针对随机产生输入权重和隐含层神经元阈值导致利用极限学习机辨识弹丸气动参数时会出现辨识结果发散问题,本文将粒子群算法与极限学习机结合,并且引入自适应更新策略以及粒子变异策略,提出了一种自适应变异粒子群优化极限学习机算法。该算法利用自适应变异粒子群算法寻优产生极限学习机的输入权重和隐含层阈值,有效改善算法性能。仿真实验表明,利用自适应变异粒子群优化极限学习机算法辨识弹丸气动参数,精度高、收敛速度快,能够充分满足实际工程需要。

气动参数对弹丸的弹道特性起决定性作用,在无控弹丸研制过程中,准确获取弹丸气动参数是减小落点散布、提高打击精度的基础与关键。为了进一步提高弹丸阻力系数的辨识精度,基于质点弹道方程,通过数值仿真产生弹道数据,利用极限学习方法在多种噪声环境下实现弹丸阻力系数弹道大数据辨识。该方法随机产生输入权重以及隐含层神经元阈值,随机生成的输入权重以及隐含层神经元阈值彼此独立,且不需要迭代更新,克服了传统辨识方法辨识时间长、辨识精度低的问题。基于最小二乘原理,通过求解隐含层输出矩阵的Moor-Penrose广义逆矩阵即可确定网络最优输出权值,进而精确辨识弹丸阻力系数。在不同测量噪声条件下,将极限学习方法辨识结果与传统BP神经网络方法以及极大似然方法辨识结果进行对比研究。仿真结果表明利用极限学习方法辨识弹丸阻力...