CN116300468A - 一种基于神经网络类机理建模的导弹制导控制一体化方法 - Google Patents

一种基于神经网络类机理建模的导弹制导控制一体化方法 Download PDF

Info

Publication number
CN116300468A
CN116300468A CN202310342707.XA CN202310342707A CN116300468A CN 116300468 A CN116300468 A CN 116300468A CN 202310342707 A CN202310342707 A CN 202310342707A CN 116300468 A CN116300468 A CN 116300468A
Authority
CN
China
Prior art keywords
neural network
missile
model
control
guidance control
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
Application number
CN202310342707.XA
Other languages
English (en)
Inventor
谭天乐
史树峰
孙晓晖
张万超
何永宁
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.)
Shanghai Aerospace Control Technology Institute
Original Assignee
Shanghai Aerospace Control Technology Institute
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 Shanghai Aerospace Control Technology Institute filed Critical Shanghai Aerospace Control Technology Institute
Priority to CN202310342707.XA priority Critical patent/CN116300468A/zh
Publication of CN116300468A publication Critical patent/CN116300468A/zh
Pending legal-status Critical Current

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
    • 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)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于神经网络类机理建模的导弹制导控制一体化方法，包括：在连续时间系统中，建立铅垂平面导弹制导控制一体化模型；根据铅垂平面导弹制导控制一体化的动力学方程，建立离散时间系统中的状态转移方程；建立神经网络拟合动力学模型的数据集，通过神经网络回归计算，收敛得到的神经网络参数模型作为导弹控制系统的非机理拟合模型；根据神经网络参数模型，得到在控制周期内使用的制导控制一体化类机理模型。本发明方法用控制过程的输入输出数据进行时变控制系统自建模，同时保证模型与机理方法等价，建模结果可用于离散时间的系统控制，建模原理具备可解释性和可信性。

