CN109063242A - 一种基于粒子群算法的制导工具误差辨识方法 - Google Patents

一种基于粒子群算法的制导工具误差辨识方法 Download PDF

Info

Publication number
CN109063242A
CN109063242A CN201810638514.8A CN201810638514A CN109063242A CN 109063242 A CN109063242 A CN 109063242A CN 201810638514 A CN201810638514 A CN 201810638514A CN 109063242 A CN109063242 A CN 109063242A
Authority
CN
China
Prior art keywords
particle
data
guidance instrument
instrument error
distant
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.)
Granted
Application number
CN201810638514.8A
Other languages
English (en)
Other versions
CN109063242B (zh
Inventor
蒋小勇
孟云鹤
陈琪锋
王子鉴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN201810638514.8A priority Critical patent/CN109063242B/zh
Publication of CN109063242A publication Critical patent/CN109063242A/zh
Application granted granted Critical
Publication of CN109063242B publication Critical patent/CN109063242B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Stored Programmes (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于粒子群算法的制导工具误差辨识方法，包括以下步骤：步骤一、获取数据信息，所述数据信息包括飞行弹道数据、验前信息数据和落点偏差信息数据；步骤二、对步骤一获取的数据信息进行预处理；步骤三、设定参数；步骤四、通过粒子群算法对制导工具误差系数进行辨识；步骤五、若满足终止条件，则进行结果复核并输出制导工具误差系数辨识结果，否则返回步骤四。应用本发明的方法，通过基于弹道复现的正向搜索计算而不是线性化逆向求解来获得制导工具误差系数，能避免线性模型参数估计方法中环境函数矩阵严重病态的技术瓶颈，具有有效性和鲁棒性。

