CN114819055A - 一种基于lstm网络的导弹拦截点预测方法 - Google Patents
一种基于lstm网络的导弹拦截点预测方法 Download PDFInfo
- Publication number
- CN114819055A CN114819055A CN202210266734.9A CN202210266734A CN114819055A CN 114819055 A CN114819055 A CN 114819055A CN 202210266734 A CN202210266734 A CN 202210266734A CN 114819055 A CN114819055 A CN 114819055A
- Authority
- CN
- China
- Prior art keywords
- interception
- missile
- interception point
- bomb
- cruise
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 4
- 230000008859 change Effects 0.000 abstract description 2
- 230000006403 short-term memory Effects 0.000 abstract description 2
- 230000007123 defense Effects 0.000 description 7
- 230000008034 disappearance Effects 0.000 description 3
- 238000004880 explosion Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F41—WEAPONS
- F41H—ARMOUR; ARMOURED TURRETS; ARMOURED OR ARMED VEHICLES; MEANS OF ATTACK OR DEFENCE, e.g. CAMOUFLAGE, IN GENERAL
- F41H11/00—Defence installations; Defence devices
- F41H11/02—Anti-aircraft or anti-guided missile or anti-torpedo defence installations or systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aiming, Guidance, Guns With A Light Source, Armor, Camouflage, And Targets (AREA)
Abstract
本发明涉及一种基于LSTM网络的导弹拦截点预测方法,将长短时记忆(Long short‑term memory,LSTM)网络引入导弹拦截点预测问题。其次,利用LSTM神经网络强大的时间序列分类与预测能力,设计智能化的方法实现对轨迹簇的分类;最后,利用神经网络预测方法实现对导弹飞行轨迹的预测与评估,从而实现提前掌握空战战场的态势变化,根据拦截弹前一段时间的运动状态来求解拦截点时刻以及拦截点,从而构建出适用于现代复杂空战战场的拦截点预测模型,克服了目前拦截点预测模型假设条件过多、鲁棒性较差、以及DNN网络对导弹轨迹时序序列处理效果不好等问题。
Description
技术领域
本发明涉及一种基于LSTM网络的导弹拦截点预测方法,属于导弹拦截技术领域。
背景技术
在现代导弹攻防对抗中,对反导系统发射导弹的拦截点预测是导弹突防工作研究中的重要研究问题。导弹拦截点预测旨在根据我方导弹导引头提供的敌方导弹信息,包括视线角、视线角速度、相对距离、空间位置等信息,对敌方拦截弹的拦截点进行预测,从而为导弹突防策略提供有效的参考。尽管近年来导弹拦截点预测取得了明显的进步,但是由于现代战场环境的高动态、强干扰因素的影响,设计出能够在各类场景下准确预测敌方拦截弹拦截点的模型仍然是极具挑战的课题。
杨子成,鲜勇,李少朋(《基于学习的中段反导拦截时间和拦截点预测方法》,北京航空航天大学学报,2018,44(09):1826-1838)中针对弹道导弹中段突防中的拦截点坐标及拦截时间的预测问题,提出了一种基于监督学习的在线方法。以拦截弹的主动段关机参数和关机时刻作为输入量,建立拦截时间和拦截点预测模型。在多层感知机神经网络的基础上构建了有监督学习方法,通过攻防仿真获取了拦截弹飞行轨迹作为数据集,完成了网络训练。然后利用训练好的网络实现了对拦截点和拦截时间的预测。但此方法中采用的基于多层感知机的网络对于时间序列处理任务能力不够,而且训练过程中还可能出现梯度消失或者梯度爆炸等问题。
发明内容
要解决的技术问题
目前已有的相关导弹拦截点预测模型大多存在着以下问题:传统的基于弹目运动方程建立几何模型求解的方法存在着作战假设场景过多、适用场景不强、鲁棒性较差的问题;而目前基于深度学习的拦截点预测方法大多采用深度神经网络(Deep NeuralNetwork,DNN),此网络对于复杂的导弹时序序列数据效果并不是特别理想,而且可能会存在梯度爆炸或者梯度消失等问题。针对上述问题,本发明提出了一种基于LSTM网络的导弹拦截点预测方法。
