Based on the paper document provided, I will now analyze and answer the four questions in sequence. Neural-Network-Based Aerodynamic Modeling and Fixed-Time Neuro-Adaptive Control of a Novel "Diamond-Wing" Morphing Aircraft 基于神经网络的气动建模与新型"菱形翼"变形飞行器的固定时间神经自适应控制

《Aerospace Science and Technology》：Neural-Network-Based Aerodynamic Modeling and Fixed-Time Neuro-Adaptive Control of a Novel “Diamond-Wing” Morphing Aircraft

　　

针对具有强非线性、构型相关气动特性及外部扰动的新型"菱形翼"变形飞行器，研究人员开展气动建模与姿态控制研究。该变形飞行器采用可变后掠菱形翼布局，后掠角为35°，超声速来流条件下翼型呈菱形截面，具有随变形过程连续变化的几何构型，导致气动参数呈现显著的非线性及高阶耦合特征。现有气动建模方法存在明显局限：基于理论推导的雅可比线性化方法需依赖简化假设，限制了其对非线性气动效应的表征能力；基于计算流体力学（Computational Fluid Dynamics, CFD）的高保真仿真虽能提供全阶气动模型，但计算成本高昂；数据驱动的神经网络方法虽具强非线性映射能力，但大多为黑箱模型，缺乏物理可解释性。此外，变形过程中构型变化引入的附加自由度导致气动参数、惯性特性及力矩变化显著，且变形输入以非仿射形式进入飞行动力学，系统呈现强非线性与快速时变特性，给飞行控制设计带来严峻挑战。针对上述问题，研究人员开展了以下工作：首先，融合树突网络与CFD计算结果，构建面向控制的高保真白箱气动建模框架，通过白箱特征提取与最小二乘辨识获得显式多项式表达，解决变形包线内高阶特征耦合与模型可解释性问题；其次，基于辨识得到的气动模型，针对显式保留变形诱导力与力矩的非仿射纵向动力学，设计固定时间神经自适应底层控制器，采用径向基函数神经网络（RBFNNs）逼近状态相关未建模动态，并通过自适应律估计扰动相关项；最后，通过双曲正切饱和函数处理输入约束，借助命令滤波技术降低底层控制复杂度，实现固定时间稳定性。数值仿真结果表明，所提控制策略在多种工况下均具有更快的响应速度与更小的跟踪误差。

本研究针对新型"菱形翼"变形飞行器，构建了基于树突网络的白箱气动建模框架与固定时间神经自适应底层控制器，解决了强非线性、构型相关气动特性及外部扰动下的非仿射控制难题。

研究背景方面，当前变形飞行器技术面临双重核心挑战。在气动建模领域，传统方法存在显著局限：理论推导依赖简化假设，难以表征变形过程中的高阶非线性气动效应；CFD仿真虽精度高但计算成本昂贵；现有数据驱动方法多为黑箱模型，缺乏物理可解释性，且尚未应用于变形飞行器的闭环控制验证。在控制设计领域，变形过程引入的附加自由度导致气动参数、惯性特性及力矩显著变化，变形输入以非仿射形式进入动力学，系统呈现强非线性与快速时变特性。现有研究多假设控制面以线性形式出现，回避了非仿射控制特性的处理难题，难以满足变形飞行器的高精度控制需求。此外，模型不确定性与未知外部扰动的存在，进一步加剧了控制设计的复杂性。

针对上述问题，研究人员开展了系统性研究。在气动建模方面，提出了融合树突网络与CFD计算结果的控制气动向建模框架。该方法利用树突网络的白箱可解释性优势，通过模型剪枝保留主导特征，进而经最小二乘拟合获得显式多项式表达，实现了变形包线内高阶特征耦合与气动系数的精确辨识。所得气动模型随后嵌入非仿射纵向动力学中，显式保留了变形诱导力与力矩。在控制器设计方面，针对辨识所得非仿射变形动力学，构建了固定时间神经自适应底层控制器。该控制器采用径向基函数神经网络（RBFNNs）在线逼近状态相关未建模动态，有效降低了学习负担；同时借助自适应律估计扰动相关项，为基于李雅普诺夫（Lyapunov）的固定时间稳定性分析奠定基础。针对输入约束问题，引入双曲正切饱和函数进行处理；针对底层控制的复杂度问题，采用命令滤波技术加以解决。

技术方法层面，研究人员主要运用了以下关键技术：基于树突网络的白箱气动建模方法，融合CFD生成数据集，通过特征提取与最小二乘辨识获得显式多项式表示；固定时间神经自适应底层控制方法，采用RBFNNs逼近未建模动态，结合自适应更新律与双曲正切饱和处理非仿射特性与输入约束；命令滤波技术降低控制设计复杂度。数值仿真基于相同的初始条件与参考指令开展对比验证。

研究结果方面，主要包含气动建模与白箱化表达、非仿射变形动力学建模、固定时间神经自适应控制器设计以及仿真验证四个部分。

气动建模与白箱化表达部分，研究人员构建了面向控制的变形飞行器气动模型。基于树突网络架构融合CFD仿真数据，通过白箱特征提取识别关键气动特征，经模型剪枝保留主导特征项，最终利用最小二乘辨识获得显式多项式表达。该表达形式特别适用于变形构型，能够处理连续变化几何形状引起的高阶特征耦合，且在整个变形包线内保持一致性与可解释性。

非仿射变形动力学建模部分，研究人员将辨识所得气动模型嵌入非线性纵向动力学。在此基础上，显式保留了变形诱导力与力矩，完整刻画了变形过程中的非仿射输入特性、模型不确定性与外部扰动影响，为后续控制器设计提供了准确的被控对象模型。

固定时间神经自适应控制器设计部分，研究人员针对非仿射变形动力学特性，构建了固定时间神经自适应底层控制器。该控制器利用RBFNNs的逼近能力处理状态相关未建模动态，通过自适应律估计扰动相关项；采用双曲正切函数处理输入饱和约束，借助命令滤波技术克服传统底层控制的"复杂性爆炸"问题。理论分析表明，所设计的控制律能够保证闭环系统的固定时间稳定性，即系统状态在固定时间内收敛至平衡点，且收敛时间与初始条件无关。

仿真验证部分，研究人员开展了多工况数值仿真，并将所提控制策略与基于扩张状态观测器的动态逆方法（ESO-DI）进行了对比。仿真条件涵盖了包括反映CFD与辨识残差的参数偏差在内的多种运行工况。结果表明，所提出的固定时间神经自适应控制器具有更快的响应速度与更小的跟踪误差，同时保证了固定时间稳定性。这验证了所提气动建模框架与控制策略的有效性与优越性。

研究结论表明，研究人员成功开发了基于树突网络的白箱气动预测框架，并将其与CFD计算结果相融合。该框架利用树突网络的白箱可解释性，通过模型剪枝获得显式多项式表示，实现了变形飞行器高保真气动参数的精确辨识。在此基础上，针对显式保留变形诱导力与力矩的非仿射变形动力学，设计了固定时间神经自适应底层控制器。RBFNNs用于离线构建紧凑的白箱标称气动模型，而在线则引入以补偿状态相关未建模动态。该控制器通过自适应更新律估计扰动相关项，结合双曲正切饱和与命令滤波技术，有效处理了输入约束与底层控制复杂度问题，实现了固定时间稳定性。仿真结果验证了所提方法相较于ESO-DI基准在响应速度与跟踪精度方面的优势。