基于双BP神经网络的扑翼飞行器气动参数辨识.pptxVIP

基于双BP神经网络的扑翼飞行器气动参数辨识汇报人：2024-01-14

CATALOGUE目录引言扑翼飞行器气动特性分析双BP神经网络模型构建与优化基于双BP神经网络的气动参数辨识实现仿真实验验证与性能评估总结与展望

01引言

模仿鸟类或昆虫飞行方式，具有体积小、机动性强、隐蔽性高等优点，在军事侦察、环境监测等领域有广泛应用前景。微型扑翼飞行器扑翼飞行器的设计和优化依赖于准确的气动参数，然而传统的实验和理论分析方法难以获得精确结果，因此基于数据驱动的气动参数辨识方法具有重要意义。气动参数辨识问题结合两个BP神经网络，分别用于建模扑翼飞行器的升力和阻力特性，通过训练网络学习输入与输出之间的映射关系，实现对气动参数的准确辨识。双BP神经网络模型研究背景与意义

国外研究现状在气动参数辨识方面，国外学者采用了多种方法，如CFD模拟、风洞实验等，取得了一定的成果。在神经网络应用方面，也有学者尝试使用神经网络对气动参数进行建模和预测。国内研究现状国内在扑翼飞行器气动参数辨识方面的研究相对较少，主要集中在实验和理论分析方法上。近年来，随着神经网络技术的发展，也有学者开始尝试使用神经网络进行气动参数辨识。发展趋势随着深度学习技术的不断发展，未来气动参数辨识将更加依赖于数据驱动的方法。同时，随着扑翼飞行器应用场景的不断拓展，对气动参数辨识的精度和实时性要求也将不断提高。国内外研究现状及发展趋势

研究内容本文基于双BP神经网络模型，对扑翼飞行器的气动参数进行辨识。首先构建双BP神经网络模型，然后使用实验数据对网络进行训练和验证，最后通过对比实验结果和仿真结果验证模型的准确性和有效性。研究目的本文旨在通过双BP神经网络模型实现对扑翼飞行器气动参数的准确辨识，为扑翼飞行器的设计和优化提供有力支持。同时，本文也希望通过研究探索神经网络在气动参数辨识领域的应用潜力。研究方法本文采用实验和仿真相结合的方法进行研究。首先通过实验获取扑翼飞行器的气动数据，然后构建双BP神经网络模型并使用实验数据进行训练和验证。最后通过对比实验结果和仿真结果验证模型的准确性和有效性。研究内容、目的和方法

02扑翼飞行器气动特性分析

扑翼飞行器通过扑动翼产生升力和推力，实现飞行。其飞行原理类似于鸟类和昆虫的飞行方式，通过复杂的翼运动和身体姿态调整来控制飞行。扑翼飞行原理扑翼飞行器的结构通常包括扑动机构、传动机构、控制机构和机身等部分。其中，扑动机构是核心部件，用于产生扑动运动；传动机构将动力传递给扑动机构；控制机构用于调整飞行姿态和轨迹；机身则承载所有部件并提供必要的强度和刚度。扑翼结构扑翼飞行器基本原理与结构

气动特性参数描述扑翼飞行器气动特性的参数主要包括升力、推力、阻力和扭矩等。这些参数决定了飞行器的飞行性能和稳定性。影响因素气动特性受到多种因素的影响，如扑动频率、扑动幅度、翼型、攻角、雷诺数等。这些因素的变化会导致气动特性参数的改变，进而影响飞行器的飞行表现。气动特性参数定义及影响因素

数值模拟方法利用计算流体力学（CFD）方法对扑翼飞行器的气动特性进行数值模拟。通过建立数学模型和求解流体动力学方程，可以预测不同参数下的气动特性，为设计优化提供依据。实验验证方法采用风洞实验或自由飞实验对数值模拟结果进行验证。风洞实验可以在受控环境下模拟飞行条件，测量气动特性参数；自由飞实验则更接近实际飞行情况，能够更全面地评估飞行器的性能。通过实验验证，可以确保数值模拟的准确性和可靠性。数值模拟与实验验证方法

03双BP神经网络模型构建与优化

VSBP神经网络是一种多层前馈神经网络，通过反向传播算法不断调整网络权值和阈值，使得网络输出不断逼近期望输出。算法BP算法包括前向传播和反向传播两个过程。前向传播时，输入信号从输入层经隐层逐层处理，直至输出层。每一层的神经元状态只影响下一层神经元状态。如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络权值和阈值，使BP神经网络预测输出不断逼近期望输出。原理BP神经网络基本原理及算法

结构设计双BP神经网络由两个BP神经网络构成，一个用于预测扑翼飞行器的升力系数，另一个用于预测阻力系数。每个BP神经网络都包含输入层、隐层和输出层。优化策略为了提高双BP神经网络的预测精度和泛化能力，可以采用以下优化策略：增加隐层节点数、选择合适的激活函数、添加动量项、采用学习率自适应调整等。双BP神经网络结构设计及优化策略

训练样本选择为了训练双BP神经网络，需要选择合适的训练样本。可以选择实验数据或者CFD仿真数据作为训练样本。在选择训练样本时，需要考虑样本的代表性、多样性和数量。处理方法在训练双BP神经网络之前，需要对训练样本进行预处理。预处理的方法包括归一化、标准化、去噪等。归一化可以将不同量纲的数据转换到同一量纲下，标准化可以将数据转换为均值为0、