基于BP神经网络的燃气流量可调固体冲压发动机推力建模方法研究
本文研究了基于BP神经网络的燃气流量可调固体冲压发动机推力建模方法。该方法利用数值计算与试车台试验数据相结合的方法，获取基于高度、马赫数、迎角、燃气发生器压强、补燃室压强五个关键特征参数的推力数据库。基于该数据库，建立了多层BP神经网络模型，并对该模型进行了校核验证。结果表明，所建立的多层BP神经网络模型可以精确预测理论数值计算模型，可以代替复杂的数值计算模型或大规模的推力数据库，为固体冲压发动机弹上控制系统产品的研制奠定了基础。
BP神经网络模型的建立是基于燃气流量可调固体冲压发动机的特性。燃气流量可调固体冲压发动机的稳态工作过程已经有较多的理论研究，并建立了相关的理论体系。然而，当前的数值模型或推力数据库过于庞大，难以直接应用于弹载发动机控制器中。因此，有必要寻求一种近似建模方法，建立一种既可准确描述流量可调固体冲压发动机特性又可以方便应用在弹载发动机控制系统中的模型。
BP神经网络模型的优点是可以精确预测理论数值计算模型，且可以代替复杂的数值计算模型或大规模的推力数据库。该模型可以为固体冲压发动机弹上控制系统产品的研制奠定了基础。同时，BP神经网络模型也可以应用于其他领域，例如机器学习、深度学习等。
在BP神经网络模型的建立过程中，需要对燃气流量可调固体冲压发动机的特性进行研究。燃气流量可调固体冲压发动机的稳态工作过程可以通过数值计算与试车台试验数据相结合的方法获取。则可以获取基于高度、马赫数、迎角、燃气发生器压强、补燃室压强五个关键特征参数的推力数据库。
BP神经网络模型的应用前景广阔。例如，在机器学习和深度学习领域，BP神经网络模型可以应用于模式识别、图像处理、自然语言处理等领域。在控制系统领域，BP神经网络模型可以应用于机器人控制、自动驾驶、无人机控制等领域。
本文研究了基于BP神经网络的燃气流量可调固体冲压发动机推力建模方法。该方法可以精确预测理论数值计算模型，可以代替复杂的数值计算模型或大规模的推力数据库，为固体冲压发动机弹上控制系统产品的研制奠定了基础。同时，BP神经网络模型也可以应用于其他领域，例如机器学习、深度学习等。