Description

一种基于神经网络类机理建模的导弹制导控制一体化方法
技术领域
本发明涉及导弹制导控制技术，具体涉及一种基于神经网络类机理建模的导弹制导控制一体化方法。
背景技术
导弹拦截末端弹目关系剧烈变化，特别是目标具备机动能力时，导弹气动也会有较大变化，控制系统难以满足制导系统的快速响应要求。将制导系统与控制系统同时设计，可以最大程度去除制导与控制系统间的耦合，提高导弹拦截的敏捷反应能力，减小脱靶量。然而制导控制一体化设计面临气动特性和目标特性的不确定性，给控制系统带来复杂的非线性影响，且拦截末端系统状态变化快，系统模型参数有时变、不确定性，对控制系统设计带来不利影响。
时变复杂控制系统的控制难度主要来自于控制系统模型难以跟踪，一般机理建模方法从物理规律出发，只能有限地对控制对象和环境进行量化，如果过分追求建模精度，则会大幅增加模型复杂度，给控制率设计带来困难。而实际工程控制中，一般以离散时间系统实现对象控制，如果能够尽可能地跟踪当前系统模型，则可以利用前馈补偿的方法实现系统的高精度控制，同时对系统的外部扰动具有较好的鲁棒性。
发明内容
本发明所要解决的技术问题是：本发明的目的是提供一种对导弹制导控制一体化这种时变系统在线地进行动力学自建模的方法，实现拟合模型与机理模型同构表达，保证制导控制过程具有足够的可信性和可解释性。
为了实现以上目的，本发明通过以下技术方案实现：一种基于神经网络类机理建模的导弹制导控制一体化方法，包括：
在连续时间系统中，建立铅垂平面弹目视线坐标系下的铅垂平面导弹制导控制一体化模型；
根据铅垂平面导弹制导控制一体化的动力学方程，建立离散时间系统中的状态转移方程；
建立神经网络拟合动力学模型的数据集，通过神经网络回归计算，收敛得到的神经网络参数模型作为导弹控制系统的非机理拟合模型；
根据神经网络参数模型，得到在控制周期内使用的制导控制一体化类机理模型。
所述的一种基于神经网络类机理建模的导弹制导控制一体化方法，还包括：利用制导控制一体化类机理模型，设计导弹在离散空间的控制回路，形成导弹制导控制闭环回路。
进一步的，所述铅垂平面弹目视线坐标系下的铅垂平面导弹制导控制一体化模型为：
Figure BDA0004158529210000021
其中，视线倾角变化率
Figure BDA0004158529210000022
ε为视线倾角；α为导弹攻角，/>
Figure BDA0004158529210000023
为导弹俯仰角，u＝δz,/>
Figure BDA0004158529210000024
c12＝-yα/R,c22＝-yα/V,c32＝mα,/>
Figure BDA0004158529210000025
V为导弹速度，R＝[R0 0]T为相对位置，δz为导弹俯仰舵偏角，ωz为俯仰角速率；yα为相对于攻角的升力系数，mα、
Figure BDA0004158529210000026
和/>
Figure BDA0004158529210000027
分别是相对于攻角、俯仰角速率和俯仰舵偏角的力矩系数，Δα和Δω均为气动未建模不确定性，Δε为目标机动造成的不确定性。
进一步的，所述建立离散时间系统中的状态转移方程，包括：
利用状态反馈线性化方法，进行状态和输入的变换，得到新的可控线性系统，求解新的可控线性系统，并离散化后得到状态转移方程：
Xk+1＝Ak+1,kXk+Bk+1,kUk+Hk+1,kDk，
其中，Xk和Xk+1分别为k时刻和k+1时刻的系统状态；Ak+1,k为k时刻到k+1时刻的状态转移矩阵；Uk为k时刻控制量；Bk+1,k为k时刻到k+1时刻的控制作用系数矩阵，Dk为系统不确定性度量，Hk+1,k不确定性系数矩阵。
进一步的，所述建立神经网络拟合动力学模型的数据集，通过神经网络回归计算，收敛得到的神经网络参数模型作为导弹控制系统的非机理拟合模型，包括：
从当前k时刻，采样当前状态量xk，并回溯控制过程的n个控制周期，得到控制前状态量数据xk-n,xk-n+1,...,xk-1，控制量数据uk-n,uk-n+1,...,uk-1，以及控制后状态量数据xk-n+1,xk-n+2,...,xk，形成神经网络拟合动力学模型的数据集，进行神经网络回归计算，根据具体物理过程特性，调整神经网络结构，计算收敛得到的神经网络参数模型即为制导控制系统的非机理拟合模型。
