基于KNN机器学习的弹道导弹星下点轨迹预测方法技术

基于KNN机器学习的弹道导弹星下点轨迹预测方法，本发明专利技术属于机器学习和轨迹预测领域。本发明专利技术的目的是为了解决目前提出的基于机器学习预测弹道导弹轨迹预测精度低和预测时间长的问题。过程为：1：获取历史数据；2：确定需要预测导弹星下点的时间τ；3：计算τ与各历史时刻之间的距离集合；4：找到最优K值；5：得到按升序排序后距离数据集以及按排序后距离数据集下标排序的经度数据集和纬度数据集；6：在排序后的距离数据集中取前K个数据组成集合；在排序后的经度和纬度数据集中分别取前K个数据组成集合；7：计算取样权重集合；8：计算加权平均数作为τ时刻经度与纬度的预测值；9：计算导弹在预测时刻在地球固联坐标系下的星下点坐标。

【技术实现步骤摘要】

本专利技术涉及弹道导弹星下点轨迹预测方法，属于机器学习和轨迹预测领域。

技术介绍

1、在现代战争中，弹道导弹作为极具攻击性的作战武器，使用率越来越高，提高其轨迹的预测精度，不仅可以对敌方目标进行精准攻击，同时也可以在探测到目标导弹时，准确预测其飞行轨迹，从而对目标导弹进行精准拦截。因此，提高弹道导弹轨迹预测的准确度成为了国防军事领域研究的热点。

2、目前，导弹轨迹预测的方法可分为两种，一种是传统的基于滤波的方法，另一种是基于机器学习的方法。前一种方法由于飞行信息难获取、预测误差较大等问题，在实际场景中很难运用。随着人工智能的发展，后来很多学者提出了基于机器学习的弹道导弹轨迹预测方法，利用神经网络对历史轨迹进行学习，从而预测未来轨迹。例如，基于反向传播(backpropagation,bp)神经网络的预测方法和基于elman神经网络的轨迹预测方法，这两种方法由于自身的局限性，随着预测时长的增加，其预测误差会急剧增大。而基于gradientboosted tree的预测方法，预测所耗时间较长。

技术实现思路...

【技术保护点】

1.基于KNN机器学习的弹道导弹星下点轨迹预测方法，其特征在于：所述方法具体过程为：

2.根据权利要求1所述的基于KNN机器学习的弹道导弹星下点轨迹预测方法，其特征在于：所述步骤3中计算τ与各历史时刻之间的距离集合σ＝{σ1,σ2,...,σn}；

3.根据权利要求2所述的基于KNN机器学习的弹道导弹星下点轨迹预测方法，其特征在于：所述步骤4中通过交叉验证法找到最优K值；具体过程为：

4.根据权利要求3所述的基于KNN机器学习的弹道导弹星下点轨迹预测方法，其特征在于：所述步骤5中将得到的距离集合σ中的元素利用快速排序法进行升序排序，并将经度数据集和纬度...

【技术特征摘要】

1.基于knn机器学习的弹道导弹星下点轨迹预测方法，其特征在于：所述方法具体过程为：

2.根据权利要求1所述的基于knn机器学习的弹道导弹星下点轨迹预测方法，其特征在于：所述步骤3中计算τ与各历史时刻之间的距离集合σ＝{σ1,σ2,...,σn}；

3.根据权利要求2所述的基于knn机器学习的弹道导弹星下点轨迹预测方法，其特征在于：所述步骤4中通过交叉验证法找到最优k值；具体过程为：

4.根据权利要求3所述的基于knn机器学习的弹道导弹星下点轨迹预测方法，其特征在于：所述步骤5中将得到的距离集合σ中的元素利用快速排序法进行升序排序，并将经度数据集和纬度数据集ξ中的元素按照排序后的σ中元素的下标重新进行排序；得到按升...

【专利技术属性】
技术研发人员：冉光滔，张璐，邓清，王启航，刘正阳，郭延宁，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：