气动参数辨识对于大气层内飞行器来说至关重要,通过在线气动参数辨识可规划更准确的飞行轨迹,并对控制参数进行自适应调整。传统辨识方法的模型较为复杂,运算量大,无法满足飞行器在线辨识的要求。而基于神经网络的智能参数辨识方法,不仅可以离线对网络模型进行训练,并利用历史飞行数据进行模型修正,也可在线时直接利用训练好的网络对参数进行快速调整,在保证参数估计精度的同时,保障参数估计的快速性。提出了一种基于支撑向量机(SVM)的样本扩充和神经网络参数在线快速修正方法。通过仿真和统计,证明了基于SVM的神经网络方法对飞行器气动参数进行在线快速智能辨识的可行性。

通过对数学散斑条纹的分析与处理，找出了能代表条纹信息的移位不变与旋转不变特征值——最大斜率，进而构造一种新的网络模型，即单步前馈式三层网络系统.率先实现了把神经网络系统用在数字散斑无损检测之中，完成了神经网络系统对粘接界面缺陷的智能辨识.