|
|
|
|
روش‌های برخط جهت شناسایی مدل هواپیما: بررسی مروری و مقایسه‌ای
|
|
|
|
|
|
|
|
نویسنده
|
حسینی فائزه ,محمد حسینی صبا ,احیایی امیر فرهاد
|
|
منبع
|
مكانيك هوافضا - 1400 - دوره : 17 - شماره : 4 - صفحه:109 -117
|
|
چکیده
|
در مقاله حاضر، یک بررسی مقایسه ای نسبتاً جامع از روش های شناسایی برخط بر روی مدل دینامیکی یک سیستم هواپیما ارائه شده است. برای این منظور ضمن معرفی انواع الگوریتم های موجود در این زمینه از الگوریتم های حداقل مربعات بازگشتی، حداقل مربعات تعمیم یافته بازگشتی، متغیرهای کمکی بازگشتی، ماتریس توسعه یافته، شبکه عصبی توابع پایه شعاعی و شبکه عصبی پرسپترون چند لایه با الگوریتم یادگیری پس انتشار برای شناسایی مدل فوق استفاده می شود. جهت انجام شبیه سازی ها و نیز آموزش شبکه های عصبی از مدل خطی شده و داده های هواپیمای بوئینگ 747 که توسط کنترل کننده مد لغزشی بر روی مسیر مرجع دلخواه کنترل می شود، استفاده شده است. در نهایت نیز عملکرد روش های شناسایی مذکور ارزیابی و با یکدیگر مقایسه می شوند. بر اساس نتایج این مقاله، روش شبکه عصبی توابع پایه شعاعی به‌دلیل عدم استفاده از مدل خطی سیستم، تخمین دینامیک نویز، عدم نیاز به مدل سیستم و دقت بالاتر در عین سرعت مناسب، از برتری چشمگیری نسبت به سایر روش ها برخوردار است.
|
|
کلیدواژه
|
شناسایی سیستم، کنترل مد لغزشی، الگوریتمهای بازگشتی، شبکه عصبی، توابع پایه شعاعی، پرسپترون چند لایه
|
|
آدرس
|
دانشگاه بین المللی امام خمینی, گروه مهندسی برق, ایران, دانشگاه بین المللی امام خمینی, گروه مهندسی برق, ایران, دانشگاه بین المللی امام خمینی, گروه مهندسی برق, ایران
|
|
پست الکترونیکی
|
f.ehyaei@eng.ikiu.ac.ir
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Online Methods for the Identification of Aircraft Model: Review and Comparison
|
|
|
|
|
Authors
|
Hosseini Faezeh ,Mohammad Hosseini Saba ,Ehyaei Amir Farhad
|
|
Abstract
|
In this paper, a fairly comprehensive comparative study has been done on online identification methods for the dynamic model of an aircraft system. To this aim, first, the existing algorithms in this field are introduced. Then, some of these approaches including the recursive least square, the recursive extended least square, the recursive instrumental variable, the extended matrix, the radial basis function neural network, and the multilayer perceptron neural network are utilized to identify the aircraft model. To carry out the simulations, and train the neural networks, the linearized model and online data of the Boeing 747 aircraft controlled by a sliding mode controller on an arbitrary reference trajectory are employed. Finally, the efficiency of each of the abovementioned methods is evaluated and compared to the other approaches. According to the obtained results of this research, the radial basis function neural network method has a significantly superior performance over the other algorithms due to dynamic noise estimation, independence from the system model, rejecting the linear model of the system, and higher accuracy while maintaining the appropriate speed.
|
|
Keywords
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|