Description

一种基于粒子群算法的制导工具误差辨识方法
技术领域
本发明涉及航天航空技术领域和武器精度分析与评估技术领域，具体涉及一种基于粒子群算法的制导工具误差辨识方法。
背景技术
用于制导工具误差辨识的传统线性模型参数估计方法，如最小二乘法、主成份法、岭估计法等，是基于线性化和矩阵理论的，因此深受相关性束缚，对于工程实际中测量数据受噪声污染等复杂情况辨识效果往往不佳。为了避免这一技术瓶颈，考虑回避线性化模型的逆向求解，在物理背景的约束范围内直接正向选取合适的制导工具误差系数，使其通过误差模型计算得到的遥外测数据偏差的拟合值及落点偏差拟合值等能够准确地复现实测数据，从而确定各制导工具误差系数的辨识值。这类误差系数的辨识方法通常称为弹道复现方法。
一般的弹道复现方法是在惯性器件地面测试数据所指示的制导工具误差范围内，根据专家经验用枚举法识别制导工具误差，最终使复现的弹道特性与试验弹道基本一致。这样的做法，只能将有限的信息作为复现的终端目标(如特征点上的时间参数、位置参数、各段总精度等)，虽然可以揭示问题的主要矛盾，但存在人为因素多、周期、计算量大、弹道复现精度低等不足。
因此，寻求一种结合弹道复现思想和现代智能算法，具有有效性和鲁棒性的制导工具误差辨识方法具有重要意义。
发明内容
本发明目的在于提供一种基于粒子群算法的制导工具误差辨识方法，技术方案如下：
一种基于粒子群算法的制导工具误差辨识方法，包括以下步骤：
步骤一、获取数据信息，所述数据信息包括飞行弹道数据、验前信息数据和落点偏差信息数据；
步骤二、对步骤一获取的数据信息进行预处理；
步骤三、设定参数；
步骤四、通过粒子群算法对制导工具误差系数进行辨识，其中：粒子群算法在所设置的搜索空间内随机产生初代粒子群，而后根据每个粒子的适应度不断智能调整迭代粒子群，最终得到整个搜索空间内的全局最优粒子，全局最优粒子就是最优制导工具误差系数辨识值；在整个过程中求取每个粒子对应的目标函数值的方法为：将将一组制导工具误差系数值作为一个粒子；将每个粒子输入弹道仿真计算程序中，通过调用弹道仿真计算程序得到仿真飞行弹道数据，再将这组数据同实测弹道数据比较计算，从而得到目标函数值；
步骤五、若满足终止条件，则进行结果复核并输出制导工具误差系数辨识结果，否则返回步骤四。
以上技术方案中优选的，所述第二步中设定参数包括目标函数的设定，具体是：采用表达式1)作为目标函数：
其中：为第i个采样点拟合的视速度遥外差，ΔWi为第i个采样点的实际飞行试验遥外差；Fit为目标函数，是各采样点视速度遥外差拟合残差的平方和，反映了拟合弹道对实测弹道的复现精度，即一般而言Fit值越小，弹道复现精度越高，Fit值最小不小于0；
将视速度遥外差分解到发射惯性坐标系的x、y、z三个方向，目标函数变化为表达式2)：
F＝Fx+Fy+Fz
其中：是第i个采样点拟合的视速度遥外差在x方向的分量，是第i个采样点拟合的视速度遥外差在y方向的分量，是第i个采样点拟合的视速度遥外差在z方向的分量，ΔWxi是第i个采样点的实际飞行试验遥外差在x方向的分量，ΔWyi是第i个采样点的实际飞行试验遥外差在y方向的分量，ΔWzi是第i个采样点的实际飞行试验遥外差在z方向的分量；Fx为x方向各采样点视速度遥外差拟合残差的平方和；Fy为y方向各采样点视速度遥外差拟合残差的平方和；Fz为z方向各采样点视速度遥外差拟合残差的平方和；F为Fx、Fy和Fz三者之和，即各方向上采样点视速度遥外差拟合残差平方和的总和，表示目标函数。
以上技术方案中优选的，所述步骤二中设定参数还包括设定约束条件，约束条件设定为表达式3)：
其中：ΔL为落点纵程偏差；ΔH为落点横程偏差；kj为第j项制导工具误差系数，为落点纵程偏差对第j项制导工具误差系数kj的偏导数，为落点横程偏差对第j项制导工具误差系数kj的偏导数，j＝1,2,…M；ΔL1为所设定的制导工具误差系数引起的落点纵程偏差下限，ΔH1为所设定的制导工具误差系数引起的落点横程偏差下限，ΔL2为所设定的制导工具误差系数引起的落点纵程偏差上限，ΔH2为所设定的制导工具误差系数引起的落点横程偏差上限。
以上技术方案中优选的，将落点偏差拟合残差加权合并入目标函数，合并后新的复合目标函数设定为表达式4)：
其中：F合为复合目标函数；F与表达式2)中F意义相同，为各方向上采样点视速度遥外差拟合残差平方和的总和；ΔL为落点纵程偏差；ΔH为落点横程偏差；kj为第j项制导工具误差系数，为落点纵程偏差对第j项制导工具误差系数kj的偏导数，为落点横程偏差对第j项制导工具误差系数kj的偏导数，j＝1,2,…M；ω1为主动段弹道的加权系数；ω2为落点纵程偏差的加权系数；ω3为落点横程偏差的加权系数。
以上技术方案中优选的，所述步骤二中设定参数还包括设定制导工具误差系数搜索范围上下限，具体是：
