CN109033493B - 基于无迹卡尔曼滤波的辨识高速旋转弹气动参数滤波方法 - Google Patents
基于无迹卡尔曼滤波的辨识高速旋转弹气动参数滤波方法 Download PDFInfo
- Publication number
- CN109033493B CN109033493B CN201810556149.6A CN201810556149A CN109033493B CN 109033493 B CN109033493 B CN 109033493B CN 201810556149 A CN201810556149 A CN 201810556149A CN 109033493 B CN109033493 B CN 109033493B
- Authority
- CN
- China
- Prior art keywords
- moment
- state variable
- time
- projectile
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F42—AMMUNITION; BLASTING
- F42B—EXPLOSIVE CHARGES, e.g. FOR BLASTING, FIREWORKS, AMMUNITION
- F42B35/00—Testing or checking of ammunition
- F42B35/02—Gauging, sorting, trimming or shortening cartridges or missiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
Abstract
本发明提出了基于无迹卡尔曼滤波的辨识高速旋转弹气动参数滤波方法,首先建立高速旋转弹四自由度动力学模型,然后将待辨识参数加入状态变量中,确定增广之后的状态方程和量测方程;初始化增广状态变量及误差协方差矩阵并定义量测加权因子、方差加权因子以及刻度因子;根据增广之后的状态方程和量测方程,进行滤波计算,得到每一时刻的增广状态变量估计值。本发明在已经获得观测值的情况下,通过弹丸的运动方程和滤波算法就可以获得相应的气动参数。
Description
技术领域
本发明涉及参数辨识技术领域,特别是一种基于无迹卡尔曼滤波的辨识高速旋转弹气动参数的方法。
背景技术
火炮在现代战争中具有重要的使命,在对敌火力压制过程中能够起到关键性作用。获取传统高速旋转稳定弹丸准确的气动参数,对于提高火炮射表精度、减小落点散布、增强打击精度具有重要的意义。获取弹丸气动参数的方法主要有三种:第一种方法通过理论计算得出气动参数,第二种方法采用风洞吹风法,第三种方法利用弹丸的自由飞行数据对弹丸的气动参数进行离线辨识。其中,理论计算方法虽然简单,但由于模型中的未建模因素和不确定因素导致计算结果存在一定的误差;风洞吹风法作用于弹丸模型,结果较为准确但由于其成本较高,不能够精准地模拟高速旋转等状态,因而该方法也有缺陷;利用弹丸自由飞行数据辨识弹丸的气动参数,不仅符合实际情况,还能根据辨识结果,及时对弹丸进行调整,从而提高炮弹的打击精度。
用于参数辨识的方法通常有递推最小二乘法、递推极大似然法、卡尔曼滤波法等。史继刚基于粒子群初值选取的牛顿迭代优化算法辨识弹丸的零升阻力系数,该方法基于最大似然准则,相比于卡尔曼滤波法实现更加困难;管军等提出一种新的自适应混沌变异粒子群算法来求解该准则下的气动参数最优解,进而得到弹丸的气动参数,但是其在工程上比较难以实现;Rogers等提出了一种基于证据理论的参数估计方法,偏于理论计算;史金光等利用扩展卡尔曼滤波法对弹道修正弹的阻力和升力符合系数进行了辨识,并且由此对后续弹道进行了修正,然而该方法要求较高,难以在实际应用中实现;杨靖等利用改进的混杂扩展卡尔曼滤波法对弹丸的阻力系数进行了辨识,其对EKF的改进不大,并且偏向理论。
发明内容
