CN112257259B - 基于改进自治多模型的弹道导弹全程弹道估计方法及系统 - Google Patents
基于改进自治多模型的弹道导弹全程弹道估计方法及系统 Download PDFInfo
- Publication number
- CN112257259B CN112257259B CN202011129128.XA CN202011129128A CN112257259B CN 112257259 B CN112257259 B CN 112257259B CN 202011129128 A CN202011129128 A CN 202011129128A CN 112257259 B CN112257259 B CN 112257259B
- Authority
- CN
- China
- Prior art keywords
- model
- maneuvering
- sub
- missile
- maneuver
- 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
- F41—WEAPONS
- F41G—WEAPON SIGHTS; AIMING
- F41G7/00—Direction control systems for self-propelled missiles
- F41G7/20—Direction control systems for self-propelled missiles based on continuous observation of target position
- F41G7/22—Homing guidance systems
-
- 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)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Aiming, Guidance, Guns With A Light Source, Armor, Camouflage, And Targets (AREA)
Abstract
本发明属于目标跟踪技术领域,特别涉及一种基于改进自治多模型的弹道导弹全程弹道估计方法及系统,包含:构建用于全程弹道估计的运动模型集,该模型集中至少包含:用于非机动段检测的精确动力学子模型和用于机动段检测的三维当前统计子模型;依据机动检测中导弹运动状态的变化,采用硬决策通过设定子模型概率进行子模型切换,以实现对弹道导弹全飞行阶段跟踪。本发明基于硬决策的改进自治多模型实现弹道导弹全程弹道估计,实现弹道导弹全飞行阶段的稳定跟踪,同时减小非机动段弹道估计的误差;由于导弹处于非机动段的自由段时长较长,因此,本案对于弹道导弹的全程稳定跟踪和高精度弹道估计具有较好的应用价值。
Description
技术领域
本发明属于目标跟踪技术领域,特别涉及一种基于改进自治多模型的弹道导弹全程弹道估计方法及系统。
背景技术
弹道导弹的全程弹道通常可以分为三个阶段:主动段、自由段和再入段,这三个阶段的动力学特征有显著区别。其中主动段和再入段机动性强,对于防御方无法建立精确模型,但是持续时间较短;而自由段通常仅受地心引力作用,运动规律性强,可以建立较为准确的动力学模型,且持续时间最长,几乎占整个弹道的90%。由于弹道导弹不同阶段的动力学特征显著不同,因此如何构建一种弹道估计算法实现对弹道导弹全飞行过程的稳定高精度跟踪是研究的难点。
为了适应目标的不同运动特性,机动目标跟踪算法通常是一系列子滤波器间的切换或组合。该类方法通常分为两类:基于硬决策的方法和基于软决策的方法。基于硬决策的方法就是通过目标机动检测机动技术,当检测到目标机动后,将非机动模型硬切换至机动模型。软决策方法,即多模型(Multiple Model,MM)算法,其将机动目标跟踪描述为一个混合估计问题,由两个或以上的子模型滤波器组成,子滤波器间并行工作,根据它们的似然函数,计算每个子模型正确的概率,各子滤波器估计结果的加权和就是最终的状态估计。多模型算法发展经历了三个阶段:静态多模型(Autonomous Multiple Model,AMM),交互多模型(Interacting Multiple Model,IMM)和变结构交互多模型。总体来说硬决策类方法具有较小的运算量,而软决策类的多模型算法则具有较小的暂态误差,更强的解决非线性估计问题的能力,和较好的可扩展性。前者运用的关键是通过合理选取机动检测方法中的指标,使得机动检测的延迟控制在可接受范围内;而后者运用的关键则是模型集的设计,对于VSIMM算法,还涉及到可变模型集自适应变化规则的设计。在机动目标跟踪领域,目前以IMM算法应用最为广泛,由于其兼顾了估计性能与计算效率,被认为是最有效的混合估计方案,IMM算法的性能很大程度上依赖于其所使用的模型集,其要求子模型之间不具有时间上的相关性。不满足这一条件时,子模型之间出现竞争,可能导致跟踪器整体性能的下降。因此传统的IMM算法并不适用于弹道导弹的全程弹道跟踪。
