买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西北工业大学申请的专利一种结合门控循环单元神经网络模型和高斯-牛顿优化算法的飞行器参数辨识方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119623244B 。

龙图腾网通过国家知识产权局官网在2025-10-17发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411583961.X，技术领域涉及：G06F30/27；该发明授权一种结合门控循环单元神经网络模型和高斯-牛顿优化算法的飞行器参数辨识方法是由惠哲;都东岳;昌敏;白俊强设计研发完成，并于2024-11-07向国家知识产权局提交的专利申请。

本一种结合门控循环单元神经网络模型和高斯-牛顿优化算法的飞行器参数辨识方法在说明书摘要公布了：本发明提出一种结合门控循环单元神经网络模型和高斯‑牛顿优化算法的飞行器参数辨识方法，该方法结合了GRU神经网络模型和高斯‑牛顿优化算法，用于解决复杂飞行器参数辨识问题。GRU神经网络模型设计为通过在飞行器系统的测量输入和输出之间直接建立非线性函数映射关系来对飞行器动力学进行建模，而无需任何动力学先验假设。高斯‑牛顿优化算法与训练完毕的GRU网络模型相结合，通过以迭代方式最小化与未知气动参数相关的代价函数，获得最优参数辨识结果。

本发明授权一种结合门控循环单元神经网络模型和高斯-牛顿优化算法的飞行器参数辨识方法在权利要求书中公布了：1.一种结合门控循环单元神经网络模型和高斯-牛顿优化算法的飞行器参数辨识方法，其特征在于：包括以下步骤： 步骤1：构建并训练GRU神经网络预测模型； 步骤1.1：建立GRU神经网络预测模型；所述GRU神经网络预测模型包括输入层、L层GRU层及输出层；所述GRU层中添加有Dropout层； 所述GRU神经网络预测模型的输入为X＝[X1,X2,…,XN-1]，输出为Y＝[Y2,Y3,…,YN]，使用t时刻的输入向量Xt来预测t+1时刻的输出向量Yt+1，t＝1,2,…,N-1；其中 N表示飞行数据中包含的离散时间点总数； 步骤1.2：对步骤1.1建立的GRU神经网络预测模型进行训练： 通过飞行试验收集飞行器传感器采集的数据，包括迎角、侧滑角、姿态角、姿态角速度，飞行速度以及体轴系下的三轴加速度，利用数值微分法计算出飞行器绕其体轴系的三个方向角加速度，并通过牛顿定律计算出飞行器的气动力系数及力矩系数，从而获取观测矩阵Z＝[Z2,Z3,...,ZN]以及输入矩阵X＝[X1,X2,...,XN-1]；观测矩阵中的向量含义与输出矩阵中的向量含义相同； 利用输入矩阵X和观测矩阵Z训练GRU神经网络预测模型； 步骤2：将训练完毕的GRU网络和高斯-牛顿优化算法相结合，实现飞行器参数辨识功能： 步骤2.1：根据所选飞行器在飞行试验中的实际机动飞行情况，选择相应的气动模型结构； 步骤2.2：设置气动模型中的待辨识气动参数向量Θ的初始值； 步骤2.3：利用飞行数据中通过传感器得到的初始时刻飞行器运动状态变量值，并根据气动模型计算得到相应的气动力和力矩系数值；将传感器得到的初始时刻飞行器运动状态变量值与根据气动模型计算得到的气动力和力矩系数值组合得到初始时刻的输入向量X1； 步骤2.4：将所述初始时刻的输入向量X1输入训练好的GRU神经网络预测模型中，并结合气动模型解算每个时间点的气动力及力矩系数，预测得到输出矩阵Y＝[Y2,Y3,...,YN]；计算测量噪声协方差矩阵R； 步骤2.5：利用标准无约束高斯-牛顿算法和一维线搜索最小化代价函数JΘ，并对气动参数向量Θ进行迭代更新： JΘ＝detR 其中FΔΘ＝-G 式中，i表示迭代次数；表示无量纲参数，其数值在每次迭代中由一维线搜索算法计算确定；F和G分别表示信息矩阵和梯度向量；ΔΘ表示待辨识气动参数的变化向量； 步骤2.6：返回步骤2.3，直至满足收敛条件，得到气动参数向量。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西北工业大学，其通讯地址为：710072 陕西省西安市碑林区友谊西路127号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。