对于有地面测试数据的误差系数，搜索范围设定为[m1i-3σm1i,m1i+3σm1i]；
对于没有地面测试数据但有设计指标的误差系数，搜索范围设定为[m2i-3σm2i,m2i+3σm2i]；
对于没有清晰认识的系数，以0为中心设定其搜索范围[-3σm3i,3σm3i]；
个别系数项视搜索结果可以适当放大搜索范围；
其中：m1i是有地面测试数据的第i项制导工具误差系数的地面测试均值，σm1i是有地面测试数据的第i项制导工具误差系数的地面测试均方差；m2i是有设计指标的第i项制导工具误差系数的设计均值，σm2i是有设计指标的第i项制导工具误差系数的设计均方差；σm3i是没有清晰认识的第i项制导工具误差系数的经验均方差。
以上技术方案中优选的，所述步骤二中设定参数还包括设定粒子群算法自身的参数，具体是：
粒子群算法采用表达式5)对粒子进行迭代：
其中：是粒子在当前代的速度向量；是粒子在当前代的位置向量；是粒子在下一代的速度向量；是粒子在下一代的位置向量；是第i个粒子目前为止搜索到的最优位置，是整个粒子群目前为止搜索到的最优位置；w是惯性权重；c1是粒子对自身最优位置的加速常数；c2是粒子对种群最优位置的加速常数；
w、c1和c2是需要设定的粒子群算法自身参数，具体是：
惯性权重w的取值范围为(0,1)，用于保持粒子的运动惯性，w取值较小越容易收敛，w取值较大时容易获得全局最优解；
加速常数c1和c2的取值范围均为(0,2)，加速常数较小时目标位置或对粒子的移动影响不大，加速常数较大时粒子会很快冲入或超过目标位置附近。
以上技术方案中优选的，所述步骤一中的飞行弹道数据包括飞行弹道主动段视加速度、视速度、视位置的遥测和外测数据，验前信息数据包括制导工具误差系数的地面测试数据、设计指标数据、物理背景数据等，落点偏差数据包括标准弹道落点数据、实测弹道落点数据、落点纵程和横程偏差数据。
以上技术方案中优选的，所述步骤四中每个粒子的适应度，与目标函数值的大小成反比，目标函数值越小，适应度越高。
应用本发明的技术方案，具有以下有益效果：
1、本发明技术方案通过基于弹道复现的正向搜索计算而不是线性化逆向求解来获得误差系数，能避免线性模型参数估计方法中环境函数矩阵严重病态的技术瓶颈。
2、本发明技术方案经过能综合利用各种信息，包括发射前的先验信息和落点偏差信息等。先验信息包括部分误差系数的地面测试值、部分系数的设计指标和全部系数的散布，以此为依据，可以设计各制导工具误差系数的搜索范围，既符合问题的物理背景又能提高算法性能。落点偏差是弹道试验的重要信息，也是导弹重要的战技指标，以此作为约束条件，能进一步保证辨识结果有效、可靠。
3、本发明技术方案充分利用了粒子群算法，实现了误差系数的全局搜索辨识，详情是：由粒子群算法的原理可知粒子群算法是在综合考虑各种因素的条件下，通过高效的全局搜索来寻找相对于目标函数“最优”的一个粒子。而弹道复现方法辨识制导工具误差的问题也正好是粒子群算法擅长解决的问题：各制导工具误差系数通过误差传播模型影响飞行弹数据，对于一组实测的飞行弹道数据，通过对其精确的复现来辨识各制导工具误差系数，即找出对这组飞行弹道数据复现最好的一组制导工具误差系数；同时制导工具误差系数辨识还受到多种因素的限制，如自身的物理背景、地面测试数据、落点偏差数据等等，这些信息也能在粒子群算法的寻优过程中一一体现。可见，粒子群算法与制导工具误差辨识问题具有“契合性”：设定反映一组制导工具误差系数对飞行弹道数据拟合程度的目标函数，该目标函数通过比较误差传播模型计算得到的弹道数据和实测弹道数据获得。然后通过粒子群算法全局搜索出对给定的弹道数据最优复现的粒子，从而得到制导工具误差系数的辨识结果。
4、仿真结果显示，对于36项制导工具误差模型，剔除对落点偏差影响率低于0.1％的14项后，本发明技术方案在剩余22项误差系数中能有效辨识12项主要误差系数，准确辨识项的比例接近55％，并且辨识结果能较高精度地拟合导弹的主动段弹道和落点偏差。而在历次辨识结果对比中，也有12项误差系数始终稳定在真值附近，因此具有有效性和鲁棒性。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明实施例1中基于粒子群算法的制导工具误差辨识方法的仿真流程图；
图2是本发明实施例1中粒子群算法原理图；
图3是本发明实施例1中归一化的制导工具误差辨识结果图；
图4(a)是本发明实施例1中由制导工具误差系数辨识x方向速度偏差值对应的主动段视速度遥外差同试验真值的比对图；
图4(b)是本发明实施例1中由制导工具误差系数辨识x方向位置偏差值对应的主动段视速度遥外差同试验真值的比对图；
图4(c)是本发明实施例1中由制导工具误差系数辨识y方向速度偏差值对应的主动段视速度遥外差同试验真值的比对图；
