Логотип Автор24реферат
Задать вопрос
Статья на тему: Расчет безопасных параметров начала маневра спортивных самолетов с использованием нейронной сети
100%
Уникальность
Аа
15640 символов
Категория
Авиационная и ракетно-космическая техника
Статья

Расчет безопасных параметров начала маневра спортивных самолетов с использованием нейронной сети

Расчет безопасных параметров начала маневра спортивных самолетов с использованием нейронной сети .doc

Зарегистрируйся в два клика и получи неограниченный доступ к материалам,а также промокод Эмоджи на новый заказ в Автор24. Это бесплатно.

Введение
Отсутствие систем предупреждения или специальных требований для обеспечения безопасности полета делает его существенно опасным и рисковым для осуществления [1, 2].
Целью настоящей работы является поиск уравнения связи между потерей высоты и скоростью выхода из манёвра с ошибками пилотирования любого маневра. Для достижения поставленной цели из-за сложности традиционных методов расчета большого количества маневров используется моделирование нейронных сетей.
Задачи: 1) использование модели многослойного персептрона касательно повышения безопасности выполнения маневров для простых спортивных самолетов, которые не оснащены сложными системами и автопилотом; 2) вычисления уравнения, связывающее безопасность полета и ошибку пилотирования для моделирования нейронной сети.
Классически сложилось, что нейронные сети могут быть использованы для решения задач по распознаванию образов, обработки и идентификации сигналов, классификации и др. Преимущество нейронных сетей заключаются в эффективности решения задач при неполных, ложных данных, а также для создания модели параллельных процессов. Основные проблемы построения и применения нейронных сетей заключаются в трудном процессе их обучения и поиске примеров для обучения, которые могут быть сопоставлены с реальностью.
Основные преимущества нейтронных сетей - свободная перенастраиваемая архитектура, что позволяет вносить дополнения в структуру моделей при выявлении новых факторов [3, 4]. Нейронные сети могут восстанавливать совокупную информацию по одной отдельной части, что чрезвычайно необходимо при отсутствии или потере информации об объекте, либо при обработке неполной информации. В-третьих, при помощи нейронных сетей можно запросто реализовать сложные ситуации, которые образуются под влиянием многофакторной природы и размерности, а также применять разнохарактерную информацию, что целесообразно для моделей определения движения при условии неопределенности. Используя нейтронные сети можно решить задачу с помощью объединения статистических данных и экспертных оценок, а также обрабатывать информационные параметры с различной степенью достоверности и др. [2].
В работе рассматривалось влияние ошибок пилота на возникновение критических ситуаций при выполнении конкретных маневров [5].
Практическое решение задачи
Представляется полезным рассмотреть возможность использования для решения задач определения движения маневрирующих объектов такую разновидность математического аппарата семантических сетей, как нейронные сети.
В задачах компьютерного моделирования искусственных нейронных сетей возникает необходимость использования специальных наборов данных для представления структуры сети и параметров составляющих ее элементов. В статье сейчас рассмотрим структуру многослойного персептрона. Многослойный персептрон состоит из слоя входных элементов (рецепторов), одного или нескольких слоев ассоциативных элементов (нейронов), слоя выходных (реагирующих) элементов. Каждый элемент имеет функцию активации (передаточную функцию), которая в простейшем случае представляет собой алгебраическую сумму всех сигналов, поступающих на вход элемента [4, 9]. Элементы сети связаны между собой послойно. Каждая связь имеет весовой коэффициент, на который умножается сигнал при переходе из одного элемента в другой. Число входов, как и число нейронов в каждом слое, может быть любым. Число слоёв тоже может быть любым.
Рассмотрим на примере практическое решение поставленной задачи. Изучение безопасности выполнения 600 маневров на авиасимулятора X-Plane 11 (300 переворот, 100 пикирование, 100 петля Нестерова, 100 поворот на вертикали), которые определяются одинаковой скоростью начала вывода из маневра 210 км/ч.
Путем получения массивов данных при выполнении разных маневров можно использовать сети нейронного программирования для разработки способа расчета безопасных высот любого маневра.
Для моделирования использовался спортивный пилотажно-акробатический самолет Як-55М, который предназначен для тренировки и участия в соревнованиях по самолетному спорту летчиков-спортсменов.
Полученные данные были разделена на входные, представляющие из себя ошибки пилотирования:
1- время действия до значения угла отклонения руля (X1);
2- значение угла отклонения руля (X2);
3- запаздывание на выход из манёвра (X3)
Выходные данные:
максимальная потеря высоты при достижении рекомендуемой скорости выход из манёвра (Y1);
скорость при выходе из манёвра (Y2);
максимальная перегрузка (Y3).
Так как исходные обучающие данные представляют из себя сложные функциональные зависимости с числом переменных более двух, использование традиционных методов аппроскимации затруднительно, поэтому для решения задачи было использовано нейросетевое моделирование [8].
Параметры были получены из Инструмент X-Plane Connect (XPC) - это инструмент для исследований с открытым исходным кодом, используемый для взаимодействия с программным обеспечением X-Plane для имитатора полета

