基于双BP神经网络的扑翼飞行器气动参数辨识

发布时间：2021-06-05 14:45

　　针对扑翼飞行器面向控制建模时无法直接测量气动参数并精确建立气动模型的问题,传统BP网络辨识法依据扑翼飞行器试飞数据,使用BP网络计算当前气动参数,再结合扑翼飞行器动力学模型计算其飞行状态,与试飞数据比较后,将误差经扑翼飞行器动力学模型反向传播至BP网络来更新网络参数。实验表明传统方法计算精度较低,且动力学模型复杂度高,存在梯度消失问题,为此提出一种基于双BP神经网络的气动参数辨识方法。该方法首先采用一个BP网络对扑翼飞行器动力学模型进行逆向辨识,为后续气动参数辨识提供理想网络计算模型,再结合批量随机梯度下降法用另一BP网络将扑翼飞行器柔性等非线性因素综合到待辨识气动模型中,实现扑翼飞行器气动参数辨识。实验结果表明所提双BP神经网络法在辨识精度、模型复杂度和模型训练时间等方面均优于传统BP网络法。 

【文章来源】：计算机应用. 2019,39(S2)北大核心CSCD

【文章页数】：4 页

【部分图文】：

图2 双BP神经网络整体辨识结构

各方向速度辨识结果

图3 各方向速度辨识结果根据以上辨识结果,利用文中所提方法辨识出的BP_NN1气动参数模型进行计算,得到的气动参数再经扑翼飞行器理想动力学模型计算后的飞行状态数据与实测数据基本吻合。图中各状态数据所对应的平均相对辨识误差分别为0.12%,1.19%,1.38%,0.01%,2.65%,1.35%。其中, Z方向速度和Y方向角速度辨识误差相对较高,经分析与扑翼飞行器实际飞行过程中机翼的扑动运动产生的扰动有关,导致这两个状态量自身波动较大,辨识误差也相应增大。综上,从对实测数据的整体辨识结果来看,文中所提的双BP神经网络模型能够有效辨识出扑翼飞行器的气动参数。

【参考文献】：
期刊论文
[1]基于飞行试验的无人机气动参数辨识[J]. 亓国栋,于剑桥,陈方正,蒋军.  弹箭与制导学报. 2019(02)
[2]一种改进的扩展卡尔曼滤波气动参数辨识方法[J]. 罗鹏,杨华,陈伟芳.  工业控制计算机. 2018(12)
[3]飞行器气动参数智能在线辨识技术研究[J]. 浦甲伦,韩业鹏,张亮.  宇航总体技术. 2018(06)
[4]微型仿生扑翼机控制器设计[J]. 贺雪晨,周超英,汪超.  电子设计工程. 2018(16)
[5]基于深度残差生成对抗网络的医学影像超分辨率算法[J]. 高媛,刘志,秦品乐,王丽芳.  计算机应用. 2018(09)
[6]基于BP神经网络的机械臂视觉伺服控制[J]. 杨马英,葛轶众.  计算机应用. 2017(S2)
[7]基于遗传算法的弹道参数辨识方法研究[J]. 杜昌平,周德云,宋笔锋,张浩峰.  西北工业大学学报. 2008(03)

博士论文
[1]小批量随机梯度下降算法在地震成像中的应用[D]. 潘磊.中国科学技术大学 2018

硕士论文
[1]基于仿生学的微扑翼飞行器控制技术研究[D]. 张明伟.西北工业大学 2007



本文编号：3212362