发明内容
为此,本发明提供一种基于改进自治多模型的弹道导弹全程弹道估计方法及系统,采用硬决策方式通过机动检测实现子模型切换,减小非机动段弹道估计误差的同时实现机动段的稳定跟踪。
按照本发明所提供的设计方案,一种基于改进自治多模型的弹道导弹全程弹道估计方法,包含如下内容:
构建用于全程弹道估计的运动模型集,该模型集中至少包含:用于非机动段检测的精确动力学子模型和用于机动段检测的三维当前统计子模型;
依据机动检测中导弹运动状态的变化,采用硬决策通过设定子模型概率进行子模型切换,以实现对弹道导弹全飞行阶段跟踪。
作为本发明基于改进自治多模型的弹道导弹全程弹道估计方法,进一步地,依据地心地固坐标系中目标导弹位置和速度矢量,构建导弹的引力加速度、牵连加速度和科氏力加速度具体表达形式,来获取导弹精确动力学模型的状态方程。
作为本发明基于改进自治多模型的弹道导弹全程弹道估计方法,进一步地,依据弹道状态矢量、状态转移矩阵、输入控制矩阵、过程噪声矩阵及机动加速度均值来获取机动段检测的三维当前统计模型状态方程,该状态方程表示为:
其中,X(k)表示k时刻弹道状态向量,F(k)表示状态转移矩阵,G(k)表示输入控制矩阵,V(k)表示过程噪声矩阵,/>表示机动加速度的均值。
作为本发明基于改进自治多模型的弹道导弹全程弹道估计方法,进一步地,假设抽样周期内目标加速度为常值,将三维当前统计模型表示为分段常加速度模型,即表示为:X(k)=F(k)X(k-1)+V(k)。
作为本发明基于改进自治多模型的弹道导弹全程弹道估计方法,进一步地,机动检测过程中,利用两个子模型对弹道导弹观测信息进行并行处理,检测目标弹头是否开始机动;导弹处于非机动状态时,模型总体输出为精确动力学子模型输出;检测到弹头机动后,模型输出切换为三维当前统计子模型输出,同时检测目标弹头是否结束机动;弹头机动结束,将模型输出作为精确动力学子模型输入进行重新初始化,并将模型输出切换为精确动力学子模型输出;重复机动检测过程,直至跟踪结束。
作为本发明基于改进自治多模型的弹道导弹全程弹道估计方法,进一步地,利用精确动力学子模型中扩展卡尔曼滤波中的滤波异常检验来检测目标弹头是否开始机动;利用三维当前统计子模型中机动加速度检测目标弹头是否机动结束。
作为本发明基于改进自治多模型的弹道导弹全程弹道估计方法,进一步地,根据扩展卡尔曼滤波量测方程,用量测转换修正值与基于前一个量测值的估计值之差来表示扩展卡尔曼滤波的新息矩阵;利用新息矩阵和新息矩阵协方差获取新息矩阵的归一化平方和;根据χ2检验概率及新息矩阵的归一化平方和值大小来判定滤波异常。
作为本发明基于改进自治多模型的弹道导弹全程弹道估计方法,进一步地,设定连续三个或三个以上时刻扩展卡尔曼滤波均异常时,目标弹头开始机动。
作为本发明基于改进自治多模型的弹道导弹全程弹道估计方法,进一步地,假设Jl(k+1)作为k+1时刻第l次机动检测的结果,目标运动状态改变则Jl(k+1)=1,否则Jl(k+1)=0;依据Jl(k+1)及目标机动状态来确定各子模型概率及模型输出。
进一步地,基于上述的方法,本发明还提供一种基于改进自治多模型的弹道导弹全程弹道估计系统,包含:模型构建模块和估计检测模块,其中,
模型构建模块,用于构建用于全程弹道估计的运动模型集,该模型集中至少包含:用于非机动段检测的精确动力学子模型和用于机动段检测的三维当前统计子模型;
估计检测模块,用于依据机动检测中导弹运动状态的变化,采用硬决策通过设定子模型概率进行子模型切换,以实现对弹道导弹全飞行阶段跟踪。
本发明的有益效果:
本发明基于硬决策的改进自治多模型实现弹道导弹全程弹道估计,实现弹道导弹全飞行阶段的稳定跟踪,同时减小非机动段弹道估计的误差;由于导弹处于非机动段的自由段时长较长,因此,本案对于弹道导弹的全程稳定跟踪和高精度弹道估计具有较好的应用价值。
附图说明:
图1为实施例中弹道导弹全程弹道估计流程示意;
图2为实施例中改进自治多模型算法流程示意;
图3为实施例中仿真实验结果示意;
图4为实施例中三维CS的模型概率示意。
具体实施方式:
为使本发明的目的、技术方案和优点更加清楚、明白,下面结合附图和技术方案对本发明作进一步详细的说明。
在机动目标跟踪,为满足弹道导弹的全程弹道跟踪,本发明实施例,参见图1所示,提供一种基于改进自治多模型的弹道导弹全程弹道估计方法,包含如下内容:
S101、构建用于全程弹道估计的运动模型集,该模型集中至少包含:用于非机动段检测的精确动力学子模型和用于机动段检测的三维当前统计子模型;
S102、依据机动检测中导弹运动状态的变化,采用硬决策通过设定子模型概率进行子模型切换,以实现对弹道导弹全飞行阶段跟踪。
将硬决策和软决策相结合用于弹道导弹的全程弹道估计。不同于软决策类的多模型算法,本案实施例采用硬决策方式通过机动检测实现子模型切换。与传统IMM算法相比,能够减小非机动段弹道估计误差的同时,实现机动段的稳定跟踪。
作为本发明实施例中的基于改进自治多模型的弹道导弹全程弹道估计方法,进一步地,依据地心地固坐标系中目标导弹位置和速度矢量,构建导弹的引力加速度、牵连加速度和科氏力加速度具体表达形式,来获取导弹精确动力学模型的状态方程。
当导弹处于大气层外的自由段时,主要受地球引力和其它摄动力,运动规律性强;而在主动段和再入段,除了受地球引力和其它摄动力外,还受火箭发动机的推力和气动力的作用,机动特性明显。根据机动段和非机动段不同的运动特性,综合考虑预报精度和运算速度,机动段采用三维当前统计模型(Current Statistical Model,CS),非机动段采用考虑J2摄动的精确动力学模型,二者共同构成自治多模型算法的模型集。
非机动段内导弹受到地球的二体引力和非球体摄动力的影响,运动规律性较强,可建立基于J2摄动的二体精确动力学模型,简称精确动力学模型。
假设在地心固连坐标系中目标的位置和速度矢量分别为r=[X Y Z]T、则目标在地心固连坐标系中自由段的动力学方程为
其中,g为引力加速度,ωe为动坐标系相对惯性系的角速度,若动坐标系为地心固连坐标系,惯性系为J2000惯性系,则有
ωe=[0 0 ωe]T (2)
其中,ωe=7.292115×10-5rad/s为地球自转角速率,将ωe代入式(1)可得牵连加速度的具体表达式
以及科氏力加速度的具体表达式。
引力加速度在地心固连坐标系中的描述为
式中
因此弹道导弹自由段在地心固连坐标系中的状态方程为
作为本发明实施例中的基于改进自治多模型的弹道导弹全程弹道估计方法,进一步地,依据弹道状态矢量、状态转移矩阵、输入控制矩阵、过程噪声矩阵及机动加速度均值来获取机动段检测的三维当前统计模型状态方程。
当导弹机动时,精确动力学模型无法准确描述其运动特性,因此采用CS模型作为机动段目标运动模型。
为适应导弹的空间加速度变轨,将传统当前统计模型扩展为三维,设k时刻弹道状态向量X(k),状态转移矩阵为F(k),输入控制矩阵为G(k),过程噪声矩阵为V(k),机动加速度的均值为得到离散形式的三维状态方程:
作为本发明实施例中的基于改进自治多模型的弹道导弹全程弹道估计方法,进一步地,假设抽样周期内目标加速度为常值,则将三维当前统计模型表示为分段常加速度模型。
抽样周期较小时,一个周期内可认为目标加速度为常值,可将三维CS模型简化为分段常加速度模型:
X(k)=F(k)X(k-1)+V(k) (9)
用I3表示三阶单位阵,O3表示三阶零矩阵,则
V(k)是离散的白噪声序列,且
其中
综合以上两者两个子模型内容,即可构建自治多模型算法的模型集以涵盖弹道导弹的全段运动特征。
作为本发明实施例中的基于改进自治多模型的弹道导弹全程弹道估计方法,进一步地,机动检测过程中,利用两个子模型对弹道导弹观测信息进行并行处理,检测目标弹头是否开始机动;导弹处于非机动状态时,模型总体输出为精确动力学子模型输出;检测到弹头机动后,模型输出切换为三维当前统计子模型输出,同时检测目标弹头是否结束机动;弹头机动结束,将模型输出作为精确动力学子模型输入进行重新初始化,并将模型输出切换为精确动力学子模型输出;重复机动检测过程,直至跟踪结束。进一步地,利用精确动力学子模型中扩展卡尔曼滤波中的滤波异常检验来检测目标弹头是否开始机动;利用三维当前统计子模型中机动加速度检测目标弹头是否机动结束。进一步地,根据扩展卡尔曼滤波量测方程,用量测转换修正值与基于前一个量测值的估计值之差来表示扩展卡尔曼滤波的新息矩阵;利用新息矩阵和新息矩阵协方差获取新息矩阵的归一化平方和;根据χ2检验概率及新息矩阵的归一化平方和值大小来判定滤波异常。
