基于神经网络的非合作目标控制策略识别方法及系统技术方案

本发明专利技术公开了一种基于神经网络的非合作目标控制策略识别方法及系统，属于航空航天空间安全预警技术领域，特别涉及合作目标控制策略识别方法及系统，本发明专利技术通过构建的非合作目标控制策略识别模型，然后采用上述模型对获取到的非合作目标数据进行识别并输出非合作目标控制策略识别结果，本发明专利技术提供的一种基于神经网络的非合作目标控制策略识别方法及系统可在领域专家知识不足条件下，通过自身训练得到特征状态与控制策略之间的规则，从而完成对非合作目标控制的策略识别。非合作目标控制的策略识别。非合作目标控制的策略识别。

【技术实现步骤摘要】
基于神经网络的非合作目标控制策略识别方法及系统


[0001]本专利技术涉及航空航天空间安全预警
，特别涉及合作目标控制策略识别方法及系统，尤其涉及一种基于神经网络的非合作目标控制策略识别方法及系统。

技术介绍

[0002]随着航天技术的不断发展，航天器数量不断增多，任务能力迅速提升，空间环境也日趋复杂。航天器需要具备与之相匹配的空间博弈对抗能力，以保证能够更好地完成任务。航天器处于空间博弈环境之下，可以通过提升自身的智能感知能力，精确识别空间威胁目标的控制策略以及预测敌方意图，从而优化自身博弈策略，提高博弈对抗能力。但是，又因为空间威胁目标的类型、能力等方面差异巨大，且在博弈对抗过程中表现出高度不确定性，这给空间威胁目标的识别、定位与预测等带来挑战，严重影响博弈对抗的效率。
[0003]基于特征信息对空间威胁目标控制策略识别、分类、反演以及意图预测，现有主要基于模板匹配、专家系统、贝叶斯网络和神经网络等方法。文献
(1)(2)
依据领域专家的知识构建模板库，并不断采集威胁目标或者敌对目标的特征信息，采用DS证据理论推理目标特征与模板库的匹配程度来确定对方的控制策略或者作战意图。文献
(3)
依据领域专家的作战知识构建知识库，并用规则来表示战场态势和作战意图的对应关系，最后依据所得战场态势采用推理机来预测作战意图。文献
(4)(5)
依据领域专家知识构建贝叶斯网络,挖掘威胁目标特征信息与控制策略、作战意图的对应关系。以上几种方式虽然能够在一定程度上实现了敌方控制策略识别或者意图预测，但都需要大量的专家先验知识。但由于空间博弈环境的复杂性，以及对抗模式的不断更迭，领域专家较难在短时间掌握目标的全面信息，其先验知识不足以对威胁目标属性与作战意图间的关系进行精确量化。
[0004]参考文献：
[0005](1)周志强,钱建刚,尹康银,等.一种基于DS证据理论的目标意图预测方法[J].空军预警学院学报,2014,000(002):116
‑
118.
[0006](2)李曼,冯新喜,张薇.基于模板的态势估计推理模型与算法[J].火力与指挥控制,2010(06):64
‑
66.
[0007](3)CarlingRL.NavalSituationAssessmentUsingARealtimeKnowledge
‑
basedSystem[J].NavalEngineersJournal,1999,111(3):173
‑
187.
[0008](4)JinQ,GouX,JinW,etal.IntentionrecognitionofaerialtargetsbasedonBayesianoptimizationalgorithm[C]//20172ndIEEEInternationalConferenceonIntelligentTransportationEngineering(ICITE).IEEE,2017.
[0009](5)孙兆林.基于贝叶斯网络的态势估计方法研究[D].国防科学技术大学.

