CN112729024A - 一种导弹助推段控制参数智能调节方法和系统 - Google Patents
一种导弹助推段控制参数智能调节方法和系统 Download PDFInfo
- Publication number
- CN112729024A CN112729024A CN202110344419.9A CN202110344419A CN112729024A CN 112729024 A CN112729024 A CN 112729024A CN 202110344419 A CN202110344419 A CN 202110344419A CN 112729024 A CN112729024 A CN 112729024A
- Authority
- CN
- China
- Prior art keywords
- ballistic
- control parameter
- online
- parameter
- sample set
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000005457 optimization Methods 0.000 claims abstract description 99
- 238000012549 training Methods 0.000 claims abstract description 74
- 238000012545 processing Methods 0.000 claims abstract description 28
- 230000006870 function Effects 0.000 claims description 35
- 238000013528 artificial neural network Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 23
- 210000002569 neuron Anatomy 0.000 claims description 20
- 239000002245 particle Substances 0.000 claims description 19
- 238000012546 transfer Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 abstract description 6
- 230000004044 response Effects 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F42—AMMUNITION; BLASTING
- F42B—EXPLOSIVE CHARGES, e.g. FOR BLASTING, FIREWORKS, AMMUNITION
- F42B15/00—Self-propelled projectiles or missiles, e.g. rockets; Guided missiles
- F42B15/01—Arrangements thereon for guidance or control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Aviation & Aerospace Engineering (AREA)
- Combustion & Propulsion (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Feedback Control In General (AREA)
Abstract
本申请涉及一种导弹助推段控制参数智能调节方法和系统。所述方法包括使用助推段控制参数模型对弹道样本集的二级和三级控制参数进行离线优化处理，得到弹道样本集对应的优化控制参数集。根据弹道样本集生成训练样本集训练在线参数智能调节模型，根据该模型输出的控制参数和优化控制参数集中对应的元素定义目标函数，根据目标函数值得到训练好的在线参数智能调节模型。使用训练好的在线参数智能调节模型，对导弹助推段弹道的二级和三级控制参数进行在线优化处理。本方法能够在线快速计算不同飞行任务下的最优控制参数，则可省去离线优化的时间，降低在线计算负担，增强导弹的快速响应能力，这对提升导弹的整体作战性能威慑力量具有重要意义。
Description
技术领域
本申请涉及导弹助推段控制参数优化技术领域，特别是涉及一种导弹助推段控制参数智能调节方法和系统。
背景技术
战略导弹在国家安全中的战略地位使其在不断变化的历史环境和军事需求中更新换代，技术推陈出新，正朝着快速机动发射、可在线实时调整的方向发展。目前导弹制导控制参数常用优化方法是在设计完制导控制系统后采用诸如粒子群算法、遗传算法等优化算法离线优化，得到较优的控制参数。而这类离线的控制参数优化方法通常计算量较大，优化时间长，在导弹飞行过程中制导系统根据任务要求和当前状态在线规划弹道指令，若更换攻击目标或飞行任务则需要重新优化，通过诸如粒子群算法、遗传算法等在线对控制参数进行优化不满足快速性和实时性的要求，无法用于在线参数调整。
发明内容
