一种基于神经网络反向获取临近空间目标轨迹外推的方法技术

本发明专利技术公开了一种基于神经网络反向获取临近空间目标轨迹外推的方法，通过利用数据集对临近空间目标轨迹外推神经网络模型进行训练，获得训练后神经网络模型；把原位置量作为训练后神经网络模型的输入值，获取训练后神经网络模型输出值作为数据集新加速度量，获取数据集内新加速度量对应的新位置量；根据新位置量与对应的原位置量的误差值，使用搜索算法对新加速度量进行调整；本发明专利技术通过建立临近空间目标轨迹外推神经网络模型，依据此神经网络模型可以对现有使用数学模型方法进行验证，增加现有数学模型计算方法的可靠性；同时通过反向获取加速度与加速度增量，可以为三级火箭能够达到预定的位置量和该位置下的速度分量，提供调整依据。调整依据。调整依据。

【技术实现步骤摘要】
一种基于神经网络反向获取临近空间目标轨迹外推的方法


[0001]本专利技术涉及航天临近空间目标轨迹外推
，尤其涉及一种基于神经网络反向获取临近空间目标轨迹外推的方法。

技术介绍

[0002]临近空间目标轨迹外推方法的研究可以追溯到上世纪50年代。随着计算机技术的发展，数值积分方法的应用逐渐成为了重要的手段，广泛应用于导弹设计、控制系统设计、临近空间目标轨迹预测等领域；早期的临近空间目标轨迹外推方法主要是基于牛顿
‑
拉普森法和欧拉法的数值积分方法，但由于这些方法存在精度低和不稳定等问题，因此在20世纪60年代以后，人们开始尝试采用更加高效稳定的数值积分方法；其中较为重要的发展包括Adams
‑
Bashforth
‑
Moulton法、修正欧拉法、龙格库塔法，多种变形的龙格库塔法等。这些方法都具有一定的精度和稳定性，并且能够通过合理地选择步长等参数来在速度和精度方面做出平衡。
[0003]近年来，随着复杂临近空间目标轨迹问题日益增多，人们对临近空间目标轨迹外推方法的要求也越来越高，因此，许多新的临近空间目标轨迹外推方法相继出现，如自适应遗传算法、临近空间目标轨迹数值积分方法的改进、迭代拟合等。这些方法减小了误差，提高了精度和可靠性；但依靠数学算法其计算数据量大，计算过程复杂，效率较低，不易实现由原位置量对原加速度量的反推运算。
[0004]文章编号（1673
‑
3819( 2021) 05
‑
0102
‑
05 ）公开文献，公开一种基于遗传算法的临近空间目标轨迹外推方法 ，其方法可为准确外推弹丸落点和提高火控精度提供新的技术支持，但其方法不适用于根据位置量与在该位置下的速度分量获取加速度与加速度增量。

