[发明专利]基于模糊极限学习机神经网络的气动力模型构建方法

说明书

本发明公开了一种基于模糊极限学习机神经网络的气动力模型构建方法，包括：获取训练集；建立基于高斯基函数特征映射的极限学习机神经网络；极限学习机神经网络中，输入层有m个节点，输出层有n个节点，输入层中每个节点对应的高斯基映射函数为nsubgt;c/subgt;个，nsubgt;c/subgt;≥1，隐含层有p个节点，p＝m×nsubgt;c/subgt;；利用训练集对基于高斯基函数特征映射的极限学习机神经网络进行训练，得到训练后的神经网络，即气动力模型。本发明有效提高了气动力的预测精度，同时可以有效避免严重的过拟合现象。

技术领域

本发明属于统计机器学习技术领域，涉及一种基于模糊极限学习机神经网络的气动力模型构建方法。

背景技术

气动力建模在飞行器参数设计、飞行轨迹预测与稳定控制等方面具有重要意义。在飞行力学领域，气动力建模主要发展了数学表达式类和智能学习类两种形式。针对飞行速度、飞行姿态、控制面偏转范围都比较大，且气动布局复杂的高速飞行器，其复杂的非线性气动力模型很难通过传统的数学类模型气动建模方法得到。神经网络建模方法可以通过对大量实验数据的学习，实现气动力模型的建立，是一种基于数据的智能学习建模方法，对非线性模型也能实现很好的逼近效果。

极限学习机(Extreme Learning Machine,ELM)是一类训练单隐层前馈神经网络的机器学习算法，传统的单隐层前馈神经网络(SLFN)以其良好的学习能力在许多领域得到了应用，但传统的学习算法(如BP算法等)具有固有的一些欠缺点，成为制约其发展的主要瓶颈。传统的学习算法大多采用梯度下降方法，存在以下几个方面的不足：(1)需要多次迭代，训练速度慢；(2)容易陷入局部极小点，无法达到全局最优；(3)对学习速率敏感。

极限学习机是一个新的学习算法，其网络结构与单隐层前馈神经网络一样，但是ELM在训练阶段不再是传统的梯度下降算法(后向传播)，而是采用随机的输入层权值和偏置，对于输出层权重则通过广义逆矩阵理论计算得到，无需迭代，网络节点上的权值和偏差得到后极限学习机的训练就完成，针对新的测试数据，通过得到的输入层和输出层权值进行网络计算便可得出网络输出。

由于ELM神经网络的输入层至隐含层是随机权值映射，输出层权值又依据广义逆矩阵理论求出，隐含层输出确定，则输出层权值也随之确定，因此训练精度依赖输入层的权值，而随机给定的输入层权值不能保证良好的训练效果，通过增加隐含层节点可以有效扩展隐含层特征维度，从而提升训练精度。但是隐含层节点数过多时，很容易产生过拟合结果。

发明内容

本发明的目的在于克服上述缺陷，提供一种基于模糊极限学习机神经网络的气动力模型构建方法，解决了现有ELM神经网络用于预测气动力时精度低且容易产生过拟合的技术问题，本发明有效提高了气动力的预测精度，同时可以有效避免严重的过拟合现象。

为实现上述发明目的，本发明提供如下技术方案：

本发明一种基于模糊极限学习机神经网络的气动力模型构建方法，针对高速飞行器飞行实验中得到的输入输出数据，通过神经网络进行建模，得到输入输出映射关系模型，从而对新的数据进行预测。

一种基于模糊极限学习机神经网络的气动力模型构建方法，包括：

获取包含N个样本数据的训练集，其中每个样本数据包含m元输入向量和n元输出向量，m、n≥1；输出向量包括气动力系数或气动力力矩系数，输入向量包括飞行器状态参数或控制输入参数；

建立基于高斯基函数特征映射的极限学习机神经网络；极限学习机神经网络中，输入层有m个节点，输出层有n个节点，输入层中每个节点对应的高斯基映射函数为n_c个，n_c≥1，隐含层有p个节点，p＝m×n_c；

利用训练集对基于高斯基函数特征映射的极限学习机神经网络进行训练，得到训练后的神经网络，即气动力模型。