基于神经网络驾驶员模型的PIO预测分析

在PIO研究中,拟线性的McRuer驾驶员模型,因其结构简单、能反映驾驶员基本的行为特性而被广泛采用,但在通常情况下,驾驶员的行为具有高度的非线性,而运用神经网络模型可以更精确地描述驾驶员的非线性特性。以某机为例,利用试飞数据对神经网络进行训练和验证,建立了神经网络模型。通过仿真运算,并用时域Neal-Smith(TDNS)准则对该飞机进行了PIO预测分析。结果表明,与McRuer驾驶员模型相比,神经网络模型可以更好地逼近驾驶员特性,据此运用TDNS准则可以很好地对PIO趋势进行预测。

神经网络模型在TDNS准则中的应用研究

时域Neal-Smith(TDNS)准则源于频域Neal-Smith(FDNS)准则和阶跃目标跟踪准则,被广泛应用于纵向驾驶员诱发振荡(PIO)趋势的预测研究。在该准则采用的人机闭环系统中,广泛运用结构简单且能反映飞行员基本行为特征的拟线性驾驶员模型。但在实际情况中,驾驶员的行为通常具有高度的非线性,为了更精确地描述驾驶员的非线性特性,采用神经网络方法建立驾驶员模型。利用某机的试飞数据对神经网络进行了训练和测试,生成了神经网络模型。针对TDNS预测准则,建立了相应的仿真模型,通过仿真运算,得到了该飞机的PIO预测结果。研究表明:相对于传统的驾驶员模型,神经网络模型能够更好与真实驾驶员相匹配;在TDNS评估准则中运用神经网络模型具有实际的意义。