Разработка композиционной математической модели управляющих действий летчика в задачах пилотирования самолета

• Автор: Тань Вэньцянь
• Шифр специальности: 05.07.09
• Научная степень: Кандидатская
• Год защиты: 2008
• Место защиты: Москва
• Количество страниц: 153 с. : ил.

СПИСОК ОБОЗНАЧЕНИЙ
СПИСОК СОКРАЩЕНИЙ
ГЛАВА. 1 ПОСТАНОВКА ЗАДАЧИ И ПОДХОДЫ К ЕЕ РЕШЕНИЮ
1.1. Проблемы моделирования системы «самолет-летчик»
1.2. Подходы к моделированию управляющих действий летчика
1.2.1. Структурный подход
1.2.2. Оптимальный подход
1.3. Композиционный подход
1.3.1. Искусственный нейрон
1.3.2. Структура искусственных нейронных сетей
1.3.3. Процедура обратного распространения ошибки
ГЛАВА.2 ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ УПРАВЛЯЮЩИХ ДЕЙСТВИЙ ЛЕТЧИКА
2.1. Подготовка экспериментальных исследований
2.1.1. Входной сигнал
2.1.2. Информация, отображаемая дисплеем
2.1.3. Динамика объекта управления
2.2. Обработка результатов экспериментальных исследований
2.3. Анализ результатов экспериментальных исследований
2.3.1. База данных «А»
2.3.2. База данных «Б»
2.3.3. База данных «В»
ГЛАВА.З ПОСТРОЕНИЕ КОМПОЗИЦИОННОЙ МОДЕЛИ УПРАВЛЯЮЩИХ ДЕЙСТВИЙ ЛЕТЧИКА
3.1. Формирование показателей, требуемых для построения модели управляющих действий летчика •

3.2. Формирование и обучение композиционной модели управляющих действий летчика
3.2.1. Формирование обучающего набора
3.2.2. Выбор параметров обучения композиционной модели
3.2.3. Определение структуры композиционной модели
3.2.4. Обучение композиционной модели
3.2.5. Проверка композиционной модели
3.2.6. Сравнение композиционной модели и традиционных моделей
3.3. Коррекция структуры композиционной модели управляющих действий летчика
3.3.1. Использование дополнительного фильтра
3.3.2. Определение значения параметра тАу
3.4. Пстроение нелинейной, композиционной модели управляющих действий летчика
3.4.1. Обучение нелинейной композиционной модели
3.4.2. Проблема переобученности композиционной модели
3.4.3. Проверка нелинейной композиционной модели
ГЛАВА.4. ПОСТРОЕНИЕ КОМПОЗИЦИОННОЙ МОДЕЛИ ПРЕДСКАЗАНИЯ УПРАВЛЯЮЩИХ ДЕЙСТВИЙ ЛЕТЧИКА
4.1. Предсказание управляющих действий летчика с помощью композиционной модели
4.1.1. Влияние коэффициента усиления объекта управления
4.1.2. Влияние постоянной времени самолета (собственной частоты)
4.2. Композиционный подход к предсказанию управляющих действий летчика
4.2.1. Выбор близких конфигураций
4.2.2. Интерполяция частотных характеристик
4.2.3. Результаты предсказания с использованием композиционной модели
4.3. Проверка композиционного подхода для предсказания управляющих действий

летчика

ГЛАВА.5. ПРИМЕНЕНИЕ КОМПОЗИЦИОННОЙ МОДЕЛИ ДЛЯ
ПРОГНОЗИРОВАНИЯ ОЦЕНОК ПИЛОТАЖНЫХ СВОЙСТВ САМОЛЕТА
5.1. Формирование критериев выбора и оценки пилотажных свойств самолета
5.1.1. Критерий «А»
5.1.2. Критерий «Б»
5.1.3. Проверка работоспособности критериев
5.2. Предсказание управляющих действий летчика в отказной ситуации управления
ЗАКЛЮЧЕНИЕ
СПИСОК ЛИТЕРАТУРЫ

канчивается данная связь; w к(п +1) - величина веса на шаге п + 1 (после коррекции); 8Ц к - величина 5 для нейрона q в выходном слое к OUTp; - величина OUT для нейрона р в скрытом слое у.
Рассмотрим один нейрон в скрытом слое, предшествующем выходному слою. При проходе вперед этот нейрон передает свой выходной сигнал нейронам в выходном слое через соединяющие их веса. Во время обучения эти веса функционируют в обратном порядке, пропуская величину 5 от выходного слоя назад к скрытому слою. Каждый из этих весов умножается на величину 5 нейрона, к которому он присоединен в выходном слое. Величина 5, необходимая для нейрона скрытого слоя, получается суммированием всех таких произведений и умножением на производную сжимающей функции (см. рис. 1.14):
IX,*
(1.40)
Когда значение 5 получено, веса, питающие первый скрытый уровень, могут быть подкорректированы с помощью соотношений (1.38) и (1.39).
Предварительный Скрытый слой (/') слой (/') ш
Выходной слой (к)
Рис. 1.14. Настройка веса в скрытом слое
Для каждого нейрона в данном скрытом слое должно быть вычислено значение 8 и подстроены все веса, ассоциированные с этим слоем. Такой процесс повторяется слой за слоем по направлению к входу, пока все веса не будут подкорректированы.
Во многих случаях желательно наделять каждый нейрон обучаемым смещением. Это позволяет сдвигать начало отсчета логистической функции, что приводит к ускорению процесса обучения. Такая возможность может быть легко введена в обучающий