图5是本发明实施例1中四组制导工具误差系数辨识值与真值的对比图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以根据权利要求限定和覆盖的多种不同方式实施。
实施例1：
参见图1，一种基于粒子群算法的制导工具误差辨识方法，包括以下步骤：
步骤一、获取数据信息；
步骤二、对步骤一获取的数据信息进行预处理；
步骤三、设定参数；
步骤四、通过粒子群算法对制导误差系数进行辨识(具体是粒子群算法寻优复现)，其中：辨识过程中每个粒子将调用弹道仿真程序并返回目标函数；
步骤五、若满足终止条件，则进行结果复核并输出制导工具误差系数辨识结果，否则返回步骤四。
上述步骤一中获取的数据包括飞行弹道数据、验前信息数据和落点偏差数据。其中飞行弹道数据包括飞行弹道主动段视加速度、视速度、视位置的遥测和外测数据，验前信息数据包括制导工具误差系数的地面测试数据、设计指标数据、物理背景数据等，落点偏差数据包括标准弹道落点数据、实测弹道落点数据、落点纵程和横程偏差数据。
上述步骤二中的预处理包括剔除野值、数据点插值等。剔除野值时通过三次样条插值得到各数据点的拟合值，而后统计得到测量值与拟合值偏差的方差σ，如果某点的测量值与拟合值的偏差超过3σ，则判定该点的测量值为野值并剔除，并用该点的拟合值作为测量估计值。当出现数据点测量值丢失和遥外差数据点时间未对齐时，同样可以用三次样条插值方法补齐丢失数据点或对齐遥外测数据点。
上述步骤三的设定参数包括设定目标函数、设定约束条件、设定搜索范围上下限和设定粒子群算法自身的参数，详情是：
1、设定目标函数，具体是：
制导工具误差辨识时既需要吻合特征点参数(包括一级点火点、一二级分离点、二三级分离点、三级分导级分离点)，又需要高精度拟合主动段和分导段的飞行弹道。视速度遥外差反映了制导工具误差系数对弹道的影响，以每个个体拟合的视速度遥外差与实际飞行试验遥外差ΔW在各采样点的拟合残差平方和作为指标函数，能保证误差辨识结果的可信性，因此采用表达式1)作为目标函数：
其中：为第i个采样点拟合的视速度遥外差，ΔWi为第i个采样点的实际飞行试验遥外差；Fit为目标函数，是各采样点视速度遥外差拟合残差的平方和，反映了拟合弹道对实测弹道的复现精度，即一般而言Fit值越小，弹道复现精度越高，Fit值最小不小于0。
将视速度遥外差分解到坐标系的x、y、z三个方向，目标函数变化为表达式2)：
F＝Fx+Fy+Fz
其中：是第i个采样点拟合的视速度遥外差在x方向的分量，是第i个采样点拟合的视速度遥外差在y方向的分量，是第i个采样点拟合的视速度遥外差在z方向的分量，ΔWxi是第i个采样点的实际飞行试验遥外差在x方向的分量，ΔWyi是第i个采样点的实际飞行试验遥外差在y方向的分量，ΔWzi是第i个采样点的实际飞行试验遥外差在z方向的分量；Fx为x方向各采样点视速度遥外差拟合残差的平方和；Fy为y方向各采样点视速度遥外差拟合残差的平方和；Fz为z方向各采样点视速度遥外差拟合残差的平方和；F为Fx、Fy、Fz之和，即各方向上采样点视速度遥外差拟合残差平方和的总和，表示目标函数。
2、约束条件设定为表达式3)：
其中：ΔL为落点纵程偏差；ΔH为落点横程偏差；kj为第j项制导工具误差系数，为落点纵程偏差对第j项制导工具误差系数kj的偏导数，为落点横程偏差对第j项制导工具误差系数kj的偏导数，j＝1,2,…M；ΔL1为所设定的制导工具误差系数引起的落点纵程偏差下限，ΔH1为所设定的制导工具误差系数引起的落点横程偏差下限，ΔL2为所设定的制导工具误差系数引起的落点纵程偏差上限，ΔH2为所设定的制导工具误差系数引起的落点横程偏差上限。
3、设定搜索范围上下限，具体是：
对于有地面测试数据的误差系数，搜索范围设定为[m1i-3σm1i,m1i+3σm1i]；
对于没有地面测试数据但有设计指标的误差系数，搜索范围设定为[m2i-3σm2i,m2i+3σm2i]；
对于没有清晰认识的系数，以0为中心设定其搜索范围[-3σm3i,3σm3i]；
个别系数项视搜索结果可以适当放大搜索范围；
其中：m1i是有地面测试数据的第i项制导工具误差系数的地面测试均值，σm1i是有地面测试数据的第i项制导工具误差系数的地面测试均方差；m2i是有设计指标的第i项制导工具误差系数的设计均值，σm2i是有设计指标的第i项制导工具误差系数的设计均方差；σm3i是没有清晰认识的第i项制导工具误差系数的经验均方差。
4、设定粒子群算法自身的参数
图2是粒子群算法的基本原理图，粒子群算法开始后第一步进行参数设置，包括明确目标函数、确定搜索范围、设置算法自身参数等；第二步在给定的搜索范围内随机生成初始粒子群；第三步计算粒子群中各粒子的适应度，即目标函数值；第四步由各粒子的适应度计算给出每个粒子目前为止搜索到的最优位置和整个粒子群目前为止搜索到的最优位置第五步由和计算更新每个粒子的位置速度；第六步判断是否满足终止条件，若不满足则迭代执行第三至五步，若满足则执行第七步，终止条件包括给定的阈值、迭代代数上限或计算时间上限等；第七步，输出所对应的最优粒子并结束程序。
