【技术实现步骤摘要】
一种基于深度学习的制导炮弹导航方法及系统
[0001]本专利技术属于高动态环境下的制导炮弹导航领域,涉及一种基于深度学习的制导炮弹导航方法及系统
。
技术介绍
[0002]制导炮弹高精度导航定位赋予炮弹精确制导能力,其精度直接制约武器精确打击目标的能力
。
制导炮弹飞行时间为
100
秒左右,属于短时导航领域
。
惯性导航具有自主性
、
实时性和隐蔽性,可以连续提供姿态
、
速度和位置全部导航参数,且具有非常好的短期精度和稳定性
。
通常采用惯性导航方式进行炮弹导航
、
制导与控制
。
由于全球导航卫星系统
(Global Navigation Satellite System
,
GNSS)
属于无线通信系统,且卫星导航信号属于弱信号,因此,在实际战场环境下卫星信号传播时易受到各种复杂的电磁环境干扰,同时受炮弹结构和高旋转
(≥20r/s)
运动扰动影响,使得卫星拒止,导致导航定位精度下降,严重影响作战效能,甚至会导致军事作战任务失败
。
为此针对卫星干扰和随机风扰等高复杂性,高旋转
(≥20r/s)
和高过载
(≥10000g)
等高动态性等难题,亟需开展制导炮弹全过程自主导航研究
。
[0003]针对制导炮弹全过程自主导航,主要围绕着各类多源传感信息融合的导航定位方法 ...
【技术保护点】
【技术特征摘要】
1.
一种基于深度学习的制导炮弹导航方法,其特征在于,包括步骤:根据炮弹飞行动力学方程获取深度学习网络训练数据集,采用
LSTM
网络构建弹道位置增量预测模型;采用一阶马尔可夫建立弹道位置增量误差滤波模型,将深度学习预测结果与
INS
解算结果进行信息融合,实现制导炮弹导航定位
。2.
根据权利要求1所述的基于深度学习的制导炮弹导航方法,其特征在于,采用一阶马尔可夫建立弹道位置增量误差滤波模型具体包括:将弹道位置增量误差建模为一阶马尔可夫过程,即:式中,
e
p
为弹道位置增量误差,为相关时间矩阵,
w
为白噪声,
Φ
x
、
τ
y
、
τ
z
分别表示
x、y、z
轴的相关时间;以弹道位置增量误差
e
p
作为系统状态变量,构建
Kalman
滤波系统方程;采用
INS
解算的弹道位置增量结果和深度学习预测弹道位置增量结果构建观测方程
。3.
根据权利要求2所述的基于深度学习的制导炮弹导航方法,其特征在于,所述
Kalman
滤波系统方程为:
X
k
Φ
k,k
‑1X
k
‑1+W
k
‑1式中,
W
k
‑1为白噪声,
Φ
k,k
‑1=
I3×3‑
Tt
s
,
X
k
=
e
p
,
t
s
为采样时间
。4.
根据权利要求3所述的基于深度学习的制导炮...
【专利技术属性】
技术研发人员:汪进文,薄煜明,付梦印,朱建良,吴祥,何山,
申请(专利权)人:南京理工大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。