简介:采用卡尔曼滤波方法进行动基座对准过程中,载体挠曲运动等因素会导致系统噪声、量测噪声的不确定性,即系统参数的不确定性。将多模型估计理论应用于捷联系统动基座对准过程中,可以有效抑制系统不确定性因素的影响。建立了捷联惯导系统误差模型和引入外部位置、速度信息的量测模型,针对对准过程中系统噪声和量测噪声不确定的情况建立了多模型自适应估计器。在同等条件下进行了单一模型对准和利用多模型估计理论进行对准的仿真比较,结果显示:基于多模型估计的对准完成后捷联系统具有更高的导航精度;由此说明,动基座对准过程中,系统参数不确定的情况下,多模型估计器有更好的适用性。
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.