粒子群算法的第五步采用表达式5)计算更新每个粒子的位置速度：
其中：是粒子在当前代的速度向量；是粒子在当前代的位置向量；是粒子在下一代的速度向量；是粒子在下一代的位置向量；是第i个粒子目前为止搜索到的最优位置，是整个粒子群目前为止搜索到的最优位置；w是惯性权重；c1是粒子对自身最优位置的加速常数；c2是粒子对种群最优位置的加速常数；
w、c1和c2是需要设定的粒子群算法自身参数，具体是：
惯性权重w的取值范围为(0,1)，用于保持粒子的运动惯性，w取值较小越容易收敛，w取值较大时容易获得全局最优解；
加速常数c1和c2的取值范围为(0,2)，加速常数较小时目标位置或对粒子的移动影响不大，加速常数较大时粒子会很快冲入或超过目标位置附近。
上述步骤四中的弹道仿真程序采用的制导工具误差模型为经典的36项平台式制导系统工具误差传播模型。
平台式制导系统测量误差主要是由两方面的原因引起的，一是惯性测量元件的测量误差，二是惯性平台的角度漂移，其中惯性测量元件包括加速度计和陀螺仪，因此制导工具误差模型由下述三部分组成：
1、加速度计测量误差
以惯性平台坐标系各轴方向为输入轴的加速度计测量误差，详见表达式6)：
其中：Δx为惯性平台坐标系x轴方向上加速度计测量误差，Ka0x为x轴方向上视加速度的零次加速度计测量误差项，Ka1x为x轴方向上视加速度的一次加速度计测量误差项，Ka2x为x轴方向上视加速度的二次加速度计测量误差项；Δy为惯性平台坐标系y轴方向上加速度计测量误差，Ka0y为y轴方向上视加速度的零次加速度计测量误差项，Ka1y为y轴方向上视加速度的一次加速度计测量误差项，Ka2y为y轴方向上视加速度的二次加速度计测量误差项；Δz为惯性平台坐标系z轴方向上加速度计测量误差，Ka0z为z轴方向上视加速度的零次加速度计测量误差项，Ka1z为z轴方向上视加速度的一次加速度计测量误差项，Ka2z为z轴方向上视加速度的二次加速度计测量误差项。
2、惯性平台的静态漂移误差角引起的测量误差，详见表达式7)：
其中：αpx为惯性平台坐标系x轴方向上的平台漂移角，Kp0x、Kp11x、Kp12x、Kp2x为x轴方向上的零次、两项一次和二次平台漂移角测量误差项；αpy为惯性平台坐标系y轴方向上的平台漂移角，Kp0y、Kp11y、Kp12y、Kp2y为y轴方向上的零次、两项一次和二次平台漂移角测量误差项；αpz为惯性平台坐标系z轴方向上的平台漂移角，Kp0z、Kp11z、Kp12z、Kp2z为z轴方向上的零次、两项一次和二次平台漂移角测量误差项。
3、陀螺仪测量误差
惯性平台坐标系系各轴方向上的陀螺仪的角速度测量误差分别为表达式8)：
其中：为惯性平台坐标系x轴方向上的陀螺仪角速度测量误差，Kg0x、Kg11x、Kg12x、Kg13x、Kg2x为x轴方向上的零次、三项一次和二次陀螺仪角速度测量误差项；为惯性平台坐标系y轴方向上的陀螺仪角速度测量误差，Kg0y、Kg11y、Kg12y、Kg13y、Kg2y为y轴方向上的零次、三项一次和二次陀螺仪角速度测量误差项；为惯性平台坐标系z轴方向上的陀螺仪角速度测量误差，Kg0z、Kg11z、Kg12z、Kg13z、Kg2z为z轴方向上的零次、三项一次和二次陀螺仪角速度测量误差项。
由上述角速度测量误差积分可得陀螺仪相对平台各轴向漂移角，详见表达式9)：
其中：αgx、αgy、αgz为惯性平台坐标系各轴方向上的陀螺仪漂移角。
陀螺仪在惯性空间中的漂移角包括平台漂移角与陀螺仪漂移角，详见表达式10)：
最终，由平台式制导系统工具误差引起的视加速度测量误差可由表达式11)给出：
其中：为发射惯性坐标系各轴方向上的视加速度测量误差，M1、M2、M3为由惯性平台坐标系向发射惯性坐标系转换的各轴方向上的旋转函数矩阵。
综上所述，表达式6)‐表达式8)中所有含K的项统称为平台式制导系统工具误差项，共36项。
应用本实施例的技术方案，具体是：
(1)、粒子群算法迭代代数达5000代后终止计算，输出制导工具误差系数辨识结果如图3所示，其中横坐标表示36项制导工具误差的序号，纵坐标表示归一化后(即误差系数真值统一转化为“1”)误差系数辨识值对真值的偏差率，辨识值离真值越近则说明辨识结果越准确。