本发明提出了一种基于无迹卡尔曼滤波的辨识高速旋转弹气动参数的方法,旨在利用高速旋转弹的飞行数据,基于无迹卡尔曼滤波对弹丸的气动参数进行辨识,为获取弹丸气动参数提供了新的途径。
实现本发明的技术解决方案为:基于无迹卡尔曼滤波的辨识高速旋转弹气动参数滤波方法,具体步骤为:
步骤1、建立高速旋转弹四自由度动力学模型;
步骤2、根据高速旋转弹四自由度动力学模型,利用无迹卡尔曼滤波辨识气动参数,具体为:
步骤2-1、将待辨识参数加入状态变量中,确定增广之后的状态方程和量测方程;
步骤2-2、初始化增广状态变量及误差协方差矩阵并定义量测加权因子、方差加权因子以及刻度因子;
步骤2-3、根据增广之后的状态方程和量测方程进行滤波计算,得到每一时刻的增广状态变量估计值。
优选地,步骤1中建立的高速旋转弹四自由度动力学模型具体为:
式中,Vx、Vy、Vz分别为弹丸在x、y、z方向的速度,x、y、z为弹丸的位置坐标;γ为滚转角,为滚转角速度;m为弹丸质量;d为弹丸最大横截面直径;l为弹长;g为重力加速度;ρ为空气密度;S为特征面积,通常取为弹丸的最大横截面积;Cx0和Cx2分别为零升阻力系数和诱导阻力系数;αe为动力平衡角;Vr为弹丸相对于空气的速度;C'y为升力系数导数;C″z为马氏力系数的联合偏导数;C为极转动惯量;A为赤道转动惯量;m′xz为极阻尼力矩系数导数;Wx、Wz分别为x和z方向的风速;m″y为马格努斯力矩系数的联合偏导数;m′z为静力矩系数导数,Vr为弹丸相对于空气的速度。
优选地,步骤2-1中增广之后的状态方程和量测方程为:
式中,ω和v分别为系统噪声和量测噪声,xa为增广状态变量。
优选地,步骤2-3中进行滤波计算,得到每一时刻的增广状态变量估计值的具体步骤为:
步骤2-3-1、将k-1时刻的增广状态变量估计值进行离散,得到2n+1个sigma样本点;
式中,为预设的初始状态向量,/>为k-1时刻的估计的增广状态变量估计值,为k-1时刻的第i个sigma样本点,Pk-1为k-1时刻的增广状态变量误差协方差矩阵,为矩阵Pk-1的cholesky分解的第i列。
步骤2-3-2、根据步骤2-3-1得到的sigma样本点,计算k时刻的增广状态变量预测值和增广状态变量误差协方差预测矩阵,计算公式为:
其中,χ*(i) k,k-1为k时刻的第i个预测值,为k时刻增广状态变量预测值,Qk-1为系统噪声向量ω的协方差矩阵,Pk,k-1为k时刻的增广状态变量误差协方差预测矩阵,Wi m为方差加权因子,Wi c为量测加权因子;
步骤2-3-3、对k时刻增广状态变量预测值进行离散得到预测样本点;
式中,χi k,k-1为k时刻的第i个预测样本点;
步骤2-3-4、根据步骤2-3-3得到的k时刻的预测样本点以及获取的观测值计算k时刻增广状态变量估计值:
为k时刻估计的观测值,Kk为滤波增益矩阵,zk为k时刻的观测值,/>为k时刻第i个预测的观测值,Rk为量测噪声v的协方差矩阵,Pk,k-1为k时刻的增广状态变量误差协方差预测矩阵,/>为k时刻的估计增广状态变量,Pk为k时刻的增广状态变量误差协方差估计矩阵,P(XZ)k,k-1和P(ZZ)k,k-1为求滤波增益矩阵的过渡项,具体为:
步骤2-3-5、返回步骤2-3-1,直至观测值完结。
在实际工程中,根据实际情况选定初始条件,进行参数辨识,具体如下:
运用本发明的方法时,要先确定炮弹发射时的气象条件,对应不同型号的高速旋转弹,具有不同的物理参数。确定高速旋转弹发射的初速度、射角、初始滚转角速度,确定观测值和量测方程,选择计算机语言进行编程实现。
本发明与现有技术相比,其显著优点为:本发明无迹卡尔曼滤波进行参数辨识,基于实际项目测得的数据,具有实际性能;同时,利用无迹卡尔曼滤波辨识的成本较低,精度更高;本发明适合于各种各样的弹道模型,对于不同控制系统的炮弹还能做出及时调整;本发明科利用无迹卡尔曼滤波还能进行实时辨识,根据炮弹前半段的飞行数据辨识出气动参数,然后根据辨识结果对炮弹进行及时调整以提高射击精度;本发明算法简单、实用性强、精度高,在已经获得观测值的情况下,通过弹丸的运动方程和滤波算法就可以获得相应的气动参数。
