Идентификация аэродинамических характеристик летательного аппарата: нейросетевой полуэмпирический подход

Авторы

Егорчев М. В.^*, Козлов Д. С.^**, Тюменцев Ю. В.^***

Московский авиационный институт (национальный исследовательский университет), 125993, г. Москва, Волоколамское шоссе, д. 4

*e-mail: mihail.egorchev@gmail.com
**e-mail: dmkozlov001@gmail.com
***e-mail: yutium@gmail.com

Аннотация

На примере углового движения маневренного самолета рассматривается проблема математического и компьютерного моделирования, а также идентификации для нелинейных управляемых динамических систем. Данная проблема решается в классе модульных полуэмпирических динамических моделей, объединяющих возможности теоретического и нейросетевого моделирования. Работоспособность и перспективность таких моделей подтверждается результатами вычислительных экспериментов.

Ключевые слова

нелинейная динамическая система, угловое движение самолета, идентификация аэродинамических характеристик, полуэмпирическая модель, обучение нейронной сети

Библиографический список

1. Егорчев М.В., Тюменцев Ю.В. Нейросетевые полуэмпирические модели управляемых динамических систем // Сб. науч. тр. XV Всерос. науч.-техн. конф. «Нейроинформатика-2013». Ч. 2. — М.: Изд-во МИФИ, 2013. С. 22-31.
   
2. Егорчев М.В., Козлов Д.С., Тюменцев Ю.В., Чернышев А.В. Нейросетевые полуэмпирические модели управляемых динамических систем // Вестник информационных и компьютерных технологий. 2013. № 9. С. 3-10.
   
3. Егорчев М.В., Тюменцев Ю.В. Обучение полуэмпирической нейросетевой модели управляемого движения самолета // Сб. науч. тр. XVI Всерос. науч.- техн. конф. «Нейроинформатика-2014». Ч. 2. — М.: Изд-во МИФИ, 2014. С. 263-272
4. Haykin S. Neural networks: A comprehensive foundation: 2nd Edition, Prentice Hall, 2006, 823 p.
5. Ljung L. System identification Theory for the User: 2nd Edition, Prentice Hall, 1999, 609 p.
6. Берестов Л.М., Поплавский Б.К., Мирошниченко Л.Я Частотные методы идентификации летательных аппаратов. — М.: Машиностроение, 1985. — 184 с.
7. Klein V., Morelli E.A. Aircraft system identification: Theory and practice, Reston, VA: AIAA, Inc., 2006, 498 p.
8. Tischler M.B., Remple R.K. Aircraft and rotorcraft system identification: Engineering methods with flight-test examples, Reston, VA: AIAA, Inc., 2006, 558 p.
9. Rivals I., Personnaz L. Black-box modeling with state- space neural networks // Neural Adaptive Control Technology, World Scientific, 1996, pp. 237-264.
10. Dreyfus G. Neural networks: Methodology and applications, Berlin, Springer, 2005, 515 p.
11. Oussar Y., Dreyfus G. How to be a gray box: Dynamic semi-physical modeling // Neural Network, 2001, vol. 14, no. 9, pp. 1161-1172.
12. Бочкарев А.Ф., Андреевский В.В., Белоконов В.М. и др. Аэромеханика самолета: Динамика полета. — М.: Машиностроение, 1985. 360 с.
13. Nguyen L.T., Ogburn M.E., Gilbert W.P., Kibler K.S., Brown P.W., Deal P.L. Simulator study of stall/post-stall characteristics of a fighter airplane with relaxed longitudinal static stability // NASA TP-1538, Dec. 1979, 223 p.
14. Dietterich T.G. Machine-learning research: Four current directions // AI Magazine, 1997, vol. 18, no. 7, pp. 97- 136.
15. Joshi P., Kulkarni P. Incremental learning: Areas and methods a survey // Intern. J. of Data Mining and Knowledge Manag. Proc., 2012, vol. 2, no. 5, pp. 43- 51.
16. Horn J., De Jesus O., Hagan M.T. Spurious valleys in the error surface of recurrent networks analysis and avoidance // IEEE Trans. on Neural Networks, 2009, vol. 20, no. 4, pp. 686-700.
17. Pascanu R., Mikolov T., Bengio Y. On the difficulty of training recurrent neural networks, available at: http://arxiv.org/abs/1211.5063, 2013.
18. Elman J.L. Learning and development in neural networks: The importance of starting small // Cognition, 1993, vol. 48, pp. 71-99.
19. Ludik J., Cloete I. Incremental increased complexity training // Proc. ESANN 1994, 2nd European Sym. on Artif. Neural Netw., Brussels, Belgium, 1994, pp. 161- 165.
20. Suykens J.A.K., Vandewalle J. Learning a simple recurrent neural state space model to behave like Chuas double scroll // IEEE Trans. on Circuits and Systems I: Fundamental Theory and Applications, 1995, vol. 42, no. 8, pp. 499-502.
21. Bengio Y., Louradour J., Collobert R., Weston J. Curriculum learning // Proc. of the 26th Annual Intern. Conf. on Machine Learning, ICML 2009, New York, NY, USA, pp. 41-48.