进一步的，所述神经网络回归计算中采用的基于四层神经网络结构的神经网络输入输出关系为：
O＝fo(W2ofh2(W12f1(Wi1I+Bh1)+Bh2)+Bo)，
其中，I为输入向量，O为输出向量；fh1(·)、fh2(·)、fo(·)分别为2个隐含层、1个输出层神经元激励函数，各层神经元之间连接权值矩阵为Wi1，W12，W2o；各层神经元偏置向量分别为Bh1，Bh2，Bo。
进一步的，所述根据神经网络参数模型，得到在控制周期内使用的制导控制一体化类机理模型，包括：
S6.1，对神经元激励函数进行线性化：
对神经元激励函数在神经元输入值处进行求导，将神经元激励函数线性变换成f(x)＝s0+s1x的形式，其中，x为激励函数输入变量，s0和s1根据不同种类的激励函数有对应的取值；
S6.2，用线性化的激励函数f(x)重新构造神经网络前向传播的输入输出关系；
S6.3，将神经网络输入输出关系表达式与离散状态转移方程表达式相比较，得到：
Xk+1＝Ak+1,kXk+Bk+1,kUk+Hk+1,kDk，
当
Figure BDA0004158529210000041
O＝Xk+1时，则制导控制一体化类机理模型方程表示为
Figure BDA0004158529210000042
其中，
Figure BDA0004158529210000043
为拟合得到的系统状态矩阵，/>
Figure BDA0004158529210000044
为拟合得到的控制作用系数阵，
Figure BDA0004158529210000045
为模型不确定性补偿项。
进一步的，所述用线性化的激励函数f(x)重新构造神经网络前向传播的输入输出关系式为：
Figure BDA0004158529210000046
其中，
Figure BDA0004158529210000047
D＝So,0+So,1.*(W2o(S2,0+S2,1.*(W12(S1,0+S1,1.*Bh1)+Bh2))+Bo)，
S1,0，S2,0，So,0分别为2个隐含层和1个输出层上激活函数线性化系数s0组成的向量；S1,1，S2,1，So,1分别为2个隐含层和1个输出层上激活函数线性化系数s1组成的向量；.*表示矩阵对应元素相乘运算。
一种根据所述基于神经网络类机理建模的导弹制导控制一体化方法的控制系统，包括：
第一模块，用于在连续时间系统中，建立铅垂平面弹目视线坐标系下的铅垂平面导弹制导控制一体化模型；
第二模块，用于根据铅垂平面导弹制导控制一体化的动力学方程，建立离散时间系统中的状态转移方程；
第三模块，用于建立神经网络拟合动力学模型的数据集，通过神经网络回归计算，收敛得到的神经网络参数模型作为导弹控制系统的非机理拟合模型；
第四模块，用于根据神经网络参数模型，得到在控制周期内使用的制导控制一体化类机理模型。
进一步的，所述第四模块还包括：利用制导控制一体化类机理模型，设计导弹在离散空间的控制回路，形成导弹制导控制闭环回路。
本发明与现有技术相比的优点是：
(1)本发明的状态跟踪精度高，对系统参数、外部扰动能够在线进行拟合和建模修正，具有较强的鲁棒性。
本发明考虑制导控制系统在控制作用下不断进行状态跟踪或变化，以控制作用和系统状态组成学习样本，通过实时在线的学习训练对制导控制系统进行神经网络拟合建模。利用神经网络的参数进行受控对象类机理模型的反演和参数的动态辨识与跟踪。控制过程中，整个控制策略不变，每个控制周期对系统模型进行更新，将一些难以模型化的气动特性和目标状态变化都即时建模，实现了系统建模的自适应，保证了控制精度。
(2)本发明的神经网络拟合类机理模型在形式上与机理模型同构，控制过程有可解释性，提高了控制的可信性。
本发明通过对制导控制一体化过程的神经网络拟合，将神经网络参数化模型与离散时间的状态转移方程形式之间建立了数学同构关系，解决了一般神经网络应用于控制过程时，只能对部分无物理解释的参数进行优化的缺陷。本方法利用等价数学表达形式，获取动力学系统自身演变和受控作用下的状态转移规律，完成了运动状态受控转移过程机理/类机理模型的建模。
(3)本发明的方法简单有效，适应性强。
本发明的神经网络类机理自建模方法由系统控制输入输出决定，能够在较短控制周期数内对系统参数变化进行跟踪，对同一个制导控制一体化系统，能够适应大幅度的系统参数变化，不需要额外的结构调整。