图3所示的辨识结果对应的详细数据表1如所示，其中偏差率表示辨识值相对于真值的偏差量占真值的百分比，因此偏差率越小辨识越准确。为了更清楚地看出有多少项制导工具误差系数得到有效辨识，将各制导工具误差系数辨识值的偏差率分布统计如表2所示。从图2和表1、表2中可以清楚地看出，制导工具误差系数中有效辨识项有14项(辨识值的偏差率在0％‐20％之间)，而通常采用的主成分法辨识项数一般为5‐6项，因此辨识结果的有效性明显提高。此外，注意到各制导工具误差系数对飞行弹道及落点偏差的影响是各不相同的，如果某项误差系数对飞行弹道及落点偏差影响很小，那么该项误差系数通常是难以辨识准确的，并且准确辨识也是没有意义的。因此，表1中最后一列给出各误差系数对落点偏差的影响率，可以看出有14项误差系数对落点偏差的影响率低于0.1％，如果剔除这影响很小的14项，则剩余22项误差系数中有12项误差系数辨识准确，准确辨识项的比例接近55％。
表1归一化的制导工具误差辨识结果
表2误差系数辨识值偏差率的分布
偏差率范围 0％-1％ 1％-10％ 10％-20％ 20％-50％ 50％-inf 合计
项数 2 9 3 3 19 36
(2)、将由制导工具误差系数辨识值对应的主动段视速度遥外差同试验真值进行对比，如图4(a)、图4(b)、图4(c)所示，其中横坐标为时间，纵坐标为视速度遥外差在三个方向的分量，图中实线表示真值，虚线表示拟合值。可以看出，在整个主动段的三个方向，视速度遥外差拟合值对真值的偏差都不超过0.1m/s，制导工具误差系数的辨识值能够准确的复现主动段弹道。同时也注意到，拟合弹道并没有跟有噪声的真值弹道完全的拟合，而是取穿过噪声弹道中央的平滑弹道，这是与误差模型的特性相一致的。
制导工具误差系数辨识值对落点偏差的复现如表3所示。可以看出，所有三个方向中落点偏差的辨识值对真值的偏差量都不超过70m，能够准确地复现落点偏差。
表3有外测噪声工具误差的落点偏差复现
(3)、图5将四组制导工具误差系数辨识值与真值同时列出。可以看出，有15项误差系数在历次辨识中辨识值基本稳定，其中有12项稳定在真值附近，而绝大多数未辨识准确的项则变化较大。因此，该方法的历次辨识结果具有较强的鲁棒性。
综上所述，同传统的线性模型参数估计方法相比，本发明提出的基于粒子群算法的制导工具误差辨识方法具有以下特点：(1)是通过基于弹道复现的正向搜索计算而不是线性化逆向求解来获得误差系数，因此能避免线性模型参数估计方法中环境函数矩阵严重病态的技术瓶颈；(2)能综合利用各种信息；(3)充分利用了粒子群算法，实现了误差系数的全局搜索辨识；(4)仿真算例结果表明，该方法能有效辨识14项主要误差系数，并且辨识结果能较高精度地拟合导弹的主动段弹道和落点偏差，在历次辨识中有12项误差系数稳定在真值附近，因此该方法具有有效性和鲁棒性。
实施例2：
实施例2与实施例1不同之处仅在于：将落点偏差拟合残差加权合并入目标函数，合并后新的复合目标函数设定为表达式4)：
其中：F合为复合目标函数；F为各方向上采样点视速度遥外差拟合残差平方和的总和；ΔL为落点纵程偏差；ΔH为落点横程偏差；kj为第j项制导工具误差系数，为落点纵程偏差对第j项制导工具误差系数kj的偏导数，为落点横程偏差对第j项制导工具误差系数kj的偏导数，j＝1,2,…M；ω1为主动段弹道的加权系数；ω2为落点纵程偏差的加权系数；ω3为落点横程偏差的加权系数。
实施例2的效果与实施例1相近。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于粒子群算法的制导工具误差辨识方法，其特征在于，包括以下步骤：
步骤一、获取数据信息，所述数据信息包括飞行弹道数据、验前信息数据和落点偏差信息数据；
步骤二、对步骤一获取的数据信息进行预处理；
步骤三、设定参数；
步骤四、通过粒子群算法对制导工具误差系数进行辨识，其中：粒子群算法在所设置的搜索空间内随机产生初代粒子群，而后根据每个粒子的适应度不断智能调整迭代粒子群，最终得到整个搜索空间内的全局最优粒子，全局最优粒子对应的就是最优制导工具误差系数辨识值；在整个过程中求取每个粒子对应的目标函数值的方法为：将一组制导工具误差系数值作为一个粒子；将每个粒子输入弹道仿真计算程序中，通过调用弹道仿真计算程序得到仿真飞行弹道数据，再将这组数据同实测弹道数据比较计算，从而得到目标函数值；
步骤五、若满足终止条件，则进行结果复核并输出制导工具误差系数辨识结果，否则返回步骤四。
2.根据权利要求1所述的基于粒子群算法的制导工具误差辨识方法，其特征在于，所述第二步中设定参数包括目标函数的设定，具体是：采用表达式1)作为目标函数：
其中：为第i个采样点拟合的视速度遥外差，ΔWi为第i个采样点的实际飞行试验遥外差；Fit为目标函数，是各采样点视速度遥外差拟合残差的平方和，反映了拟合弹道对实测弹道的复现精度，即一般而言Fit值越小，弹道复现精度越高，Fit值最小不小于0；
将视速度遥外差分解到发射惯性坐标系的x、y、z三个方向，目标函数变化为表达式2)：
F＝Fx+Fy+Fz
