CN114384808A - 一种基于自适应神经网络的到达时间控制三维制导方法 - Google Patents

一种基于自适应神经网络的到达时间控制三维制导方法 Download PDF

Info

Publication number
CN114384808A
CN114384808A CN202210291933.5A CN202210291933A CN114384808A CN 114384808 A CN114384808 A CN 114384808A CN 202210291933 A CN202210291933 A CN 202210291933A CN 114384808 A CN114384808 A CN 114384808A
Authority
CN
China
Prior art keywords
neural network
arrival time
aircraft
dimensional
time
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
CN202210291933.5A
Other languages
English (en)
Other versions
CN114384808B (zh
Inventor
李国飞
吕金虎
吴云洁
凡永华
皇甫逸伦
左宗玉
王森
赖超
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.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
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 Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202210291933.5A priority Critical patent/CN114384808B/zh
Publication of CN114384808A publication Critical patent/CN114384808A/zh
Application granted granted Critical
Publication of CN114384808B publication Critical patent/CN114384808B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Traffic Control Systems (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提出一种基于自适应神经网络的到达时间控制三维制导方法，使得飞行器在指定时刻到达目标。该方法首先给出三维空间下飞行器与目标的相对运动关系；其次，预测飞行器剩余飞行时间，并构建到达时间误差变量；再次，引入神经网络自适应律和一阶低通滤波器；最后，给出到达时间控制制导律。所发明方法能够提高到达时间控制制导精度和干扰抑制能力，保证飞行器在期望时刻到达目标。

