Estimação dos coeficientes aerodinâmicos utilizando Adaptive Functional Link Network.
Autor(a) principal: | |
---|---|
Data de Publicação: | 2008 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações do ITA |
Texto Completo: | http://www.bd.bibl.ita.br/tde_busca/arquivo.php?codArquivo=711 |
Resumo: | Este trabalho desenvolve um método adaptativo estocástico aplicado ao treinamento de uma arquitetura neural conhecida como Functional Link Network - FLN para a determinação dos coeficientes aerodinâmicos e de controle de uma aeronave de alto desempenho. Esta arquitetura neural possui dois aspectos importantes: permite o uso de uma infinidade de alternativas de tipos de funções (exponenciais, polinomiais, etc) como funções de base e o uso de regras de treinamento lineares. Quando o treinamento é feito usando um algoritmo de estimação linear ótimo, ou seja, um algoritmo como o filtro de Kalman, tem-se um comportamento numérico ruim, causando assim problemas de divergência quando conjuntos grandes de dados de treinamento são processados. Este problema ocorre devido ao fato de que o algoritmo perde a capacidade de treinamento quando novos conjuntos de dados são processados. Para evitar este mau comportamento e tentar manter uma capacidade de aprendizado distribuída e uniforme, se propõe o uso de um procedimento adaptativo baseado em um critério de consistência estatística, para contrabalançar a prioridade das informações a priori com as novas informações de treinamento. A arquitetura neural Functional Link Network - FLN e o procedimento adaptativo formam a Adaptive Functional Link Network - AFLN que permite a identificação dos parâmetros aerodinâmicos e de controle, mesmo quando os valores iniciais dos parâmetros estiverem distantes dos valores reais. Para se obter uma arquitetura que tenha boa capacidade de modelagem e de generalização, utiliza-se também uma heurística de poda (Optimal Brain Surgeon - OBS), para eliminar os parâmetros (funções) menos significativos. Para testar e validar o método desenvolvido, utilizam-se dados fornecidos por um simulador em FORTRAN da aeronave F16 e se compara com os dados obtidos via a aplicação da AFLN, tanto para os coeficientes do movimento longitudinal quanto para os do movimento látero-direcional. Os resultados são promissores e indicam a possibilidade do uso da ferramenta na identificação, em tempo quase real, dos coeficientes dentro do envelope de vôo da aeronave. |
id |
ITA_4e654fdd13a668d7b1f35bef852ec166 |
---|---|
oai_identifier_str |
oai:agregador.ibict.br.BDTD_ITA:oai:ita.br:711 |
network_acronym_str |
ITA |
network_name_str |
Biblioteca Digital de Teses e Dissertações do ITA |
spelling |
Estimação dos coeficientes aerodinâmicos utilizando Adaptive Functional Link Network.Identificação de parâmetrosEstimação de sistemasCoeficientes aerodinâmicosControle adaptativoRedes neuraisProcessos estocásticosMecânica de vôoInteligência artificialControleEste trabalho desenvolve um método adaptativo estocástico aplicado ao treinamento de uma arquitetura neural conhecida como Functional Link Network - FLN para a determinação dos coeficientes aerodinâmicos e de controle de uma aeronave de alto desempenho. Esta arquitetura neural possui dois aspectos importantes: permite o uso de uma infinidade de alternativas de tipos de funções (exponenciais, polinomiais, etc) como funções de base e o uso de regras de treinamento lineares. Quando o treinamento é feito usando um algoritmo de estimação linear ótimo, ou seja, um algoritmo como o filtro de Kalman, tem-se um comportamento numérico ruim, causando assim problemas de divergência quando conjuntos grandes de dados de treinamento são processados. Este problema ocorre devido ao fato de que o algoritmo perde a capacidade de treinamento quando novos conjuntos de dados são processados. Para evitar este mau comportamento e tentar manter uma capacidade de aprendizado distribuída e uniforme, se propõe o uso de um procedimento adaptativo baseado em um critério de consistência estatística, para contrabalançar a prioridade das informações a priori com as novas informações de treinamento. A arquitetura neural Functional Link Network - FLN e o procedimento adaptativo formam a Adaptive Functional Link Network - AFLN que permite a identificação dos parâmetros aerodinâmicos e de controle, mesmo quando os valores iniciais dos parâmetros estiverem distantes dos valores reais. Para se obter uma arquitetura que tenha boa capacidade de modelagem e de generalização, utiliza-se também uma heurística de poda (Optimal Brain Surgeon - OBS), para eliminar os parâmetros (funções) menos significativos. Para testar e validar o método desenvolvido, utilizam-se dados fornecidos por um simulador em FORTRAN da aeronave F16 e se compara com os dados obtidos via a aplicação da AFLN, tanto para os coeficientes do movimento longitudinal quanto para os do movimento látero-direcional. Os resultados são promissores e indicam a possibilidade do uso da ferramenta na identificação, em tempo quase real, dos coeficientes dentro do envelope de vôo da aeronave.Instituto Tecnológico de AeronáuticaLuiz Carlos Sandoval GóesMarcelo CurvoWilson Rios Neto2008-12-19info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesishttp://www.bd.bibl.ita.br/tde_busca/arquivo.php?codArquivo=711reponame:Biblioteca Digital de Teses e Dissertações do ITAinstname:Instituto Tecnológico de Aeronáuticainstacron:ITAporinfo:eu-repo/semantics/openAccessapplication/pdf2019-02-02T14:01:53Zoai:agregador.ibict.br.BDTD_ITA:oai:ita.br:711http://oai.bdtd.ibict.br/requestopendoar:null2020-05-28 19:33:58.556Biblioteca Digital de Teses e Dissertações do ITA - Instituto Tecnológico de Aeronáuticatrue |
dc.title.none.fl_str_mv |
Estimação dos coeficientes aerodinâmicos utilizando Adaptive Functional Link Network. |
title |
Estimação dos coeficientes aerodinâmicos utilizando Adaptive Functional Link Network. |
spellingShingle |
Estimação dos coeficientes aerodinâmicos utilizando Adaptive Functional Link Network. Wilson Rios Neto Identificação de parâmetros Estimação de sistemas Coeficientes aerodinâmicos Controle adaptativo Redes neurais Processos estocásticos Mecânica de vôo Inteligência artificial Controle |
title_short |
Estimação dos coeficientes aerodinâmicos utilizando Adaptive Functional Link Network. |
title_full |
Estimação dos coeficientes aerodinâmicos utilizando Adaptive Functional Link Network. |
title_fullStr |
Estimação dos coeficientes aerodinâmicos utilizando Adaptive Functional Link Network. |
title_full_unstemmed |
Estimação dos coeficientes aerodinâmicos utilizando Adaptive Functional Link Network. |
title_sort |
Estimação dos coeficientes aerodinâmicos utilizando Adaptive Functional Link Network. |
author |
Wilson Rios Neto |
author_facet |
Wilson Rios Neto |
author_role |
author |
dc.contributor.none.fl_str_mv |
Luiz Carlos Sandoval Góes Marcelo Curvo |
dc.contributor.author.fl_str_mv |
Wilson Rios Neto |
dc.subject.por.fl_str_mv |
Identificação de parâmetros Estimação de sistemas Coeficientes aerodinâmicos Controle adaptativo Redes neurais Processos estocásticos Mecânica de vôo Inteligência artificial Controle |
topic |
Identificação de parâmetros Estimação de sistemas Coeficientes aerodinâmicos Controle adaptativo Redes neurais Processos estocásticos Mecânica de vôo Inteligência artificial Controle |
dc.description.none.fl_txt_mv |
Este trabalho desenvolve um método adaptativo estocástico aplicado ao treinamento de uma arquitetura neural conhecida como Functional Link Network - FLN para a determinação dos coeficientes aerodinâmicos e de controle de uma aeronave de alto desempenho. Esta arquitetura neural possui dois aspectos importantes: permite o uso de uma infinidade de alternativas de tipos de funções (exponenciais, polinomiais, etc) como funções de base e o uso de regras de treinamento lineares. Quando o treinamento é feito usando um algoritmo de estimação linear ótimo, ou seja, um algoritmo como o filtro de Kalman, tem-se um comportamento numérico ruim, causando assim problemas de divergência quando conjuntos grandes de dados de treinamento são processados. Este problema ocorre devido ao fato de que o algoritmo perde a capacidade de treinamento quando novos conjuntos de dados são processados. Para evitar este mau comportamento e tentar manter uma capacidade de aprendizado distribuída e uniforme, se propõe o uso de um procedimento adaptativo baseado em um critério de consistência estatística, para contrabalançar a prioridade das informações a priori com as novas informações de treinamento. A arquitetura neural Functional Link Network - FLN e o procedimento adaptativo formam a Adaptive Functional Link Network - AFLN que permite a identificação dos parâmetros aerodinâmicos e de controle, mesmo quando os valores iniciais dos parâmetros estiverem distantes dos valores reais. Para se obter uma arquitetura que tenha boa capacidade de modelagem e de generalização, utiliza-se também uma heurística de poda (Optimal Brain Surgeon - OBS), para eliminar os parâmetros (funções) menos significativos. Para testar e validar o método desenvolvido, utilizam-se dados fornecidos por um simulador em FORTRAN da aeronave F16 e se compara com os dados obtidos via a aplicação da AFLN, tanto para os coeficientes do movimento longitudinal quanto para os do movimento látero-direcional. Os resultados são promissores e indicam a possibilidade do uso da ferramenta na identificação, em tempo quase real, dos coeficientes dentro do envelope de vôo da aeronave. |
description |
Este trabalho desenvolve um método adaptativo estocástico aplicado ao treinamento de uma arquitetura neural conhecida como Functional Link Network - FLN para a determinação dos coeficientes aerodinâmicos e de controle de uma aeronave de alto desempenho. Esta arquitetura neural possui dois aspectos importantes: permite o uso de uma infinidade de alternativas de tipos de funções (exponenciais, polinomiais, etc) como funções de base e o uso de regras de treinamento lineares. Quando o treinamento é feito usando um algoritmo de estimação linear ótimo, ou seja, um algoritmo como o filtro de Kalman, tem-se um comportamento numérico ruim, causando assim problemas de divergência quando conjuntos grandes de dados de treinamento são processados. Este problema ocorre devido ao fato de que o algoritmo perde a capacidade de treinamento quando novos conjuntos de dados são processados. Para evitar este mau comportamento e tentar manter uma capacidade de aprendizado distribuída e uniforme, se propõe o uso de um procedimento adaptativo baseado em um critério de consistência estatística, para contrabalançar a prioridade das informações a priori com as novas informações de treinamento. A arquitetura neural Functional Link Network - FLN e o procedimento adaptativo formam a Adaptive Functional Link Network - AFLN que permite a identificação dos parâmetros aerodinâmicos e de controle, mesmo quando os valores iniciais dos parâmetros estiverem distantes dos valores reais. Para se obter uma arquitetura que tenha boa capacidade de modelagem e de generalização, utiliza-se também uma heurística de poda (Optimal Brain Surgeon - OBS), para eliminar os parâmetros (funções) menos significativos. Para testar e validar o método desenvolvido, utilizam-se dados fornecidos por um simulador em FORTRAN da aeronave F16 e se compara com os dados obtidos via a aplicação da AFLN, tanto para os coeficientes do movimento longitudinal quanto para os do movimento látero-direcional. Os resultados são promissores e indicam a possibilidade do uso da ferramenta na identificação, em tempo quase real, dos coeficientes dentro do envelope de vôo da aeronave. |
publishDate |
2008 |
dc.date.none.fl_str_mv |
2008-12-19 |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/publishedVersion info:eu-repo/semantics/doctoralThesis |
status_str |
publishedVersion |
format |
doctoralThesis |
dc.identifier.uri.fl_str_mv |
http://www.bd.bibl.ita.br/tde_busca/arquivo.php?codArquivo=711 |
url |
http://www.bd.bibl.ita.br/tde_busca/arquivo.php?codArquivo=711 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Instituto Tecnológico de Aeronáutica |
publisher.none.fl_str_mv |
Instituto Tecnológico de Aeronáutica |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações do ITA instname:Instituto Tecnológico de Aeronáutica instacron:ITA |
reponame_str |
Biblioteca Digital de Teses e Dissertações do ITA |
collection |
Biblioteca Digital de Teses e Dissertações do ITA |
instname_str |
Instituto Tecnológico de Aeronáutica |
instacron_str |
ITA |
institution |
ITA |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações do ITA - Instituto Tecnológico de Aeronáutica |
repository.mail.fl_str_mv |
|
subject_por_txtF_mv |
Identificação de parâmetros Estimação de sistemas Coeficientes aerodinâmicos Controle adaptativo Redes neurais Processos estocásticos Mecânica de vôo Inteligência artificial Controle |
_version_ |
1706809261714046976 |