简介:开展了机器学习在翼型气动力计算和反设计方法中的应用研究,实现了在更大翼型空间范围内,人工神经网络的训练和优化,建立了翼型气动力计算模型,和给定目标压力分布的翼型反设计优化模型.作为机器学习领域兴起的研究热点,人工神经网络的研究工作不断深入,有研究者尝试将其应用于流体力学的学科范畴内.文章实现人工神经网络在翼型计算领域中应用的方法如下:首先通过Parsec参数化方法,围绕基准翼型构造了一定翼型空间范围的翼型库,利用XFOIL进行数值模拟,搭建了和翼型库具有一一映射关系的流场信息库.通过训练和优化神经网络,实现了基于此模型的快速、高可信度的翼型气动力预测,以及新型的翼型优化设计方法.通过自动化编程实现样本库的批量生成,实现了不同翼型空间的样本量下,神经网络的训练和优化过程.实验结果表明,在机器学习领域中,基于神经网络的翼型反设计模型的精确性高度依赖于训练样本量的大小和覆盖范围.
简介:Schuler振荡阻尼技术是提高惯导长期工作精度的关键技术之一。针对采用低阶阻尼网络的惯导系统抑制高频和低频参考速度误差难以兼顾的问题,基于互补滤波思想,提出一种高阶水平阻尼网络设计方法。将两个采用低阶网络、分别具有优良高频和低频特性的Schuler回路通过一对互补滤波器进行组合,形成双Schuler回路组合系统。它等效于采用某高阶网络的单Schuler回路,该回路对高频和低频参考速度误差的衰减率可同时达到40dB/10deg或更高。计算机仿真和海上试验结果均表明:采用所设计高阶网络的系统对参考速度误差兼有优良的高频和低频滤波特性,综合滤波性能优于采用低阶阻尼网络的系统,具有工程应用价值。
简介:从模式识别的角度分析了搜索模式下水下运载体的重力匹配问题,利用模式识别神经网络实现重力匹配定位。在重力图匹配时,以惯性导航仪指示位置为中心规划真实位置的网格点搜索范围,从参考重力图上提取相应一系列的重力数据,与对应网格点的位置一起定义成多个模式类,构造相应的模式识别概率神经网络,运用该神经网络将实时重力测量数据识别到某个模式类,对比模式类的定义确定载体位置。在实测重力图上对重力辅助惯性导航系统进行了计算机仿真研究。结果表明,在重力场特征显著区域该重力匹配算法能够有效减小厄特弗斯效应的影响,其导航系统定位误差小于一个重力图网格,匹配率在80%以上,匹配效果优于一般的相关匹配算法。
简介:为了提高潜器导航定位精度,针对等值线算法在惯导系统初始误差较大时易发散的问题,提出基于概率神经网络调优的等值线改进方法。首先,在搜索区域内,利用概率神经网络算法对惯导系统航迹进行调优,并经过卡尔曼滤波器与惯导系统航迹进行信息融合形成待匹配航迹;在此基础上利用实时等值线算法得到最佳匹配位置。分别在不同初始条件下进行仿真分析,得出概率神经网络算法在大的初始误差下不易发散但定位精度不高的结论,然后在潜器行驶6h后,初始误差为5.438?的条件下进行仿真验证,结果表明,改进方法定位精度均值优于0.537?,从而证明改进方法是有效的,即使在大的初始误差下仍然能够达到较高的定位精度。
简介:针对系统误差的不确定性可能会引起滤波精度降低或发散的问题,提出一种新的基于模型预测滤波的前向神经网络算法。首先,采用模型预测滤波估计网络在正向传递过程中的模型误差,并对其进行修正,以弥补模型误差对隐含层权值更新的影响;然后,利用模型预测滤波为神经网络提供精确的训练样本,学习待估计系统的非线性关系。将提出的算法应用于SINS/CNS/BDS组合导航系统,并与扩展卡尔曼滤波进行比较,仿真结果表明,提出的算法得到的姿态误差、速度误差和位置误差分别在[-0.25′,+0.25′]、[-0.05m/s,+0.05m/s]和[-5m,+5m]以内,滤波性能明显优于扩展卡尔曼滤波算法,表明该算法能提高组合导航定位的解算精度。
简介:针对1点RANSAC(RandomSampleConsensus)单目视觉EKF(ExtendedKalmanFilter)算法中的滤波发散问题,分析了滤波发散的产生原因,提出了一种基于渐消记忆滤波的1点RANSAC单目视觉姿态估计算法。该算法通过在EKF滤波方程中引入加权因子,逐渐加大当前数据的权重,相应地减少旧数据的权重,有效地扼制了算法中的滤波发散问题。最后通过两组验证性实验验证说明了算法的有效性。实验结果表明:该算法能够有效地解决1点RANSAC单目视觉EKF算法中的滤波发散问题,具有更高的精度。第一组双轴联动实验,航向角的平均误差减小2.4158?,俯仰角平均误差减小0.1782?;第二组偏航轴大角度转动实验,摄像机航向角的估计误差一直保持在1.5?以内。