附图说明
图1为本发明流程图。
图2为实施例1中参数识别结果示意图。
具体实施方式
下面结合附图对本发明作进一步详细描述。
如图1所示,一种基于无迹卡尔曼滤波的辨识高速旋转弹气动参数滤波方法,包括以下步骤:
步骤1、建立高速旋转弹四自由度动力学模型,四自由度动力学模型建立在地面坐标系下。
进一步的实施例中,所述高速旋转弹四自由度动力学模型具体为:
弹丸相对于空气的速度为:
动力平衡角αe的直接计算公式为:
直接计算公式中的参数为:
式中,Vx、Vy、Vz分别为弹丸在x、y、z方向的速度;x、y、z为弹丸的位置坐标;γ为滚转角,为滚转角速度;m为弹丸质量;d为弹丸最大横截面直径;l为弹长;g为重力加速度;ρ为空气密度;S为特征面积,通常取为弹丸的最大横截面积;Cx0和Cx2分别为零升阻力系数和诱导阻力系数;αe为动力平衡角;Vr为弹丸相对于空气的速度;C′y为升力系数导数;C″z为马氏力系数的联合偏导数;C为极转动惯量;A为赤道转动惯量;m′xz为极阻尼力矩系数导数;Wx、Wz分别为x和z方向的风速;m″y为马格努斯力矩系数的联合偏导数;m′z为静力矩系数导数。
步骤2、根据高速旋转弹四自由度动力学模型,利用无迹卡尔曼滤波辨识气动参数,具体为:
步骤2-1、将待辨识参数加入状态变量中,确定增广之后的状态方程和量测方程;
根据步骤1中所列出的动力学模型,有8个状态变量,则状态向量为:
本发明是根据系统测量量间接估计系统状态量,所以把系统建模过程中的未知参数(气动参数)当做状态变量处理,建立增广式状态方程。方程(1-8)可以写成的形式,则状态方程和量测方程为:
由于在实际工程中,不能得到所有的状态变量,只能得到部分状态变量或者和状态变量有关的变量作为观测值,所以量测方程是状态向量x与观测值z之间的关系方程。式中,ω和v分别为系统噪声和量测噪声。
设待辨识参数为η,在小范围内可视为常量,因此有如下方程:
将其加入状态方程之中,将η加入状态变量之中,形成增广状态变量:
进一步的实施例中,增广之后的状态方程和量测方程为:
步骤2-2、初始化增广状态变量及误差协方差矩阵并定义量测加权因子、方差加权因子以及刻度因子;
根据实际工程确认初始数据,得到初始增广状态变量:
根据以往的统计数据得到初始状态误差协方差矩阵:
上方带“∧”的变量代表估计值,为预设的初始增广状态变量估计值。
定义量测加权因子Wi c、方差加权因子Wi m,以及相关的刻度因子,如下式所示:
λ=α2(n+κ)-n
式中,n为增广状态向量维数;λ为符合刻度参数;α为决定先验均值附近sigma点分布广度的主要刻度因子,其典型值为10-3<α≤1;β为用来强调验后协方差计算的零阶sigma点权值的第二刻度因子(对于高斯分布该值取2为最优);κ为第三刻度因素,通常取0。
步骤2-3、根据增广之后的状态方程和量测方程进行滤波计算,得到每一时刻的增广状态变量估计值。
进一步的实施例中,得到每一时刻的增广状态变量估计值具体步骤为:
步骤2-3-1、将k-1时刻的增广状态变量估计值进行离散,得到2n+1个sigma样本点:
从k=1开始,由k-1时刻的估计值得到k时刻的估计值。为步骤2-2预设的初始状态向量,/>为k-1时刻的估计的增广状态变量,/>为k-1时刻的第i个sigma样本点,Pk-1为k-1时刻的增广状态变量误差协方差矩阵,/>为矩阵Pk-1的cholesky分解的第i列;
步骤2-3-2、根据步骤2-3-1得到的sigma样本点,计算k时刻的增广状态变量预测值和增广状态变量误差协方差预测矩阵,计算公式为:
其中,χ*(i) k,k-1为k时刻的第i个预测值,为k时刻增广状态变量的预测值,Qk-1为系统噪声向量ω的协方差矩阵,Pk,k-1为k时刻的增广状态变量误差协方差矩阵的预测值。