技术实现思路

[0005]本专利技术的目的在于提供一种基于神经网络反向获取临近空间目标轨迹外推的方法，可以根据三级火箭位置量和该位置下的速度分量获取加速度与加速度增量。
[0006]本专利技术的目的可以通过以下技术方案实现：一种基于神经网络反向获取临近空间目标轨迹外推的方法，包括以下步骤：S1、构建基于机器学习的临近空间目标轨迹外推神经网络模型；S2、获取数据集，数据集包括火箭原加速度量和与原加速度量对应的火箭原位置量；S3、利用数据集对临近空间目标轨迹外推神经网络模型进行训练，获得训练后神经网络模型；S4、把原位置量作为训练后神经网络模型的输入值，获取训练后神经网络模型输出值，把作为数据集新加速度量，获取数据集内新加速度量对应的新位置量；
S5、根据新位置量与对应的原位置量的误差值，使用搜索算法对新加速度量进行调整。
[0007]进一步地：所述临近空间目标轨迹外推神经网络模型结构包括一个输入层、一个输出层、一个隐藏层一和一个隐藏层二；所述隐藏层一神经元个数为2048，所述隐藏层二神经元个数为4096。
[0008]进一步地：所述数据集中火箭原加速度量与对应的火箭原位置量的数据量≥100万条。
[0009]进一步地：所述数据集获取方法为：根据火箭原加速度量，通过洞察者软件获取火箭原位置量。
[0010]进一步地：所述S4中使用搜索算法对新加速度量进行调整的步骤为：S41、计算新位置量与对应的原位置量的误差值，误差计算公式为：
ꢀꢀ
（1）（2）
ꢀꢀ
（3）
ꢀꢀ
（4）S42、利用Loss的计算方法，对新加速度量进行策略化调整的算法循环；S43、当算法循环满足收敛条件，时，完成对新加速度量策略化调整。
[0011]本专利技术的有益效果：1、本专利技术通过建立临近空间目标轨迹外推神经网络模型，实现根据由临近空间目标轨迹位置量和该位置下的速度分量（），获取三级火箭加速度与加速度增量），反解了现有方法使用的数学模型，使用神经网络模型计算速度快，效率高，可以适用大数据量的模拟计算，依据此神经网络模型可以对现有使用数学模型方法进行验证，增加现有数学模型计算方法的可靠性；同时通过反向获取加速度与加速度增量），可以为三级火箭能够达到预定的位置量和该位置下的速度分量，提供调整依据。
[0012]2、本专利技术通过搜索算法对通过神经网络得到的加速度与加速度增量（）精度进行策略调整优化，策略调整优化结合现有数学模型方法，从而使反向获取的加速度与加速度增量（）具有更高的精度，可以为三级火箭能够达到预定的位置量和该位置下的速度分量，提供更为精确的调整依据。
附图说明
[0013]图1为本专利技术一种基于神经网络反向获取临近空间目标轨迹外推的方法的流程示意图；图2为本专利技术神经网络模型的组成图；图3为本专利技术利用数学模型建立的数据集；图4为本专利技术对数据集进行搜索算法后获取的数据；图5为本专利技术搜索算法结束时误差值图。
具体实施方式
[0014]下面详细描述本专利技术的实施例，所述实施例的示例在附图中表示，其中自始至终相同或类似的符号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本专利技术，而不能理解对本专利技术的限制。
[0015]如图1
‑
图5所示，本专利技术公开一种基于神经网络反向获取临近空间目标轨迹外推的方法，包括以下步骤：S1、构建基于机器学习的临近空间目标轨迹外推神经网络模型；S2、获取数据集，数据集包括火箭原加速度量和与原加速度量对应的火箭原位置量；S3、利用数据集对临近空间目标轨迹外推神经网络模型进行训练，获得训练后神经网络模型；S4、把原位置量作为训练后神经网络模型的输入值，获取训练后神经网络模型输出值，把作为数据集新加速度量，获取数据集内新加速度量对应的新位置量；S5、根据新位置量与对应的原位置量的误差值，使用搜索算法对新加速度量进行调整。
[0016]本专利技术中，原加速度量和新加速度量为三级火箭的加速度以及加速的增量，其中（）中的各值分别为第一级，第二级和第三级的加速度与加速度增量，原位置量和新位置量为三级火箭发射后位置量与在该位置下的速度分量，其中（）分别为第一级，第二级和第三级的位置量与在该位置下的速度分量。
[0017]首先构建基于机器学习的临近空间目标轨迹外推神经网络模型，如图2所示，采用pytorch算法架构建立MLP多层感知临近空间目标轨迹外推神经网络模型，过深或过宽的网络均不利于神经网络的精度以及收敛速度，设置一个包括一个输入层、一个输出层、隐藏层一和隐藏层二的神经网络模型结构；其中隐藏层一神经元个数为2048，隐藏层二神经元个数为4096；根据测试结果，这样设置更利于神经网络的精度和收敛速度，可以达到较好的效果；神经网络输入层的输入量为1个一维向量（），输出层输出量为1个一维向量（）；神经网络模型使用激活函数为tanh，优化器为SGD（随机梯度下降），自适应学习率调整计划，初始化0.001，L2正则惩罚。
[0018]再使用现有数学模型计算方法建立数据集，例如使用洞察者软件，洞察者软件包
含三级火箭动力学本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络反向获取临近空间目标轨迹外推的方法，其特征在于：包括以下步骤：S1、构建基于机器学习的临近空间目标轨迹外推神经网络模型；S2、获取数据集，数据集包括火箭原加速度量和与原加速度量对应的火箭原位置量；S3、利用数据集对临近空间目标轨迹外推神经网络模型进行训练，获得训练后神经网络模型；S4、把原位置量作为训练后神经网络模型的输入值，获取训练后神经网络模型输出值，把作为数据集新加速度量，获取数据集内新加速度量对应的新位置量；S5、根据新位置量与对应的原位置量的误差值，使用搜索算法对新加速度量进行调整。2.根据权利要求1所述的一种基于神经网络反向获取临近空间目标轨迹外推的方法，其特征在于：所述临近空间目标轨迹外推神经网络模型结构包括一个输入层、一个输出层、一个隐藏层一和一个隐藏层二；所述隐藏层一神经元个数为2048，所述隐藏层二神经元个数为4096。3.根据权利要求1所...

【专利技术属性】
技术研发人员：梁志锋，张蕾蕾，刘延，王德营，郭伟，
申请(专利权)人：中科星图测控技术股份有限公司，
类型：发明
国别省市：