航空文献资源库

按文献类别分组

按栏目分组

按年份分组

按来源分组

关键词

基于改进局部线性模型树的航空发动机过渡态非线性辨识: 作者： 王伟李建锋刘帅 来源： 信息与控制 年份： 2021 文献类型： 期刊 关键词： 航空发动机非线性系统局部线性模型树(LOLIMOT) 系统辨识 AIC准则; 描述： 为了解决在采用局部线性模型树(LOcal Linear MOdel Tree,LOLIMOT)辨识发动机非线性系统时,出现的辨识网络复杂和模型精度问题,提出一种将非线性自回归滑动平均模型(NARMAX)和LOLIMOT网络融合的改进神经网络结构.基于非线性自回归滑动平均模型NARMAX的思想,将原始局部子模型的线性函数替换为非线性多项式函数,并基于AIC(Akaike information criterion)显著性准则的前向选择法对非线性项按照重要性程度进行选择,将简化后的非线性函数用于构建原始LOLIMOT模型局部子模型,形成一种改进LOLIMOT网络模型.通过某航空发动机过渡态下的辨识实验表明,改进算法能够将原LOLIMOT模型复杂度降低46%左右,相对预测精度提高50%以上,验证了在对发动机模型复杂度和精度要求较高的领域,改进模型是一种更加有效的网络结构.

基于改进局部线性模型树的航空发动机过渡态非线性辨识: 作者： 王伟李建锋刘帅 来源： 信息与控制 年份： 2021 文献类型： 期刊 关键词： 航空发动机非线性系统局部线性模型树(LOLIMOT) 系统辨识 AIC准则; 描述： 为了解决在采用局部线性模型树(LOcal Linear MOdel Tree,LOLIMOT)辨识发动机非线性系统时,出现的辨识网络复杂和模型精度问题,提出一种将非线性自回归滑动平均模型(NARMAX)和LOLIMOT网络融合的改进神经网络结构.基于非线性自回归滑动平均模型NARMAX的思想,将原始局部子模型的线性函数替换为非线性多项式函数,并基于AIC(Akaike information criterion)显著性准则的前向选择法对非线性项按照重要性程度进行选择,将简化后的非线性函数用于构建原始LOLIMOT模型局部子模型,形成一种改进LOLIMOT网络模型.通过某航空发动机过渡态下的辨识实验表明,改进算法能够将原LOLIMOT模型复杂度降低46%左右,相对预测精度提高50%以上,验证了在对发动机模型复杂度和精度要求较高的领域,改进模型是一种更加有效的网络结构.

基于改进局部线性模型树的航空发动机过渡态非线性辨识: 作者： 王伟李建锋刘帅 来源： 信息与控制 年份： 2021 文献类型： 期刊 关键词： 航空发动机非线性系统局部线性模型树(LOLIMOT) 系统辨识 AIC准则; 描述： 为了解决在采用局部线性模型树(LOcal Linear MOdel Tree,LOLIMOT)辨识发动机非线性系统时,出现的辨识网络复杂和模型精度问题,提出一种将非线性自回归滑动平均模型(NARMAX)和LOLIMOT网络融合的改进神经网络结构.基于非线性自回归滑动平均模型NARMAX的思想,将原始局部子模型的线性函数替换为非线性多项式函数,并基于AIC(Akaike information criterion)显著性准则的前向选择法对非线性项按照重要性程度进行选择,将简化后的非线性函数用于构建原始LOLIMOT模型局部子模型,形成一种改进LOLIMOT网络模型.通过某航空发动机过渡态下的辨识实验表明,改进算法能够将原LOLIMOT模型复杂度降低46%左右,相对预测精度提高50%以上,验证了在对发动机模型复杂度和精度要求较高的领域,改进模型是一种更加有效的网络结构.

基于改进局部线性模型树的航空发动机过渡态非线性辨识: 作者： 王伟李建锋刘帅 来源： 信息与控制 年份： 2021 文献类型： 期刊 关键词： 航空发动机非线性系统局部线性模型树(LOLIMOT) 系统辨识 AIC准则; 描述： 为了解决在采用局部线性模型树(LOcal Linear MOdel Tree,LOLIMOT)辨识发动机非线性系统时,出现的辨识网络复杂和模型精度问题,提出一种将非线性自回归滑动平均模型(NARMAX)和LOLIMOT网络融合的改进神经网络结构.基于非线性自回归滑动平均模型NARMAX的思想,将原始局部子模型的线性函数替换为非线性多项式函数,并基于AIC(Akaike information criterion)显著性准则的前向选择法对非线性项按照重要性程度进行选择,将简化后的非线性函数用于构建原始LOLIMOT模型局部子模型,形成一种改进LOLIMOT网络模型.通过某航空发动机过渡态下的辨识实验表明,改进算法能够将原LOLIMOT模型复杂度降低46%左右,相对预测精度提高50%以上,验证了在对发动机模型复杂度和精度要求较高的领域,改进模型是一种更加有效的网络结构.

< 1 >