子模型切换需要对导弹运动状态的变化做出判断。本案实施例中采用机动检测,且根据导弹机动开始与机动结束时不同的判断条件,分别采用不同的检测方法。
弹道导弹是否开始机动决定AMM输出是否由精确动力学模型估计向三维CS模型估计结果切换。精确动力学模型具有强规律性的特点,其估计不适用于机动弹道。因此目标机动时模型失配,扩展卡尔曼滤波新息不再是白噪声矢量,新息模值增大。反之,通过检测动力学模型估计的新息可判断滤波是否异常,从而可以实现目标的机动检测。故可通过精确动力学模型估计中的滤波异常检验——χ2检验,检测目标是否开始机动。
扩展卡尔曼滤波量测方程为
Z(k+1)=h[k+1,X(k+1)]+W(k+1) (13)
向量h的雅各比矩阵在最近的状态估计上取值为hx(k+1)。
用量测转换修正值与基于前一个量测值的估计值之差表示扩展卡尔曼滤波算法的新息矩阵为N(k+1):
新息的协方差矩阵为S(k+1):
令D表示新息的归一化平方和,有
其中,m表示观测数据的维数,k表示使用的临近新息矢量数据的个数,为降低随机性的影响同时减小机动检测的延迟,本案实施例中取k=4。
根据概率统计理论,Dkm服从k×m维的χ2分布,以概率(1-α)不大于当判定基于精确动力学模型弹道估计算法中扩展卡尔曼滤波异常。
作为本发明实施例中的基于改进自治多模型的弹道导弹全程弹道估计方法,进一步地,设定连续三个或三个以上时刻扩展卡尔曼滤波均异常时,认为目标弹头开始机动。
考虑弹道导弹中段只做有限的机动变轨,为进一步降低系统噪声造成的随机性,可认为连续三个或三个以上时刻扩展卡尔曼滤波滤波均异常时,目标开始机动。弹头开始机动后,基于精确动力学模型的估计算法滤波持续发散,在此条件下其扩展卡尔曼滤波新息的归一化平方和为一较大值,滤波异常检测无法检测目标机动是否结束。因此,可通过基于三维CS模型估计中机动加速度检测弹头机动结束。弹道导弹在中段非机动段只受地球引力和非惯性附加力的作用,而机动时,弹头还受到发动机推力,加速度矢量中增加了机动加速度aM。故有:
忽略观测噪声,弹头机动结束时模型所得的机动加速度值应该为0。以机动加速度在三轴向分量的平均值为依据进行检测。虽然检测有一定滞后,但基于CS模型的滤波结果本身具有一定的精确性使模型切换滞后造成的误差有限。
作为本发明实施例中的基于改进自治多模型的弹道导弹全程弹道估计方法,进一步地,假设Jl(k+1)作为k+1时刻第l次机动检测的结果,目标运动状态改变则Jl(k+1)=1,否则Jl(k+1)=0;依据Jl(k+1)及目标机动状态来确定各子模型概率及模型输出。
在多模型的运动模型集建立后需要进行目标的跟踪滤波和模型决策。本案实施例中采用扩展卡尔曼滤波(Extended Kalman Filtering,EKF)作为滤波跟踪算法,借鉴传统AMM,引入基于机动检测的硬决策,通过改进的AMM作为模型决策方法,建立基于改进AMM的机动弹道估计算法。基于经典AMM算法弹道估计的主要思想是:使用固定个数的子模型并行工作,对子模型输出进行融合得到估计结果。其特点是不考虑系统在子模型之间的跳转,通过模型概率和似然函数计算子模型估计值的加权和作为模型输出。经典AMM估计与IMM估计同属于机动辨识类算法,因运动模型间相关性不为0,可能出现非机动段内三维CS模型概率不为0的情况,导致非机动段估计误差的上升。为在导弹运动状态发生变化时对模型切换加以引导,抑制模型间的竞争,如图2所示。基于改进AMM的机动弹道估计的总体思想是:采用基于精确动力学模型和基于三维CS的弹道估计算法对弹道导弹的观测信息进行并行处理,同时检测目标弹头是否开始机动。导弹处于非机动状态时,模型总体输出为精确动力学模型估计的输出。检测到机动后,AMM输出切换为三维CS估计的输出,同时检测目标弹头是否结束机动。直至机动结束,将AMM的输出输入精确动力学模型实现其重新初始化,同时输出切换为精确动力学模型估计的结果。重复上述过程直至跟踪结束。
令k时刻目标观测值为Z(k+1)。模型一为精确动力学模型,模型二为三维CS模型,设和/>为k时刻滤波器i的输入,是子模型信息融合的结果;/>和为k+1时刻滤波器i的输出;μi(k+1)为k+1时刻模型i的概率;/>为k+1时刻AMM输出的状态估计;/>为相应的状态协方差矩阵。基于改进AMM的机动弹道估计从k时刻到k+1时刻递推过程可展开如下:
1)模型条件滤波:将和/>与观测值Z(k+1)一起作为k+1时刻模型i的输入,进行相应滤波,得到滤波输出/>和/>
2)模型概率更新:令Jl(k+1)作为k+1时刻第l次机动检测的结果,目标运动状态改变则Jl(k+1)=1,否则Jl(k+1)=0。
若J1(k+1)=0,目标尚未开始机动,取
即精确动力模型的模型概率为1,三维CS的模型概率为0,模型输出为精确动力学模型估计的结果;
若J1(k+1)=1,目标开始机动,取
即精确动力学模型的模型概率为0,三维CS的模型概率为1,模型输出由精确动力学模型切换至三维CS模型。
若J2(k+1)=0,目标机动尚未结束,取
即精确动力学模型的模型概率为0,三维CS的模型概率为1,模型输出为三维CS模型估计的结果;
若J2(k+1)=1,目标机动结束,取
即精确动力学模型的模型概率为1,三维CS的模型概率为0,模型输出由三维CS模型切换至精确动力学模型。
3)模型输出
4)子模型信息融合
三维CS模型的初始化:
精确动力学模型的初始化:机动结束时,将三维CS模型的输出作为精确动力学模型的输入,实现其初始化。这种初始化的方法体现了改进算法中子模型信息融合,数学表达式为:
J2(k+1)=0时,
J2(k+1)=1时,
由以上计算过程可以看出,精确动力学模型与当前CS模型的模型概率只有两个可能的取值——0和1。因此,通过以上改进算法,可以达到避免子模型间因相关性的存在造成竞争,导致非机动段估计精度下降的目的。
进一步地,基于上述的方法,本发明实施例还提供一种基于改进自治多模型的弹道导弹全程弹道估计系统,包含:模型构建模块和估计检测模块,其中,
模型构建模块,用于构建用于全程弹道估计的运动模型集,该模型集中至少包含:用于非机动段检测的精确动力学子模型和用于机动段检测的三维当前统计子模型;
估计检测模块,用于依据机动检测中导弹运动状态的变化,采用硬决策通过设定子模型概率进行子模型切换,以实现对弹道导弹全飞行阶段跟踪。
为验证本案实施例方案有效性,下面结合仿真数据做进一步解释说明:
对一条含机动变轨段的弹道导弹中段弹道数据进行仿真。弹道起始时间为350.100s,终止时间为1584.000s,持续1233.9s,步长为0.1s。第400.00秒到第439.50秒之间为机动段,持续时间39.5s,占中段总时长的3.20%。
设地基雷达位置数据L=17°,B=17°,H=0。则观测过程中目标导弹始终对雷达可见。
采用Monte Carlo仿真500次,分别获得基于改进AMM机动弹道估计的位置、速度均方根误差(RMSE)曲线。
同样使用精确动力学模型和三维CS模型构成模型集,建立基于非对称IMM的机动导弹估计算法。
设置初始时刻模型转移概率
模型初始概率
μ0=[0.5 0.5]
同样进行500次Monte Carlo仿真,将得到的位置速度RMSE曲线与基于改进AMM的机动导弹估计结果绘制在同一张图中进行比较(以x轴为例)。
图3中(a)(b)所示,实线表示基于改进AMM估计的RMSE曲线,点线表示基于IMM估计的RMSE曲线。从中可得基于IMM的机动弹道估计和基于改进AMM的机动弹道估计在非机动段与机动段的误差如下表1所示。
表1基于IMM与改进AMM的机动弹道估计误差
与基于IMM的机动弹道估计误差相比,机动段内改进算法的位置、速度估计误差分别增加了3.32%和4.42%;非机动段内改进算法的位置、速度估计误差分别下降了67.23%和86.94%。
用实线表示基于改进AMM的机动弹道估计在最后一次蒙特卡洛仿真中三维CS模型概率,点线表示基于IMM的机动弹道估计中三维CS平均模型概率。将两者在图4中进行对比:从曲线可以看出,除机动检测造成的时延外,改进算法的三维当前统计模型在非机动段模型概率为0;IMM估计中非机动段三维当前统计模型的平均模型概率约0.3298。故改进算法与实际情况更为吻合,消除了非机动段内三维CS模型对估计误差的影响。
综上可知,本案方案实现了弹道导弹机动段的稳定跟踪,同时减小了非机动段弹道估计的误差。因非机动段导弹飞行时间较长,占中段时长的绝大部分,改进算法对导弹的跟踪有积极意义。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。
基于上述的系统,本发明实施例还提供一种服务器,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述的系统。
