[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

说明书

本发明公开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。包括如下步骤：(1)：建立弹丸二自由度动力学模型；(2)：构建原始极限学习机网络模型；(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；(4)：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。本发明创新性提出一种自适应粒子群优化算法为极限学习提供输入权重以及隐含层神经元阈值，再利用极限学习辨识弹丸气动系数，为获取弹丸气动参数提供了新的途径。

技术领域

本发明属于弹丸参数辨识领域，具体涉及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。

背景技术

随着弹丸向精确制导化方向的发展，弹丸气动系数的精确与否直接决定了弹丸的外弹道性能。

在利用极限学习辨识弹丸气动参数时，虽然能够在高噪声情况下，精准、快速辨识弹丸气动系数，但是由于极限学习在辨识弹丸气动系数过程中，随机产生输入权重以及隐含层神经元阈值，使得极限学习辨识效果不稳定。

发明内容

本发明的目的在于提供一种基于APSO-ELM的辨识弹丸气动参数的方法。基于弹丸的飞行数据，创新性提出一种自适应粒子群优化算法(APSO)为极限学习提供输入权重以及隐含层神经元阈值，再利用极限学习辨识弹丸气动系数，为获取弹丸气动参数提供了新的途径。

实现本发明目的的技术解决方案为：.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，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。

进一步的，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；

进一步的，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