步骤2-3-3、对k时刻增广状态变量预测值进行离散得到预测样本点;
对进行离散,得到2n+1个预测样本点,χi k,k-1为k时刻的第i个预测样本点。
步骤2-3-4、根据步骤2-3-3得到的k时刻的预测样本点以及获取的观测值,逐步计算k时刻增广状态变量估计值,具体计算过程为:
Kk=P(XZ)k,k-1P-1 (ZZ)k,k-1
为k时刻的第i个预测的观测值,/>为k时刻估计的观测值,Rk为量测噪声v的协方差矩阵,P(XZ)k,k-1和P(ZZ)k,k-1为求滤波增益矩阵的过渡项,Kk为滤波增益矩阵,zk为k时刻的观测值,在实际工程中zk为实验设备测得的数据。从k-1时刻到k时刻,一步滤波得到的最终结果为Pk和/>Pk为k时刻的增广状态变量误差协方差矩阵的估计值,用于下一步迭代运算;/>为求得的k时刻的估计增广状态变量,/>中含有待辨识参数,k时刻的待辨识参数(气动参数)就可以得到。
步骤2-3-5、返回步骤2-3-1,用k时刻的估计值得到k+1时刻的估计值,如此反复进行直到观测值完结。
下面结合实施例对本发明做进一步解释。
实施例1
某型号炮弹的参数设置如表1所示:
表1高速旋转弹的参数值
在表2的初始条件下,对零升阻力系数Cx0进行参数辨识:
表2高速旋转弹的初始条件
气象条件设定为炮兵标准气象条件,待辨识参数η为Cx0,则增广状态向量为:
增广后的状态方程和量测方程为:
实际情况下,只有三个速度和位置坐标可以测得,所以观测值为:
z=[Vx Vy Vz x y z]T
本实施例中的x0、P0、Q和R分别为:
x0=[660,660,0,2,2,0,1780,0,0.35]T
α取为0.01,β取为2,κ取为0,零升阻力系数Cx0随马赫数变化,马赫数在高速旋转弹运动过程中不断变化。最终辨识Cx0的结果如图2所示,其中UKF为无迹卡尔曼滤波的英文缩写。可以看出,本发明将高速旋转弹运动过程的零升阻力系数辨识了出来。
Claims (3)
1.基于无迹卡尔曼滤波的辨识高速旋转弹气动参数滤波方法,其特征在于,具体步骤为:
步骤1、建立高速旋转弹四自由度动力学模型,具体为:
式中,Vx、Vy、Vz分别为弹丸在x、y、z方向的速度,x、y、z为弹丸的位置坐标;γ为滚转角,为滚转角速度;m为弹丸质量;d为弹丸最大横截面直径;l为弹长;g为重力加速度;ρ为空气密度;S为特征面积,通常取为弹丸的最大横截面积;Cx0和Cx2分别为零升阻力系数和诱导阻力系数;αe为动力平衡角;Vr为弹丸相对于空气的速度;C′y为升力系数导数;C″z为马氏力系数的联合偏导数;C为极转动惯量;A为赤道转动惯量;m′xz为极阻尼力矩系数导数;Wx、Wz分别为x和z方向的风速;m″y为马格努斯力矩系数的联合偏导数;m′z为静力矩系数导数,Vr为弹丸相对于空气的速度;
弹丸相对于空气的速度Vr具体为:
动力平衡角αe的计算公式为:
式中,各参数具体为:
步骤2、根据高速旋转弹四自由度动力学模型,利用无迹卡尔曼滤波辨识气动参数,具体为:
步骤2-1、将待辨识参数加入状态变量中,确定增广之后的状态方程和量测方程;
步骤2-2、初始化增广状态变量及误差协方差矩阵并定义量测加权因子、方差加权因子以及刻度因子;
步骤2-3、根据增广之后的状态方程和量测方程进行滤波计算,得到每一时刻的增广状态变量估计值。
2.根据权利要求1所述的基于无迹卡尔曼滤波的辨识高速旋转弹气动参数滤波方法,其特征在于,步骤2-3中进行滤波计算,得到每一时刻的增广状态变量估计值的具体步骤为:
步骤2-3-1、将k-1时刻的增广状态变量估计值进行离散,得到2n+1个sigma样本点;
式中,为预设的初始状态向量,/>为k-1时刻的估计的增广状态变量估计值,/>为k-1时刻的第i个sigma样本点,Pk-1为k-1时刻的增广状态变量误差协方差矩阵,/>为矩阵Pk-1的cholesky分解的第i列;
步骤2-3-2、根据步骤2-3-1得到的sigma样本点,计算k时刻的增广状态变量预测值和增广状态变量误差协方差预测矩阵,计算公式为:
其中,χ*(i) k,k-1为k时刻的第i个预测值,为k时刻增广状态变量预测值,Qk-1为系统噪声向量ω的协方差矩阵,Pk,k-1为k时刻的增广状态变量误差协方差预测矩阵,Wi m为方差加权因子,Wi c为量测加权因子;
步骤2-3-3、对k时刻增广状态变量预测值进行离散得到预测样本点;
式中,χi k,k-1为k时刻的第i个预测样本点;
步骤2-3-4、根据步骤2-3-3得到的k时刻的预测样本点以及获取的观测值计算k时刻增广状态变量估计值:
为k时刻估计的观测值,Kk为滤波增益矩阵,zk为k时刻的观测值,/>为k时刻第i个预测的观测值,Rk为量测噪声v的协方差矩阵,Pk,k-1为k时刻的增广状态变量误差协方差预测矩阵,/>为k时刻的估计增广状态变量,Pk为k时刻的增广状态变量误差协方差估计矩阵,P(XZ)k,k-1和P(ZZ)k,k-1为求滤波增益矩阵的过渡项,具体为:
步骤2-3-5、返回步骤2-3-1,直至观测值完结。
3.根据权利要求2所述的基于无迹卡尔曼滤波的辨识高速旋转弹气动参数滤波方法,其特征在于,步骤2-3-4中k时刻第i个预测的观测值k时刻估计的观测值/>滤波增益矩阵Kk,k时刻的增广状态变量误差协方差估计矩阵Pk分别具体为:
Kk=P(XZ)k,k-1P-1 (ZZ)k,k-1
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810556149.6A CN109033493B (zh) | 2018-06-01 | 2018-06-01 | 基于无迹卡尔曼滤波的辨识高速旋转弹气动参数滤波方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810556149.6A CN109033493B (zh) | 2018-06-01 | 2018-06-01 | 基于无迹卡尔曼滤波的辨识高速旋转弹气动参数滤波方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109033493A CN109033493A (zh) | 2018-12-18 |
CN109033493B true CN109033493B (zh) | 2023-08-08 |
Family
ID=64612119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810556149.6A Active CN109033493B (zh) | 2018-06-01 | 2018-06-01 | 基于无迹卡尔曼滤波的辨识高速旋转弹气动参数滤波方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109033493B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109740209A (zh) * | 2018-12-20 | 2019-05-10 | 北京空天技术研究所 | 高超声速飞行器参数在线辨识方法及使用其的力学模型 |
CN110532621A (zh) * | 2019-07-30 | 2019-12-03 | 北京航空航天大学 | 一种飞行器气动参数在线辨识方法 |
CN110765669B (zh) * | 2019-12-04 | 2023-10-13 | 北京电子工程总体研究所 | 一种轴对称无翼无舵导弹主动段零升阻力系数辨识方法 |
CN111422247A (zh) * | 2020-03-20 | 2020-07-17 | 合肥工业大学 | 线控转向电机和传感器的故障诊断及容错补偿算法 |
CN113627075B (zh) * | 2021-07-19 | 2024-04-09 | 南京理工大学 | 基于自适应粒子群优化极限学习的弹丸气动系数辨识方法 |