附图说明
图1为制导控制一体化的神经网络类机理建模方法原理图；
图2为弹目坐标系关系图；
图3为神经网络连接示意图。
具体实施方式
以下将结合附图和实施例对本发明作进一步地描述。
如图1所示，本实施例提供一种导弹制导控制一体化的神经网络类机理建模方法，包括：
一、在连续时间系统中，建立制导控制一体化的动力学方程。
在三维空间中，构建导弹-拦截目标的运动模型，如图2所示，其中o-xyz和o-x1y1z1分别表示参考惯性坐标系和视线坐标系，ar为弹-目相对加速度，Vr为相对速度，R为相对位置，Ω为坐标系o-x1y1z1相对于o-xyz的角速度，Ω×为向量Ω张成的斜对角矩阵。
根据弹-目运动学关系，有
Figure BDA0004158529210000071
在视线坐标系中R＝[R 0 0]T，角速度Ω为
Figure BDA0004158529210000072
其中，ε表示视线倾角，η表示视线偏角，因此相对速度为
Figure BDA0004158529210000073
其中，Vrx、Vry、Vrz分别为相对速度Vr在坐标系的三轴分量。
整理式(1)、(2)和(3)后得到相对加速度ar
Figure BDA0004158529210000074
其中arx、ary、arz分别为相对加速度ar在视线坐标系的三轴分量。
将视线坐标系中导弹和目标的加速度分别表示为am＝[amx1 amy1 amz1]T和at＝[atx1aty1 atz1]T，amx1,amy1,amz1分别为am的三轴分量，atx1,aty1,atz1分别为at的三轴分量，此时弹-目相对动力学模型可表示为
Figure BDA0004158529210000081
由于制导控制一体化设计同时考虑了目标机动和导弹的气动模型，模型有复杂的非线性，可以分解铅垂面和水平面的制导控制，本发明的方法以铅垂面的俯仰运动为主进行讨论，弹目相对运动方程为
Figure BDA0004158529210000082
其中，视线倾角变化率
Figure BDA0004158529210000083
aθ＝amθ，θ为导弹的速度方向。
导弹俯仰运动动力学方程为
Figure BDA0004158529210000084
其中，m为导弹质量，V为导弹速度，Y为升力，Y是导弹攻角α和导弹俯仰舵偏角δz的函数，Δ为导弹推力和重力对导弹加速度作用，P为导弹推力，g为重力加速度，
Figure BDA0004158529210000085
为导弹俯仰角，ωz为俯仰角速率，Jz为导弹俯仰方向转动惯量，M为俯仰力矩。
由于俯仰舵对升力的作用较小，可以得到线性化表达式
Figure BDA0004158529210000086
其中，yα为对于攻角的升力系数，ΔY为升力的未建模影响，mα、
Figure BDA0004158529210000091
和/>
Figure BDA0004158529210000092
分别是对于攻角、俯仰角速率和俯仰舵偏角的力矩系数，ΔM为俯仰力矩的未建模影响。
综合弹目运动方程(6)和导弹动力学方程(7)可得制导控制一体化模型
Figure BDA0004158529210000093
其中，u＝δz,
Figure BDA0004158529210000094
c12＝-yα/R,c22＝-yα/V,c32＝mα,/>
Figure BDA0004158529210000095
u为变量，c11,c12,c22,c32,c33,b均为系数；
模型不确定性项为
Figure BDA0004158529210000096
其中，Δα和Δω均为气动未建模不确定性，Δε为目标机动造成的不确定性。
二、建立离散时间系统中的状态转移方程。
将制导控制一体化方程转化为状态空间形式，然后求解状态空间方程。
根据状态反馈线性化方法，对式(8)进行如下的状态变换
Figure BDA0004158529210000097
和输入变换
Figure BDA0004158529210000101
其中，角度参数
Figure BDA0004158529210000104
Ψ(ωε,α,ωz)为关于ωε,α,ωz的函数；得到新的可控线性系统
Figure BDA0004158529210000102