基于上述的系统,本发明实施例还提供一种计算机可读介质,其上存储有计算机程序,其中,该程序被处理器执行时实现上述的系统。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述系统实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述系统实施例中相应内容。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述系统实施例中的对应过程,在此不再赘述。
在这里示出和描述的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制,因此,示例性实施例的其他示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、系统和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和系统,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述系统的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (5)
1.一种基于改进自治多模型的弹道导弹全程弹道估计方法,其特征在于,包含如下内容:
构建用于全程弹道估计的运动模型集,该模型集中至少包含:用于非机动段检测的精确动力学子模型和用于机动段检测的三维当前统计子模型;依据地心地固坐标系中目标导弹位置和速度矢量,构建导弹的引力加速度、牵连加速度和科氏力加速度具体表达形式,来获取导弹精确动力学模型的状态方程;依据弹道状态矢量、状态转移矩阵、输入控制矩阵、过程噪声矩阵及机动加速度均值来获取机动段检测的三维当前统计模型状态方程,该状态方程表示为:其中,X(k)表示k时刻弹道状态向量,F(k)表示状态转移矩阵,G(k)表示输入控制矩阵,V(k)表示过程噪声矩阵,/>表示机动加速度的均值;设定抽样周期内目标加速度为常值,将三维当前统计模型表示为分段常加速度模型,即表示为:X(k)=F(k)X(k-1)+V(k);
依据机动检测中导弹运动状态的变化,采用硬决策通过设定子模型概率进行子模型切换,以实现对弹道导弹全飞行阶段跟踪;机动检测过程中,利用两个子模型对弹道导弹观测信息进行并行处理,检测目标弹头是否开始机动;导弹处于非机动状态时,模型总体输出为精确动力学子模型输出;检测到弹头机动后,模型输出切换为三维当前统计子模型输出,同时检测目标弹头是否结束机动;弹头机动结束,将模型输出作为精确动力学子模型输入进行重新初始化,并将模型输出切换为精确动力学子模型输出;重复机动检测过程,直至跟踪结束;利用精确动力学子模型中扩展卡尔曼滤波中的滤波异常检验来检测目标弹头是否开始机动;利用三维当前统计子模型中机动加速度检测目标弹头是否机动结束。
2.根据权利要求1所述的基于改进自治多模型的弹道导弹全程弹道估计方法,其特征在于,根据扩展卡尔曼滤波量测方程,用量测转换修正值与基于前一个量测值的估计值之差来表示扩展卡尔曼滤波的新息矩阵;利用新息矩阵和新息矩阵协方差获取新息矩阵的归一化平方和;根据χ2检验概率及新息矩阵的归一化平方和值大小来判定滤波异常。
3.根据权利要求2所述的基于改进自治多模型的弹道导弹全程弹道估计方法,其特征在于,设定连续三个或三个以上时刻扩展卡尔曼滤波均异常时,目标弹头开始机动。
4.根据权利要求1所述的基于改进自治多模型的弹道导弹全程弹道估计方法,其特征在于,假设Jl(k+1)作为k+1时刻第l次机动检测的结果,目标运动状态改变则Jl(k+1)=1,否则Jl(k+1)=0;依据Jl(k+1)及目标机动状态来确定各子模型概率及模型输出。
5.一种基于改进自治多模型的弹道导弹全程弹道估计系统,其特征在于,包含:模型构建模块和估计检测模块,其中,
模型构建模块,用于构建用于全程弹道估计的运动模型集,该模型集中至少包含:用于非机动段检测的精确动力学子模型和用于机动段检测的三维当前统计子模型;依据地心地固坐标系中目标导弹位置和速度矢量,构建导弹的引力加速度、牵连加速度和科氏力加速度具体表达形式,来获取导弹精确动力学模型的状态方程;依据弹道状态矢量、状态转移矩阵、输入控制矩阵、过程噪声矩阵及机动加速度均值来获取机动段检测的三维当前统计模型状态方程,该状态方程表示为:其中,X(k)表示k时刻弹道状态向量,F(k)表示状态转移矩阵,G(k)表示输入控制矩阵,V(k)表示过程噪声矩阵,/>表示机动加速度的均值;设定抽样周期内目标加速度为常值,将三维当前统计模型表示为分段常加速度模型,即表示为:X(k)=F(k)X(k-1)+V(k);
