基于人工智能的飞行器协同制导律快速回归辨识方法技术

本发明专利技术公开了一种基于人工智能的飞行器协同制导律快速回归辨识方法，包括以下步骤：建立协同制导模型，所述协同制导模型为能够表征我方固定目标与敌方飞行器之间运动状态的模型；根据协同制导模型获得训练样本；建立神经网络，通过训练样本对神经网络进行训练，获得辨识模型；通过训练后的辨识模型获取敌方飞行器的制导参数。本发明专利技术提供的基于人工智能的飞行器协同制导律快速回归辨识方法，能够更加快速、准确的辨识敌方飞行器的时变制导参数。准确的辨识敌方飞行器的时变制导参数。准确的辨识敌方飞行器的时变制导参数。

【技术实现步骤摘要】
基于人工智能的飞行器协同制导律快速回归辨识方法


[0001]本专利技术涉及一种基于人工智能的飞行器协同制导律快速回归辨识方法，属于制导控制领域。

技术介绍

[0002]协同攻击，是指多枚导弹同时攻击一个目标，以提高杀伤概率，为了能够有效防御敌方飞行器攻击，需要对敌方飞行器的轨迹和状态进行预测和估计，进而实施高精度拦截。而实现轨迹预测和状态估计的重要前提，辨识对敌方飞行器的制导参数进行辨识。
[0003]飞行器制导律辨识是一个复杂动态问题，若对飞行器制导律辨识仅依靠某一时刻运动学信息，则辨识结果具有片面性。传统辨识方法以卡尔曼滤波器为基础，通过将所测到的敌方飞行器运动信息与卡尔曼滤波器的预测信息进行对比，不断调整卡尔曼滤波器输出数值直至测量值与真实值相近，这类方法存在以下缺点：
[0004]a.过渡过程过程一般在1秒以上，对导弹信息的连续获取有着较为苛刻的要求，这可能会限制飞机的机动性，增加被击中的风险；
[0005]b.由于Kalman滤波器的更新源于测量数据与Kalman滤波器输出之间的差异，因此通常将制导律参数辨识作为一个分类问题来解决，前提是系统处于飞行器预先已知的有限个可能结果集中，如果假设不成立，模型的性能可能会下降。
[0006]因此，有必要对传统比例导引法进一步研究，以解决上述问题。