其中，x1、x2、x3分别为状态量，ν为控制量；
求解此线性系统，并离散化后得到状态转移方程
Xk+1＝Ak+1,kXk+Bk+1,kUk+Hk+1,kDk (12)
其中
Figure BDA0004158529210000103
其中τ为控制周期。
其中，Xk和Xk+1分别为k时刻和k+1时刻的系统状态；Ak+1,k为k时刻到k+1时刻的状态转移矩阵；Uk为k时刻控制量；Bk+1,k为k时刻到k+1时刻的控制作用系数矩阵，Dk为系统不确定性度量，Hk+1,k不确定性系数矩阵。
三、在当前k时刻控制周期，用神经网络拟合制导控制一体化参数化模型。
对于当前k时刻，采样当前状态量xk，并回溯控制过程的n个控制周期，得到控制前状态量数据xk-n,xk-n+1,...,xk-1，控制量数据uk-n,uk-n+1,...,uk-1，以及控制后状态量数据xk-n+1,xk-n+2,...,xk，形成神经网络拟合动力学模型的数据集，进行神经网络回归计算；k为正整数。
神经网络设计为前向全连接神经网络。如图3所示，不失一般性，采用典型四层神经网络结构，即1个输入层、2个隐含层、1个输出层。n个输入组成输入向量I，r个输出组成输出向量O。隐含层1、2分别有p、q个神经元，n为正整数。
则各层神经元输入分别为
H1,in＝[h11,in,h12,in,…,h1p,in]T，H2,in＝[h21,in,h22,in,…,h2q,in]T，
Yin＝[y1,in,y2,in,…,yr,in]T；
各层神经元输出分别为
H1,out＝[h11,out,h12,out,…,h1p,out]T，H2,out＝[h21,out,h22,out,…,h2q,out]T，
Y＝[y1,out,y2,out,…,yr,out]T；
各层神经元之间连接权值分别为
wi1,ij(i＝1,2,…,n；j＝1,2,…,p)，w12,jk(j＝1,2,…,p；k＝1,2,…,q)，
w2o,kl(k＝1,2,…,q；l＝1,2,…,r)；
各层神经元偏置为
Bh1＝[bh1,1,bh1,2,…bh1,p]T，Bh2＝[bh2,1,bh2,2,…bh2,q]T，Bo＝[bo,1,bo,2,…bo,r]T；
隐含层、输出层神经元激励函数分别为fh1(·)、fh2(·)、fo(·)；各层神经元之间连接权值矩阵为Wi1，W12，W2o；各层神经元偏置向量分别为Bh1，Bh2，Bo。
神经网络中单个神经元的输入、输出分别为：
Figure BDA0004158529210000111
hout,j＝f(hin,j),j＝1,2,…,p
对隐含层1，有
H1,in＝[h11,in h12,in…h1p,in]T＝Wi1X+Bh1
H1,out＝[h11,out h12,out…h1p,out]T＝fh1(H1,in)
对隐含层2，有
H2,in＝[h21,in h22,in…h2q,in]T＝Wh2H1,out+Bh2
H2,out＝[h21,out h22,out…h2q,out]T＝fh2(H2,in)
输出层采用pureline神经元。各神经元输出表达式如下：
Figure BDA0004158529210000121
则有
O＝[y1 y2…yr]T＝fo(Oin)＝Oin＝W2oH2,out+Bo
由前向传播算法，易知整个神经网络的输入输出关系为
O＝fo(W2o*fh2(W12*f1(Wi1*I+Bh1)+Bh2)+Bo) (13)
神经网络的结构可根据具体情况进行调整，在本控制周期内，由历史状态量和控制量数据组成数据集，用神经网络回归计算，得到参数化的神经网络形式模型，由于网络模型完全由输入输出数据拟合得到，是一种非机理形式的建模过程，因此成为制导控制一体化非机理模型。
四、将神经网络参数化非机理模型，通过数学形式同构等价转化为离散状态转移类机理模型。
为实现神经网络向机理模型的同构等价转换，对神经元激励函数在神经元输入值处进行求导，将神经元激励函数线性变换成如下形式
f(x)＝s0+s1x (14)
其中f(x)为线性激励函数，x为激励函数输入变量，s0和s1为线性化系数。
1)若神经元激励函数为Sigmoid函数：
Figure BDA0004158529210000131
若将其进行等效动态线性化转化为f(x)＝s0+s1x形式，则有