技术实现思路

[0010]为解决上述技术问题，本专利技术提供一种基于神经网络的非合作目标控制策略识别方法及系统，本专利技术针对非合作目标所表现出来的动力学特征进行分析并且进行意图预
测。采用极小值原理设计威胁目标的控制律，通过设置不同的权值参数建立训练数据集和测试数据集。搭建神经网络，将训练数据导入网络进行训练，利用训练好的网络对非合作目标的控制策略进行识别。
[0011]为了达到上述目的，本专利技术采用技术方案如下：
[0012]一种基于神经网络的非合作目标控制策略识别方法，包括如下步骤：
[0013]获取非合作目标控制策略数据；
[0014]采用非合作目标控制策略识别模型对非合作目标控制策略数据进行识别；
[0015]完成识别并输出非合作目标控制策略识别结果；
[0016]其中，所述非合作目标控制策略识别模型的构建步骤为：
[0017]S1：针对非合作目标建立非合作目标控制策略集；
[0018]S2：针对非合作目标控制策略集中的不同的控制策略生成不同的轨迹数据并对轨迹数据设置数据标签，同时构建非合作目标不同的控制策略分类数据集；
[0019]S3：从非合作目标不同控制策略分类数据集中随机选取数据构建训练集与测试集；
[0020]S4：对训练集中的数据做归一化处理得到训练数据；
[0021]S5：确定神经网络的输入节点、隐含层节点、输出节点的信息与数量以及各层间激活函数；
[0022]S6：针对训练数据进行神经网络训练并更新神经网络参数；
[0023]S7：采用测试集对神经网络进行测试，若测试次数达到预设测试次数，则继续下一步；否则，更新迭代次数并跳转执行S6；
[0024]S8：完成训练，固化网络参数，得到非合作目标控制策略识别模型。
[0025]进一步地，S1中，针对非合作目标采用LQR控制策略建立非合作目标控制策略集，其具体步骤为：
[0026]设定控制策略种类数量N，取值Q
i
和R
i
为权值矩阵，根据Q
i
和R
i
求解得到相应控制律u
i
；
[0027]其中，i的取值为1～N；选取空间状态控制量u＝[u
x
,u
y
,u
z
]T
，得到相对运动控制方程的状态空间模型
[0028][0029]其中，
[0030][0031][0032]I3×3为维数为3
×
3的单位矩阵；
[0033]n代表中心参考航天器绕地球运动的角速度；
[0034]x表示相对坐标系下轨道径向的位置分量；
[0035]y表示相对坐标系下飞行方向的位置分量；
[0036]z表示相对坐标系下轨道角动量方向的位置分量；
[0037]表示相对坐标系下轨道径向的速度分量；
[0038]表示相对坐标系下飞行方向的速度分量；
[0039]表示相对坐标系下轨道角动量方向的速度分量；
[0040]u
x
表示相对坐标系下轨道径向的控制分量；
[0041]u
y
表示相对坐标系下飞行方向的控制分量；
[0042]u
z
表示相对坐标系下轨道角动量方向的控制分量；
[0043]非合作目标的线性状态方程中，控制u(t)不受约束，采用最优控制理论设计目标控制律
[0044]u
i*
(t)＝K
i
(t)
·
X
*
(t)
[0045]其中，K
i
(t)为控制律系数矩阵，求解不同的控制本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的非合作目标控制策略识别方法，其特征在于，包括如下步骤：获取非合作目标控制策略数据；采用非合作目标控制策略识别模型对非合作目标控制策略数据进行识别；完成识别并输出非合作目标控制策略识别结果；其中，所述非合作目标控制策略识别模型的构建步骤为：S1：针对非合作目标建立非合作目标控制策略集；S2：针对非合作目标控制策略集中的不同的控制策略生成不同的轨迹数据并对轨迹数据设置数据标签，同时构建非合作目标不同的控制策略分类数据集；S3：从非合作目标不同控制策略分类数据集中随机选取数据构建训练集与测试集；S4：对训练集中的数据做归一化处理得到训练数据；S5：确定神经网络的输入节点、隐含层节点、输出节点的信息与数量以及各层间激活函数；S6：针对训练数据进行神经网络训练并更新神经网络参数；S7：采用测试集对神经网络进行测试，若测试次数达到预设测试次数，则继续下一步；否则，更新迭代次数并跳转执行S6；S8：完成训练，固化网络参数，得到非合作目标控制策略识别模型。2.根据权利要求1所述的一种基于神经网络的非合作目标控制策略识别方法，其特征在于，S1中，针对非合作目标采用LQR控制策略建立非合作目标控制策略集，其具体步骤为：设定控制策略种类数量N，取值Q
i
和R
i
为权值矩阵，根据Q
i
和R
i
求解得到相应控制律u
i
；其中，i的取值为1～N；选取空间状态控制量u＝[u
x
,u
y
,u
z
]
T
，得到相对运动控制方程的状态空间模型其中，其中，I3×3为维数为3
×
3的单位矩阵；n代表中心参考航天器绕地球运动的角速度；x表示相对坐标系下轨道径向的位置分量；y表示相对坐标系下飞行方向的位置分量；z表示相对坐标系下轨道角动量方向的位置分量；表示相对坐标系下轨道径向的速度分量；表示相对坐标系下飞行方向的速度分量；表示相对坐标系下轨道角动量方向的速度分量；u
x
表示相对坐标系下轨道径向的控制分量；
u
y
表示相对坐标系下飞行方向的控制分量；u
z
表示相对坐标系下轨道角动量方向的控制分量；非合作目标的线性状态方程中，控制u(t)不受约束，采用最优控制理论设计目标控制律u
i*
(t)＝K
i
(t)
·
X
*
(t)其中，K
i
(t)为控制律系数矩阵，求解不同的控制律u
i
，构建得到非合作目标控制策略集合U＝[u1,u2,
…
,u
i
…
,u
N
]。3.根据权利要求2所述的一种基于神经网络的非合作目标控制策略识别方法，其特征在于，S2具体步骤为：在近圆轨道下，将非合作目标策略集合U＝[u1,u2,
…
,u
i
…
,u
N
]中某一控制策略的控制量u
i
＝[u
ix
,u
iy
,u
iz
]
T
引入C
‑
W方程，得到相对运动控制...

【专利技术属性】
技术研发人员：党朝辉，孙钦伯，唐生勇，卫国宁，吴斌，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：