CN114004023A - 一种基于循环神经网络的飞行器气动参数辨识的方法 - Google Patents
一种基于循环神经网络的飞行器气动参数辨识的方法 Download PDFInfo
- Publication number
- CN114004023A CN114004023A CN202111249073.0A CN202111249073A CN114004023A CN 114004023 A CN114004023 A CN 114004023A CN 202111249073 A CN202111249073 A CN 202111249073A CN 114004023 A CN114004023 A CN 114004023A
- Authority
- CN
- China
- Prior art keywords
- aerodynamic
- neural network
- flight
- recurrent neural
- aircraft
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 34
- 230000000306 recurrent effect Effects 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- IOVGROKTTNBUGK-SJCJKPOMSA-N ritodrine Chemical compound N([C@@H](C)[C@H](O)C=1C=CC(O)=CC=1)CCC1=CC=C(O)C=C1 IOVGROKTTNBUGK-SJCJKPOMSA-N 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 230000014509 gene expression Effects 0.000 claims description 3
- 238000011160 research Methods 0.000 description 6
- 125000004122 cyclic group Chemical group 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005034 decoration Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000004088 simulation 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]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Optimization (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Fluid Mechanics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
Abstract
本发明公开了一种基于循环神经网络的飞行器气动参数辨识的方法。该方法步骤如下：1）利用训练级模拟器结合飞行模拟软件进行模拟飞行试验获取飞行数据；2）以飞行器刚体六自由度动力学方程组作为***的状态方程，根据试验获取的数据计算得到对应的气动力及气动力矩；3）以迎角和侧滑角等飞行数据作为输入，以步骤二计算得到的气动参数作为基准数据，利用结合实时递归学习算法的循环神经网络进行训练，得到气动参数辨识模型；4）选取未参与模型训练的飞行数据载入步骤三得到的循环神经网络气动参数辨识模型进行参数辨识，得到对应的气动力及气动力矩。本发明所建立的参数辨识模型具有较好的适用性，能够针对空气动力完成精准建模，可以推广应用。
Description
技术领域
本发明涉及飞行器气动参数辨识领域，具体涉及一种基于循环神经网络的飞行器气动参数辨识的方法。
背景技术
飞行器是个极其复杂的***，而随着对飞行器研究的进展，获得其准确的空气动力特性是建立其飞行器模型、设计性能优良的飞行器控制***的重要前提和基础。而获取飞行器空气动力特性有三种方法:理论计算、风洞试验和飞行器试验。在研制飞行器的过程中，采用理论计算的手段，可以大大降低设计周期和研发成本，但理论计算受限于不完善的理论研究和计算机的计算能力，并不能完全替代另外两种方式。风洞试验与飞行试验相比，风洞试验花钱少且灵活性较大，但是风洞试验的雷诺数较低，存在洞壁干扰和支架干扰，具有一定的局限性。