Figure BDA0004158529210000132
Figure BDA0004158529210000133
2)若神经元激励函数为tanh函数：
Figure BDA0004158529210000134
若对其同样进行等效动态线性化转化为f(x)＝s0+s1x形式，
则有
Figure BDA0004158529210000135
Figure BDA0004158529210000136
3)若神经元激励函数为Purelin函数：p(x)＝x
其已是线性函数，对应线性化系数
s0＝0,s1＝1
类似可以得到其他类型神经元激励函数的动态线性化系数。
将式(14)代入神经网络的前向传播过程中。
隐含层1输出(p×1维)：
H1,out＝fh1(H1,in)＝S1,0+S1,1.*H1,in＝S1,0+S1,1.*(Wi1X+Bh1)
隐含层2输出(q×1维)：
H2,out＝fh2(H2,in)＝S2,0+S2,1.*H2,in＝S2,0+S2,1.*(W12H2,in+Bh2)
输出层输出(r×1维)：
O＝fo(W2oH2,out+Bo)＝So,1.*W2oS2,1.*W12S1,1.*Wi1X+So,0+So,1.*(W2o(S2,0+S2,1.*(W12(S1,0+S1,1.*Bh1)+Bh2))+Bo)
其中，其中S1,0，S2,0，So,0分别为2个隐含层和1个输出层上激活函数线性化系数s0组成的向量，S1,1，S2,1，So,1分别为2个隐含层和1个输出层上激活函数线性化系数s1组成的向量，.*表示矩阵对应元素相乘运算。
S1,0＝[a10,1 a10,2…a10,p]T；S1,1＝[a11,1 a11,2…a11,p]T
S2,0＝[a20,1 a20,2…a20,q]T；S2,1＝[a21,1 a21,2…a21,q]T
So,0＝[ao0,1 ao0,2…ao0,r]T；So,1＝[ao1,1 ao1,2…ao1,r]T
经过形式的变换，则神经网络输出式(13)可表示成
Figure BDA0004158529210000141
其中
Figure BDA0004158529210000142
D＝So,0+So,1.*(W2o(S2,0+S2,1.*(W12(S1,0+S1,1.*Bh1)+Bh2))+Bo)
将式(15)与离散状态转移方程形式的机理模型式(12)相比较
Xk+1＝Ak+1,kXk+Bk+1,kUk+Hk+1,kDk
当
Figure BDA0004158529210000143
O＝Xk+1，则机理模型方程可表示为
Figure BDA0004158529210000144
其中，
Figure BDA0004158529210000145
为拟合得到的系统状态矩阵，/>
Figure BDA0004158529210000146
为拟合得到的控制作用系数阵。
Figure BDA0004158529210000147
为模型不确定性补偿项。
所述的步骤四中，将神经网络非机理模型进行等价数学表达形式转化，通过对神经元激励函数的局部和动态线性化，将神经网络参数转化为与机理模型在形式上一致的状态转移形式的离散方程，即通过神经网络拟合完成当前控制周期内的制导控制系统自建模。
五、利用制导控制一体化类机理模型，替代从物理原理出发的建模，用于导弹在离散空间的控制回路设计，形成自生成、自更新的控制闭环回路。
一种根据上述基于神经网络类机理建模的导弹制导控制一体化方法的控制系统，包括：
第一模块，用于在连续时间系统中，建立铅垂平面弹目视线坐标系下的铅垂平面导弹制导控制一体化模型；
第二模块，用于根据铅垂平面导弹制导控制一体化的动力学方程，建立离散时间系统中的状态转移方程；
第三模块，用于建立神经网络拟合动力学模型的数据集，通过神经网络回归计算，收敛得到的神经网络参数模型作为导弹控制系统的非机理拟合模型；
第四模块，用于根据神经网络参数模型，得到在控制周期内使用的制导控制一体化类机理模型。
进一步的，所述第四模块还包括：利用制导控制一体化类机理模型，设计导弹在离散空间的控制回路，形成导弹制导控制闭环回路。
本发明虽然已以较佳实例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。

Claims (10)

1.一种基于神经网络类机理建模的导弹制导控制一体化方法，其特征在于，包括：
在连续时间系统中，建立铅垂平面弹目视线坐标系下的铅垂平面导弹制导控制一体化模型；
根据铅垂平面导弹制导控制一体化的动力学方程，建立离散时间系统中的状态转移方程；
建立神经网络拟合动力学模型的数据集，通过神经网络回归计算，收敛得到的神经网络参数模型作为导弹控制系统的非机理拟合模型；
根据神经网络参数模型，得到在控制周期内使用的制导控制一体化类机理模型。
2.根据权利要求1所述的一种基于神经网络类机理建模的导弹制导控制一体化方法，其特征在于，还包括：利用制导控制一体化类机理模型，设计导弹在离散空间的控制回路，形成导弹制导控制闭环回路。
3.根据权利要求1所述基于神经网络类机理建模的导弹制导控制一体化方法，其特征在于：所述铅垂平面弹目视线坐标系下的铅垂平面导弹制导控制一体化模型为：
Figure FDA0004158529170000011
其中，视线倾角变化率
Figure FDA0004158529170000012
ε为视线倾角；α为导弹攻角，θ为导弹俯仰角，u＝δz,
Figure FDA0004158529170000013
c12＝-yα/R,c22＝-yα/V,c32＝mα,/>
Figure FDA0004158529170000014
V为导弹速度，R＝[R 00]T为相对位置，δz为导弹俯仰舵偏角，ωz为俯仰角速率；yα为相对于攻角的升力系数，mα、
Figure FDA0004158529170000021
和/>
Figure FDA0004158529170000022
分别是相对于攻角、俯仰角速率和俯仰舵偏角的力矩系数，Δα和Δω均为气动未建模不确定性，Δε为目标机动造成的不确定性。
4.根据权利要求1所述基于神经网络类机理建模的导弹制导控制一体化方法，其特征在于：所述建立离散时间系统中的状态转移方程，包括：
利用状态反馈线性化方法，进行状态和输入的变换，得到新的可控线性系统，求解新的可控线性系统，并离散化后得到状态转移方程：
Xk+1＝Ak+1,kXk+Bk+1,kUk+Hk+1,kDk，
其中，Xk和Xk+1分别为k时刻和k+1时刻的系统状态；Ak+1,k为k时刻到k+1时刻的状态转移矩阵；Uk为k时刻控制量；Bk+1,k为k时刻到k+1时刻的控制作用系数矩阵，Dk为系统不确定性度量，Hk+1,k不确定性系数矩阵。
5.根据权利要求1所述基于神经网络类机理建模的导弹制导控制一体化方法，其特征在于：所述建立神经网络拟合动力学模型的数据集，通过神经网络回归计算，收敛得到的神经网络参数模型作为导弹控制系统的非机理拟合模型，包括：
从当前k时刻，采样当前状态量xk，并回溯控制过程的n个控制周期，得到控制前状态量数据xk-n,xk-n+1,...,xk-1，控制量数据uk-n,uk-n+1,...,uk-1，以及控制后状态量数据xk-n+1,xk-n+2,...,xk，形成神经网络拟合动力学模型的数据集，进行神经网络回归计算，根据具体物理过程特性，调整神经网络结构，计算收敛得到的神经网络参数模型即为制导控制系统的非机理拟合模型。
6.根据权利要求5所述基于神经网络类机理建模的导弹制导控制一体化方法，其特征在于：所述神经网络回归计算中采用的基于四层神经网络结构的神经网络输入输出关系为：
O＝fo(W2ofh2(W12f1(Wi1I+Bh1)+Bh2)+Bo)，
其中，I为输入向量，O为输出向量；fh1(·)、fh2(·)、fo(·)分别为2个隐含层、1个输出层神经元激励函数，各层神经元之间连接权值矩阵为Wi1，W12，W2o；各层神经元偏置向量分别为Bh1，Bh2，Bo。
7.根据权利要求1所述基于神经网络类机理建模的导弹制导控制一体化方法，其特征在于，所述根据神经网络参数模型，得到在控制周期内使用的制导控制一体化类机理模型，包括：
S6.1，对神经元激励函数进行线性化：
对神经元激励函数在神经元输入值处进行求导，将神经元激励函数线性变换成f(x)＝s0+s1x的形式，其中，x为激励函数输入变量，s0和s1根据不同种类的激励函数有对应的取值；
S6.2，用线性化的激励函数f(x)重新构造神经网络前向传播的输入输出关系；
S6.3，将神经网络输入输出关系表达式与离散状态转移方程表达式相比较，得到：
Xk+1＝Ak+1,kXk+Bk+1,kUk+Hk+1,kDk，
当
Figure FDA0004158529170000031
O＝Xk+1时，则制导控制一体化类机理模型方程表示为
Figure FDA0004158529170000032
其中，
Figure FDA0004158529170000033
为拟合得到的系统状态矩阵，/>
Figure FDA0004158529170000034
为拟合得到的控制作用系数阵，
Figure FDA0004158529170000035
为模型不确定性补偿项。
8.根据权利要求7所述基于神经网络类机理建模的导弹制导控制一体化方法，其特征在于，所述用线性化的激励函数f(x)重新构造神经网络前向传播的输入输出关系式为：
Figure FDA0004158529170000041
其中，
Figure FDA0004158529170000042
D＝So,0+So,1.*(W2o(S2,0+S2,1.*(W12(S1,0+S1,1.*Bh1)+Bh2))+Bo)，
S1,0，S2,0，So,0分别为2个隐含层和1个输出层上激活函数线性化系数s0组成的向量；S1,1，S2,1，So,1分别为2个隐含层和1个输出层上激活函数线性化系数s1组成的向量；.*表示矩阵对应元素相乘运算。
9.一种根据权利要求1～8任一所述基于神经网络类机理建模的导弹制导控制一体化方法的控制系统，其特征在于，包括：
第一模块，用于在连续时间系统中，建立铅垂平面弹目视线坐标系下的铅垂平面导弹制导控制一体化模型；
第二模块，用于根据铅垂平面导弹制导控制一体化的动力学方程，建立离散时间系统中的状态转移方程；
第三模块，用于建立神经网络拟合动力学模型的数据集，通过神经网络回归计算，收敛得到的神经网络参数模型作为导弹控制系统的非机理拟合模型；
第四模块，用于根据神经网络参数模型，得到在控制周期内使用的制导控制一体化类机理模型。
10.根据权利要求9所述的控制系统，其特征在于，所述第四模块还包括：利用制导控制一体化类机理模型，设计导弹在离散空间的控制回路，形成导弹制导控制闭环回路。
CN202310342707.XA 2023-03-31 2023-03-31 一种基于神经网络类机理建模的导弹制导控制一体化方法 Pending CN116300468A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310342707.XA CN116300468A (zh) 2023-03-31 2023-03-31 一种基于神经网络类机理建模的导弹制导控制一体化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310342707.XA CN116300468A (zh) 2023-03-31 2023-03-31 一种基于神经网络类机理建模的导弹制导控制一体化方法

