CN112699624B - 一种恶劣气象条件下的弹道解算方法 - Google Patents
一种恶劣气象条件下的弹道解算方法 Download PDFInfo
- Publication number
- CN112699624B CN112699624B CN202110310653.XA CN202110310653A CN112699624B CN 112699624 B CN112699624 B CN 112699624B CN 202110310653 A CN202110310653 A CN 202110310653A CN 112699624 B CN112699624 B CN 112699624B
- Authority
- CN
- China
- Prior art keywords
- severe
- ballistic
- model
- meteorological
- meteorology
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 24
- 230000006870 function Effects 0.000 claims abstract description 31
- 238000003909 pattern recognition Methods 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 230000008447 perception Effects 0.000 claims abstract description 9
- 230000007613 environmental effect Effects 0.000 claims abstract description 5
- 238000010801 machine learning Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 16
- 230000016507 interphase Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 9
- 239000012530 fluid Substances 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 9
- 230000009021 linear effect Effects 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 239000004576 sand Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000011541 reaction mixture Substances 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Geometry (AREA)
- Operations Research (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Fluid Mechanics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种恶劣气象条件下的弹道解算方法,包括步骤:(1)针对各种典型恶劣气象对飞行弹箭弹道的影响进行分类,确定是直接影响弹箭的阻力和升力,或仅是对环境参数有影响;(2)根据各种恶劣气象的特点,提取出恶劣气象的气象学特征;(3)建立各种恶劣气象关于弹道气象参数的特征函数,获取弹道模型所涉及气象参数与恶劣气象之间的内在关联;(4)利用感知机学习算法建立各种恶劣气象的识别模型;(5)将恶劣气象的模式识别模型与弹道模型联立,得到可计及恶劣气象条件影响的弹道解算模型;(6)将弹道解算模型与短临预报***提供的信息相结合,来进一步优化弹道解算结果。
Description
技术领域
本发明涉及弹道解算方法,尤其涉及一种恶劣气象条件下的弹道解算方法。
背景技术
各类弹箭在大气中飞行的运动规律受到气象条件的影响,气象条件主要是通过空气动力影响飞行特性。现有的弹道解算和修正均是在常规气象条件下进行的,而对于飓风、暴雨以及沙尘暴等恶劣气象条件,则缺乏相应的弹道解算方法,导致在恶劣气象条件下的性能受限,影响弹箭打击精度或人工降雨等民用弹箭的使用效率。
发明内容
发明目的:本发明的目的是提供一种计及气象条件影响飞行特性的恶劣气象条件下的弹道解算方法。
技术方案:本发明的弹道解算方法,通过将恶劣气象的模式识别模型与弹道模型联立,得到可计及恶劣气象条件影响的弹道解算模型;步骤如下:
(1)针对恶劣气象对飞行弹箭弹道的影响进行分类,确定是直接对弹箭的阻力和升力有影响,或仅是对环境参数有影响;
(2)根据恶劣气象的特点,提取出恶劣气象的气象学特征;
(3)建立各种恶劣气象关于弹道气象参数的特征函数,获取弹道模型所涉及气象参数与恶劣气象之间的内在关联;
(4)利用感知机学习算法建立各种恶劣气象的模式识别模型;
(5)将恶劣气象的模式识别模型与弹道模型联立,得到可计及恶劣气象条件影响的弹道解算模型;
(6)将弹道解算模型与短临预报***提供的信息相结合,进一步优化弹道解算结果。
进一步,步骤(1)中,所述的恶劣气象分类中,采用气动力数值模拟、多相流动数值
模拟,在不同条件下,分析恶劣气象对作用在弹箭上的力和力矩的影响;同时采用气象学和
弹道学分析各种恶劣气象对飞行环境参数的影响;所述的不同条件为不同的马赫数、雷诺
数、飞行攻角、姿态角;采用非均相流模型对每一相单独求解,考虑相间作用力,同时在空化
流动中涉及到相间质量传输,加入相间传输项以及其引起的动量修正源项,得到第项的
控制方程为:
进一步,步骤(3)中,所述的弹道模型与恶劣气象的内在关联中,提取出用弹道气象参数来描述的恶劣气象特征,弹道参数受多种气象因素共同作用,设定弹道气象参数是气象因素的连续光滑函数,表达为如下形式:
其中,为泰勒展开式的第一项,为泰勒展开式第二项,以此类推
至的前一项为泰勒展开式的第项,为泰勒展开式的余项。当气象因素
对弹道气象参数有影响时,且存在线性与非线性影响,所述 Taylor展开式保留至二次项。
进一步,步骤(4)中,实现恶劣气象的模式识别模型步骤如下:
(42)定义一个损失函数:
当样本被分类正确时,输出为负值,反之,为正值;
(44)将步骤(3)中所建立的不同恶劣气象的特征函数提取特征值构建训练数据集,感知机学习算法通过训练学习该数据集,建立各种恶劣气象的模式识别模型。
进一步,步骤(5)中,将恶劣气象预报数据作为步骤(4)中恶劣气象的模式识别模型输入,经恶劣气象的模式识别模型输出,得到匹配的弹道气象参数,完成恶劣气象条件下的弹道解算模型的建立。
进一步,步骤(6)中,采用无迹卡尔曼滤波算法对实测弹道数据进行迭代处理,并将每次迭代所得修正系数和状态变量的估计均方误差作为下次迭代的初值,直至满足迭代终止条件。
本发明与现有技术相比,其显著效果如下:1、基于气象学和弹道学分析不同恶劣气象对飞行弹箭的影响,建立各种恶劣气象关于弹道气象参数的特征函数;2、通过将恶劣气象的识别模型与弹道模型联立,得到可计及恶劣气象条件影响的弹道解算模型,从而显著提高恶劣气象条件下的弹道解算精度。
附图说明
图1为本发明的总流程框图。
具体实施方式
下面结合说明书附图和具体实施方式对本发明做进一步详细描述。
首先,针对各种典型恶劣气象对飞行弹箭的影响进行分类。
有些恶劣气象与弹箭存在直接作用的关系,如飓风、暴雨及沙尘暴,将直接影响弹箭的阻力和升力,只是影响的程度和机理有所不同,同时它们也对飞行环境参数(如湿度、压力、密度、大气环流等)产生影响,从而进一步影响飞行性能;有些恶劣气象如雷电、雾霾等,与弹箭之间并无直接作用,但对飞行环境参数有影响,故间接影响其弹道性能。
其次,根据各种恶劣气象的特点,提取出恶劣气象的气象学特征,在此基础上建立各种恶劣气象关于弹道气象参数的特征函数,探明弹道模型所涉及气象参数与恶劣气象之间的内在关联。
再次,利用感知机学习算法建立恶劣气象的模式识别模型,将该模式识别模型与弹道模型联立,得到可计及恶劣气象条件影响的弹道解算模型。
最后,将弹道解算模型与短临预报***提供的信息相结合,来进一步优化弹道解算结果。
如图1所示为总流程框图,包含三个核心环节:
第一个核心环节是确定飓风、暴雨及沙尘暴等恶劣气象对弹箭的直接影响,采用气动力数值模拟、多相流动数值模拟等在不同条件下(如不同马赫数、雷诺数、飞行攻角、姿态角等)分析这些恶劣气象对作用在弹箭上的力和力矩的影响。
第二个核心环节是确定各种恶劣气象对飞行环境参数的影响,主要是采用气象学和弹道学的相关分析方法进行研究。
第三个核心环节是建立恶劣气象与弹道模型之间的关联,需要在前面两个核心环节的基础上,提取出可以用弹道气象参数来描述的恶劣气象特征,建立相应的特征函数,利用神经网络感知机学习算法建立适配的恶劣气象的模式识别模型,该模式识别模型与弹道模型耦合使用。恶劣气象预报数据作为该模式识别模型的输入,经模式识别模型转化输出,可得到匹配的弹道气象参数,完成恶劣气象条件下的弹道解算。
本发明弹道解算方法的详细步骤如下:
步骤1,针对各种典型恶劣气象是直接影响弹箭的阻力和升力,还是仅是对环境参数有影响,对典型恶劣气象进行分类。
采用气动力数值模拟、多相流动数值模拟等在不同条件下(如不同马赫数、雷诺
数、飞行攻角、姿态角等)分析这些恶劣气象作用在弹箭上的力和力矩。多相流动过程受到
基本的流体力学规律控制,其流动满足纳斯-斯托克斯方程(方程),但若直接求解方程计算量会过大,因此本发明引入非均相流模型来简化数值计算。非均相流模型对
每一相单独求解,需考虑相间作用力,同时在空化流动中涉及到相间质量传输,需加入相间
传输项以及其引起的动量修正源项,此时第k项的控制方程为:
动量方程为:
公式(2)中,为压力,为第相介质相对于水平分量的速度,为
第相介质相对于竖直分量的速度,为流体在水平方向上的分量,为流体在竖
直方向上的分量,为第相动力粘度,为湍流粘性系数,为竖直方向上水平
与铅直方向的分量,为与叶轮旋转有关的质量力,为第相中外部体积力,为其他相对第相的作用力,为由于相间质量输运引起的动量输运项;分别表示直角坐标中水平、铅直和竖直分量。通过公式(1)、(2)所组建的模型进行
多相流动数值模拟,用以分析恶劣气象作用在弹箭上的力和力矩。
同时采用气象学和弹道学分析各种恶劣气象对飞行环境参数造成的数值改变量。大气的主要物理特性之一是大气湍流特性,实际大气是湍流大气,大气运动实际是混***杂、迅速变化的扰动运动。为了分析各种恶劣气象对飞行环境参数造成的数值改变,首先用同一点不同时间(截口)的相关函数描述湍流场的结构,大气湍流属于平稳随机过程,并具有“各态历经”性质,故可按充分长时间求平均得到的相关函数来代替按全部观测值求得的相关函数,即
方差为:
步骤2,根据各种恶劣气象的特点,提取出恶劣气象的风、气压以及虚温等气象学特征。
步骤3,通过线性或非线性回归建立各种恶劣气象关于弹道气象参数的特征函数,获取弹道模型所涉及气象参数与恶劣气象之间的内在关联。
弹道模型与恶劣气象的内在关联中,首先提取出可以用弹道气象参数来描述的恶劣气象特征,弹道参数受多种气象因素共同作用,假设弹道气象参数是影响因素的连续光滑函数,可表达为如下形式:
公式(7)中,为泰勒展开式的第一项,为泰勒展开式第二
项,以此类推至的前一项为泰勒展开式的第项,为泰勒展开式的余项。
当影响因素(如:风)对弹道气象参数影响较大时,即同时存在线性与非线性影响,将上述
Taylor展开式保留至二次项即可,从而建立相应的特征函数,然后利用神经网络感知机学
习算法,通过训练学习建立适配的模式识别模型。
步骤4,利用感知机学习算法通过训练学习建立各种恶劣气象的模式识别模型。建立方法如下:
(42)损失函数的建立。在数据集线性可分的前提下,感知机的学***面,为了找到这个超平面,需定义一个损失函数:
当样本被分类正确时,输出为负值;反之,为正值;也即损失函数的最小值意味着最多的正确分类点。
(44)模式识别模型的建立。将步骤3中所建立的不同恶劣气象的特征函数提取特征值构建训练数据集,感知机学习算法通过训练学习该数据集,即可建立各种恶劣气象的模式识别模型。
步骤5,将恶劣气象的模式识别模型与弹道模型联立,得到可计及恶劣气象条件影响的弹道解算模型。
将恶劣气象预报数据作为步骤4中恶劣气象的模式识别模型的输入,经模式识别模型输出,可得到匹配的弹道气象参数,从而完成恶劣气象条件下的弹道解算。
步骤6,利用短临预报***提供的信息修正弹道解算,来进一步优化弹道解算结果。
Claims (5)
1.一种恶劣气象条件下的弹道解算方法,其特征在于,通过将恶劣气象的模式识别模型与弹道模型联立,得到计及恶劣气象条件影响的弹道解算模型,包括步骤如下:
(1)针对恶劣气象对飞行弹箭弹道的影响进行分类,确定是直接对弹箭的阻力和升力有影响,或仅是对环境参数有影响;
(2)根据恶劣气象的特点,提取出恶劣气象的气象学特征;
(3)建立各种恶劣气象关于弹道气象参数的特征函数,获取弹道模型所涉及气象参数与恶劣气象之间的内在关联;
所述的弹道模型与恶劣气象的内在关联中,提取出用弹道气象参数来描述的恶劣气象特征,弹道参数受多种气象因素共同作用,设定弹道气象参数是气象因素的连续光滑函数,表达为如下形式:
L=L(x1,x2,...,xn)
其中,L为弹道气象参数;xc为步骤(2)中提取的气象学特征;c=1,2,...,n,n为气象参数的总数;表达式在零点处Taylor展开:
其中,L(0)为泰勒展开式的第一项,为泰勒展开式第二项,以此类推至Rn(L)的前一项为泰勒展开式的第n项,Rn(L)为泰勒展开式的余项。当气象因素xc对弹道气象参数有影响时,且存在线性与非线性影响,所述Taylor展开式保留至二次项;
(4)利用感知机学习算法建立各种恶劣气象的模式识别模型;
(5)将恶劣气象的模式识别模型与弹道模型联立,得到计及恶劣气象条件影响的弹道解算模型;
(6)将弹道解算模型与短临预报***提供的信息相结合,进一步优化弹道解算结果。
2.根据权利要求1所述的恶劣气象条件下的弹道解算方法,其特征在于,步骤(1)中,所述的恶劣气象分类中,采用气动力数值模拟、多相流动数值模拟,在不同条件下,分析恶劣气象对作用在弹箭上的力和力矩的影响;同时采用气象学和弹道学分析各种恶劣气象对飞行环境参数的影响;所述的不同条件为不同的马赫数、雷诺数、飞行攻角、姿态角;采用非均相流模型对每一相单独求解,考虑相间作用力,同时在空化流动中涉及到相间质量传输,加入相间传输项以及其引起的动量修正源项,得到第k项的控制方程为:
3.根据权利要求1所述的恶劣气象条件下的弹道解算方法,其特征在于,步骤(4)中,实现恶劣气象的模式识别模型步骤如下:
(41)通过感知机模型对应一个n维特征空间的超平面w·x+b=0,感知机模型为:
f(x)=sign(w·x+b)
其中,f(x)为输出空间,x为输入空间,w为权值或权值向量,w(w1,w2,w3,...,wv)用来表示各个输入对于输出的重要程度,v为权值总数;b为偏置,用来调整整体结果和阈值之间的关系;sign(x)为符号函数;
(42)定义一个损失函数:
L(w,b)=-∑yl(w·xl+b)
其中,(xl,yl)为第l组数据的输入和输出,(w·xl+b)是根据当前模型对x做出的预测值,yl是对应于xl的真实值;
当样本被分类正确时,输出为负值,反之,为正值;
(43)损失函数最小值求解:采用梯度下降法,通过不断改变w和b的值,使损失函数L(w,b)变得越来越小;随机选取一个误分类点(xl,yl),对w和b进行更新,直到训练集中误分类点个数低于阈值为止;最终更新后的w和b带入感知机模型;
(44)将步骤3中所建立的不同恶劣气象的特征函数提取特征值构建训练数据集,感知机学习算法通过训练学习该数据集,建立各种恶劣气象的模式识别模型。
4.根据权利要求1所述的恶劣气象条件下的弹道解算方法,其特征在于,步骤(5)中,将恶劣气象预报数据作为步骤(4)中恶劣气象的模式识别模型的输入,经恶劣气象的模式识别模型输出,得到匹配的弹道气象参数,完成恶劣气象条件下的弹道解算模型的建立。
5.根据权利要求1所述的恶劣气象条件下的弹道解算方法,其特征在于,步骤(6)中,采用无迹卡尔曼滤波算法对实测弹道数据进行迭代处理,并将每次迭代所得修正系数和状态变量的估计均方误差作为下次迭代的初值,直至满足迭代终止条件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110310653.XA CN112699624B (zh) | 2021-03-24 | 2021-03-24 | 一种恶劣气象条件下的弹道解算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110310653.XA CN112699624B (zh) | 2021-03-24 | 2021-03-24 | 一种恶劣气象条件下的弹道解算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112699624A CN112699624A (zh) | 2021-04-23 |
CN112699624B true CN112699624B (zh) | 2021-06-22 |
Family
ID=75515574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110310653.XA Active CN112699624B (zh) | 2021-03-24 | 2021-03-24 | 一种恶劣气象条件下的弹道解算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112699624B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102854884A (zh) * | 2011-06-30 | 2013-01-02 | 通用电气公司 | 与飞行器轨迹有关的气象数据选择 |
CN104965418A (zh) * | 2015-06-01 | 2015-10-07 | 北京航空航天大学 | 一种基于弹道阻尼控制和热流解析预测的引入段制导方法 |
CN108919829A (zh) * | 2018-07-16 | 2018-11-30 | 福州日兆信息科技有限公司 | 无人机应对恶劣环境的自适应决策方法及相应的无人机 |
CN110006296A (zh) * | 2019-03-29 | 2019-07-12 | 河北省人工影响天气办公室 | 人工增雨防雹火箭弹播撒作业跟踪监控及弹道纠偏*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103902753A (zh) * | 2012-12-28 | 2014-07-02 | 西安远景动力模拟技术有限公司 | 飞行模拟器中建立飞行结冰降阶模型的方法 |
CN108121856B (zh) * | 2017-12-06 | 2020-08-04 | 中国科学院力学研究所 | 一种全飞行域飞行器动稳定性分析方法 |
CN108491650B (zh) * | 2018-03-29 | 2021-05-18 | 北京理工大学 | 一种基于智能学习的火星进入终端状态高效评估方法 |
-
2021
- 2021-03-24 CN CN202110310653.XA patent/CN112699624B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102854884A (zh) * | 2011-06-30 | 2013-01-02 | 通用电气公司 | 与飞行器轨迹有关的气象数据选择 |