基于此，有必要针对上述技术问题，提供一种能够显著降低在线计算负担、具有快速响应能力的导弹助推段控制参数智能调节方法和系统。
一种导弹助推段控制参数智能调节方法，所述方法包括：
根据预设的助推段控制参数模型，对预设的弹道样本集的二级和三级控制参数进行离线优化处理，得到弹道样本集对应的优化控制参数集。
根据弹道样本集生成训练样本集，使用训练样本集训练预设的在线参数智能调节模型，根据在线参数智能调节模型输出的控制参数和优化控制参数集中对应元素定义目标函数，根据目标函数的值得到训练好的在线参数智能调节模型。
使用训练好的在线参数智能调节模型，对导弹助推段弹道的二级和三级控制参数进行在线优化处理。
其中一个实施例中，对预设的弹道样本集的二级和三级控制参数进行离线优化处理的方式包括：
将预设的弹道样本集中各个弹道样本的二级和三级控制参数数据分别输入助推段控制参数模型，根据预设的控制参数优化目标得到输出的各个弹道样本的优化控制参数。控制参数优化目标包括：使控制参数中的俯仰摆角的最大值为最小。
其中一个实施例中，根据预设的控制参数优化目标得到输出的各个弹道样本的优化控制参数的方式包括：
使用粒子群优化方法对各个弹道样本的二级和三级控制参数进行优化，根据预设的控制参数优化目标得到输出的各个弹道样本的优化控制参数。二级和三级控制参数包括俯仰通道控制参数。
其中一个实施例中，弹道样本集生成训练样本集的步骤包括：
在弹道样本集中按照预设的抽取方式得到训练弹道样本集。
根据预设的时间间隔获取训练弹道样本对应的弹道指令数据，根据得到的弹道指令数据生成训练样本集。
其中一个实施例中，获取训练弹道样本对应的弹道指令数据的时间间隔的设置方式包括：
获取训练弹道样本中的关键特征时间。关键特征时间包括弹道拐点时间。
根据关键特征时间得到对应的关键特征时段，在关键特征时段中设置第一时间间隔，在弹道样本中的非关键特征时段汇总设置第二时间间隔。第一时间间隔的长度小于第二时间间隔。
其中一个实施例中，在线参数智能调节模型的建立方式包括：
基于神经网络建立在线参数智能调节模型。神经网络的输入层神经元数量为弹道指令数据中的参数数量，隐含层神经元为9个，输出层神经元为1个，各层之间采用sigmoid传递函数。
一种导弹助推段控制参数智能调节系统，所述系统包括：
输入确定单元，用于获取预设的在线弹道指令数据，生成在线参数智能调节模型的输入数据。
控制参数确定单元，基于在线参数智能调节模型使用上述任意一个实施例所述的方法，得到优化控制参数值。
控制参数输出单元，根据控制参数确定单元输出的优化控制参数值设置在线弹道指令数据对应的控制参数值。
一种导弹助推段控制参数智能调节装置，所述装置包括：
离线优化模块，用于根据预设的助推段控制参数模型，对预设的弹道样本集的二级和三级控制参数进行离线优化处理，得到弹道样本集对应的优化控制参数集。
模型训练模块，用于根据弹道样本集生成训练样本集，使用训练样本集训练预设的在线参数智能调节模型，根据在线参数智能调节模型输出的控制参数和优化控制参数集中对应元素定义目标函数，根据目标函数的值得到训练好的在线参数智能调节模型。
在线优化模块，用于使用训练好的在线参数智能调节模型，对导弹助推段弹道的二级和三级控制参数进行在线优化处理。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
根据预设的助推段控制参数模型，对预设的弹道样本集的二级和三级控制参数进行离线优化处理，得到弹道样本集对应的优化控制参数集。
根据弹道样本集生成训练样本集，使用训练样本集训练预设的在线参数智能调节模型，根据在线参数智能调节模型输出的控制参数和优化控制参数集中对应元素定义目标函数，根据目标函数的值得到训练好的在线参数智能调节模型。
使用训练好的在线参数智能调节模型，对导弹助推段弹道的二级和三级控制参数进行在线优化处理。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
根据预设的助推段控制参数模型，对预设的弹道样本集的二级和三级控制参数进行离线优化处理，得到弹道样本集对应的优化控制参数集。
根据弹道样本集生成训练样本集，使用训练样本集训练预设的在线参数智能调节模型，根据在线参数智能调节模型输出的控制参数和优化控制参数集中对应元素定义目标函数，根据目标函数的值得到训练好的在线参数智能调节模型。
使用训练好的在线参数智能调节模型，对导弹助推段弹道的二级和三级控制参数进行在线优化处理。
与现有技术相比，上述一种导弹助推段控制参数智能调节方法、系统、装置、计算机设备和存储介质，使用助推段控制参数模型对弹道样本集的二级和三级控制参数进行离线优化处理，得到弹道样本集对应的优化控制参数集。根据弹道样本集生成训练样本集训练在线参数智能调节模型，根据该模型输出的控制参数和优化控制参数集中对应的元素定义目标函数，根据目标函数值得到训练好的在线参数智能调节模型。使用训练好的在线参数智能调节模型，对导弹助推段弹道的二级和三级控制参数进行在线优化处理。本申请利用训练好的在线智能调节模型实现在线快速计算不同飞行任务下的最优控制参数，则可省去离线优化的时间，降低在线计算负担，增强导弹的快速响应能力，这对提升导弹的整体作战性能威慑力量具有重要意义。
附图说明
图1为一个实施例中一种导弹助推段控制参数智能调节方法的步骤图；
图2为另一个实施例中一种导弹助推段控制参数智能调节方法的流程示意图；