其中：是第i个采样点拟合的视速度遥外差在x方向的分量，是第i个采样点拟合的视速度遥外差在y方向的分量，是第i个采样点拟合的视速度遥外差在z方向的分量，ΔWxi是第i个采样点的实际飞行试验遥外差在x方向的分量，ΔWyi是第i个采样点的实际飞行试验遥外差在y方向的分量，ΔWzi是第i个采样点的实际飞行试验遥外差在z方向的分量，Fx为x方向各采样点视速度遥外差拟合残差的平方和，Fy为y方向各采样点视速度遥外差拟合残差的平方和，Fz为z方向各采样点视速度遥外差拟合残差的平方和；F为Fx、Fy和Fz三者之和，即各方向上采样点视速度遥外差拟合残差平方和的总和，表示目标函数。
3.根据权利要求2所述的基于粒子群算法的制导工具误差辨识方法，其特征在于，所述步骤二中设定参数还包括设定约束条件，约束条件设定为表达式3)：
其中：ΔL为落点纵程偏差；ΔH为落点横程偏差；kj为第j项制导工具误差系数，为落点纵程偏差对第j项制导工具误差系数kj的偏导数，为落点横程偏差对第j项制导工具误差系数kj的偏导数，j＝1,2,…M；ΔL1为所设定的制导工具误差系数引起的落点纵程偏差下限，ΔH1为所设定的制导工具误差系数引起的落点横程偏差下限，ΔL2为所设定的制导工具误差系数引起的落点纵程偏差上限，ΔH2为所设定的制导工具误差系数引起的落点横程偏差上限。
4.根据权利要求2所述的基于粒子群算法的制导工具误差辨识方法，其特征在于，将落点偏差拟合残差加权合并入目标函数，合并后新的复合目标函数设定为表达式4)：
其中：F合为复合目标函数；F为各方向上采样点视速度遥外差拟合残差平方和的总和；ΔL为落点纵程偏差；ΔH为落点横程偏差；kj为第j项制导工具误差系数，为落点纵程偏差对第j项制导工具误差系数kj的偏导数，为落点横程偏差对第j项制导工具误差系数kj的偏导数，j＝1,2,…M；ω1为主动段弹道的加权系数；ω2为落点纵程偏差的加权系数；ω3为落点横程偏差的加权系数。
5.根据权利要求1所述的基于粒子群算法的制导工具误差辨识方法，其特征在于，所述步骤二中设定参数还包括设定制导工具误差系数搜索范围上下限，具体是：
对于有地面测试数据的误差系数，搜索范围设定为[m1i-3σm1i,m1i+3σm1i]；
对于没有地面测试数据但有设计指标的误差系数，搜索范围设定为[m2i-3σm2i,m2i+3σm2i]；
对于没有清晰认识的系数，以0为中心设定其搜索范围[-3σm3i,3σm3i]；
其中：m1i是有地面测试数据的第i项制导工具误差系数的地面测试均值，σm1i是有地面测试数据的第i项制导工具误差系数的地面测试均方差；m2i是有设计指标的第i项制导工具误差系数的设计均值，σm2i是有设计指标的第i项制导工具误差系数的设计均方差；σm3i是没有清晰认识的第i项制导工具误差系数的经验均方差。
6.根据权利要求1所述的基于粒子群算法的制导工具误差辨识方法，其特征在于，所述步骤二中设定参数还包括设定粒子群算法自身的参数，具体是：
粒子群算法采用表达式5)对粒子进行迭代：
其中：是粒子在当前代的速度向量；是粒子在当前代的位置向量；是粒子在下一代的速度向量；是粒子在下一代的位置向量；是第i个粒子目前为止搜索到的最优位置，是整个粒子群目前为止搜索到的最优位置；w是惯性权重；c1是粒子对自身最优位置的加速常数；c2是粒子对种群最优位置的加速常数；
w、c1和c2是需要设定的粒子群算法自身参数，具体是：
惯性权重w的取值范围为(0,1)，用于保持粒子的运动惯性，w取值较小越容易收敛，w取值较大时容易获得全局最优解；
加速常数c1和c2的取值范围均为(0,2)，加速常数较小时目标位置或对粒子的移动影响不大，加速常数较大时粒子会很快冲入或超过目标位置附近。
7.根据权利要求1‐6任意一项所述的基于粒子群算法的制导工具误差辨识方法，其特征在于，所述步骤一中的飞行弹道数据包括飞行弹道主动段视加速度、视速度、视位置的遥测和外测数据，验前信息数据包括制导工具误差系数的地面测试数据、设计指标数据、物理背景数据等，落点偏差数据包括标准弹道落点数据、实测弹道落点数据、落点纵程和横程偏差数据。
8.根据权利要求7所述的基于粒子群算法的制导工具误差辨识方法，其特征在于，所述步骤四中每个粒子的适应度与目标函数值的大小成反比，目标函数值越小，适应度越高。
CN201810638514.8A 2018-06-20 2018-06-20 一种基于粒子群算法的制导工具误差辨识方法 Active CN109063242B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810638514.8A CN109063242B (zh) 2018-06-20 2018-06-20 一种基于粒子群算法的制导工具误差辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810638514.8A CN109063242B (zh) 2018-06-20 2018-06-20 一种基于粒子群算法的制导工具误差辨识方法