Зарегистрируйся, чтобы продолжить изучение работы

. XPC позволяет пользователям управлять самолетами и получать информацию о состоянии с самолетов (рис. 1-2).
Рис. 1 – График зависимости потери высоты при достижении рекомендуемой скорости выхода из манёвра
Рис. 2 – График зависимости потери высоты при достижении запаздывания при выходе из маневра
Основу нейронного представления параметров траекторий полета ЛА (в контексте определения движения – для ЛА, в контексте обнаружения – для средств обнаружения и слежения) составляет понятие нейрона. Нейрон – это формальный элемент, выходная активность которого определяется уровнем входного возбуждения и меняется в интервале от 0 до 1. На вход же подаются возбуждения от других аналогичных нейронов.
Цикл обучения сети многослойного перспептона (на множестве примеров) представлен таким образом:
предъявление сети очередного примера (входного и выходного векторов);
вычисление фактического выходного вектора (прямое распространение сигналов);
изменение веса связей с целью минимизации ошибки на выходе.
Изменение веса – итерационный процесс. Критерий остановки – исчерпание лимита количества итераций или достижение заданной величины ошибки E.
IV. Построение нейросети
Нейронная сеть будет иметь 3 входа, 3 выхода, несколько скрытых слоев, и функцию активации вида f(x)= 21+ e-2x-1. Для определения компоновки скрытых слоев был проведен статистический анализ следующих параметров: среднеквадратичное отклонение прогноза нейросети от ожидаемых значений по каждому выходу (S= 1n(1n(in-out)2)), где in – ожидаемое значение, out – прогноз нейросети, а также количество слоев, необходимое для обучения. Также среднеквадратичное отклонение этих величин. Для каждой компоновки скрытых слоев проводилось 100 обучений, затем рассматриваемые параметры усреднялись и бралось среднеквадратичное отклонение всех результатов. Результаты испытаний приведены в таблице 1.
Таблица 1
Отклонение и среднеквадратичное отклонение в зависимости от компоновки слоев
Компоновка слоев
3-5-3 3_10_3 3_15_3
отклонение по 1-му выходу (среднеквадратичное отклонение результатов) 43.053(14.497) 41.056(3.121) 41.134(4.088)
отклонение по 2-му выходу (среднеквадратичное отклонение результатов) 13.577(8.094) 12.606(0.711) 12.603(0.929)
отклонение по 3-му выходу (среднеквадратичное отклонение результатов) 0.982(0.182) 1.042(0.171) 1.089(0.341)
число эпох 12.650 (4.758) 11.900 (4.227) 12.130 (4.150)
3_20_3 3_5_5_3 3_5_10_3 3_10_10_3 3_10_20_3 3_5_5_5_3
41.273(3.961) 42.128(11.708) 40.485(2.267) 40.823(2.879) 40.540(3.631) 40.371(1.892)
12.357(0.618) 13.047(2.141) 12.584(0.527) 12.823(1.270) 12.567(0.944) 12.624(0.450)
1.076(0.167) 1.036(0.221) 1.083(0.206) 1.205(0.249) 1.373(0.230) 1.007(0.140)
11.330 (2.598) 12.020 (5.365) 11.960 (3.808) 10.730 (2.247) 11.180 (2.739) 12.180 (3.605)
3_5_10_5_3 3_10_20_10_3
41.614(3.504) 40.384(2.668)
12.761(0.747) 12.718(0.999)
1.027(0.191) 1.238(0.275)
11.460 (3.239) 11.070 (2.544)
Как видно из таблицы, чтобы добиться наиболее точных и стабильных прогнозов нейросети, при этом сильно не увеличивая количество связей, достаточно взять 2 скрытых слоя в 5 и 10 нейронов (рис.3).
Рис

50% статьи недоступно для прочтения

Закажи написание статьи по выбранной теме всего за пару кликов. Персональная работа в кратчайшее время!

Промокод действует 7 дней 🔥
Больше статей по авиационной и ракетно-космической технике:

Расчет безопасных параметров начала маневра спортивных самолетов с использованием нейронной сети

20838 символов
Авиационная и ракетно-космическая техника
Статья
Уникальность

Современные методы повышения эффективности аэропортовых предприятий

8954 символов
Авиационная и ракетно-космическая техника
Статья
Уникальность

Особенности адаптации опыта зарубежных аэропортов к российскому рынку

8902 символов
Авиационная и ракетно-космическая техника
Статья
Уникальность
Все Статьи по авиационной и ракетно-космической технике
Закажи статью

Наш проект является банком работ по всем школьным и студенческим предметам. Если вы не хотите тратить время на написание работ по ненужным предметам или ищете шаблон для своей работы — он есть у нас.