技术实现思路

[0007]为了克服上述问题，本专利技术人进行了深入研究，设计出一种基于人工智能的飞行器协同制导律快速回归辨识方法，其特征在于，包括以下步骤：
[0008]S1、建立协同制导模型，所述协同制导模型为能够表征我方固定目标与敌方飞行器之间运动状态的模型；
[0009]S2、根据协同制导模型获得训练样本；
[0010]S3、建立神经网络，通过训练样本对神经网络进行训练，获得辨识模型；
[0011]S4、通过训练后的辨识模型获取敌方飞行器的制导参数。
[0012]在一个优选的实施方式中，S1中，协同制导模型中，敌方飞行器具有多个，采用CPN制导律，使得多个敌方飞行器能够同时与我方固定目标发生碰撞。
[0013]在一个优选的实施方式中，S2中，从协同制导模型中提取多组信息，每组信息中包含一段时间内我方固定目标和敌方飞行器的运动学信息，以及该段时间中的敌方飞行器的时变制导律参数，从而构建形成训练样本。
[0014]在一个优选的实施方式中，S2中，为我方固定目标和敌方飞行器设置不同的初始状态，以及为敌方飞行器设置不同的制导律参数及系统制导律参数，使训练样本多样化。
[0015]在一个优选的实施方式中，S2中，建立相对运动模型，通过相对运动模型提取一段时间内我方固定目标和多个敌方飞行器的运动学信息，
[0016]所述相对运动模型表示为：
[0017][0018][0019][0020][0021]其中，ρ
i
表示第i个敌方飞行器与我方固定目标之间的相对距离，λ
i
表示第i个敌方飞行器与我方固定目标之间的相对角度，表示ρ
i
的导数，表示λ
i
的导数；a
i
表示第i个敌方飞行器的加速度，表示a
i
的导数；γ
i
表示第i个飞行器速度角，表示γ
i
的导数；V
i
表示第i个飞行器的飞行速度，σ
i
表示第i个飞行器的误差角，u
i
表示第i个飞行器的加速度指令，τ表示控制系统一阶滞后系数。
[0022]在一个优选的实施方式中，所述我方固定目标与敌方飞行器的运动学信息包括：每个敌方飞行器相对我方固定目标的相对距离和每个敌方飞行器相对我方固定目标的相对角度。
[0023]在一个优选的实施方式中，S3中，所述辨识模型包括一层输入层、多层隐含层、一层输出层和一层多模型层每层隐含层包含一个或多个GRU神经元。
[0024]在一个优选的实施方式中，所述多模型层中具有多组模型组，每组模型组中又具有多个模型，其中，模型组用于表征不同敌方飞行器的时变制导参数可能性集合，模型用于表征敌方飞行器时变制导参数的不同可能数值。
[0025]在一个优选的实施方式中，所述输出层用于获取多模型层中每个模型的权重，不同模型组的权重G
i
可以表示为：
[0026][0027]其中，i表示不同的模型组，j表示模型组中模型的数量，G
i,j
表示第i组模型中第j个模型的权重，softmax()为激活函数，w
out
为输出层的权重，h
last
为最后一层隐含层的输出，b
out
为输出层的偏置，上标T表示转置。
[0028]在一个优选的实施方式中，多模型层表示为：
[0029][0030]其中，表示当前时刻第i个敌方飞行器的时变制导参数，，p
i
表示第i组模型组中模型的数量，R
i,j
表示第i组模型组中第j个模型的值。
[0031]本专利技术所具有的有益效果包括：
[0032](1)根据本专利技术提供的基于人工智能的飞行器协同制导律快速回归辨识方法，将制导律辨识视为一个回归问题，而非分类问题进行解决，提高了辨识准确度；
[0033](2)根据本专利技术提供的基于人工智能的飞行器协同制导律快速回归辨识方法，过渡时间短，能够更快的辨识敌方飞行器的时变制导参数；
[0034](3)根据本专利技术提供的基于人工智能的飞行器协同制导律快速回归辨识方法，需要采集的相对运动学信息种类少，辨识速度快，且通过具有多模型层的神经网络，保证了辨识结果的准确性。
附图说明
[0035]图1示出根据本专利技术一种优选实施方式的基于人工智能的飞行器协同制导律快速回归辨识方法流程示意图；
[0036]图2示出根据本专利技术一种优选实施方式的基于人工智能的飞行器协同制导律快速回归辨识方法中神经网络结构示意图；
[0037]图3示出根据本专利技术实施例1中敌方飞行器时变制导参数的真值；
[0038]图4示出根据本专利技术实施例1中模型输出的辨识过程。
具体实施方式
[0039]下面通过附图和实施例对本专利技术进一步详细说明。通过这些说明，本专利技术的特点和优点将变得更为清楚明确。
[0040]在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
[0041]根据本专利技术提供的一种基于人工智能的飞行器协同制导律快速回归辨识方法，如图1所示，包括以下步骤：
[0042]S1、建立协同制导模型，所述协同制导为能够表征我方固定目标与敌方飞行器之间运动状态的模型；
[0043]S2、根据协同制导模型获得训练样本；
[0044]S3、建立神本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的飞行器协同制导律快速回归辨识方法，其特征在于，包括以下步骤：S1、建立协同制导模型，所述协同制导模型为能够表征我方固定目标与敌方飞行器之间运动状态的模型；S2、根据协同制导模型获得训练样本；S3、建立神经网络，通过训练样本对神经网络进行训练，获得辨识模型；S4、通过训练后的辨识模型获取敌方飞行器的制导参数。2.根据权利要求1所述的基于人工智能的飞行器协同制导律快速回归辨识方法，其特征在于，S1中，协同制导模型中，敌方飞行器具有多个，采用CPN制导律，使得多个敌方飞行器能够同时与我方固定目标发生碰撞。3.根据权利要求1所述的基于人工智能的飞行器协同制导律快速回归辨识方法，其特征在于，S2中，从协同制导模型中提取多组信息，每组信息中包含一段时间内我方固定目标和敌方飞行器的运动学信息，以及该段时间中的敌方飞行器的时变制导律参数，从而构建形成训练样本。4.根据权利要求1所述的基于人工智能的飞行器协同制导律快速回归辨识方法，其特征在于，S2中，为我方固定目标和敌方飞行器设置不同的初始状态，以及为敌方飞行器设置不同的制导律参数及系统制导律参数，使训练样本多样化。5.根据权利要求1所述的基于人工智能的飞行器协同制导律快速回归辨识方法，其特征在于，S2中，建立相对运动模型，通过相对运动模型提取一段时间内我方固定目标和多个敌方飞行器的运动学信息，所述相对运动模型表示为：所述相对运动模型表示为：所述相对运动模型表示为：所述相对运动模型表示为：其中，ρ
i
表示第i个敌方飞行器与我方固定目标之间的相对距离，λ
i
表示第i个敌方飞行器与我方固定目标之间的相对角度，表示ρ
i
的导数，表示λ
i
的导数；a
i
表示第i个敌方飞行器的加速度，表示a
i
的导数；γ
i
表示第i个飞行器速度角，表示γ
i

【专利技术属性】
技术研发人员：王江，王因翰，范世鹏，侯淼，王鹏，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：