窥探黑箱：预测区间揭示数据驱动四旋翼模型可靠性

确保数据驱动四旋翼模型预测的可靠性和有效性对其被接受和实际使用至关重要。这对于灰箱和黑箱模型尤其如此，因为在这些模型中，从输入到预测的映射是不透明的，且后续可靠性众所周知难以确定。尽管如此，此类技术仍被频繁且成功地用于识别四旋翼模型。预测区间（PIs）可用于提供对模型预测一致性和准确性的洞察。本文对多项式和人工神经网络（ANN）四旋翼气动模型估计此类PIs。两种现有的ANN PIs估计技术——自助法和质量驱动法——使用现有高精度四旋翼仿真对四旋翼气动模型进行了数值验证。随后在真实四旋翼飞行数据上识别四旋翼气动模型，以展示其效用并探索其对模型插值和外推的敏感性。结果发现，基于ANN的PIs在外推时显著变宽，而在插值时保持不变或缩小。虽然多项式PIs也表现出类似行为，但其幅度较低。估计的PIs建立了概率边界，四旋翼模型输出很可能落在该边界内，而建模和测量不确定性则通过PIs的宽度得以体现。