.png){kind=icon}
返回
Aerodynamic Parameter Identification Method Based on Physics-Informed Radial Basis Function-Deep Neural Networks
.png){kind=icon}
PRE
AI
DOI：10.1016/j.isatra.2025.08.039.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 识别真实与名义气动参数之间的强非线性扰动。
• 物理信息损失函数被设计用于在无真实扰动数据的情况下训练网络。
• 径向基函数层被嵌入深度神经网络中以提升网络识别精度并降低时间成本。
Keyword:
nonlinear perturbations
physics-informed loss function
radial basis function
deep neural network
aerodynamic parameters
期刊
IF:
6.5
论文数:
6.0K
被引数:
2.0W
机构
暂无机构信息
引用论文
Global sensitivity indices for nonlinear mathematical models and their Monte Carlo estimates非线性数学模型的全局灵敏度指数及其蒙特卡罗估计
PREAI
分享收藏Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations物理信息神经网络: 一种用于解决涉及非线性偏微分方程的正反问题的深度学习框架
OAAI
OAAI分享收藏A fast iterative recursive least squares algorithm for Wiener model identification of highly nonlinear systems高度非线性系统Wiener模型辨识的快速迭代递推最小二乘算法.png)
ISA TRANSACTIONS
ISA TRANSACTIONSIF6.5
PREAI
分享收藏
查看更多内容