图3为一个实施例中的弹道样本数据示意图；
图4为一个实施例中二级优化控制参数示意图；
图5为一个实施例中三级优化控制参数示意图；
图6为一个实施例中建立的神经网络结构示意图；
图7为第二级控制参数
与离线获得的优化控制参数值的对比曲线图；
图8为第二级控制参数
与离线获得的优化控制参数值的对比曲线图；
图9为第三级控制参数
与离线获得的优化控制参数值的对比曲线图；
图10为第三级控制参数
与离线获得的优化控制参数值的对比曲线图；
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种导弹助推段控制参数智能调节方法，以该方法应用于导弹助推段姿态控制系统为例进行说明，包括以下步骤：
步骤102，根据预设的助推段控制参数模型，对预设的弹道样本集的二级和三级控制参数进行离线优化处理，得到弹道样本集对应的优化控制参数集。
弹道样本集是指根据导弹发射需求确定的导弹可能的弹道数据。弹道样本集的获取方式包括：设置助推段终端约束在一定范围内变化、组合，生成一定数量的俯仰角程序角形式的弹道样本，其中终端约束包括终端高度约束、终端速度约束、终端当地速度倾角约束。
助推段控制参数模型用于描述导弹在助推段的弹道和其控制参数之间的关系，由于导弹第一级通常采用程序飞行，因此仅对其二、三级控制参数进行建模。根据建立的助推段参数模型，可以采用粒子群算法、遗传算法等技术基于设置的优化目标获得各个弹道样本对应的最优控制参数。这里的优化目标可根据导弹控制系统的性能范围以及对调整过程中导弹飞行姿态变化范围的要求等确定。
离线优化处理是指，在导弹发射之前，根据导弹系统的参数以及任务目标等已知的条件，建立助推段控制参数模型，得到控制参数的优化目标，并通过优化得到优化控制参数。
步骤104，根据弹道样本集生成训练样本集，使用训练样本集训练预设的在线参数智能调节模型，根据在线参数智能调节模型输出的控制参数和优化控制参数集中对应元素定义目标函数，根据目标函数的值得到训练好的在线参数智能调节模型。
基于机器学习、深度学习等技术建立一个表示当前导弹助推段姿态控制系统中输入弹道数据（即希望设置的弹道）和输出的控制参数间关系的在线参数智能调节模型，根据步骤102中的弹道样本集生成模型的输入弹道数据，将模型输出的控制参数和输入弹道数据对应的优化控制参数进行比较。具体的比较方式为根据在线参数智能调节模型输出的控制参数和输入的弹道数据对应的优化控制参数定义目标函数，并计算目标函数值。当目标函数的值达到优化的要求时，即得到训练好的在线参数智能调节模型。
步骤106，使用训练好的在线参数智能调节模型，对导弹助推段弹道的二级和三级控制参数进行在线优化处理。
训练好的在线参数智能调节模型能够根据输入的（满足模型输入要求的）弹道数据，快速得到对应的优化控制参数。利用这一点，可以对导弹助推段弹道的二级和三级控制参数进行在线优化处理，即实时获取当前需要设置的弹道数据，通过模型快速获得对应的优化控制参数，并相应对导弹助推段姿态控制系统进行设置。
本实施例首先离线得到各个弹道样本对应的优化控制参数，然后离线训练在线智能调节模型，随后利用训练好的在线智能调节模型实现在线快速计算不同飞行任务下的最优控制参数，则可省去离线优化的时间，降低在线计算负担，增强导弹的快速响应能力。
在一个实施例中，提供了一种导弹助推段控制参数智能调节方法，用于具有三级助推的垂直起飞的固体导弹，在其姿态控制系统的控制作用下，俯仰角跟踪标准俯仰角飞行程序，偏航角期望值始终为0，滚转通道始终为保持在0。其中，俯仰通道具有两个控制参数
，同样偏航通道具有两个控制参数。由于助推段飞行全程偏航通道控制任务简单，俯仰参数对俯仰通道影响较弱，而俯仰通道控制任务复杂，俯仰参数对俯仰通道影响较明显，故本实施例仅针对俯仰通道参数
进行调节。
本实施例提供的方法其流程如图2所示，包括以下步骤：
步骤202，将预设的弹道样本集中各个弹道样本的二级和三级控制参数数据分别输入助推段控制参数模型，根据预设的控制参数优化目标得到输出的各个弹道样本的优化控制参数。控制参数优化目标包括：使控制参数中的俯仰摆角的最大值为最小。
具体地，针对设计完成的导弹助推段姿态控制系统，可以获得其包含的若干个控制参数。本步骤根据需要的优化目标，建立控制参数优化模型。
本实施例中的弹道样本由非程序制导系统生成，终端约束条件的高度约束取70km到100km的变化范围，步长取2km，终端当地速度倾角约束取-10°到10°的变化范围，步长取1°，进行组合共生成399个弹道样本，如图3所示。
然后采用粒子群优化算法离线对每一个弹道样本寻优，得到每个弹道样本的俯仰通道最优控制参数。控制参数的优化目标为使得助推段飞行中，导弹姿态控制需要的俯仰摆角的最大值最小，建立的控制参数优化模型为：
其中，
是待优化的控制器俯仰通道控制参数，
表示二维正数的全体，即控制器俯仰通道控制参数的解空间，在此空间中找出合适的参数
值，使得控制需要的俯仰摆角
的最大值最小。
步骤204，使用粒子群优化方法对各个弹道样本的二级和三级控制参数进行优化，根据预设的控制参数优化目标得到输出的各个弹道样本的优化控制参数。二级和三级控制参数包括俯仰通道控制参数。
本实施例采用具有惯性权重的粒子群寻优算法对每一个弹道样本的俯仰通道控制参数进行寻优，其算法更新方式如下式：
式中，
