本发明涉及一种结合cfd计算与白盒特征神经网络的气动建模控制方法，属于飞行器控制。
背景技术：
1、气动力建模是飞行器工程中总体设计参数、控制率设计的重要基础。
2、气动力建模有多种方法，其中，经典的辨识方法，例如最小二乘法，需要首先假定模型结构，然后根据准则函数估计模型参数。如果模型结构不能预先确定，那么在估计模型参数之前必须先识别模型结构参数，因此，模型的质量很大程度上取决于工程师的经验。
3、近年来，神经网络的发展为气动力建模提供了一种先进而强大的研究工具，神经网络模型都是采用非线性激活函数从实现从输入到输出的非线性映射，它本质上是一个黑盒模型，且在使用胞体神经网络训练模型时，我们需要使用大量的样本数据，因为在面对小规模数据集时，它容易过拟合。
4、因此，有必要对现有的气动建模方法进一步研究，以解决上述问题。
技术实现思路
1、为了克服上述问题，本发明人进行了深入研究，提出了一种结合cfd计算与白盒特征神经网络的气动建模控制方法，如图1所示，包括以下步骤：
2、s1、设置样本空间，进行cfd模拟获得样本点的空气动力学数据，生成样本数据集；
3、s2、设置树突网络，采用样本数据集对树突网络进行训练，获得预测模型；
4、基于预测模型获得气动参数多项式，通过最小二乘法求解多项式系数；
5、s3、将气动参数多项式带入飞行器运动模型，设计控制率实现飞行器的控制。
6、在一个优选的实施方式中，s2中，所述树突网络中的树突模块设置为：
7、al＝wl,l-1al-1·x
8、其中，al表示第l个模块的输出，x是树突网络的输入变量，wl,l-1是从第l-1个树突模块到第l个树突模块的权重矩阵。
9、在一个优选的实施方式中，所述树突网络表示为：
10、y＝wk,k-1[…wk，k-1(…w2,1(w1,0x·x)·x…)·x…]
11、其中，x表示树突网络的输入变量，y表示树突网络的输出变量，wk,k-1是从第k-1个树突模块到第k个树突模块的权重矩阵，k表示树突模块的数量。
12、在一个优选的实施方式中，所述树突网络的输入为马赫数、攻角和偏转角，输出为气动参数，所述气动参数包括轴向力系数、法向力系数和俯仰力矩系数。
13、在一个优选的实施方式中，s2中，通过训练获得的预测模型的输入与输出的关系谱，所述关系谱为多项式形式，
14、对关系谱中各项进行筛选，去除噪声项，获得气动参数多项式。
15、在一个优选的实施方式中，通过设置绝对相关系数对关系谱中各项进行筛选，当关系谱中展开项的系数小于绝对相关系数时，认为该项为噪声项予以去除，获得气动参数多项式。
16、在一个优选的实施方式中，获得的气动参数多项式表示为：
17、
18、其中，caf(ma,α,δz)表示轴向力系数，cnf(ma,α,δz)表示法向力系数，cpm(ma,α,δz)表示俯仰力矩系数，ma表示马赫数，α表示攻角，δz表示舵偏角，a＝[a0,a1,…,a15]t、b＝[b0,b1,…,b8]t、c＝[c0,c1,…,c12]t表示气动参数多项式展开项的系数。
19、在一个优选的实施方式中，所述不同环境是指不同的马赫数、攻角和偏转角。
20、在一个优选的实施方式中，s3中，所述飞行器运动模型表示为：
21、
22、
23、
24、
25、其中，m表示飞行器的质量，v表示飞行器的速度，t表示时间常数，p表示推力，α表示攻角，fx表示阻力，g表示重力加速度，θ表示弹道倾角，fy表示升力，jz表示z轴转动惯量，ωz表示俯仰角速率，mz表示俯仰力矩，ρ表示当前区域大气密度，sref表示飞行器的特征面积，l表示飞行器的特征长度。
26、本发明所具有的有益效果包括：
27、(1)设计了结合cfd计算与白盒特征神经网络的气动建模与控制方法，与传统的经验公式相比，树突状网络在提取系统特征方面更有效，从而提高了模型的准确性；
28、(2)将气动模型整合到动力学方程和运动学方程中，提高了模型的实用性。
1.一种结合cfd计算与白盒特征神经网络的气动建模控制方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的结合cfd计算与白盒特征神经网络的气动建模控制方法，其特征在于，
3.根据权利要求1所述的结合cfd计算与白盒特征神经网络的气动建模控制方法，其特征在于，
4.根据权利要求1所述的结合cfd计算与白盒特征神经网络的气动建模控制方法，其特征在于，
5.根据权利要求1所述的结合cfd计算与白盒特征神经网络的气动建模控制方法，其特征在于，
6.根据权利要求5所述的结合cfd计算与白盒特征神经网络的气动建模控制方法，其特征在于，
7.根据权利要求1所述的结合cfd计算与白盒特征神经网络的气动建模控制方法，其特征在于，
8.根据权利要求1所述的结合cfd计算与白盒特征神经网络的气动建模控制方法，其特征在于，
9.根据权利要求1所述的结合cfd计算与白盒特征神经网络的气动建模控制方法，其特征在于，