Description

一种基于自适应神经网络的到达时间控制三维制导方法
技术领域
本发明涉及一种飞行器制导方法，属于飞行器制导、控制领域，具体为一种基于自适应神经网络的到达时间控制三维制导方法，可以使得飞行器在指定的时刻到达目标。
背景技术
鉴于一些特殊任务对飞行器的到达时间有特定的要求，考虑到达时间约束的制导方法引起了飞行器制导领域研究学者的广泛关注。到达时间控制制导方法能够使得飞行器在指定时刻到达目标，对实现定时到达目标或者多飞行器饱和攻击具有重要意义。到达时间控制制导的方法设计通常首先构建到达时间误差，然后设计到达时间控制制导律使得到达时间误差稳定收敛，从而实现对目标的指定时间打击。自适应神经网络能够有效提升控制精度和干扰抑制，然而目前依然缺少基于自适应神经网络的到达时间控制制导方法。如何在三维空间下，设计出基于自适应神经网络的到达时间控制制导方法，对于提高到达时间精度和干扰抑制能力具有显著意义。受此启发，本发明设计了一种基于自适应神经网络的三维到达时间控制制导方法，实现飞行器在指定时间到达目标。
发明内容
本发明考虑三维空间下飞行器指定时间到达目标的问题，设计了一种引入神经网络自适应律和一阶低通滤波器的到达时间控制制导方法，来保证飞行器在指定时刻到达目标。
本发明的技术构思为：首先，构建飞行器相对目标的三维相对运动数学模型；其次，预测飞行器的剩余飞行时间，且构建飞行器的到达时间误差；再次，设计自适应律和一阶低通滤波器；最后，给出到达时间控制制导律。
本发明为一种基于自适应神经网络的三维到达时间控制制导方法，包括以下步骤：
步骤1：构建飞行器相对目标的三维运动数学模型。
三维空间下飞行器和目标的相对运动关系可表示为：
Figure 984446DEST_PATH_IMAGE001
（1）
式中，R表示飞行器与目标间的距离，
Figure 148711DEST_PATH_IMAGE002
和
Figure 62440DEST_PATH_IMAGE003
为飞行器相对目标的视线倾角和视线偏角，a x ，a y 和a z 为视线坐标系下x, y和z方向的加速度。
步骤2：预测飞行器的剩余飞行时间，构建飞行器的到达时间误差。
飞行器的剩余飞行时间可预测为：
Figure 806405DEST_PATH_IMAGE004
到达时间误差定义为：
Figure 918718DEST_PATH_IMAGE005
（2）
式中，t为当前时间，T d为到达时间指令。
步骤3：利用步骤2构建的到达时间误差信息e t ，设计神经网络自适应律和一阶低通滤波器。
定义神经网络隐含层的输出为h=[h 1, h 2, …, h n ]T，h i 为第i个隐含层的输出：
Figure 988305DEST_PATH_IMAGE006
其中，c=[c 1, c 2, c 3,…,c n ]T为隐含层第i个神经元高斯基函数中心点的坐标向量，i=1,2,…,n，b=[b 1, b 2,…,b n ]T，b i 为隐含层第i个神经元高斯基函数的宽度。
神经网络权重定义为W=[W 1, W 2,…,W n ]T，设计权重自适应律为：
Figure 186068DEST_PATH_IMAGE007
（3）
式中，γ=γ T为增益矩阵，ρ>0为常数。
自适应神经网络的输出为：
Figure 939916DEST_PATH_IMAGE008
（4）
鉴于自适应神经网络输出中可能产生的高频信号易导致制导系统不稳定，因此在自适应神经网络输出端引入一阶低通滤波器：
Figure 906735DEST_PATH_IMAGE009
（5）
式中，T f为一阶低通滤波器的时间常数，Y t(s)为y t 的拉普拉斯变换，Y m(s)为低通滤波器输出y m的拉普拉斯变换。
步骤4：在步骤1-3的基础上，给出三维到达时间控制制导律。
设计到达时间控制制导律为：
Figure 147223DEST_PATH_IMAGE010
（6）
式中，k 1，k 2和k 3为制导增益。
本发明的有益效果为：设计了一种基于自适应神经网络的三维到达时间控制制导律。与已有到达时间控制制导方法不同，本发明所引入的自适应神经网络技术和一阶低通滤波器可提升到达时间控制精度和干扰抑制能力。
附图说明
图1基于自适应神经网络的到达时间控制制导方法设计流程图。
图2飞行器三维空间飞行轨迹。
图3 飞行器与目标间的距离。
图4 到达时间控制误差。
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，参照附图1—4对本发明做进一步说明。
所述发明为一种基于自适应神经网络的三维到达时间控制制导方法，设计流程如图1所示，具体包含以下步骤：
步骤1：构建飞行器相对目标的三维运动数学模型。
三维空间下飞行器和目标的相对运动关系可表示为：
Figure 566703DEST_PATH_IMAGE001
（1）
式中，R表示飞行器与目标间的距离，
Figure 918050DEST_PATH_IMAGE011
和
Figure 4955DEST_PATH_IMAGE012
为飞行器相对目标的视线倾角和视线偏角，a x ，a y 和a z 为视线坐标系下x, y和z方向的加速度。
步骤2：预测飞行器的剩余飞行时间，构建飞行器的到达时间误差。
飞行器的剩余飞行时间可预测为：
Figure 416345DEST_PATH_IMAGE013
到达时间误差定义为：
Figure 323121DEST_PATH_IMAGE005
（2）
式中，t为当前时间，T d为到达时间指令。
步骤3：利用步骤2构建的达到时间误差信息e t ，设计神经网络自适应律和一阶低通滤波器。
定义神经网络隐含层的输出为h=[h 1, h 2, …, h n ]T，h i 为第i个隐含层的输出：
Figure 212579DEST_PATH_IMAGE014
其中，c=[c 1, c 2, c 3,…,c n ]T为隐含层第i个神经元高斯基函数中心点的坐标向量，i=1,2,…,n，b=[b 1, b 2,…,b n ]T，b i 为隐含层第i个神经元高斯基函数的宽度。
神经网络权重定义为W=[W 1, W 2,…,W n ]T，设计权重自适应律为：
Figure 357253DEST_PATH_IMAGE015
（3）
式中，γ=γ T为增益矩阵，ρ>0为常数。
自适应神经网络的输出为：
Figure 939544DEST_PATH_IMAGE016
（4）
鉴于自适应神经网络输出中可能产生的高频信号易导致制导系统不稳定，因此在自适应神经网络输出端引入一阶低通滤波器：
Figure 333616DEST_PATH_IMAGE017
（5）
式中，T f为一阶低通滤波器的时间常数，Y t (s)为y t 的拉普拉斯变换，Y m(s)为低通滤波器输出y m的拉普拉斯变换。
步骤4：在步骤1-3的基础上，给出三维到达时间控制制导律。
设计到达时间控制制导律为：
Figure 26766DEST_PATH_IMAGE018
（6）
式中，k 1，k 2和k 3为制导增益。
利用Matlab/Simulink仿真平台验证所设计基于自适应神经网络的到达时间控制制导方法的正确性，选用飞行器初始位置为(7048，13000，2565)，目标位置为(0, 0, 0)，飞行器速度V=330m/s，T d=25s，n=5，c=[-2, -1, 0, 1, 2]T, b=[0.1, 0.1, 0.1, 0.1, 0.1]T, ρ=0.05, γ=15E 5, T f=0.5，k 1=k 2=k 3=10。
仿真结果如图2-图4所示，由结果可知，飞行器能够准确到达目标，由飞行器与目标的距离曲线可知，最终到达目标的时间和期望的到达时间25s一致，到达时间误差e t 能够稳定收敛至0，仿真结果有效验证了方法设计的正确性。