估计检测模块,用于依据机动检测中导弹运动状态的变化,采用硬决策通过设定子模型概率进行子模型切换,以实现对弹道导弹全飞行阶段跟踪;机动检测过程中,利用两个子模型对弹道导弹观测信息进行并行处理,检测目标弹头是否开始机动;导弹处于非机动状态时,模型总体输出为精确动力学子模型输出;检测到弹头机动后,模型输出切换为三维当前统计子模型输出,同时检测目标弹头是否结束机动;弹头机动结束,将模型输出作为精确动力学子模型输入进行重新初始化,并将模型输出切换为精确动力学子模型输出;重复机动检测过程,直至跟踪结束;利用精确动力学子模型中扩展卡尔曼滤波中的滤波异常检验来检测目标弹头是否开始机动;利用三维当前统计子模型中机动加速度检测目标弹头是否机动结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011129128.XA CN112257259B (zh) | 2020-10-21 | 2020-10-21 | 基于改进自治多模型的弹道导弹全程弹道估计方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011129128.XA CN112257259B (zh) | 2020-10-21 | 2020-10-21 | 基于改进自治多模型的弹道导弹全程弹道估计方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112257259A CN112257259A (zh) | 2021-01-22 |
CN112257259B true CN112257259B (zh) | 2023-08-22 |
Family
ID=74263231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011129128.XA Active CN112257259B (zh) | 2020-10-21 | 2020-10-21 | 基于改进自治多模型的弹道导弹全程弹道估计方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112257259B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784506B (zh) * | 2021-01-29 | 2023-04-07 | 中国人民解放军空军工程大学 | 一种基于变结构多模型的再入机动弹道目标跟踪算法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111797478A (zh) * | 2020-07-27 | 2020-10-20 | 北京电子工程总体研究所 | 一种基于变结构多模型的强机动目标跟踪方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8639476B2 (en) * | 2008-04-22 | 2014-01-28 | The United States Of America As Represented By The Secretary Of The Navy | Process for estimation of ballistic missile boost state |
-
2020
- 2020-10-21 CN CN202011129128.XA patent/CN112257259B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111797478A (zh) * | 2020-07-27 | 2020-10-20 | 北京电子工程总体研究所 | 一种基于变结构多模型的强机动目标跟踪方法 |
Non-Patent Citations (1)
Title |
---|
