[发明专利]一种自适应RBF神经网络进行航空发动机推力估计算法

摘要

本发明公开了一种自适应RBF神经网络进行航空发动机推力估计的算法，本发明利用改进的粒子群算法优化径向基函数神经网络的各节点的中心、宽度和连接权重等神经网络参数，同时优化网络规模，以实现在满足精度要求的情况使得神经网络更加紧凑。本发明可以用于中小规模的数据回归问题，在航空发动机方面，可以用于推力等参数的估计。本发明基于粒子群算法提出了自适应RBF神经网络。在改进的粒子群算法中，针对不同的网络隐含层节点数，设置与隐含层节点数种类个数相同的局部最优解。本发明为航空发动机推力估计提供一种新思路，易于理解，且算法的参数调整简单，易于实现，适用性强，可实现高精度推力估计。

主权项

一种自适应RBF神经网络进行航空发动机推力估计的算法，其特征在于，包括如下步骤：步骤1：获取发动机机载设备的各项影响发动机推力的参数，以周期ΔT采集全飞行包线内所述参数的值以及发动机实际推力，构成数据集；步骤2：对步骤1所得数据集进行归一化处理，得到归一化处理后的数据集；步骤3：对步骤2所得归一化处理后的数据集应用K‑means聚类算法，将其分成若干个子集；步骤4：将步骤3所得子集分成训练数据集和测试数据集；以训练数据集中除发动机实际推力外的数据作为输入，发动机实际推力作为输出，利用改进的粒子群算法训练RBF神经网络参数和网络规模，得到子集的RBF神经网络回归机；利用所述RBF神经网络回归机估计发动机推力；所述改进的粒子群算法以RBF神经网络回归机估计的发动机推力与实际发动机推力的相对误差的绝对值最小化作为优化目标；步骤5：训练RBF神经网络回归机，即根据子集的测试数据集，测试在给定粒子群算法参数下与子集对应的RBF神经网络回归机估计的发动机推力是否满足预定精度；如果满足预定精度，则当前粒子群算法的参数设定为子集的优化参数；如果不满足预定精度，则修改粒子群算法的参数，重复步骤4直至RBF神经网络回归机估计的发动机推力能够满足预定精度；步骤6：如果多次调整粒子群算法参数依然不能得到满足预定精度的RBF神经网络参数和网络规模，则针对所有不满足预定精度的数据构成的数据集重复步骤3至步骤5。