CN114266103B (zh) * | 2021-09-16 | 2023-05-19 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种飞行器参数和噪声特性在线估计方法及存储介质 |
-
2018
- 2018-06-01 CN CN201810556149.6A patent/CN109033493B/zh active Active
Non-Patent Citations (1)
Title |
---|
基于UKF弹体滚转姿态测量方法研究;袁丹丹等;《弹道学报》;20170630;第29卷(第2期);第8-12页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109033493A (zh) | 2018-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109033493B (zh) | 基于无迹卡尔曼滤波的辨识高速旋转弹气动参数滤波方法 | |
CN109933847B (zh) | 一种改进的主动段弹道估计算法 | |
CN107367941B (zh) | 高超声速飞行器攻角观测方法 | |
CN111783307B (zh) | 一种高超声速飞行器状态估计方法 | |
CN108073742B (zh) | 基于改进粒子滤波算法的拦截导弹末段飞行状态估计方法 | |
CN110187713A (zh) | 一种基于气动参数在线辨识的高超声速飞行器纵向控制方法 | |
CN108983800B (zh) | 一种基于深度学习的飞机姿态控制方法 | |
CN110532621A (zh) | 一种飞行器气动参数在线辨识方法 | |
CN109376364B (zh) | 基于扩展卡尔曼滤波的高速旋转弹气动参数辨识方法 | |
CN109827478B (zh) | 一种带落角约束与过载约束的制导方法 | |
Guan et al. | Modeling of Dual‐Spinning Projectile with Canard and Trajectory Filtering | |
CN112836383B (zh) | 一种基于靶式数据修正的武器效能建模方法 | |
CN116611160A (zh) | 基于一段实测弹道参数的无控飞行器在线实时特征参数辨识与弹道预报方法 | |
CN117610466A (zh) | 基于模型预测静态规划算法的炮弹分段气动参数辨识方法 | |
CN109948304B (zh) | 临近空间高超声速飞行器ahw的弹道预测方法 | |
CN108414185B (zh) | 对称飞行器风洞试验数据零点误差处理方法 | |
CN114491802B (zh) | 基于惯组测量信息的滑翔飞行器在线气动辨识及修正方法 | |
CN115186378A (zh) | 一种空战模拟环境中的战术控制距离实时解算方法 | |
CN114819055A (zh) | 一种基于lstm网络的导弹拦截点预测方法 | |
CN116362161B (zh) | 一种基于非定常气动力的挂载物分离轨迹仿真方法 | |
CN113536707B (zh) | 一种基于高斯过程回归的飞行器导引头天线罩误差斜率估计与补偿方法 | |
CN113687096B (zh) | 一种基于嵌入式大气数据系统的侧风估算方法 | |
CN115046433B (zh) | 基于深度强化学习的飞行器时间协同制导方法 | |
CN113569463B (zh) | 基于极限学习的弹丸气动系数辨识方法 | |
CN117349910A (zh) | 基于改进多目标粒子群算法的弹丸风速矢量辨识方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |