基于神经网络的飞行器力载荷识别算法研究
| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 符号清单 | 第10-11页 |
| 1 绪论 | 第11-18页 |
| 1.1 研究背景及其意义 | 第11-12页 |
| 1.2 国内外研究状况及发展趋势 | 第12-16页 |
| 1.3 本文研究思路 | 第16页 |
| 1.4 本文研究内容 | 第16-18页 |
| 2 神经网络与多元线性回归的理论基础 | 第18-31页 |
| 2.1 多元线性回归模型 | 第18-20页 |
| 2.1.1 多元线性回归简介 | 第18-19页 |
| 2.1.2 QR分解 | 第19-20页 |
| 2.2 BP神经网络 | 第20-24页 |
| 2.2.1 前向传播 | 第20-21页 |
| 2.2.2 反向传播 | 第21-22页 |
| 2.2.3 BP神经网络的设计 | 第22-24页 |
| 2.2.4 BP网络的优劣 | 第24页 |
| 2.3 RBF神经网络 | 第24-27页 |
| 2.3.1 RBF网络结构 | 第24-25页 |
| 2.3.2 RBF网络学习算法 | 第25-26页 |
| 2.3.3 RBF网络优劣 | 第26-27页 |
| 2.4 遗传算法简介 | 第27-30页 |
| 2.4.1 遗传算法原理 | 第27-28页 |
| 2.4.2 编码方法 | 第28页 |
| 2.4.3 适应度值计算 | 第28-29页 |
| 2.4.4 交叉操作 | 第29-30页 |
| 2.4.5 变异操作 | 第30页 |
| 2.5 本章小结 | 第30-31页 |
| 3 基于多元线性回归的载荷识别 | 第31-47页 |
| 3.1 回归建模理论基础 | 第31-32页 |
| 3.2 载荷方程优选方法 | 第32-33页 |
| 3.3 基于多元线性回归的载荷识别算法 | 第33-34页 |
| 3.4 数值仿真验证 | 第34-45页 |
| 3.4.1 悬臂梁模型 | 第34-37页 |
| 3.4.2 圆柱壳模型 | 第37-40页 |
| 3.4.3 某导弹模型 | 第40-45页 |
| 3.5 本章小结 | 第45-47页 |
| 4 基于遗传算法优化的神经网络的载荷识别 | 第47-60页 |
| 4.1 基于GA-BP的载荷识别算法 | 第47-49页 |
| 4.1.1 训练样本数据获取 | 第47页 |
| 4.1.2 网络样本数据归一化处理 | 第47页 |
| 4.1.3 BP神经网络训练算法 | 第47页 |
| 4.1.4 遗传算法的引入 | 第47-49页 |
| 4.2 数值仿真验证 | 第49-59页 |
| 4.2.1 标准数据集验证 | 第49-50页 |
| 4.2.2 圆柱壳模型 | 第50-57页 |
| 4.2.2.1 单点动载荷识别模型 | 第50-54页 |
| 4.2.2.2 多点动载荷识别模型 | 第54-57页 |
| 4.2.3 某导弹模型 | 第57-59页 |
| 4.3 本章小结 | 第59-60页 |
| 5 基于MIV-BP的飞行载荷参数识别 | 第60-77页 |
| 5.1 飞行器飞行力学 | 第60-65页 |
| 5.1.1 飞行器运动方程组 | 第60页 |
| 5.1.2 飞行器运动的假设 | 第60-61页 |
| 5.1.3 运动学方程 | 第61-62页 |
| 5.1.4 动力学方程 | 第62-65页 |
| 5.2 弹身内力的计算 | 第65页 |
| 5.3 飞行载荷参数识别模型 | 第65-67页 |
| 5.4 基于MIV算法的权重影响因子分析 | 第67-71页 |
| 5.5 数值仿真结果 | 第71-76页 |
| 5.6 本章小结 | 第76-77页 |
| 6 总结与展望 | 第77-79页 |
| 6.1 本文工作总结 | 第77页 |
| 6.2 展望 | 第77-79页 |
| 参考文献 | 第79-83页 |
| 作者简历及在学期间所取得的科研成果 | 第83页 |
