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:针对多飞行器协同拦截机动目标过程中的目标状态估计问题,提出了一种多飞行器对目标加速度的一致性协同估计方法。构建了多飞行器分布式协同估计结构,将扩张状态观测器和一致性理论相结合,设计了分布式协同一致性估计器。利用扩张状态观测器对目标状态进行估计,在此基础上利用一致性理论为各飞行器设计协调控制量,通过局部信息交换使得各飞行器得到一致的估计值,实现对目标加速度的精确估计。利用稳定性判定理论对一致性估计器的误差和收敛性能进行了分析,并将设计的一致性协同估计方法应用到协同拦截系统中进行了仿真验证。仿真结果显示,在不同的目标机动形式下,对目标加速度估计误差始终小于0.5m/s2,因此设计的一致性估计方法能够实现对目标加速度的精确估计,且具有较强的鲁棒性。