基于气动性能分析的高超声速滑翔飞行器轨迹估计;程云鹏;闫晓东;程锋;;西北工业大学学报(06);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112257259A (zh) | 2021-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5755795B2 (ja) | ミサイルの針路変更を最小化する誘導システムおよび方法 | |
US10379224B2 (en) | Invariant particle filtering | |
WO2011077468A1 (en) | Adaptative, multiple shooting optimization method for determining optimal spacecraft trajectories | |
CN109933847A (zh) | 一种改进的主动段弹道估计算法 | |
CN112257259B (zh) | 基于改进自治多模型的弹道导弹全程弹道估计方法及系统 | |
US9921306B1 (en) | Active optimal reduced state estimator | |
CN112269174A (zh) | 基于交互式多模型信息融合的助推滑翔飞行器目标估计方法及系统 | |
CN114357807B (zh) | 一种用于大气层外拦截的最优中制导方法及装置 | |
Zhou et al. | Generalized quasi-spectral model predictive static programming method using Gaussian quadrature collocation | |
Yang et al. | Performance enhancement of large-ship transfer alignment: a moving horizon approach | |
CN116992952A (zh) | 一种协同制导律模型的预训练方法、训练方法和系统 | |
CN115047769B (zh) | 一种基于约束跟随的无人作战平台避障-到达控制方法 | |
CN112949150A (zh) | 基于变结构自适应多模型箱粒子滤波弹道目标跟踪方法 | |
KR20210138618A (ko) | 견고한 각도 전용 9개 상태 타겟 상태 추정기 | |
Koumpis et al. | A critical comparison on attitude estimation: From gaussian approximate filters to coordinate‐free dual optimal control | |
Ford et al. | A Study of Endpoint-Constrained Nonlinear Tracking Filters | |
CN116222310B (zh) | 三维空间中基于rbf_g的二对一同步区域覆盖拦截方法 | |
CN108945526A (zh) | 一种失效卫星的消旋控制方法及系统 | |
Zha et al. | Improved MPSP Guidance Law Design for Achieving Expected Attack Time | |
CN116992553B (zh) | 助推滑翔飞行器全程弹道估计方法 | |
CN118274659A (zh) | 火箭弹道参数的确定方法、装置、电子设备及存储介质 | |
VINEETH | TEACHING ASSISTANT FOR MENTALLY CHALLENGED | |
Oh et al. | Tracking of a missile using interacting multiple model | |
Kangsheng et al. | 4-Dimensional trajectory online rolling optimization design for unmanned combat aerial vehicle with multi-constraints | |
Zheng et al. | Research of Extended Dimension Embedded CKF-SLAM Base on Truncated Singular Value Decomposition |
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 |