由于飞行器风洞试验的局限性以及理论计算受限于不完善的理论研究，所以应用气动参数辨识技术从飞行试验数据中获得飞行器模型的各个气动参数，现己成为飞行器设计和研究中不可分割的一部分。飞行器***辨识是将飞行器视作研究目标，借助空气动力学等相关理论知识，将参数估计等控制论作为主要研究方法，基于飞行数据获得气动参数，以此完成动力学模型的构建。在飞行试验测试手段日益发展的今天，从传感器信号调节、数据采集，到数据记录和处理，都己经具备了精度高、速度快的特点，如何准确、迅速地将真实的飞机气动特性从繁多地试验数据结果中分离出来，从而确定飞机的气动模型，已经成为从事飞行试验数据处理分析人员急需解决的问题。因此，研究飞机参数辨识方法来确定飞机气动参数，寻求一种准确、迅速的将真实的飞机气动特性从试验结果中分离出来的方法，对缩短数据处理时间和减少飞行试验周期等具有较大的应用价值。
发明内容
针对现有技术的不足，本发明提供了一种基于循环神经网络的飞行器气动参数辨识的方法，其能方便快捷的辨识出气动力和气动力矩，针对空气动力完成精准建模。
为实现上述目的，本发明采取的技术方案为：
一种基于循环神经网络的飞行器气动参数辨识的方法，包括以下步骤：
1)利用训练级模拟器结合飞行模拟软件进行模拟飞行试验获取飞行数据；
2)以飞行器刚体六自由度动力学方程组作为***的状态方程，根据步骤1)中获取的部分飞行数据计算得到对应的气动力及气动力矩；
3)输入步骤1中获取的部分飞行数据，所述数据包括海拔、空速、迎角、侧滑角、滚转、俯仰和偏航角速度、升降舵、副翼、方向舵和襟翼舵偏角，以步骤2)计算得到的气动力及气动力矩作为基准数据，利用结合实时递归学习算法的循环神经网络以及扩展卡尔曼滤波进行训练，得到循环神经网络气动参数辨识模型；
4)选取步骤1)中未参与步骤3)的模型训练的飞行数据载入步骤3)得到的循环神经网络气动参数辨识模型进行参数辨识，得到对应的气动力及气动力矩。
优选地，步骤1)中利用训练级模拟器结合飞行模拟软件进行模拟飞行试验获取飞行数据的具体步骤如下：采用塞斯纳172型飞行模拟器结合Prepar 3D软件，在VS2015平台上打开Prepar 3D的SIMConnect.Samples，然后生成应用程序DataHarvester.exe，运行飞行器进行飞行试验并记录飞行数据，若飞行试验符合数据获取的要求，则得到对应的飞行试验数据DataHarvester.csv，如不符合要求，则需删除文件夹下的.csv文件，重新进入飞行试验直至满足数据获取要求。
优选地，步骤2)所述的气动力及气动力矩的表达式如下所示：
其中，CA、CY、CN为气动力系数，Cl、Cm、Cn为气动力矩系数，T为发动机推力，ψT、
为发动机安装角，nx、ny、nz为三个体轴方向的过载分量，S为机翼面积，q∞为动压，Ix、Iy、Iz为飞机对体轴的惯量矩，Ixz为飞机对体轴的惯量积。
优选地，步骤3)中，首先针对飞行器气动参数辨识问题选择人工神经网络的方法，由于飞行器***随时间动态变化，所以进一步确定使用循环神经网络，同时，为了在线实时训练，解决复杂的非线性问题并加快运算速度，采用实时递归学习算法并加入扩展卡尔曼滤波，最终得到循环神经网络实时递归学习算法进行参数辨识。
附图说明
图1是本发明的仿真计算方法的流程图；
图2是模拟器导出的部分原始飞行数据图；
图3是以飞行器刚体六自由度动力学方程组计算得到的升力系数图；
图4是以飞行器刚体六自由度动力学方程组计算得到的阻力系数图；
图5是神经网络升力系数训练结果与计算结果的相对误差图；
图6是神经网络阻力系数训练结果与计算结果的相对误差图；
图7是气动参数辨识模型升力系数辨识结果对比图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
一种基于循环神经网络的飞行器气动参数辨识的方法，具体按照以下步骤进行：
1)利用训练级模拟器结合飞行模拟软件进行模拟飞行试验获取飞行数据
采用塞斯纳172型飞行模拟器结合Prepar 3D软件，在VS2015平台上打开Prepar3D的SIMConnect.Samples，然后生成应用程序DataHarvester.exe，为了使飞行数据满足参数辨识的需求，并尽可能排除外界因素干扰，在模拟器中设置晴朗天气，湍流度为正常范围，无阵风，采取本场五边飞行进行试验。
若飞行试验符合数据获取的要求，则得到对应的飞行试验数据DataHarvester.csv，如不符合要求，则需删除文件夹下的.csv文件，重新进入飞行试验直至满足数据获取要求。共采集了两组数据，用作参数辨识的训练参数，另外准备了一组数据，用作验证用途。图2为模拟器导出的部分原始飞行数据。
2)以飞行器刚体六自由度动力学方程组作为***的状态方程，根据试验获取的数据计算得到对应的气动力及气动力矩具体表达式为：
其中，CA、CY、CN为气动力系数，Cl、Cm、Cn为气动力矩系数，T为发动机推力，ψT、
为发动机安装角，nx、ny、nz为三个体轴方向的过载分量，S为机翼面积，q∞为动压，Ix、Iy、Iz为飞机对体轴的惯量矩，Ixz为飞机对体轴的惯量积。由步骤一导出的两组飞行数据计算得到的升力系数阻力系数见图3、4。
3)输入步骤1中获取的部分飞行数据，所述数据包括海拔、空速、迎角、侧滑角、滚转、俯仰和偏航角速度、升降舵、副翼、方向舵和襟翼舵偏角，以步骤2)计算得到的气动力及气动力矩作为基准数据，利用结合实时递归学习算法的循环神经网络以及扩展卡尔曼滤波进行训练，得到循环神经网络气动参数辨识模型；具体步骤如下：