Publications (1)

Publication Number Publication Date
CN116300468A true CN116300468A (zh) 2023-06-23

Family

ID=86790363

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310342707.XA Pending CN116300468A (zh) 2023-03-31 2023-03-31 一种基于神经网络类机理建模的导弹制导控制一体化方法

Country Status (1)

Country Link
CN (1) CN116300468A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116483109A (zh) * 2023-06-25 2023-07-25 西安羚控电子科技有限公司 一种基于滑模控制的飞行器制导控制一体化方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116483109A (zh) * 2023-06-25 2023-07-25 西安羚控电子科技有限公司 一种基于滑模控制的飞行器制导控制一体化方法及系统
CN116483109B (zh) * 2023-06-25 2023-09-05 西安羚控电子科技有限公司 一种基于滑模控制的飞行器制导控制一体化方法及系统

Similar Documents

Publication Publication Date Title
CN112180729B (zh) 一种机械臂自适应轨迹跟踪控制方法
CN108710303B (zh) 含有多源扰动及执行器饱和的航天器相对姿态控制方法
CN112904728B (zh) 一种基于改进型趋近律的机械臂滑模控制轨迹跟踪方法
CN111993417B (zh) 一种基于rbf神经网络的机械臂自适应阻抗控制方法
CN108942924A (zh) 基于多层神经网络的模型不确定性机械臂运动控制方法
CN111185907B (zh) 一种作业型飞行机器人抓取后的位姿稳定控制方法
CN113377121B (zh) 一种基于深度强化学习的飞行器智能抗扰动控制方法
CN108445768B (zh) 空间机器人操作空间轨迹跟踪的增广自适应模糊控制方法
CN112859889B (zh) 基于自适应动态规划的自主式水下机器人控制方法和系统
CN116300468A (zh) 一种基于神经网络类机理建模的导弹制导控制一体化方法
CN115533915A (zh) 一种不确定环境下空中作业机器人主动接触检测控制方法
Zhao et al. Deterministic learning from adaptive neural network control for a 2-dof helicopter system with unknown backlash and model uncertainty
Jing et al. Backstepping control for vibration suppression of 2-D Euler–Bernoulli beam based on nonlinear saturation compensator
Liu et al. Full backstepping control in dynamic systems with air disturbances optimal estimation of a quadrotor
CN115220467A (zh) 一种基于神经网络增量动态逆的飞翼飞行器姿态控制方法
Li et al. Optimized neural network based sliding mode control for quadrotors with disturbances
Xu et al. Predefined-time hierarchical coordinated neural control for hypersonic reentry vehicle
CN114510067A (zh) 一种可重复使用飞行器近似最优制导方法
CN114942593A (zh) 一种基于干扰观测器补偿的机械臂自适应滑模控制方法
Pairan et al. Neural network based system identification for quadcopter dynamic modelling: A review
Liang et al. Active physical interaction control for aerial manipulator based on external wrench estimation
Meng et al. Adaptive non‐singular fault‐tolerant control for hypersonic vehicle with unexpected centroid shift
Hou et al. Adaptive Robust Trajectory Tracking Controller for a Quadrotor UAV With Uncertain Environment Parameters Based on Backstepping Sliding Mode Method
CN116382332A (zh) 一种基于ude的战斗机大机动鲁棒飞行控制方法
CN116610136A (zh) 基于数据驱动技术的高超声速飞行器姿态容错控制方法

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