La predicción aerodinámica inestable a altos ángulos de ataque es de gran importancia para el diseño y desarrollo de cazas avanzados. En este artículo, se propone un modelo de fusión de características ponderadas (WFFM) que combina el modelo de espacio de estados y redes neuronales para construir un modelo aerodinámico inestable para la simulación y control precisos de maniobras posteriores al deslizamiento. En el modelo propuesto, se consideran e ajustan las influencias del modelo físico en las redes neuronales mediante la introducción de una capa de estandarización y un nuevo método de ponderación. Se utiliza una red de memoria a largo y corto plazo (LSTM) para fusionar dos mapeos: uno de los estados de vuelo a las cargas aerodinámicas, y el otro de datos de baja fidelidad a datos de alta fidelidad. Se utilizan datos de experimentos de oscilación en túneles de viento a altos ángulos de ataque utilizando un nuevo tipo de robot paralelo accionado por cables y el soporte de cola tradicional para verificar el modelo aerodinámico propuesto. La salida del WFFM también se compara con las predicciones de otros modelos, como el modelo de espacio de estados, el modelo LSTM único y el modelo de fusión de características que no incluye una capa de ponderación de características. Los resultados demuestran una mayor precisión del modelo propuesto en las pruebas de interpolación y extrapolación. Además, el WFFM se aplica a la simulación de vuelo del F-16 con diferentes entradas de control. En comparación con los modelos convencionales, el WFFM muestra una mayor precisión y mejor capacidad de generalización.