[发明专利]基于自适应粒子群优化极限学习的弹丸气动系数辨识方法

权利要求书

1.一种基于自适应粒子群优化极限学习的弹丸气动系数辨识方法，其特征在于，包括如下步骤：

步骤(1)：建立弹丸二自由度动力学模型；

步骤(2)：构建原始极限学习机网络模型：确定原始极限学习机网络模型的输入层节点数、隐含层神经元个数、激活函数以及输出层节点数；

步骤(3)：利用自适应粒子群算法优化原始极限学习机网络模型，得到原始极限学习机网络模型的输入权重以及隐含层神经元阈值；

步骤(4)：根据步骤(3)优化后的自适应粒子群算法极限学习机网络模型，进行参数辨识；确定隐含层和输出层的连接权值矩阵在确定连接权值矩阵的基础上，求解模型的输出矩阵，实现参数辨识。

2.根据权利要求1所述的方法，其特征在于，步骤(1)“建立弹丸二自由度动力学模型”具体为：

二自由度动力学模型建立在自然坐标系下，u表示弹丸的速度，θ为弹道倾角，x、y为弹丸的位置坐标，ρ为空气密度，S为特征面积，通常取为弹丸的最大横截面积，m₀为弹丸质量，g₀为重力加速度，C_D为阻力系数；

3.根据权利要求2所述的方法，其特征在于，步骤(2)“构建原始极限学习机网络模型：确定原始极限学习机网络模型的输入层节点数、隐含层神经元个数、激活函数以及输出层节点数”具体包括如下步骤：

步骤(21)：输入层节点数设定

基于质点弹道方程，确定影响因素分别为弹丸速度u，弹道倾角θ，射程x以及飞行高度y；确定网络的输入层的节点数n＝4；

步骤(22)：输出层节点数设定

借助极限学习机实现对弹丸阻力系数C_D的辨识，选定输出层的节点数m＝1；

步骤(23)：激活函数选择

通过对输入数据归一化处理，输入数据的大小均被映射到[0，1]区间，选用sigmoid函数作为激活函数；

步骤(24)：隐含层神经元个数设定

根据经验公式其中a为1～10的常数，确定隐含层节点数L＝9。

4.根据权利要求3所述的方法，其特征在于，步骤(3)“利用自适应粒子群算法优化原始极限学习机网络模型，得到原始极限学习机网络模型的输入权重以及隐含层神经元阈值”具体包括如下步骤：

步骤(31)：对数据集归一化处理；

采用min-max normalization归一化法，将全部数据映射到[0，1]区间内，归一化公式为：

其中，x_j为原始输入数据，x_min为最小输入数据，x_max为最大输入数据，为归一化后的输入数据；

步骤(32)：进行初始参数设置；

步骤(33)：确定适应度函数，计算粒子适应值，

选取均方误差函数作为适应度函数，计算每个粒子的适应值

其中，N为训练样本数据个数，t_j为期望的样本输出值，为模型实际预测值，Fit为适应度函数值。

步骤(34)：比较各个粒子的适应度函数值，从中找出粒子的个体极值以及群体全局极值。

若Fit(j)P_best(j)，则P_best(j)＝Fit(j)，否则P_best(j)不变；

若Fit(j)g_best，则g_best(j)＝Fit，否则g_best不变。

其中Fit(j)表示第j个粒子当前适应度值，P_best(j)表示第j个粒子的个体极值，g_best表示整个粒子群的全局极值；

步骤(35)：更新粒子速度和位置信息：

其中表示第j个粒子在k代的速度，ω为惯性权重，表示第j个粒子在k代的位置；

步骤(36)：判断是否满结束条件，若为未满足则返回步骤(34)，否则结束；

步骤(37)：输出优化的权值和阈值。