CN104965418A (zh) * | 2015-06-01 | 2015-10-07 | 北京航空航天大学 | 一种基于弹道阻尼控制和热流解析预测的引入段制导方法 |
CN108919829A (zh) * | 2018-07-16 | 2018-11-30 | 福州日兆信息科技有限公司 | 无人机应对恶劣环境的自适应决策方法及相应的无人机 |
CN110006296A (zh) * | 2019-03-29 | 2019-07-12 | 河北省人工影响天气办公室 | 人工增雨防雹火箭弹播撒作业跟踪监控及弹道纠偏*** |
Non-Patent Citations (3)
Title |
---|
Verifiable(t,n)threshold quantum secret sharing using d-dimensional Bell state;Huawang Qin,etc;《Information Processing Letters》;20160115;第351页至355页 * |
弹道解算用数值天气预报风修正系数辨识;曹树新等;《弹道学报》;20201231;第32卷(第4期);第34页至38页 * |
非标准气象条件下的平行接近法导引导弹仿真;苏明臣等;《空军工程大学学报(自然科学版)》;20150228;第16卷(第1期);第37页至41页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112699624A (zh) | 2021-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111291505B (zh) | 一种基于深度置信网络的翼型结冰冰形预测方法及装置 | |
CN108596327B (zh) | 一种基于深度学习的地震速度谱人工智能拾取方法 | |
CN107766668B (zh) | 一种基于神经网络的复杂仿真模型验证方法 | |
CN112668104B (zh) | 一种高超声速飞行器气动参数在线辨识方法 | |
CN109634309B (zh) | 一种飞行器自主避障***、方法及飞行器 | |
CN112084727A (zh) | 一种基于神经网络的转捩预测方法 | |
CN110443448B (zh) | 一种基于双向lstm的飞机机位分类预测方法和*** | |
CN113777931B (zh) | 结冰翼型气动模型构造方法、装置、设备及介质 | |
CN108983800A (zh) | 一种基于深度学习的飞机姿态控制方法 | |
CN104008402A (zh) | 一种基于改进som算法的地基云图识别方法 | |
Szilder et al. | The influence of ice accretion on the aerodynamic performance of a UAS airfoil | |
CN115880497A (zh) | 基于自编码器结合多层感知机的翼型结冰冰形预测方法 | |
CN113221237B (zh) | 一种基于降阶建模的大迎角颤振分析方法 | |
CN111539302A (zh) | 基于多尺度深层扰动神经网络的玻璃绝缘子自爆识别方法 | |
CN115204041A (zh) | 一种大型航空器进场和进近阶段耗油量预测方法 | |
CN112699624B (zh) | 一种恶劣气象条件下的弹道解算方法 | |
CN113051820A (zh) | 基于卷积神经网络的跨流域气动参数模拟方法 | |
Choi et al. | Information-maximizing adaptive design of experiments for wind tunnel testing | |
CN117113870A (zh) | 一种考虑风干扰的固定翼飞行器气动力建模方法 | |
CN116304966A (zh) | 基于多源数据融合的航迹关联方法 | |
CN113570120A (zh) | 基于改进粒子群算法的风电功率预测方法及装置 | |
CN108960406B (zh) | 一种基于bfo小波神经网络的mems陀螺随机误差预测方法 | |
CN112348700A (zh) | 一种结合som聚类与ifou方程的线路容量预测方法 | |
Akbal et al. | In Flight Ice Shape Prediction with Data Fit Surrogate Models | |
CN103902753A (zh) | 飞行模拟器中建立飞行结冰降阶模型的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |