排序方式： 共有1条查询结果，搜索用时 0 毫秒
1
1.
针对传统迭代推力分配方法实时性较差的问题,提出了一种基于极限学习机(ELM)的推力分配方法.该方法考虑了推进器的布局条件与推进器推力约束,利用序列二次规划(SQP)算法在短时间内生成了大量用于极限学习机神经网络训练的推力分配样本数据.利用生成的数据集进行了离线训练,并进行了在线测试.仿真结果表明:该方法可以较高的精度和更快的计算速度完成推力分配,体现了其相较于传统迭代优化算法的优越性,更能满足工程应用的实时性需求. 相似文献
1