Publications (2)

Publication Number Publication Date
CN109063242A true CN109063242A (zh) 2018-12-21
CN109063242B CN109063242B (zh) 2022-11-11

Family

ID=64821196

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810638514.8A Active CN109063242B (zh) 2018-06-20 2018-06-20 一种基于粒子群算法的制导工具误差辨识方法

Country Status (1)

Country Link
CN (1) CN109063242B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110046713A (zh) * 2019-04-19 2019-07-23 井冈山大学 基于多目标粒子群优化的鲁棒性排序学习方法及其应用
CN110553641A (zh) * 2019-07-25 2019-12-10 北京航天控制仪器研究所 一种基于相关系数的提高惯性制导精度的方法
CN111257864A (zh) * 2020-01-17 2020-06-09 河北德冠隆电子科技有限公司 一种主动式探测车辆持续跟踪断点补偿装置、系统及方法
CN113835360A (zh) * 2021-09-15 2021-12-24 中国人民解放军96901部队23分队 一种基于误差分析的复合引信定高精度仿真评估方法
CN114386173A (zh) * 2022-01-11 2022-04-22 西北工业大学 一种全捷联制导武器制导精度评估方法
CN116384256A (zh) * 2023-05-11 2023-07-04 西安现代控制技术研究所 一种基于参考方案局部搜索多约束弹道优化方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104899446A (zh) * 2015-06-05 2015-09-09 上海大学 基于数据驱动的脉动风速模拟方法
CN106841750A (zh) * 2017-03-13 2017-06-13 清华大学 基于Powell算法和粒子群算法的雷电流波形参数识别方法
WO2018072351A1 (zh) * 2016-10-20 2018-04-26 北京工业大学 一种基于粒子群优化算法对支持向量机的优化方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104899446A (zh) * 2015-06-05 2015-09-09 上海大学 基于数据驱动的脉动风速模拟方法
WO2018072351A1 (zh) * 2016-10-20 2018-04-26 北京工业大学 一种基于粒子群优化算法对支持向量机的优化方法
CN106841750A (zh) * 2017-03-13 2017-06-13 清华大学 基于Powell算法和粒子群算法的雷电流波形参数识别方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110046713A (zh) * 2019-04-19 2019-07-23 井冈山大学 基于多目标粒子群优化的鲁棒性排序学习方法及其应用
CN110046713B (zh) * 2019-04-19 2023-05-12 井冈山大学 基于多目标粒子群优化的鲁棒性排序学习方法及其应用
CN110553641A (zh) * 2019-07-25 2019-12-10 北京航天控制仪器研究所 一种基于相关系数的提高惯性制导精度的方法
CN110553641B (zh) * 2019-07-25 2021-08-10 北京航天控制仪器研究所 一种基于相关系数的提高惯性制导精度的方法
CN111257864A (zh) * 2020-01-17 2020-06-09 河北德冠隆电子科技有限公司 一种主动式探测车辆持续跟踪断点补偿装置、系统及方法
CN113835360A (zh) * 2021-09-15 2021-12-24 中国人民解放军96901部队23分队 一种基于误差分析的复合引信定高精度仿真评估方法
CN114386173A (zh) * 2022-01-11 2022-04-22 西北工业大学 一种全捷联制导武器制导精度评估方法
CN116384256A (zh) * 2023-05-11 2023-07-04 西安现代控制技术研究所 一种基于参考方案局部搜索多约束弹道优化方法
CN116384256B (zh) * 2023-05-11 2023-09-01 西安现代控制技术研究所 一种基于参考方案局部搜索多约束弹道优化方法

Also Published As

Publication number Publication date
CN109063242B (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
CN109063242A (zh) 一种基于粒子群算法的制导工具误差辨识方法
CN107340522A (zh) 一种激光雷达定位的方法、装置及系统
CN109491369B (zh) 车辆实际控制单元的性能评估方法、装置、设备和介质
CN108387951B (zh) 一种基于重复线校正海空重力仪格值的新算法
CN104061960A (zh) 一种亚音速飞行器体上气压高度参数确定方法
CN108827322B (zh) 一种多星协同测向定位观测系统优化设计与评估方法
CN111121784B (zh) 一种无人侦察机航路规划方法
CN108827343B (zh) 一种基于试验设计与进化寻优的制导工具误差辨识方法
CN109458994A (zh) 一种空间非合作目标激光点云icp位姿匹配正确性判别方法及系统
CN107705563A (zh) 基于激光雷达的连续车辆速度检测方法
EP3396420A1 (en) Method and device for determining overall measurement of seismic observation system repeatability
CN105701283B (zh) 地球非球形摄动作用下自由段弹道误差传播的分析方法
Xiao et al. An improved ICCP matching algorithm for use in an interference environment during geomagnetic navigation
CN109991658A (zh) 一种基于“震源-台站”速度模型的微地震事件定位方法
CN109919233B (zh) 一种基于数据融合的跟踪滤波方法
CN109884698B (zh) 基于目的层的地震勘探观测系统定量评价方法
CN111912295A (zh) 一种弹道落点预测系统
CN114396953A (zh) 一种天基短弧光学测轨数据的关联方法
CN1782672A (zh) 改善发电设备故障检测的方法和装置
Li et al. Online parameter identification of rice transplanter model based on IPSO-EKF algorithm.
CN110888142A (zh) 基于mems激光雷达测量技术的航天器隐藏目标点测量方法
CN115096294B (zh) 一种多参量水下磁目标体定位方法
CN115585814A (zh) 一种基于沉降机制的飞行器变尺度地形跟随方法
CN113792425B (zh) 一种移动射击平台上火炮振动状态的定量描述方法
CN115061459A (zh) 基于磁敏角度传感器的装甲车转向控制系统及方法

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