Claims (5)

1.一种基于自适应神经网络的到达时间控制三维制导方法，其特征在于，包括以下步骤：
步骤1：构建飞行器相对目标的三维运动数学模型；
步骤2：预测飞行器的剩余飞行时间，构建飞行器的到达时间误差；
步骤3：利用步骤2构建的到达时间误差e t ，设计神经网络自适应律和一阶低通滤波器；
步骤4：在步骤1-3的基础上，给出三维到达时间控制制导律。
2.根据权利要求1所述的一种基于自适应神经网络的到达时间控制三维制导方法，其特征在于：在步骤1中，构建飞行器相对目标的三维运动数学模型表示为：
Figure 570227DEST_PATH_IMAGE001
式中，R表示飞行器与目标间的距离，
Figure 588998DEST_PATH_IMAGE002
和
Figure 673629DEST_PATH_IMAGE003
为飞行器相对目标的视线倾角和视线偏角，a x ，a y 和a z 为视线坐标系下x, y和z方向的加速度。
3.根据权利要求1所述的一种基于自适应神经网络的到达时间控制三维制导方法，其特征在于：在步骤2中，飞行器的剩余飞行时间
Figure 170470DEST_PATH_IMAGE005
预测为：
Figure 86473DEST_PATH_IMAGE006
到达时间误差e t 定义为：
Figure 744987DEST_PATH_IMAGE007
式中，t为当前时间，T d为到达时间指令。
4.根据权利要求1所述的一种基于自适应神经网络的到达时间控制三维制导方法，其特征在于：在步骤3中，定义神经网络隐含层的输出为h=[h 1, h 2, …, h n ]T，h i 为第i个隐含层的输出：
Figure 313984DEST_PATH_IMAGE008
其中，c=[c 1, c 2, c 3,…,c n ]T为隐含层第i个神经元高斯基函数中心点的坐标向量，i=1,2,…,n，b=[b 1, b 2,…,b n ]T，b i 为隐含层第i个神经元高斯基函数的宽度；
神经网络权重定义为W=[W 1, W 2,…,W n ]T，设计权重自适应律为：
Figure 348937DEST_PATH_IMAGE009
式中，γ=γ T为增益矩阵，ρ>0为常数；
神经网络自适应律
Figure 385026DEST_PATH_IMAGE010
的输出为：
Figure 214441DEST_PATH_IMAGE011
鉴于自适应神经网络输出中可能产生的高频信号易导致制导系统不稳定，在自适应神经网络输出端引入一阶低通滤波器：
Figure 273664DEST_PATH_IMAGE012
式中，T f为一阶低通滤波器的时间常数，Y t(s)为y t 的拉普拉斯变换，Y m(s)为低通滤波器输出y m的拉普拉斯变换。
5.根据权利要求1所述的一种基于自适应神经网络的到达时间控制三维制导方法，其特征在于：在步骤4，设计三维到达时间控制制导律为：
Figure 112307DEST_PATH_IMAGE013
式中，k 1，k 2和k 3为制导增益。
CN202210291933.5A 2022-03-24 2022-03-24 一种基于自适应神经网络的到达时间控制三维制导方法 Active CN114384808B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210291933.5A CN114384808B (zh) 2022-03-24 2022-03-24 一种基于自适应神经网络的到达时间控制三维制导方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210291933.5A CN114384808B (zh) 2022-03-24 2022-03-24 一种基于自适应神经网络的到达时间控制三维制导方法

Publications (2)

Publication Number Publication Date
CN114384808A true CN114384808A (zh) 2022-04-22
CN114384808B CN114384808B (zh) 2022-07-15

Family

ID=81205611

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210291933.5A Active CN114384808B (zh) 2022-03-24 2022-03-24 一种基于自适应神经网络的到达时间控制三维制导方法

Country Status (1)

Country Link
CN (1) CN114384808B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109977613A (zh) * 2019-04-19 2019-07-05 哈尔滨工业大学 一种可预先设定调整时间的自适应滑模末制导律设计方法
CN111551080A (zh) * 2020-04-03 2020-08-18 北京航空航天大学 一种攻击时间控制的制导方法
CN112033234A (zh) * 2020-08-17 2020-12-04 北京电子工程总体研究所 一种多导弹协同制导律设计方法
CN112069605A (zh) * 2020-11-10 2020-12-11 中国人民解放军国防科技大学 一种带有攻击时间约束的比例导引律设计方法
CN112129292A (zh) * 2020-09-02 2020-12-25 北京航空航天大学 考虑攻击时间和攻击角度约束的异构飞行器协同制导方法
CN112631328A (zh) * 2020-12-12 2021-04-09 西北工业大学 一种多目标协同末制导率方法
CN112799429A (zh) * 2021-01-05 2021-05-14 北京航空航天大学 基于强化学习的多弹协同攻击制导律设计方法
CN112987567A (zh) * 2021-02-09 2021-06-18 河北科技大学 非线性系统的固定时间自适应神经网络滑模控制方法
CN113625745A (zh) * 2021-07-02 2021-11-09 西北工业大学 一种基于切换固定时间收敛理论的攻击时间控制制导方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109977613A (zh) * 2019-04-19 2019-07-05 哈尔滨工业大学 一种可预先设定调整时间的自适应滑模末制导律设计方法
CN111551080A (zh) * 2020-04-03 2020-08-18 北京航空航天大学 一种攻击时间控制的制导方法
CN112033234A (zh) * 2020-08-17 2020-12-04 北京电子工程总体研究所 一种多导弹协同制导律设计方法
CN112129292A (zh) * 2020-09-02 2020-12-25 北京航空航天大学 考虑攻击时间和攻击角度约束的异构飞行器协同制导方法
CN112069605A (zh) * 2020-11-10 2020-12-11 中国人民解放军国防科技大学 一种带有攻击时间约束的比例导引律设计方法
CN112631328A (zh) * 2020-12-12 2021-04-09 西北工业大学 一种多目标协同末制导率方法
CN112799429A (zh) * 2021-01-05 2021-05-14 北京航空航天大学 基于强化学习的多弹协同攻击制导律设计方法
CN112987567A (zh) * 2021-02-09 2021-06-18 河北科技大学 非线性系统的固定时间自适应神经网络滑模控制方法
CN113625745A (zh) * 2021-07-02 2021-11-09 西北工业大学 一种基于切换固定时间收敛理论的攻击时间控制制导方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XIAODONG LIU;GUOFEI LI: "Adaptive Sliding Mode Guidance With Impact Time and Angle Constraints", 《IEEE》, 12 February 2020 (2020-02-12) *
金泽宇 等: "基于神经网络剩余时间模型的协同制导律设计", 《战术导弹技术》, no. 4, 31 July 2021 (2021-07-31) *

Also Published As

Publication number Publication date
CN114384808B (zh) 2022-07-15

Similar Documents

Publication Publication Date Title
CN111351488B (zh) 飞行器智能轨迹重构再入制导方法
CN112947592B (zh) 一种基于强化学习的再入飞行器轨迹规划方法
CN114048889A (zh) 基于长短期记忆网络的飞行器轨迹预测的方法
CN111065048B (zh) 基于量子风驱动机制的多无人机tdoa三维协同定位方法
CN112198870A (zh) 基于ddqn的无人机自主引导机动决策方法
CN114661069B (zh) 一种群体智能系统的编队控制方法
CN109062055A (zh) 一种基于Back-stepping鲁棒自适应动态面的近空间飞行器控制系统
CN105022881B (zh) 一种基于鸽群优化的舰载机自主着舰导引律设计方法
CN112327926B (zh) 一种无人机编队的自适应滑模控制方法
CN115454115B (zh) 基于混合灰狼-粒子群算法的旋翼无人机路径规划方法
CN115342812A (zh) 一种基于改进蝴蝶优化算法的无人机三维航迹规划方法
CN114637312A (zh) 一种基于智能变形决策的无人机节能飞行控制方法及系统
CN111830848A (zh) 一种无人机超机动飞行性能仿真训练系统及方法
Sartori et al. Design and development of a backstepping controller autopilot for fixed-wing UAVs
CN114047778A (zh) 一种小型飞机短距离自动着陆横侧向控制方法
CN114384808B (zh) 一种基于自适应神经网络的到达时间控制三维制导方法
Lu et al. Design of quadrotor hovering controller based on improved particle swarm optimization
CN108763779A (zh) 一种应用改进的粒子群算法对四旋翼无人机控制的方法
CN113955153B (zh) 一种燃料最优的连续小推力轨道转移方法
CN115796021A (zh) 一种基于神经网络的变体飞行器自适应pid控制参数整定方法
CN113655808B (zh) 用于集群的有限时间自主编队控制方法及控制系统
CN112464557B (zh) 基于改进型混合多目标pso的飞翼无人机冗余舵面控制方法
Xu et al. Investigation of Deep Reinforcement Learning for Longitudinal-Axis Flight Control
Fan et al. An Optimization Method of Attitude Control Parameters Based on Genetic Algorithm for the Boost-Glide Rocket
An et al. Study on the UAV Trajectory Planning Route Based on the Particle Group Optimization Algorithm

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