歸問題的SVM又稱支撐向量回歸機(Support Vector Regression, SVR)，其模型可表示為：

(24)

式中，ε表示SVR預測值與實際值之間的最大誤差。在ε合適的情況下，式(24)可得可行解。二維平面下的幾何意義是所有訓練點都應(yīng)該在回歸直線的ε之內(nèi)。

在實際應(yīng)用中，存在干擾、誤差等各種因素，通常不能夠求出可行解。因此，引入ξ、ξ*容許少量實例的訓練誤差落到ε外：

(25)

其中，每個訓練實例都有對應(yīng)的ξ、ξ*，用于確定該實例的訓練誤差是否落在ε之外，懲罰系數(shù)C用于調(diào)節(jié)訓練模型，避免模型過擬合或欠擬合。

式(25)是定義在Hilbert空間上的凸二次規(guī)劃問題，難以直接求解。引入拉格朗日乘子a、a*、β、β*，得到拉格朗日方程：

(26)

當拉格朗日函數(shù)對個變量的1階偏導數(shù)等于0時，原問題的目標函數(shù)取最小值，即：

(27)

可得到回歸估計函數(shù)的參數(shù)：

(28)

同時得到了原優(yōu)化問題的對偶問題：

(29)

(30)

從而有未知函數(shù)可寫為：

(31)

為了便于計算，通常將Φ(xi)TΦ(x)用核函數(shù)代替，即：

K(xi,x)=〈Φ(xi)TΦ(x)〉

(32)

于是有

(33)

(34)

(35)

從而得到回歸估計函數(shù)為：

(36)

在諸多核函數(shù)中，采用徑向基核函數(shù)(Radial Biasis Kernel Function，RBF)的SVM對非線性系統(tǒng)有較好的逼近能力。所以在對非線性系統(tǒng)進行黑箱辨識時，選取RBF核函數(shù)的精度比較高，而對于線性系統(tǒng)進行參數(shù)辨識時，多采用線性核函數(shù)。

4.2 基于SVM的小子樣修正問題

氣動參數(shù)辨識中往往會面臨樣本數(shù)不充足的問題，此時可采用基于SVM的小樣本修正。利用已有的小樣本數(shù)據(jù)作為SVM的原始訓練樣本，采用網(wǎng)格搜索法尋找SVM的最優(yōu)參數(shù)，繼而用訓練后的模型對小樣本數(shù)據(jù)進行預測擴充，最后利用擴充的樣本進行可靠性參數(shù)估計。方法利用了SVM在處理小樣本回歸問題上的優(yōu)勢，無需先驗知識，有效改善了最小二乘參數(shù)估計對樣本容量非常敏感的問題。

5 飛行器在線參數(shù)辨識仿真結(jié)果對比

仿真工況設(shè)置如下：

1)飛行器為再入飛行器，保持縱平面內(nèi)飛行；

2)飛行器外形為軸對稱，橫截面為半橢圓形；

3)仿真中所用飛行器氣動數(shù)據(jù)以CFD軟件仿真結(jié)果為“真實值”，離線訓練數(shù)據(jù)用“真實值”+單向20%均值隨機偏差獲得；歷史飛行數(shù)據(jù)用“真實值”+10%單向隨機偏差生成；實際飛行數(shù)據(jù)分為兩組，第一組與歷史飛行數(shù)據(jù)生成方法一致，第二組在“真實值”基礎(chǔ)上附加單向5%隨機偏差，用于考核在線修正性能。上述偏差均為正態(tài)分布。

4)離線樣本數(shù)每次仿真使用10000組；歷史飛行數(shù)據(jù)樣本數(shù)每次仿真使用10～100組；實際飛行數(shù)據(jù)每次使用1組。

5)本文重點分析各辨識算法，尤其是智能方法在在線氣動參數(shù)辨識的可用情況，因此，將氣動力和氣動力矩模型簡化至1階。

6)用于對比的辨識方法包括：傳統(tǒng)的最小二乘準則及最小二乘優(yōu)化、傳統(tǒng)極大似然準則及優(yōu)化方法、極大似然準則加粒子群優(yōu)化、單層小波神經(jīng)網(wǎng)絡(luò)、結(jié)合SVM方法可在線調(diào)整參數(shù)的神經(jīng)網(wǎng)絡(luò)、利用SVM擴充樣本的神經(jīng)網(wǎng)絡(luò)。

經(jīng)過1000次仿真后，分別對0階氣動力、0階氣動力矩、1階氣動力、1階氣動力矩參數(shù)的辨識結(jié)果進行統(tǒng)計，求取相對于“真實值”的誤差均值，最終得到的對比結(jié)果如表1～表4所示。

表1 0階氣動力參數(shù)辨識對比(3σ)

表2 0階氣動力矩參數(shù)辨識對比(3σ)

表3 1階氣動力參數(shù)辨識對比(3σ)

表4 1階氣動力矩參數(shù)辨識對比(3σ)

可以看到，利用神經(jīng)網(wǎng)絡(luò)的智能參數(shù)辨識方法與“真實值”相比的辨識精度上比傳統(tǒng)方法有3%～10%的提高。并且，辨識結(jié)果相對真實值的誤差與生成離線訓練數(shù)據(jù)相對“真實值”增加的偏差均值(20%)更為接近，說明利用神經(jīng)網(wǎng)絡(luò)能夠更好地擬合復雜的氣動模型。

表5中的數(shù)據(jù)是在相同的配置和仿真試驗條件下獲得的，其中離線訓練采用10000組數(shù)據(jù)、離線修正采用100組數(shù)據(jù)。在線辨識速度給出的是連續(xù)運行1000組仿真的平均時耗。

表5 氣動參數(shù)辨識效率對比

可以看到，雖然利用神經(jīng)網(wǎng)絡(luò)的智能方法需要較長的訓練時間，但其在線運算速度耗時很少。建模時采用ARMA模型的現(xiàn)代時間序列分析能夠稍微提高傳統(tǒng)辨識的速度，但相對于不需要在線訓練或采用簡化在線調(diào)整的智能辨識方法，辨識速度的提升很有限。

6 結(jié)論

本文研究了基于智能方法的飛行器氣動參數(shù)在線快速辨識問題。首先給出了基于智能方法參數(shù)辨識的辨識流程，然后在此基礎(chǔ)上，從簡化模型、提升算法效率、設(shè)計合理辨識流程3方面出發(fā)設(shè)計了氣動參數(shù)智能在線辨識方案。然后，本文給出了基于小波神經(jīng)網(wǎng)絡(luò)的氣動參數(shù)辨識模型，并結(jié)合辨識流程和方案，將SVM方法引入智能氣動參數(shù)辨識過程中。最后，在給定的假設(shè)條件和仿真工況下，進行了大量的仿真并對結(jié)果進行了統(tǒng)計。結(jié)果表明，本文提出的氣動參數(shù)智能在線快速辨識方案辨識精度比傳統(tǒng)方法提高了3%～10%，且對訓練數(shù)據(jù)的擬合精度更高；同等條件下，智能在線快速辨識的時耗僅為傳統(tǒng)方法的1/10左右,說明本文提出的智能氣動參數(shù)在線快速辨識方案具有較高的應(yīng)用價值。