首先，针对飞行器气动参数辨识问题选择人工神经网络的方法，由于飞行器***随时间动态变化，所以进一步确定使用循环神经网络，同时，为了在线实时训练，解决复杂的非线性问题并加快运算速度，采用实时递归学习算法并加入扩展卡尔曼滤波，最终得到循环神经网络实时递归学习算法进行参数辨识；具体升力系数、阻力系数辨识结果与计算结果的相对误差如图5、图6所示，升力系数与计算结果的相对误差主要集中在-0.5％到0.3％之间，最大达2.4％，而阻力系数与计算结果的相对误差更多集中在-0.1％到0.1％之间，最大相对误差为3.1％，所以训练后得到的循环神经网络气动参数辨识模型具有较高的可靠性。
4)选取同一机型相同试验条件下未参与模型训练的飞行数据载入步骤3)得到的循环神经网络气动参数辨识模型进行参数辨识，可以辨识得到对应的气动力及气动力矩，图7中展示了升力系数的验证结果，体现了模型的准确性。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (4)
1.一种基于循环神经网络的飞行器气动参数辨识的方法，其特征在于，包括以下步骤：
1)利用训练级模拟器结合飞行模拟软件进行模拟飞行试验获取飞行数据；
2)以飞行器刚体六自由度动力学方程组作为***的状态方程，根据步骤1)中获取的部分飞行数据计算得到对应的气动力及气动力矩；
3)输入步骤1中获取的部分飞行数据，所述数据包括海拔、空速、迎角、侧滑角、滚转、俯仰和偏航角速度、升降舵、副翼、方向舵和襟翼舵偏角，以步骤2)计算得到的气动力及气动力矩作为基准数据，利用结合实时递归学习算法的循环神经网络以及扩展卡尔曼滤波进行训练，得到循环神经网络气动参数辨识模型；
4)选取步骤1)中未参与步骤3)的模型训练的飞行数据载入步骤3)得到的循环神经网络气动参数辨识模型进行参数辨识，得到对应的气动力及气动力矩。
2.根据权利要求1所述的基于循环神经网络的飞行器气动参数辨识的方法，其特征在于,步骤1)中利用训练级模拟器结合飞行模拟软件进行模拟飞行试验获取飞行数据的具体步骤如下：采用塞斯纳172型飞行模拟器结合Prepar 3D软件，在VS2015平台上打开Prepar3D的SIMConnect.Samples，然后生成应用程序DataHarvester.exe，运行飞行器进行飞行试验并记录飞行数据，若飞行试验符合数据获取的要求，则得到对应的飞行试验数据DataHarvester.csv，如不符合要求，则需删除文件夹下的.csv文件，重新进入飞行试验直至满足数据获取要求。
3.根据权利要求1所述的基于循环神经网络的飞行器气动参数辨识的方法，其特征在于，步骤2)所述的气动力及气动力矩的表达式如下所示：
其中，CA、CY、CN为气动力系数，Cl、Cm、Cn为气动力矩系数，T为发动机推力，ψT、
为发动机安装角，nx、ny、nz为三个体轴方向的过载分量，S为机翼面积，q∞为动压，Ix、Iy、Iz为飞机对体轴的惯量矩，Ixz为飞机对体轴的惯量积。
4.根据权利要求1所述的基于循环神经网络的飞行器气动参数辨识的方法，其特征在于，步骤3)中，首先针对飞行器气动参数辨识问题选择人工神经网络的方法，由于飞行器***随时间动态变化，所以进一步确定使用循环神经网络，同时，为了在线实时训练，解决复杂的非线性问题并加快运算速度，采用实时递归学习算法并加入扩展卡尔曼滤波，最终得到循环神经网络实时递归学习算法进行参数辨识。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111249073.0A CN114004023A (zh) | 2021-10-26 | 2021-10-26 | 一种基于循环神经网络的飞行器气动参数辨识的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111249073.0A CN114004023A (zh) | 2021-10-26 | 2021-10-26 | 一种基于循环神经网络的飞行器气动参数辨识的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114004023A true CN114004023A (zh) | 2022-02-01 |
Family
ID=79924129
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111249073.0A Pending CN114004023A (zh) | 2021-10-26 | 2021-10-26 | 一种基于循环神经网络的飞行器气动参数辨识的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114004023A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114444551A (zh) * | 2022-04-02 | 2022-05-06 | 西南交通大学 | 一种基于小波变换和卷积自编码器的气动力载荷辨识方法 |
