航空发动机为飞机提供推力,它是飞机最重要的组件之一。诸如推力、喘振边界等性能参数对于安全而有效地调整航空发动机的运行提供了至关重要的信息,因此,推力调节通常是发动机控制的首要目标之一。推力在飞行状态下是不可测量的,因此传统的推力控制方式通常采取控制与发动机高度相关的参数,如转速和压比等,间接地控制发动机的推力。但这种间接控制推力的方式为了保护发动机,通常预留了足够多的安全边界,因此不能充分发挥发动机的潜能。倘若能估计出航空发动机的推力,那么通过直接控制推力,就可以充分地发挥发动机的潜在性能。基于上述考虑和现有理论研究,本文将仿生智能计算与人工神经网络结合,提出了多个新的算法,并将提出的算法用于设计航空发动机推力估计器,取得了不错的效果。本文的主要研究内容如下:首先,为了获得基于人工神经网络的性能更高的推力估计器,本文改进了粒子群优化(Particle Swarm Optimization,简称PSO)算法以动态地调整网络规模,并在调整网络规模的同时不断地优化网络参数。在该算法中,作者通过随机生成神经网络的宽度,并通过广义逆动态地计算和调整网络的连接权重,不仅降低了待优化参数的维度,而且通过广义逆来调整神经网络的估计精度,从而摆脱了对粒子群优化性能的依赖,该算法在本文中被命名为MGPSO-SORBF。然后,在分析了MGPSO-SORBF算法在达到预定义的迭代次数后神经网络的规模难以跳出局部最优规模等问题之后,提出了一种结合Softmax函数动态地选择神经网络规模的新算法。在新算法中,每达到一个预定义的迭代周期,某个或某几个性能相对较差的网络规模将从候选的网络规模中被移除出去。那些与被移除掉的网络规模相关的粒子将被分配到其他网络规模所在的小群体中。此外,新算法提出了一种针对PSO算法的高维优化的方法,这个方法使得在整个迭代过程中,基于人工神经网络的估计器的估计精度都能得到有效提升。在本文中,这种算法被命名为HDPSO-STRBF。最后,考虑到航空发动机在飞行过程中实时估计推力的需要,本文提出了基于长短时记忆网络(Long Short-term Memory,简称LSTM)的算法,用以估计航空发动机过渡态下的推力。为提高估计精度,该算法以长短时记忆网络作为基估计器,与梯度提升(Gradient Boosting,简称GB)算法结合,因此新算法被命名为LSTM-GB算法。实验仿真的结果表明,LSTM-GB算法可以取得令人满意的结果。