CN112699624B - 一种恶劣气象条件下的弹道解算方法 - Google Patents

一种恶劣气象条件下的弹道解算方法 Download PDF

Info

Publication number
CN112699624B
CN112699624B CN202110310653.XA CN202110310653A CN112699624B CN 112699624 B CN112699624 B CN 112699624B CN 202110310653 A CN202110310653 A CN 202110310653A CN 112699624 B CN112699624 B CN 112699624B
Authority
CN
China
Prior art keywords
severe
ballistic
model
meteorological
meteorology
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
Application number
CN202110310653.XA
Other languages
English (en)
Other versions
CN112699624A (zh
Inventor
秦华旺
戴跃伟
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.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and 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 Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202110310653.XA priority Critical patent/CN112699624B/zh
Publication of CN112699624A publication Critical patent/CN112699624A/zh
Application granted granted Critical
Publication of CN112699624B publication Critical patent/CN112699624B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Geometry (AREA)
  • Operations Research (AREA)
  • Computer Hardware Design (AREA)
  • Databases & Information Systems (AREA)
  • Fluid Mechanics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种恶劣气象条件下的弹道解算方法，包括步骤：（1）针对各种典型恶劣气象对飞行弹箭弹道的影响进行分类，确定是直接影响弹箭的阻力和升力，或仅是对环境参数有影响；（2）根据各种恶劣气象的特点，提取出恶劣气象的气象学特征；（3）建立各种恶劣气象关于弹道气象参数的特征函数，获取弹道模型所涉及气象参数与恶劣气象之间的内在关联；（4）利用感知机学习算法建立各种恶劣气象的识别模型；（5）将恶劣气象的模式识别模型与弹道模型联立，得到可计及恶劣气象条件影响的弹道解算模型；（6）将弹道解算模型与短临预报系统提供的信息相结合，来进一步优化弹道解算结果。

Description

一种恶劣气象条件下的弹道解算方法
技术领域
本发明涉及弹道解算方法，尤其涉及一种恶劣气象条件下的弹道解算方法。
背景技术
各类弹箭在大气中飞行的运动规律受到气象条件的影响，气象条件主要是通过空气动力影响飞行特性。现有的弹道解算和修正均是在常规气象条件下进行的，而对于飓风、暴雨以及沙尘暴等恶劣气象条件，则缺乏相应的弹道解算方法，导致在恶劣气象条件下的性能受限，影响弹箭打击精度或人工降雨等民用弹箭的使用效率。
发明内容
发明目的：本发明的目的是提供一种计及气象条件影响飞行特性的恶劣气象条件下的弹道解算方法。
技术方案：本发明的弹道解算方法，通过将恶劣气象的模式识别模型与弹道模型联立，得到可计及恶劣气象条件影响的弹道解算模型；步骤如下：
（1）针对恶劣气象对飞行弹箭弹道的影响进行分类，确定是直接对弹箭的阻力和升力有影响，或仅是对环境参数有影响；
（2）根据恶劣气象的特点，提取出恶劣气象的气象学特征；
（3）建立各种恶劣气象关于弹道气象参数的特征函数，获取弹道模型所涉及气象参数与恶劣气象之间的内在关联；
（4）利用感知机学习算法建立各种恶劣气象的模式识别模型；
（5）将恶劣气象的模式识别模型与弹道模型联立，得到可计及恶劣气象条件影响的弹道解算模型；
（6）将弹道解算模型与短临预报系统提供的信息相结合，进一步优化弹道解算结果。
进一步，步骤（1）中，所述的恶劣气象分类中，采用气动力数值模拟、多相流动数值 模拟，在不同条件下，分析恶劣气象对作用在弹箭上的力和力矩的影响；同时采用气象学和 弹道学分析各种恶劣气象对飞行环境参数的影响；所述的不同条件为不同的马赫数、雷诺 数、飞行攻角、姿态角；采用非均相流模型对每一相单独求解，考虑相间作用力，同时在空化 流动中涉及到相间质量传输，加入相间传输项以及其引起的动量修正源项，得到第
Figure 131527DEST_PATH_IMAGE001
项的 控制方程为：
Figure 986351DEST_PATH_IMAGE002
其中，
Figure 641454DEST_PATH_IMAGE003
为时间，
Figure 974346DEST_PATH_IMAGE004
为第
Figure 661155DEST_PATH_IMAGE005
相的体积分数，
Figure 421301DEST_PATH_IMAGE006
为第
Figure 626017DEST_PATH_IMAGE005
相中的空气密度，
Figure 700284DEST_PATH_IMAGE007
为 流体在铅直方向上的分量，
Figure 306845DEST_PATH_IMAGE008
为第
Figure 237892DEST_PATH_IMAGE005
相介质相对于铅直分量的速度，
Figure 864658DEST_PATH_IMAGE009
为第
Figure 539353DEST_PATH_IMAGE005
相中的 质量源，
Figure 938105DEST_PATH_IMAGE010
为单位体积流体中从
Figure 305632DEST_PATH_IMAGE011
相到
Figure 422624DEST_PATH_IMAGE005
相的质量流量。
进一步，步骤（3）中，所述的弹道模型与恶劣气象的内在关联中，提取出用弹道气象参数来描述的恶劣气象特征，弹道参数受多种气象因素共同作用，设定弹道气象参数是气象因素的连续光滑函数，表达为如下形式：
Figure 632501DEST_PATH_IMAGE012
其中，
Figure 213655DEST_PATH_IMAGE013
为弹道气象参数；
Figure 486504DEST_PATH_IMAGE014
为步骤（2）中提取的气象学特征；c=1,2,...，n，n为 气象参数的总数；表达式在零点处Taylor展开：
Figure 90792DEST_PATH_IMAGE015
其中，
Figure 107290DEST_PATH_IMAGE016
为泰勒展开式的第一项，
Figure 480633DEST_PATH_IMAGE017
为泰勒展开式第二项，以此类推 至
Figure 187034DEST_PATH_IMAGE018
的前一项为泰勒展开式的第
Figure 13038DEST_PATH_IMAGE019
项，
Figure 833227DEST_PATH_IMAGE020
为泰勒展开式的余项。当气象因素
Figure 61077DEST_PATH_IMAGE021
对弹道气象参数有影响时，且存在线性与非线性影响，所述 Taylor展开式保留至二次项。
进一步，步骤（4）中，实现恶劣气象的模式识别模型步骤如下：
（41）通过感知机模型对应一个
Figure 878991DEST_PATH_IMAGE022
维特征空间的超平面
Figure 251679DEST_PATH_IMAGE023
，感知机模型 为：
Figure 609979DEST_PATH_IMAGE024
其中，
Figure 957915DEST_PATH_IMAGE025
为输出空间，
Figure 9048DEST_PATH_IMAGE026
为输入空间，
Figure 809645DEST_PATH_IMAGE027
为权值或权值向量，
Figure 971636DEST_PATH_IMAGE028
用来表示各个输入对于输出的重要程度，
Figure 991324DEST_PATH_IMAGE029
为权值总数；
Figure 151041DEST_PATH_IMAGE030
为偏置，用来调整整体结果和阈值之间的关系；
Figure 501251DEST_PATH_IMAGE031
为符号函数；
（42）定义一个损失函数：
Figure 466933DEST_PATH_IMAGE032
其中，
Figure 523881DEST_PATH_IMAGE033
为第
Figure 651237DEST_PATH_IMAGE034
组数据的输入和输出，
Figure 423497DEST_PATH_IMAGE035
是根据当前模型对
Figure 927290DEST_PATH_IMAGE036
做出的预测值，
Figure 104325DEST_PATH_IMAGE037
是对应于
Figure 402582DEST_PATH_IMAGE038
的真实值；
当样本被分类正确时，输出为负值，反之，为正值；
（43）损失函数最小值求解：采用梯度下降法，通过不断改变
Figure 727384DEST_PATH_IMAGE039
和
Figure 969622DEST_PATH_IMAGE040
的值，使损 失函数
Figure 797901DEST_PATH_IMAGE041
变得越来越小；随机选取一个误分类点
Figure 470322DEST_PATH_IMAGE042
，对
Figure 16841DEST_PATH_IMAGE043
和
Figure 128016DEST_PATH_IMAGE044
进行更新， 直到该训练集中误分类点个数低于阈值为止；最终更新后的
Figure 76381DEST_PATH_IMAGE043
和
Figure 916773DEST_PATH_IMAGE044
带入感知机模型；
（44）将步骤（3）中所建立的不同恶劣气象的特征函数提取特征值构建训练数据集，感知机学习算法通过训练学习该数据集，建立各种恶劣气象的模式识别模型。
进一步，步骤（5）中，将恶劣气象预报数据作为步骤（4）中恶劣气象的模式识别模型输入，经恶劣气象的模式识别模型输出，得到匹配的弹道气象参数，完成恶劣气象条件下的弹道解算模型的建立。
进一步，步骤（6）中，采用无迹卡尔曼滤波算法对实测弹道数据进行迭代处理，并将每次迭代所得修正系数和状态变量的估计均方误差作为下次迭代的初值，直至满足迭代终止条件。
本发明与现有技术相比，其显著效果如下：1、基于气象学和弹道学分析不同恶劣气象对飞行弹箭的影响，建立各种恶劣气象关于弹道气象参数的特征函数；2、通过将恶劣气象的识别模型与弹道模型联立，得到可计及恶劣气象条件影响的弹道解算模型，从而显著提高恶劣气象条件下的弹道解算精度。
附图说明
图1为本发明的总流程框图。
具体实施方式
下面结合说明书附图和具体实施方式对本发明做进一步详细描述。
首先，针对各种典型恶劣气象对飞行弹箭的影响进行分类。
有些恶劣气象与弹箭存在直接作用的关系，如飓风、暴雨及沙尘暴，将直接影响弹箭的阻力和升力，只是影响的程度和机理有所不同，同时它们也对飞行环境参数（如湿度、压力、密度、大气环流等）产生影响，从而进一步影响飞行性能；有些恶劣气象如雷电、雾霾等，与弹箭之间并无直接作用，但对飞行环境参数有影响，故间接影响其弹道性能。
其次，根据各种恶劣气象的特点，提取出恶劣气象的气象学特征，在此基础上建立各种恶劣气象关于弹道气象参数的特征函数，探明弹道模型所涉及气象参数与恶劣气象之间的内在关联。
再次，利用感知机学习算法建立恶劣气象的模式识别模型，将该模式识别模型与弹道模型联立，得到可计及恶劣气象条件影响的弹道解算模型。
最后，将弹道解算模型与短临预报系统提供的信息相结合，来进一步优化弹道解算结果。
如图1所示为总流程框图，包含三个核心环节：
第一个核心环节是确定飓风、暴雨及沙尘暴等恶劣气象对弹箭的直接影响，采用气动力数值模拟、多相流动数值模拟等在不同条件下（如不同马赫数、雷诺数、飞行攻角、姿态角等）分析这些恶劣气象对作用在弹箭上的力和力矩的影响。
第二个核心环节是确定各种恶劣气象对飞行环境参数的影响，主要是采用气象学和弹道学的相关分析方法进行研究。
第三个核心环节是建立恶劣气象与弹道模型之间的关联，需要在前面两个核心环节的基础上，提取出可以用弹道气象参数来描述的恶劣气象特征，建立相应的特征函数，利用神经网络感知机学习算法建立适配的恶劣气象的模式识别模型，该模式识别模型与弹道模型耦合使用。恶劣气象预报数据作为该模式识别模型的输入，经模式识别模型转化输出，可得到匹配的弹道气象参数，完成恶劣气象条件下的弹道解算。
本发明弹道解算方法的详细步骤如下：
步骤1，针对各种典型恶劣气象是直接影响弹箭的阻力和升力，还是仅是对环境参数有影响，对典型恶劣气象进行分类。
采用气动力数值模拟、多相流动数值模拟等在不同条件下（如不同马赫数、雷诺 数、飞行攻角、姿态角等）分析这些恶劣气象作用在弹箭上的力和力矩。多相流动过程受到 基本的流体力学规律控制，其流动满足纳斯-斯托克斯方程（
Figure 950589DEST_PATH_IMAGE045
方程），但若直接求解
Figure 599876DEST_PATH_IMAGE046
方程计算量会过大，因此本发明引入非均相流模型来简化数值计算。非均相流模型对 每一相单独求解，需考虑相间作用力，同时在空化流动中涉及到相间质量传输，需加入相间 传输项以及其引起的动量修正源项，此时第k项的控制方程为：
Figure 340430DEST_PATH_IMAGE047
（1）
公式（1）中，
Figure 416970DEST_PATH_IMAGE048
为时间，
Figure 875764DEST_PATH_IMAGE004
为第
Figure 60234DEST_PATH_IMAGE005
相的体积分数，
Figure 983190DEST_PATH_IMAGE049
为第
Figure 168315DEST_PATH_IMAGE005
相中的空气密度，
Figure 176722DEST_PATH_IMAGE007
为流体在铅直方向上的分量，
Figure 105495DEST_PATH_IMAGE050
为第
Figure 882958DEST_PATH_IMAGE051
相介质相对于铅直分量的速度，
Figure 236055DEST_PATH_IMAGE052
为 第
Figure 466179DEST_PATH_IMAGE053
相中的质量源，
Figure 260960DEST_PATH_IMAGE054
为单位体积流体中从
Figure 830612DEST_PATH_IMAGE055
相到
Figure 419857DEST_PATH_IMAGE056
相的质量流量。
动量方程为：
Figure 402856DEST_PATH_IMAGE057
（2）
公式（2）中，
Figure 670502DEST_PATH_IMAGE058
为压力，
Figure 156978DEST_PATH_IMAGE059
为第
Figure 182703DEST_PATH_IMAGE060
相介质相对于水平分量的速度，
Figure 325102DEST_PATH_IMAGE061
为 第
Figure 461686DEST_PATH_IMAGE062
相介质相对于竖直分量的速度，
Figure 802668DEST_PATH_IMAGE063
为流体在水平方向上的分量，
Figure 934048DEST_PATH_IMAGE064
为流体在竖 直方向上的分量，
Figure 626060DEST_PATH_IMAGE065
为第
Figure 300755DEST_PATH_IMAGE066
相动力粘度，
Figure 699507DEST_PATH_IMAGE067
为湍流粘性系数，
Figure 67034DEST_PATH_IMAGE068
为竖直方向上水平 与铅直方向的分量，
Figure 938954DEST_PATH_IMAGE069
为与叶轮旋转有关的质量力，
Figure 417340DEST_PATH_IMAGE070
为第
Figure 998494DEST_PATH_IMAGE066
相中外部体积力，
Figure 209027DEST_PATH_IMAGE071
为其他相对第
Figure 875632DEST_PATH_IMAGE072
相的作用力，
Figure 829812DEST_PATH_IMAGE073
为由于相间质量输运引起的动量输运项；
Figure 262543DEST_PATH_IMAGE074
分别表示直角坐标中水平、铅直和竖直分量。通过公式（1）、（2）所组建的模型进行 多相流动数值模拟，用以分析恶劣气象作用在弹箭上的力和力矩。
同时采用气象学和弹道学分析各种恶劣气象对飞行环境参数造成的数值改变量。大气的主要物理特性之一是大气湍流特性，实际大气是湍流大气，大气运动实际是混乱交杂、迅速变化的扰动运动。为了分析各种恶劣气象对飞行环境参数造成的数值改变，首先用同一点不同时间（截口）的相关函数描述湍流场的结构，大气湍流属于平稳随机过程，并具有“各态历经”性质，故可按充分长时间求平均得到的相关函数来代替按全部观测值求得的相关函数，即
Figure 643977DEST_PATH_IMAGE075
（3）
公式（3）中，
Figure 797878DEST_PATH_IMAGE076
为一个点的运动速度，T为周期，
Figure 618066DEST_PATH_IMAGE077
为时间延迟；由于大气湍流为 随机过程，使得大气参数气温、气压和风都是随机过程，为了了解大气参数，求得大气参数 变化的特征值，需要求得样本均值和方差。
采用固定空间抽样的方法来研究某个时间点上的一个空间样本
Figure 845916DEST_PATH_IMAGE078
，
Figure 726148DEST_PATH_IMAGE079
个这样 的样本就构成了一个总体，在某个位置
Figure 98836DEST_PATH_IMAGE080
，
Figure 394819DEST_PATH_IMAGE081
的总体平均为：
Figure 805072DEST_PATH_IMAGE082
（4）
方差为：
Figure 528308DEST_PATH_IMAGE083
（5）
公式（4）中，
Figure 391222DEST_PATH_IMAGE084
表示第
Figure 487967DEST_PATH_IMAGE085
个在
Figure 752726DEST_PATH_IMAGE080
处的空间样本。根据公式（4）、（5），分析恶 劣气象对环境参数的数值改变量。
步骤2，根据各种恶劣气象的特点，提取出恶劣气象的风、气压以及虚温等气象学特征。
步骤3，通过线性或非线性回归建立各种恶劣气象关于弹道气象参数的特征函数，获取弹道模型所涉及气象参数与恶劣气象之间的内在关联。
弹道模型与恶劣气象的内在关联中，首先提取出可以用弹道气象参数来描述的恶劣气象特征，弹道参数受多种气象因素共同作用，假设弹道气象参数是影响因素的连续光滑函数，可表达为如下形式：
Figure 912443DEST_PATH_IMAGE086
（6）
公式（6）中，
Figure 262653DEST_PATH_IMAGE087
为弹道气象参数，
Figure 962755DEST_PATH_IMAGE088
（c=1,2,3...,n；n为气象因素的总数）为弹道 气象参数影响因素，也即步骤2中所提取出的气象学特征。将上述表达式在零点处Taylor展 开：
Figure 82021DEST_PATH_IMAGE089
（7）
公式（7）中，
Figure 409710DEST_PATH_IMAGE090
为泰勒展开式的第一项，
Figure 247216DEST_PATH_IMAGE091
为泰勒展开式第二 项，以此类推至
Figure 688693DEST_PATH_IMAGE092
的前一项为泰勒展开式的第
Figure 662465DEST_PATH_IMAGE093
项，
Figure 226301DEST_PATH_IMAGE094
为泰勒展开式的余项。 当影响因素（如：风）对弹道气象参数影响较大时，即同时存在线性与非线性影响，将上述 Taylor展开式保留至二次项即可，从而建立相应的特征函数，然后利用神经网络感知机学 习算法，通过训练学习建立适配的模式识别模型。
步骤4，利用感知机学习算法通过训练学习建立各种恶劣气象的模式识别模型。建立方法如下：
（41）感知机模型的建立。感知机模型对应一个
Figure 488787DEST_PATH_IMAGE093
维特征空间的超平面
Figure 527762DEST_PATH_IMAGE095
，感知机模型为：
Figure 621620DEST_PATH_IMAGE096
（8）
公式（8）中，
Figure 294041DEST_PATH_IMAGE097
为输出空间，
Figure 840560DEST_PATH_IMAGE098
为输入空间，
Figure 889419DEST_PATH_IMAGE099
为权值或权值向量，
Figure 837783DEST_PATH_IMAGE100
用来表示各个输入对于输出的重要程度，
Figure 740492DEST_PATH_IMAGE101
为权值总数；
Figure 711991DEST_PATH_IMAGE102
为偏 置，用来调整整体结果和阈值之间的关系；
Figure 95699DEST_PATH_IMAGE103
为符号函数；
（42）损失函数的建立。在数据集线性可分的前提下，感知机的学习目标是通过已知数据训练出一个超平面，为了找到这个超平面，需定义一个损失函数：
Figure 164149DEST_PATH_IMAGE104
（9）
公式（9）中，
Figure 178372DEST_PATH_IMAGE105
为第
Figure 699483DEST_PATH_IMAGE106
组数据的输入和输出，
Figure 821636DEST_PATH_IMAGE107
是根据当前模型 对
Figure 744592DEST_PATH_IMAGE108
做出的预测值，
Figure 992034DEST_PATH_IMAGE109
是对应于
Figure 441DEST_PATH_IMAGE110
的真实值。
当样本被分类正确时，输出为负值；反之，为正值；也即损失函数的最小值意味着最多的正确分类点。
（43）损失函数最小值求解。梯度下降法是一种迭代方法，它通过不断改变
Figure 929214DEST_PATH_IMAGE111
和
Figure 706677DEST_PATH_IMAGE112
的值，使损失函数
Figure 145528DEST_PATH_IMAGE113
变得越来越小，损失函数的梯度公式为：
Figure 313335DEST_PATH_IMAGE114
（10）
公式（10）中，
Figure 108116DEST_PATH_IMAGE115
为输入的集合，随机选取一个误分类点
Figure 740086DEST_PATH_IMAGE116
，对
Figure 267013DEST_PATH_IMAGE111
和
Figure 250013DEST_PATH_IMAGE112
进 行更新：
Figure 517658DEST_PATH_IMAGE117
（11）
公式（11）中，
Figure 4135DEST_PATH_IMAGE118
为步长，又称学习速率，
Figure 29859DEST_PATH_IMAGE119
随着迭代次数的增加而减少。
之后不断重复梯度下降过程，直到该训练集中误分类点个数低于阈值为止。将最 终更新后的
Figure 172259DEST_PATH_IMAGE120
和
Figure 43263DEST_PATH_IMAGE112
带入
Figure 649825DEST_PATH_IMAGE121
中即得到最后的感知机模型。
（44）模式识别模型的建立。将步骤3中所建立的不同恶劣气象的特征函数提取特征值构建训练数据集，感知机学习算法通过训练学习该数据集，即可建立各种恶劣气象的模式识别模型。
步骤5，将恶劣气象的模式识别模型与弹道模型联立，得到可计及恶劣气象条件影响的弹道解算模型。
将恶劣气象预报数据作为步骤4中恶劣气象的模式识别模型的输入，经模式识别模型输出，可得到匹配的弹道气象参数，从而完成恶劣气象条件下的弹道解算。
步骤6，利用短临预报系统提供的信息修正弹道解算，来进一步优化弹道解算结果。
选取风这一因素来进行说明，根据上述所得到的弹道解算结果，结合短临预报系 统提供的预报天气数据，利用无迹卡尔曼滤波算法作为辨识算法，实现从非线性弹道模型 中辨识风修正系数，具体操作为将原始预报气象数据作为弹道模型的基础气象条件，采用 无迹卡尔曼滤波算法对实测弹道数据进行迭代处理，并将每次迭代所得风修正系数和状态 变量的估计均方误差作为下次迭代的初值，直至满足迭代终止条件。为了满足迭代效率，根 据实际情况设定迭代终止条件个数，如：条件一设定为达到最大迭代次数
Figure 781204DEST_PATH_IMAGE122
；条件二设 定为连续两次迭代所得纵风修正系数之差
Figure 207638DEST_PATH_IMAGE123
和横风修正系数之差
Figure 85595DEST_PATH_IMAGE124
均小于给定阈值。

Claims (5)

1.一种恶劣气象条件下的弹道解算方法，其特征在于，通过将恶劣气象的模式识别模型与弹道模型联立，得到计及恶劣气象条件影响的弹道解算模型，包括步骤如下：
(1)针对恶劣气象对飞行弹箭弹道的影响进行分类，确定是直接对弹箭的阻力和升力有影响，或仅是对环境参数有影响；
(2)根据恶劣气象的特点，提取出恶劣气象的气象学特征；
(3)建立各种恶劣气象关于弹道气象参数的特征函数，获取弹道模型所涉及气象参数与恶劣气象之间的内在关联；
所述的弹道模型与恶劣气象的内在关联中，提取出用弹道气象参数来描述的恶劣气象特征，弹道参数受多种气象因素共同作用，设定弹道气象参数是气象因素的连续光滑函数，表达为如下形式：
L＝L(x1,x2,...,xn)
其中，L为弹道气象参数；xc为步骤(2)中提取的气象学特征；c＝1,2,...，n，n为气象参数的总数；表达式在零点处Taylor展开：
Figure FDA0003048769960000011
其中，L(0)为泰勒展开式的第一项，
Figure FDA0003048769960000012
为泰勒展开式第二项，以此类推至Rn(L)的前一项为泰勒展开式的第n项，Rn(L)为泰勒展开式的余项。当气象因素xc对弹道气象参数有影响时，且存在线性与非线性影响，所述Taylor展开式保留至二次项；
(4)利用感知机学习算法建立各种恶劣气象的模式识别模型；
(5)将恶劣气象的模式识别模型与弹道模型联立，得到计及恶劣气象条件影响的弹道解算模型；
(6)将弹道解算模型与短临预报系统提供的信息相结合，进一步优化弹道解算结果。
2.根据权利要求1所述的恶劣气象条件下的弹道解算方法，其特征在于，步骤(1)中，所述的恶劣气象分类中，采用气动力数值模拟、多相流动数值模拟，在不同条件下，分析恶劣气象对作用在弹箭上的力和力矩的影响；同时采用气象学和弹道学分析各种恶劣气象对飞行环境参数的影响；所述的不同条件为不同的马赫数、雷诺数、飞行攻角、姿态角；采用非均相流模型对每一相单独求解，考虑相间作用力，同时在空化流动中涉及到相间质量传输，加入相间传输项以及其引起的动量修正源项，得到第k项的控制方程为：
Figure FDA0003048769960000021
其中，t为时间，γα为第α相的体积分数，ρα为第α相中的空气密度，xj为流体在铅直方向上的分量，uαj为第α相介质相对于铅直分量的速度，
Figure FDA0003048769960000022
为第α相中的质量源，
Figure FDA0003048769960000023
为单位体积流体中从α′相到α相的质量流量。
3.根据权利要求1所述的恶劣气象条件下的弹道解算方法，其特征在于，步骤(4)中，实现恶劣气象的模式识别模型步骤如下：
(41)通过感知机模型对应一个n维特征空间的超平面w·x+b＝0，感知机模型为：
f(x)＝sign(w·x+b)
其中，f(x)为输出空间，x为输入空间，w为权值或权值向量，w(w1,w2,w3,...,wv)用来表示各个输入对于输出的重要程度，v为权值总数；b为偏置，用来调整整体结果和阈值之间的关系；sign(x)为符号函数；
(42)定义一个损失函数：
L(w,b)＝-∑yl(w·xl+b)
其中，(xl,yl)为第l组数据的输入和输出，(w·xl+b)是根据当前模型对x做出的预测值，yl是对应于xl的真实值；
当样本被分类正确时，输出为负值，反之，为正值；
(43)损失函数最小值求解：采用梯度下降法，通过不断改变w和b的值，使损失函数L(w,b)变得越来越小；随机选取一个误分类点(xl,yl)，对w和b进行更新，直到训练集中误分类点个数低于阈值为止；最终更新后的w和b带入感知机模型；
(44)将步骤3中所建立的不同恶劣气象的特征函数提取特征值构建训练数据集，感知机学习算法通过训练学习该数据集，建立各种恶劣气象的模式识别模型。
4.根据权利要求1所述的恶劣气象条件下的弹道解算方法，其特征在于，步骤(5)中，将恶劣气象预报数据作为步骤(4)中恶劣气象的模式识别模型的输入，经恶劣气象的模式识别模型输出，得到匹配的弹道气象参数，完成恶劣气象条件下的弹道解算模型的建立。
5.根据权利要求1所述的恶劣气象条件下的弹道解算方法，其特征在于，步骤(6)中，采用无迹卡尔曼滤波算法对实测弹道数据进行迭代处理，并将每次迭代所得修正系数和状态变量的估计均方误差作为下次迭代的初值，直至满足迭代终止条件。
CN202110310653.XA 2021-03-24 2021-03-24 一种恶劣气象条件下的弹道解算方法 Active CN112699624B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110310653.XA CN112699624B (zh) 2021-03-24 2021-03-24 一种恶劣气象条件下的弹道解算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110310653.XA CN112699624B (zh) 2021-03-24 2021-03-24 一种恶劣气象条件下的弹道解算方法

Publications (2)

Publication Number Publication Date
CN112699624A CN112699624A (zh) 2021-04-23
CN112699624B true CN112699624B (zh) 2021-06-22

Family

ID=75515574

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110310653.XA Active CN112699624B (zh) 2021-03-24 2021-03-24 一种恶劣气象条件下的弹道解算方法

Country Status (1)

Country Link
CN (1) CN112699624B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102854884A (zh) * 2011-06-30 2013-01-02 通用电气公司 与飞行器轨迹有关的气象数据选择
CN104965418A (zh) * 2015-06-01 2015-10-07 北京航空航天大学 一种基于弹道阻尼控制和热流解析预测的引入段制导方法
CN108919829A (zh) * 2018-07-16 2018-11-30 福州日兆信息科技有限公司 无人机应对恶劣环境的自适应决策方法及相应的无人机
CN110006296A (zh) * 2019-03-29 2019-07-12 河北省人工影响天气办公室 人工增雨防雹火箭弹播撒作业跟踪监控及弹道纠偏系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103902753A (zh) * 2012-12-28 2014-07-02 西安远景动力模拟技术有限公司 飞行模拟器中建立飞行结冰降阶模型的方法
CN108121856B (zh) * 2017-12-06 2020-08-04 中国科学院力学研究所 一种全飞行域飞行器动稳定性分析方法
CN108491650B (zh) * 2018-03-29 2021-05-18 北京理工大学 一种基于智能学习的火星进入终端状态高效评估方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102854884A (zh) * 2011-06-30 2013-01-02 通用电气公司 与飞行器轨迹有关的气象数据选择
CN104965418A (zh) * 2015-06-01 2015-10-07 北京航空航天大学 一种基于弹道阻尼控制和热流解析预测的引入段制导方法
CN108919829A (zh) * 2018-07-16 2018-11-30 福州日兆信息科技有限公司 无人机应对恶劣环境的自适应决策方法及相应的无人机
CN110006296A (zh) * 2019-03-29 2019-07-12 河北省人工影响天气办公室 人工增雨防雹火箭弹播撒作业跟踪监控及弹道纠偏系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Verifiable(t,n)threshold quantum secret sharing using d-dimensional Bell state;Huawang Qin,etc;《Information Processing Letters》;20160115;第351页至355页 *
弹道解算用数值天气预报风修正系数辨识;曹树新等;《弹道学报》;20201231;第32卷(第4期);第34页至38页 *
非标准气象条件下的平行接近法导引导弹仿真;苏明臣等;《空军工程大学学报（自然科学版）》;20150228;第16卷(第1期);第37页至41页 *

Also Published As

Publication number Publication date
CN112699624A (zh) 2021-04-23

Similar Documents

Publication Publication Date Title
CN111291505B (zh) 一种基于深度置信网络的翼型结冰冰形预测方法及装置
CN108596327B (zh) 一种基于深度学习的地震速度谱人工智能拾取方法
CN107766668B (zh) 一种基于神经网络的复杂仿真模型验证方法
CN112668104B (zh) 一种高超声速飞行器气动参数在线辨识方法
CN112084727A (zh) 一种基于神经网络的转捩预测方法
CN113777931B (zh) 结冰翼型气动模型构造方法、装置、设备及介质
CN110443448B (zh) 一种基于双向lstm的飞机机位分类预测方法和系统
CN111260126A (zh) 计及天气与气象因子关联度的短期光伏发电预测方法
CN104008402A (zh) 一种基于改进som算法的地基云图识别方法
CN108983800A (zh) 一种基于深度学习的飞机姿态控制方法
Szilder et al. The influence of ice accretion on the aerodynamic performance of a UAS airfoil
CN115880497A (zh) 基于自编码器结合多层感知机的翼型结冰冰形预测方法
CN113221237B (zh) 一种基于降阶建模的大迎角颤振分析方法
CN111539302A (zh) 基于多尺度深层扰动神经网络的玻璃绝缘子自爆识别方法
CN112699624B (zh) 一种恶劣气象条件下的弹道解算方法
CN114492176A (zh) 一种基于生成对抗网络的动力学模型参数辨识方法及系统
CN113051820A (zh) 基于卷积神经网络的跨流域气动参数模拟方法
CN116414153B (zh) 基于人工智能的无人机起降校正方法
CN117113870A (zh) 一种考虑风干扰的固定翼飞行器气动力建模方法
CN116304966A (zh) 基于多源数据融合的航迹关联方法
CN112698666B (zh) 一种基于气象栅格的飞行器航路优化方法
CN115204041A (zh) 一种大型航空器进场和进近阶段耗油量预测方法
CN112348700A (zh) 一种结合som聚类与ifou方程的线路容量预测方法
CN108960406B (zh) 一种基于bfo小波神经网络的mems陀螺随机误差预测方法
Akbal et al. In Flight Ice Shape Prediction with Data Fit Surrogate Models

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