| CN115688288A (zh) * | 2023-01-05 | 2023-02-03 | 西北工业大学 | 飞行器气动参数辨识方法、装置、计算机设备及存储介质 |
| CN116382071A (zh) * | 2023-02-08 | 2023-07-04 | 大连理工大学 | 深度学习网络修正补偿的气动参数智能辨识方法 |
| CN117521561A (zh) * | 2024-01-03 | 2024-02-06 | 中国人民解放军国防科技大学 | 巡航飞行器的气动力与推力在线预示方法 |
| CN117589190A (zh) * | 2024-01-18 | 2024-02-23 | 西北工业大学 | 基于惯导/飞控的大气参数解算方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107101636A (zh) * | 2017-05-23 | 2017-08-29 | 南京航空航天大学 | 一种使用卡尔曼滤波器辨识多旋翼动力学模型参数的方法 |
| CN108536879A (zh) * | 2017-03-03 | 2018-09-14 | 中国科学院沈阳自动化研究所 | 基于模型参考自适应的多旋翼无人机参数辨识方法 |
| CN109635494A (zh) * | 2018-12-28 | 2019-04-16 | 中国航天空气动力技术研究院 | 一种飞行试验与地面仿真气动力数据综合建模方法 |
| CN111695193A (zh) * | 2020-05-11 | 2020-09-22 | 上海机电工程研究所 | 一种全局相关三维气动力数学模型的建模方法及*** |
| CN113408047A (zh) * | 2021-08-05 | 2021-09-17 | 江苏大学 | 一种基于时滞反馈神经网络的车辆动力学预测模型、及训练数据获取方法、训练方法 |
-
2021
- 2021-10-26 CN CN202111249073.0A patent/CN114004023A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108536879A (zh) * | 2017-03-03 | 2018-09-14 | 中国科学院沈阳自动化研究所 | 基于模型参考自适应的多旋翼无人机参数辨识方法 |
| CN107101636A (zh) * | 2017-05-23 | 2017-08-29 | 南京航空航天大学 | 一种使用卡尔曼滤波器辨识多旋翼动力学模型参数的方法 |
| CN109635494A (zh) * | 2018-12-28 | 2019-04-16 | 中国航天空气动力技术研究院 | 一种飞行试验与地面仿真气动力数据综合建模方法 |
| CN111695193A (zh) * | 2020-05-11 | 2020-09-22 | 上海机电工程研究所 | 一种全局相关三维气动力数学模型的建模方法及*** |
| CN113408047A (zh) * | 2021-08-05 | 2021-09-17 | 江苏大学 | 一种基于时滞反馈神经网络的车辆动力学预测模型、及训练数据获取方法、训练方法 |
Non-Patent Citations (2)
| Title |
|---|
| SEONGPIL CHO: ""Fault detection and diagnosis of a blade pitch system in a floating wind turbine based on Kalman filters and artificial neural networks"", 《RENEWABLE ENERGY》, vol. 169, 2 January 2021 (2021-01-02), pages 1 - 13 * |
| 张磊: ""四旋翼植保无人机的研究与设计"", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, no. 2019, 15 September 2019 (2019-09-15), pages 031 - 151 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114444551A (zh) * | 2022-04-02 | 2022-05-06 | 西南交通大学 | 一种基于小波变换和卷积自编码器的气动力载荷辨识方法 |
| CN114444551B (zh) * | 2022-04-02 | 2022-06-10 | 西南交通大学 | 一种基于小波变换和卷积自编码器的气动力载荷辨识方法 |