，N是种群中粒子的总数，
为粒子的位置和速度，
为当前迭代步骤中粒子群体的个体最优解，
为当前迭代步骤中粒子群体的全局最优解，
为学习因子，
为
之间的随机数，
为惯性因子，可协调算法全局和局部寻优能力之间的关系。得到每个弹道样本对应的二级、三级俯仰通道最优控制参数
，图4所示为二级优化控制参数，图5所示为三级优化控制参数。
步骤206，基于神经网络建立在线参数智能调节模型。神经网络的输入层神经元数量为弹道指令数据中的参数数量，隐含层神经元为9个，输出层神经元为1个，各层之间采用sigmoid传递函数。
本实施例为降低网络复杂度，对于二级和三级控制参数分别采用不同的神经网络分别建立在线参数智能调节模型，即每一级的每一个俯仰控制参数均由一个网络来确定。
对于一个俯仰控制参数，建立BP神经网络的结构如图6所示，包括输入层、输出层和隐含层，各层之间均选用sigmoid传递函数：
步骤208，在弹道样本集中按照预设的抽取方式得到训练弹道样本集。
本实施例中，随机选取部分样本作为测试集，其余均作为训练集，训练设计好的神经网络。
步骤210，根据预设的时间间隔获取训练弹道样本对应的弹道指令数据，根据得到的弹道指令数据生成训练样本集。
进一步地，对于弹道关键特征参数如拐点附近则减小步长。具体为：获取训练弹道样本中的关键特征时间。关键特征时间包括弹道拐点时间。根据关键特征时间得到对应的关键特征时段，在关键特征时段中设置第一时间间隔，在弹道样本中的非关键特征时段汇总设置第二时间间隔。第一时间间隔的长度小于第二时间间隔。
步骤212，使用训练样本集训练预设的在线参数智能调节模型，根据在线参数智能调节模型输出的控制参数和优化控制参数集中对应元素定义目标函数，根据目标函数的值得到训练好的在线参数智能调节模型。
神经网络的输入为每一级的俯仰弹道指令，按照一定的步长（时间间隔）取点；神经网络的输出为控制参数。输入矢量表示为：
则网络的输出可表示为：
其中，n为输入层神经元个数，m为隐含层神经元个数，
，
为网络联结权重矩阵，
，
为网络阈值。
本实施例中的训练参数为：最大迭代次数1000次、均方根误差限为1e-5、学习率为0.005，目标函数设置为输出控制参数和对应的优化控制参数的偏差趋于零。
神经网络训练之前需对其进行归一化，训练结束后网络的权值和阈值即可储存，将测试集作为输入，将神经网络输出反归一化，即可得到最终的神经网络预测控制参数。
步骤214，使用训练好的在线参数智能调节模型，对导弹助推段弹道的二级和三级控制参数进行在线优化处理。
训练好的在线参数智能调节模型其输入为弹道指令、输出为控制参数，输入与输出间的映射关系是由事先优化的弹道和控制参数训练得到的，能够确保快速得到最优控制参数。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
为验本发明所提的导弹助推段控制智能调节方法的有效性，将随机选取的剩余的10个样本作为测试集进行仿真，将在线参数智能调节模型输出的控制参数与离线优化中得到的优化控制参数值进行对比。图7和图8分别为第二级的
和
与离线获得的优化控制参数值的对比曲线图，图9和图10分别为第三级的
和
与离线获得的优化控制参数值的对比曲线图。可以看到模型输出的控制参数与样本值十分接近，故神经网络的非线性映射能力和泛化能力得到了验证。
为验证模型的适应性，选取一条新的标称弹道作为神经网络的输入，将得到的控制参数与粒子群优化后的控制参数进行对比，如表1所示。
表1最优控制参数值对比
根据表中数据可以看到神经网络的预测值与粒子群寻优得到的最优控制参数十分接近，说明训练后的神经网络能够较好的根据输入的弹道预测出能使摆角需求最小化的控制参数，验证了该训练后的神经网络对控制参数的泛化能力及调参效果。
为了进一步验证预测参数的控制效果，即控制过程中的摆角需求情况，将二三级预测参数代入控制器中，在标准条件下对整个主动段控制器参数进行仿真。
表2 神经网络调参与粒子群优化仿真结果统计
从表中对比数据可以看出，神经网络预测参数与粒子群寻优仿真结果比较接近，摆角值需求同样得到了降低，这就验证了基于神经网络的导弹助推段控制参数智能调节方法的可行性以及其效果，相比于粒子群优化方法，此方法不需要计算量过大的寻优过程，控制参数瞬间得到。
其中一个实施例中，提供了一种导弹助推段控制参数智能调节系统，所述系统包括：
输入确定单元，用于获取预设的在线弹道指令数据，生成在线参数智能调节模型的输入数据。
控制参数确定单元，基于在线参数智能调节模型使用上述任意一个实施例所述的方法，得到优化控制参数值。
控制参数输出单元，根据控制参数确定单元输出的优化控制参数值设置在线弹道指令数据对应的控制参数值。
一种导弹助推段控制参数智能调节装置，所述装置包括：
离线优化模块，用于根据预设的助推段控制参数模型，对预设的弹道样本集的二级和三级控制参数进行离线优化处理，得到弹道样本集对应的优化控制参数集。
模型训练模块，用于根据弹道样本集生成训练样本集，使用训练样本集训练预设的在线参数智能调节模型，根据在线参数智能调节模型输出的控制参数和优化控制参数集中对应元素定义目标函数，根据目标函数的值得到训练好的在线参数智能调节模型。
在线优化模块，用于使用训练好的在线参数智能调节模型，对导弹助推段弹道的二级和三级控制参数进行在线优化处理。