技术方案
一种基于LSTM网络的导弹拦截点预测方法,其特征在于步骤如下:
步骤1:建立巡航弹—拦截弹作战场景模型;巡航弹沿预设弹道匀速直线运动,拦截弹采用比例导引法打击巡航弹目标,定义拦截弹朝向目标方向运动为“正方向”,巡航弹飞行方向为“负方向”;
步骤2:基于巡航弹—拦截弹作战场景建立拦截弹弹道数据库;将拦截弹发射点设置为固定原点,并随机生成服从均匀分布的不同弹道倾角和不同发射速度下的拦截弹弹道;
步骤3:建立数据集;根据建立的弹道数据库,按照拦截点的类型对其进行分类标注;然后将每条轨迹中900-1600个点的数据进行归一化操作,作为模型的时序输入;将得到的样本数据进行预处理,用其中720条弹道,占总数75%的数据作为神经网络的训练集,另外240条弹道,占总数25%的数据作为测试集;
步骤4:建立基于LSTM网络的拦截点预测模型;所述的拦截点预测模型由输入层、两个LSTM层、一个全连接层、一个Softmax层以及一个输出层构成;利用巡航弹导引头能够获得的敌方拦截弹的空间位置信息作为模型的输入,拦截点类型作为模型的输出,从而对拦截点位置进行预测;
步骤5:基于LSTM网络的拦截点预测网络训练;设置好相应的参数,包括迭代次数、学习率,利用数据库中处理好的75%弹道轨迹数据集对模型进行训练;最后得到训练好的模型,即可实现对拦截点的预测。
本发明进一步的技术方案:步骤1所述的巡航弹—拦截弹作战场景模型:
本发明进一步的技术方案:步骤3中归一化操作:
其中,x是样本值,代表拦截弹的三维坐标值,xmin为样本值最小值,xmax为样本值最大值,xnormlization为归一化之后的样本值。
有益效果
本发明将长短时记忆(Long short-term memory,LSTM)网络引入导弹拦截点预测问题。其次,利用LSTM神经网络强大的时间序列分类与预测能力,设计智能化的方法实现对轨迹簇的分类;最后,利用神经网络预测方法实现对导弹飞行轨迹的预测与评估,从而实现提前掌握空战战场的态势变化,根据拦截弹前一段时间的运动状态来求解拦截点时刻以及拦截点,从而构建出适用于现代复杂空战战场的拦截点预测模型,克服了目前拦截点预测模型假设条件过多、鲁棒性较差、以及DNN网络对导弹轨迹时序序列处理效果不好等问题。有益效果如下:
(1)克服了传统的基于弹目运动方程的几何解析法中存在的作战假设场景过多、适用场景不强、鲁棒性较差的问题。本发明提出的方法基于深度学习技术,可更好的适应现代战场高动态、强干扰的环境。
(2)克服了现有的基于DNN的拦截点预测方法中对于导弹轨迹时序数据处理效果不好,精度不高以及训练过程中容易导致梯度爆炸或消失的问题。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1是算法流程图。
图2是本发明提出的网络结构图。
图3是拦截点预测图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图和实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。此外,下面描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明基于LSTM网络的导弹拦截点预测模型构建流程图如图1所示,利用实例说明本发明的具体实施方式,但本发明的技术内容不限于所述的范围,具体实施方式包括以下步骤:
(1)建立巡航弹—拦截弹攻防对抗场景。其中巡航弹沿预设弹道匀速直线运动,拦截弹采用比例导引法打击巡航弹目标。拦截弹的运动学模型如下:
(2)基于巡航弹—拦截弹作战场景建立拦截弹弹道数据库。以某型号巡航弹作为进攻弹,某型号防空导弹作为拦截弹,拦截弹发射点为原点固定点,并随机生成服从均匀分布的不同弹道倾角(θ∈(40°,51°))和不同的发射速度下的拦截弹道。巡航导弹沿预设弹道匀速直线飞行。拦截弹每一组不同的倾角和速度初始设定值作为初始发射条件,对每条弹道分别进行攻防仿真,一共生成960条标准弹道。
(3)建立数据集。因为在弹目相对运动刚开始时,敌我双方距离过远,我方探测器很难探测到敌方拦截弹,因此取拦截弹的轨迹坐标从第900个点开始,第1600个点作为结束。将轨迹的前900-1600个点作为本发明神经网络模型的时序输入,将弹道按照拦截点的三维空间位置距离进行标注分类,共8个类。然后对得到的样本数据进行预处理,将弹道数据进行归一化,方便计算,归一化数学描述如下:
其中,x是样本值,在本发明中代表拦截弹的三维坐标值,xmin为样本值最小值,xmax为样本值最大值,xnormlization为归一化之后的样本值。然后用其中720条弹道,占总数75%的数据作为神经网络的训练集,另外240条弹道,占总数25%的数据作为测试集。