| CN115688288A (zh) * | 2023-01-05 | 2023-02-03 | 西北工业大学 | 飞行器气动参数辨识方法、装置、计算机设备及存储介质 |
| CN116382071A (zh) * | 2023-02-08 | 2023-07-04 | 大连理工大学 | 深度学习网络修正补偿的气动参数智能辨识方法 |
| CN116382071B (zh) * | 2023-02-08 | 2023-12-22 | 大连理工大学 | 深度学习网络修正补偿的气动参数智能辨识方法 |
| CN117521561A (zh) * | 2024-01-03 | 2024-02-06 | 中国人民解放军国防科技大学 | 巡航飞行器的气动力与推力在线预示方法 |
| CN117521561B (zh) * | 2024-01-03 | 2024-03-19 | 中国人民解放军国防科技大学 | 巡航飞行器的气动力与推力在线预示方法 |
| CN117589190A (zh) * | 2024-01-18 | 2024-02-23 | 西北工业大学 | 基于惯导/飞控的大气参数解算方法 |
| CN117589190B (zh) * | 2024-01-18 | 2024-03-26 | 西北工业大学 | 基于惯导/飞控的大气参数解算方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114004023A (zh) | 一种基于循环神经网络的飞行器气动参数辨识的方法 | |
| CN108196532B (zh) | 一种基于非线性自适应观测器的无人机纵向飞行控制***故障检测与分离方法 | |
| CN109635494B (zh) | 一种飞行试验与地面仿真气动力数据综合建模方法 | |
| CN113609600B (zh) | 一种适用于飞行器多体分离相容性度量与表征方法 | |
| CN111695193B (zh) | 一种全局相关三维气动力数学模型的建模方法及*** | |
| CN110554606B (zh) | 一种用于高超音速飞行器的自适应容错控制方法 | |
| CN110471313B (zh) | 一种模拟飞行器的飞行仿真分*** | |
| CN110633790B (zh) | 基于卷积神经网络的飞机油箱剩余油量测量方法和*** | |
| CN102607639A (zh) | 基于bp神经网络的大攻角飞行状态下大气数据测量方法 | |
| CN108100301B (zh) | 一种用于直升机模拟机客观测试的试飞数据处理方法 | |
| CN107367941B (zh) | 高超声速飞行器攻角观测方法 | |
| CN114329766A (zh) | 面向深度强化学习的飞行动力学模型可信度评估方法 | |
| CN113221237B (zh) | 一种基于降阶建模的大迎角颤振分析方法 | |
| CN113049215B (zh) | 一种旋翼无人机位置抗气流干扰能力量化评估与测试*** | |
| CN112836581B (zh) | 一种基于相关性分析的敏感故障特征提取方法及装置 | |
| CN211685678U (zh) | 一种多旋翼无人机实时尾迹的仿真分析*** | |
| CN108333945A (zh) | 飞机颤振试验分布式充分激励输入信号设计方法 | |
| Battipede et al. | Neural networks for air data estimation: test of neural network simulating real flight instruments | |
| Saderla et al. | Parameter estimation of UAV from flight data using neural network | |
| CN114030008B (zh) | 一种基于数据驱动的工业机器人实训能耗测量方法 | |
| CN114722695A (zh) | 一种基于无量纲输入输出神经网络的fads解算***及方法 | |
| Martin et al. | Design and Evaluation of a Realtime, Microcontroller Based Gust Sensing System for a Small Unmanned Aerial Vehicle | |
| CN112441253A (zh) | 一种多旋翼无人机实时尾迹的仿真分析***及方法 | |
| Tai et al. | Test Data Processing of Fly-by-Wire Civil Aircraft in Low-Speed Wind Tunnel Virtual Flight | |
| CN117519257B (zh) | 一种基于反步法的超声速巡航高度控制方法 |
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 |