其中一个实施例中，离线优化模块对预设的弹道样本集的二级和三级控制参数进行离线优化处理的方式包括：将预设的弹道样本集中各个弹道样本的二级和三级控制参数数据分别输入助推段控制参数模型，根据预设的控制参数优化目标得到输出的各个弹道样本的优化控制参数。控制参数优化目标包括：使控制参数中的俯仰摆角的最大值为最小。
其中一个实施例中，离线优化模块用于使用粒子群优化方法对各个弹道样本的二级和三级控制参数进行优化，根据预设的控制参数优化目标得到输出的各个弹道样本的优化控制参数。二级和三级控制参数包括俯仰通道控制参数。
其中一个实施例中，模型训练模块用于在弹道样本集中按照预设的抽取方式得到训练弹道样本集。根据预设的时间间隔获取训练弹道样本对应的弹道指令数据，根据得到的弹道指令数据生成训练样本集。
其中一个实施例中，模型训练模块用于获取训练弹道样本中的关键特征时间。关键特征时间包括弹道拐点时间。根据关键特征时间得到对应的关键特征时段，在关键特征时段中设置第一时间间隔，在弹道样本中的非关键特征时段汇总设置第二时间间隔。第一时间间隔的长度小于第二时间间隔。
其中一个实施例中，还包括在线参数智能调节模型建立模块，用于基于神经网络建立在线参数智能调节模型。神经网络的输入层神经元数量为弹道指令数据中的参数数量，隐含层神经元为9个，输出层神经元为1个，各层之间采用sigmoid传递函数。
关于一种导弹助推段控制参数智能调节装置的具体限定可以参见上文中对于一种导弹助推段控制参数智能调节方法的限定，在此不再赘述。上述一种导弹助推段控制参数智能调节装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储导弹助推段控制系统参数数据、弹道样本数据等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种导弹助推段控制参数智能调节方法。
本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
根据预设的助推段控制参数模型，对预设的弹道样本集的二级和三级控制参数进行离线优化处理，得到弹道样本集对应的优化控制参数集。
根据弹道样本集生成训练样本集，使用训练样本集训练预设的在线参数智能调节模型，根据在线参数智能调节模型输出的控制参数和优化控制参数集中对应元素定义目标函数，根据目标函数的值得到训练好的在线参数智能调节模型。
使用训练好的在线参数智能调节模型，对导弹助推段弹道的二级和三级控制参数进行在线优化处理。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将预设的弹道样本集中各个弹道样本的二级和三级控制参数数据分别输入助推段控制参数模型，根据预设的控制参数优化目标得到输出的各个弹道样本的优化控制参数。控制参数优化目标包括：使控制参数中的俯仰摆角的最大值为最小。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：使用粒子群优化方法对各个弹道样本的二级和三级控制参数进行优化，根据预设的控制参数优化目标得到输出的各个弹道样本的优化控制参数。二级和三级控制参数包括俯仰通道控制参数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：在弹道样本集中按照预设的抽取方式得到训练弹道样本集。根据预设的时间间隔获取训练弹道样本对应的弹道指令数据，根据得到的弹道指令数据生成训练样本集。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取训练弹道样本中的关键特征时间。关键特征时间包括弹道拐点时间。根据关键特征时间得到对应的关键特征时段，在关键特征时段中设置第一时间间隔，在弹道样本中的非关键特征时段汇总设置第二时间间隔。第一时间间隔的长度小于第二时间间隔。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：基于神经网络建立在线参数智能调节模型。神经网络的输入层神经元数量为弹道指令数据中的参数数量，隐含层神经元为9个，输出层神经元为1个，各层之间采用sigmoid传递函数。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
根据预设的助推段控制参数模型，对预设的弹道样本集的二级和三级控制参数进行离线优化处理，得到弹道样本集对应的优化控制参数集。
根据弹道样本集生成训练样本集，使用训练样本集训练预设的在线参数智能调节模型，根据在线参数智能调节模型输出的控制参数和优化控制参数集中对应元素定义目标函数，根据目标函数的值得到训练好的在线参数智能调节模型。
使用训练好的在线参数智能调节模型，对导弹助推段弹道的二级和三级控制参数进行在线优化处理。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将预设的弹道样本集中各个弹道样本的二级和三级控制参数数据分别输入助推段控制参数模型，根据预设的控制参数优化目标得到输出的各个弹道样本的优化控制参数。控制参数优化目标包括：使控制参数中的俯仰摆角的最大值为最小。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：使用粒子群优化方法对各个弹道样本的二级和三级控制参数进行优化，根据预设的控制参数优化目标得到输出的各个弹道样本的优化控制参数。二级和三级控制参数包括俯仰通道控制参数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：在弹道样本集中按照预设的抽取方式得到训练弹道样本集。根据预设的时间间隔获取训练弹道样本对应的弹道指令数据，根据得到的弹道指令数据生成训练样本集。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取训练弹道样本中的关键特征时间。关键特征时间包括弹道拐点时间。根据关键特征时间得到对应的关键特征时段，在关键特征时段中设置第一时间间隔，在弹道样本中的非关键特征时段汇总设置第二时间间隔。第一时间间隔的长度小于第二时间间隔。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：基于神经网络建立在线参数智能调节模型。神经网络的输入层神经元数量为弹道指令数据中的参数数量，隐含层神经元为9个，输出层神经元为1个，各层之间采用sigmoid传递函数。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种导弹助推段控制参数智能调节方法，其特征在于，所述方法包括：
根据预设的助推段控制参数模型，对预设的弹道样本集的二级和三级控制参数进行离线优化处理，得到所述弹道样本集对应的优化控制参数集；
根据所述弹道样本集生成训练样本集，使用所述训练样本集训练预设的在线参数智能调节模型，根据所述在线参数智能调节模型输出的控制参数和所述优化控制参数集中对应元素定义目标函数，根据所述目标函数的值得到训练好的在线参数智能调节模型；
使用训练好的在线参数智能调节模型，对导弹助推段弹道的二级和三级控制参数进行在线优化处理。
2.根据权利要求1所述的方法，其特征在于，所述对预设的弹道样本集的二级和三级控制参数进行离线优化处理的方式包括：
将预设的弹道样本集中各个弹道样本的二级和三级控制参数数据分别输入所述助推段控制参数模型，根据预设的控制参数优化目标得到输出的各个弹道样本的优化控制参数；所述控制参数优化目标包括：使控制参数中的俯仰摆角的最大值为最小。
3.根据权利要求2所述的方法，其特征在于，所述根据预设的控制参数优化目标得到输出的各个弹道样本的优化控制参数的方式包括：
使用粒子群优化方法对各个弹道样本的二级和三级控制参数进行优化，根据预设的控制参数优化目标得到输出的各个弹道样本的优化控制参数；所述二级和三级控制参数包括俯仰通道控制参数。
4.根据权利要求1所述的方法，其特征在于，根据所述弹道样本集生成训练样本集的步骤包括：
在所述弹道样本集中按照预设的抽取方式得到训练弹道样本集；
根据预设的时间间隔获取训练弹道样本对应的弹道指令数据，根据得到的弹道指令数据生成训练样本集。
5.根据权利要求4所述的方法，其特征在于，获取训练弹道样本对应的弹道指令数据的时间间隔的设置方式包括：
获取训练弹道样本中的关键特征时间；所述关键特征时间包括弹道拐点时间；
根据所述关键特征时间得到对应的关键特征时段，在所述关键特征时段中设置第一时间间隔，在所述弹道样本中的非关键特征时段汇总设置第二时间间隔；所述第一时间间隔的长度小于所述第二时间间隔。
6.根据权利要求4所述的方法，其特征在于，所述在线参数智能调节模型的建立方式包括：
基于神经网络建立在线参数智能调节模型；所述神经网络的输入层神经元数量为所述弹道指令数据中的参数数量，隐含层神经元为9个，输出层神经元为1个，各层之间采用sigmoid传递函数。
7.一种导弹助推段控制参数智能调节系统，其特征在于，所述系统包括：
输入确定单元，用于获取预设的在线弹道指令数据，生成在线参数智能调节模型的输入数据；
控制参数确定单元，基于所述在线参数智能调节模型使用权利要求1至6中任意一项所述的方法，得到优化控制参数值；
控制参数输出单元，根据所述控制参数确定单元输出的优化控制参数值设置所述在线弹道指令数据对应的控制参数值。
8.一种导弹助推段控制参数智能调节装置，其特征在于，所述装置包括：
离线优化模块，用于根据预设的助推段控制参数模型，对预设的弹道样本集的二级和三级控制参数进行离线优化处理，得到所述弹道样本集对应的优化控制参数集；
模型训练模块，用于根据所述弹道样本集生成训练样本集，使用所述训练样本集训练预设的在线参数智能调节模型，根据所述在线参数智能调节模型输出的控制参数和所述优化控制参数集中对应元素定义目标函数，根据所述目标函数的值得到训练好的在线参数智能调节模型；
在线优化模块，用于使用训练好的在线参数智能调节模型，对导弹助推段弹道的二级和三级控制参数进行在线优化处理。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110344419.9A CN112729024B (zh) | 2021-03-31 | 2021-03-31 | 一种导弹助推段控制参数智能调节方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110344419.9A CN112729024B (zh) | 2021-03-31 | 2021-03-31 | 一种导弹助推段控制参数智能调节方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112729024A true CN112729024A (zh) | 2021-04-30 |
| CN112729024B CN112729024B (zh) | 2021-06-18 |
Family
ID=75596141
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110344419.9A Active CN112729024B (zh) | 2021-03-31 | 2021-03-31 | 一种导弹助推段控制参数智能调节方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112729024B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2608098A (en) * | 2021-04-28 | 2022-12-28 | Bae Systems Plc | Method and apparatus |
| CN116184813A (zh) * | 2023-05-04 | 2023-05-30 | 中国人民解放军国防科技大学 | 助推滑翔火箭姿态控制方法、装置、设备和存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1999066418A2 (en) * | 1998-01-09 | 1999-12-23 | Raytheon Company | Neural network controller for a pulsed rocket motor tactical missile system |
| JP2001194097A (ja) * | 2000-01-11 | 2001-07-17 | Mitsubishi Electric Corp | 飛しょう体の誘導装置 |
| US20100176238A1 (en) * | 2009-01-13 | 2010-07-15 | Science Applications International Corporation | Stability multiplexed autopilot |
| CN105659801B (zh) * | 2009-06-08 | 2013-10-02 | 北京理工大学 | 自寻的反坦克导弹直射攻击鲁棒优化弹道的设计方法 |
| CN103593519A (zh) * | 2013-10-31 | 2014-02-19 | 中国运载火箭技术研究院 | 一种基于试验设计的运载火箭总体参数优化方法 |
| CN104122530A (zh) * | 2014-07-17 | 2014-10-29 | 电子科技大学 | 一种基于常规雷达的炮弹目标识别方法 |
| CN111351488A (zh) * | 2020-03-03 | 2020-06-30 | 南京航空航天大学 | 飞行器智能轨迹重构再入制导方法 |
-
2021
- 2021-03-31 CN CN202110344419.9A patent/CN112729024B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1999066418A2 (en) * | 1998-01-09 | 1999-12-23 | Raytheon Company | Neural network controller for a pulsed rocket motor tactical missile system |
| JP2001194097A (ja) * | 2000-01-11 | 2001-07-17 | Mitsubishi Electric Corp | 飛しょう体の誘導装置 |
| US20100176238A1 (en) * | 2009-01-13 | 2010-07-15 | Science Applications International Corporation | Stability multiplexed autopilot |
| CN105659801B (zh) * | 2009-06-08 | 2013-10-02 | 北京理工大学 | 自寻的反坦克导弹直射攻击鲁棒优化弹道的设计方法 |
| CN103593519A (zh) * | 2013-10-31 | 2014-02-19 | 中国运载火箭技术研究院 | 一种基于试验设计的运载火箭总体参数优化方法 |
| CN104122530A (zh) * | 2014-07-17 | 2014-10-29 | 电子科技大学 | 一种基于常规雷达的炮弹目标识别方法 |
| CN111351488A (zh) * | 2020-03-03 | 2020-06-30 | 南京航空航天大学 | 飞行器智能轨迹重构再入制导方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2608098A (en) * | 2021-04-28 | 2022-12-28 | Bae Systems Plc | Method and apparatus |
| CN116184813A (zh) * | 2023-05-04 | 2023-05-30 | 中国人民解放军国防科技大学 | 助推滑翔火箭姿态控制方法、装置、设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112729024B (zh) | 2021-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112729024B (zh) | 一种导弹助推段控制参数智能调节方法和系统 | |
| Han et al. | State-constrained agile missile control with adaptive-critic-based neural networks | |
| Shirzadeh et al. | Trajectory tracking of a quadrotor using a robust adaptive type-2 fuzzy neural controller optimized by cuckoo algorithm | |
| JP2010514986A (ja) | 技術システムの、とりわけガスタービンの、計算機支援による閉ループ制御および／または開ループ制御のための方法 | |
| JP2010515181A (ja) | 計算機支援による技術システムの開ループ制御および／または閉ループ制御のための方法 | |
| Liang et al. | Learning to guide: Guidance law based on deep meta-learning and model predictive path integral control | |
| CN112987577B (zh) | 一种无人车数据驱动自适应控制方法和装置 | |
| US20230367934A1 (en) | Method and apparatus for constructing vehicle dynamics model and method and apparatus for predicting vehicle state information | |
| EP3201694B1 (en) | System and method for controller adaptation | |
| Ghalia | Particle swarm optimization with an improved exploration-exploitation balance | |
| US20230266721A1 (en) | Method for configuring a control agent for a technical system, and control device | |
| CN113779704B (zh) | 喉栓式变推力固体火箭发动机喷管型面多目标优化方法 | |
| KR102290251B1 (ko) | 항공기의 제어를 위한 학습 방법 및 학습 장치 | |
| CN113419424B (zh) | 减少过估计的模型化强化学习机器人控制方法及系统 | |
| CN113064350B (zh) | 一种导弹助推段自适应动态面控制方法和装置 | |
| CN111679685A (zh) | 基于无人机总能量飞行控制方法和装置 | |
| Butler et al. | Takagi-sugeno fuzzy model-based flight control and failure stabilization | |
| CN112306122A (zh) | 温室环境控制方法、装置、系统、计算机设备及存储介质 | |
| Priandana et al. | Comparison of neural networks based direct inverse control systems for a double propeller boat model | |
| CN113050682B (zh) | 导弹助推段校正制导方法、装置和高超声速飞行器 | |
| Wu et al. | Composing MPC with LQR and Neural Network for Amortized Efficiency and Stable Control | |
| CN112861378B (zh) | 一种基于改进灰狼算法的助推段飞行程序优化方法和装置 | |
| CN113459083B (zh) | 一种事件触发下的机械臂自适应固定时间控制方法及系统 | |
| Wu et al. | Safe reward‐based deep reinforcement learning control for an electro‐hydraulic servo system | |
| CN111898726B (zh) | 一种电动汽车控制系统参数优化方法、设备及存储介质 |
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 |