(4)建立基于LSTM网络的拦截点预测模型。本发明提出的拦截点预测模型的输入为拦截弹:xm、ym、zm,这三个位置参数的时序序列,模型的输出值为拦截点的类型,然后通过此输出得到拦截点的坐标(xp,yp,zp)和拦截时刻tp,设计的网络输入层节点为3,输出层节点为1,表示输出此时轨迹的类别。网络具体结构如图2所示,其包含一个输入层,两个LSTM层,一个全连接层,一个Softmax层然后接输出。输入层包含3个输入为拦截弹的三维坐标(xm,ym,zm);第一个LSTM层内含100个神经元,输出为100维;第二个LSTM层输入为100维,内含100个神经元,输出为100维;全连接层含100个神经元,输出为8维;最后接一个Softmax层,输出分类的结果,为一维。
(5)基于LSTM网络的导弹拦截点预测网络的训练。训练次数为400轮,每一轮训练迭代1次,初始学习率设置为0.1,在100轮训练之后变为0.01,最小批次为128,在单CPU上进行训练。最后将训练好的网络进行保存。
(6)利用训练好的网络进行预测。取拦截弹初始参数速度:v=1.5Ma,弹道倾角:θ=49.15°,弹道偏角:拦截弹采用比例导引方式拦截巡航弹。最后得到拦截弹的理论拦截点和用本发明预测到的拦截点如图3所示。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明公开的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (3)
1.一种基于LSTM网络的导弹拦截点预测方法,其特征在于步骤如下:
步骤1:建立巡航弹—拦截弹作战场景模型;巡航弹沿预设弹道匀速直线运动,拦截弹采用比例导引法打击巡航弹目标,定义拦截弹朝向目标方向运动为“正方向”,巡航弹飞行方向为“负方向”;
步骤2:基于巡航弹—拦截弹作战场景建立拦截弹弹道数据库;将拦截弹发射点设置为固定原点,并随机生成服从均匀分布的不同弹道倾角和不同发射速度下的拦截弹弹道;
步骤3:建立数据集;根据建立的弹道数据库,按照拦截点的类型对其进行分类标注;然后将每条轨迹中900-1600个点的数据进行归一化操作,作为模型的时序输入;将得到的样本数据进行预处理,用其中720条弹道,占总数75%的数据作为神经网络的训练集,另外240条弹道,占总数25%的数据作为测试集;
步骤4:建立基于LSTM网络的拦截点预测模型;所述的拦截点预测模型由输入层、两个LSTM层、一个全连接层、一个Softmax层以及一个输出层构成;利用巡航弹导引头能够获得的敌方拦截弹的空间位置信息作为模型的输入,拦截点类型作为模型的输出,从而对拦截点位置进行预测;
步骤5:基于LSTM网络的拦截点预测网络训练;设置好相应的参数,包括迭代次数、学习率,利用数据库中处理好的75%弹道轨迹数据集对模型进行训练;最后得到训练好的模型,即可实现对拦截点的预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210266734.9A CN114819055A (zh) | 2022-03-12 | 2022-03-12 | 一种基于lstm网络的导弹拦截点预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210266734.9A CN114819055A (zh) | 2022-03-12 | 2022-03-12 | 一种基于lstm网络的导弹拦截点预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114819055A true CN114819055A (zh) | 2022-07-29 |
Family
ID=82528401
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210266734.9A Pending CN114819055A (zh) | 2022-03-12 | 2022-03-12 | 一种基于lstm网络的导弹拦截点预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114819055A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102022001285A1 (de) | 2022-04-13 | 2023-10-19 | Diehl Defence Gmbh & Co. Kg | Verfahren zum Lenken eines Flugkörpers |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642122A (zh) * | 2021-07-29 | 2021-11-12 | 中国人民解放军战略支援部队信息工程大学 | 基于单面射表的远程拦截发射诸元获取方法及系统 |
-
2022
- 2022-03-12 CN CN202210266734.9A patent/CN114819055A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642122A (zh) * | 2021-07-29 | 2021-11-12 | 中国人民解放军战略支援部队信息工程大学 | 基于单面射表的远程拦截发射诸元获取方法及系统 |
Non-Patent Citations (1)
Title |
---|
张露、苏雨、张科、郭正玉: "基于LSTM的导弹拦截点预测研究", 《航空兵器》, 13 January 2022 (2022-01-13), pages 2 - 9 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102022001285A1 (de) | 2022-04-13 | 2023-10-19 | Diehl Defence Gmbh & Co. Kg | Verfahren zum Lenken eines Flugkörpers |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20080206718A1 (en) | Apparatus, method and computer program product for weapon flyout modeling and target damage assessment | |
CN110412874B (zh) | 针对机动目标和时延通信的多导弹协同制导律设计方法 | |
CN109737812B (zh) | 空对地制导武器侧向攻击方法和装置 | |
CN113139331A (zh) | 一种基于贝叶斯网络的空空导弹态势感知与决策方法 | |
CN114020021B (zh) | 一种多导弹分布式协同制导律的设计方法及系统 | |
CN114819055A (zh) | 一种基于lstm网络的导弹拦截点预测方法 | |
Wang et al. | Deep reinforcement learning-based impact time control guidance law with constraints on the field-of-view | |
CN111176315A (zh) | 一种基于l1自适应控制的变体巡飞弹控制方法 | |
CN107917646B (zh) | 一种基于目标终端可达区预测的红外空空导弹抗干扰制导方法 | |
CN114153143B (zh) | 一种导弹非奇异固定时间滑模制导律的设计方法 | |
CN109376364B (zh) | 基于扩展卡尔曼滤波的高速旋转弹气动参数辨识方法 | |
CN116294811A (zh) | 基于多目标狼群算法的武装直升机火飞协同机制分析方法 | |
CN116360489A (zh) | 一种基于成型制导律的协同中制导律设计方法 | |
Yang et al. | Ballistic missile maneuver penetration based on reinforcement learning | |
Weilin et al. | Decision-making of one-on-one beyond-visual-range air combat based on improved q-network | |
Li et al. | Generation method of autonomous evasive maneuver strategy in air combat | |
CN114202185A (zh) | 一种高功率微波武器协同防空的体系贡献率评估方法 | |
CN106643298A (zh) | 一种基于预置命中点的大气层内反导拦截器中制导方法 | |
CN116337086B (zh) | 无人机网捕最优捕获位置计算方法、系统、介质及终端 | |
Bai et al. | Dynamic Performance Evaluation of Air-to-Air Missiles Based on Deep Learning | |
Peng et al. | Competitor Matching Method for Penetration Control Based on Deep Learning | |
Li et al. | Impact of tactical parameters of aircraft on jamming effectiveness of surface-source IR Decoy | |
Zhang et al. | Prediction Technology of Uncontrolled Ammunition Landing Point Based on Bi-LSTM | |
CN113885557A (zh) | 一种基于时空大机动目标的非线性预测制导律构建方法 | |
Jisi et al. | Simulation for two-dimensional trajectory correction projectile with fixed-canard based on modified proportional navigation |
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 |