用于高动态载体的弹道预测的自组织数据驱动建模方法技术

本公开的用于高动态载体的弹道预测的自组织数据驱动建模方法，S1：根据高动态载体的弹道选择基本趋势项函数集；S2：根据K‑G多项式将基本趋势项函数两两组合得初始模型；S3：根据所述初始模块将基本趋势项函数进行交叉、组合生成当前层归纳趋势项函数和当前层记忆趋势项函数；S4：利用自组织择优判定准则对当前层归纳、记忆趋势项函数筛选；S5：重复S3和S4，满足迭代次数时得到归纳、记忆趋势项函数集；S6：将归纳、记忆趋势项函数集、最初基本趋势项函数集合中的趋势项函数进行交叉、组合、择优判定筛选出最优模型。能在GNSS失锁时预测GNSS导航数据，与INS组合得到高动态载体的弹道轨迹，补偿GNSS失锁带来的弹道轨迹信息丢失、定位失效的问题。

【技术实现步骤摘要】
用于高动态载体的弹道预测的自组织数据驱动建模方法
本公开属于导航定位
，特别是涉及到一种用于高动态载体的弹道预测的自组织数据驱动建模方法。
技术介绍
近年来，随着高速、高动态运动载体(比如炮弹等高速飞行器)的不断出现，要求高动态载体具备实时精准定位、连续鲁棒导航的能力，因而研究高动态环境下载体的导航与定位有重要意义。GNSS/INS的组合导航模式因为能提供全天候、连续的导航信息，成为了目前最常用的导航方式。然后，在高动态、强干扰等复杂环境下，GNSS载波上会产生较大的多普勒频率，容易造成GNSS信号跟踪失锁，而且GNSS信号容易受到遮挡、干扰和欺骗，使得导航定位系统存在不连续、不可信或不可靠的风险，甚至会完全失去定位能力。目前主要依靠建立高动态载体的运动模型来进行弹道预测，但是不同的载体运动模型有所不同，且有些载体难以进行建模，导致难以建立一套通用的弹道预测方法。因此，提出一种自组织数据驱动建模方法，无须建立具体的运动模型，能够在GNSS失锁的时间内，通过该模型预测方法，预测GNSS导航数据，与INS进行组合后得到高动态载本文档来自技高网...

【技术保护点】
1.一种用于高动态载体的弹道预测的自组织数据驱动建模方法，其特征在于，所述方法包括：/nS1：根据所述高动态载体的弹道预测选择所述自组织数据的基本趋势项函数集，所述基本趋势项函数集合为最初基本趋势项函数集；/nS2：根据K-G多项式将所述基本趋势项函数两两组合得到所述自组织数据驱动的初始模型；/nS3：根据所述初始模型将所述基本趋势项函数进行交叉、组合生成当前层的归纳趋势项函数组合和当前层的记忆趋势项函数组合；/nS4：利用自组织择优判定复合准则对所述当前层的归纳趋势项函数组合和记忆趋势项函数组合进行筛选，得到下一层的基本趋势项函数集合；/nS5：将步骤S4得到的下一层的基本趋势项函数集合作为...

【技术特征摘要】
1.一种用于高动态载体的弹道预测的自组织数据驱动建模方法，其特征在于，所述方法包括：
S1：根据所述高动态载体的弹道预测选择所述自组织数据的基本趋势项函数集，所述基本趋势项函数集合为最初基本趋势项函数集；
S2：根据K-G多项式将所述基本趋势项函数两两组合得到所述自组织数据驱动的初始模型；
S3：根据所述初始模型将所述基本趋势项函数进行交叉、组合生成当前层的归纳趋势项函数组合和当前层的记忆趋势项函数组合；
S4：利用自组织择优判定复合准则对所述当前层的归纳趋势项函数组合和记忆趋势项函数组合进行筛选，得到下一层的基本趋势项函数集合；
S5：将步骤S4得到的下一层的基本趋势项函数集合作为步骤S3的基本趋势项函数，重复步骤S3和步骤S4，当满足迭代次数时，得到归纳趋势项函数组合集和记忆趋势项函数组合集；
S6：将所述归纳趋势项函数组合集、记忆趋势项函数组合集、最初基本趋势项函数集合中的所有趋势项函数进行交叉、自组合、自组织择优判定复合准则评价筛选，得到所述自组织数据驱动的最优模型。


2.根据权利要求1所述的自组织数据驱动建模方法，其特征在于，所述方法还包括：利用输入的原始训练数据计算偏差最小的一组参数作为自组织数据的基本趋势项函数的参数。


3.根据权利要求1所述的自组织数据驱动建模方法，其特征在于，所述基本趋势项函数集包括常数趋势项、幂多项式趋势项、三角函数趋势项和指数...

【专利技术属性】
技术研发人员：沈凯，刘庭欣，邓志红，汪进文，付梦印，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京;11