CN116502522A - 基于bp神经网络的机弹分离轨迹预测方法 - Google Patents
基于bp神经网络的机弹分离轨迹预测方法 Download PDFInfo
- Publication number
- CN116502522A CN116502522A CN202310336473.8A CN202310336473A CN116502522A CN 116502522 A CN116502522 A CN 116502522A CN 202310336473 A CN202310336473 A CN 202310336473A CN 116502522 A CN116502522 A CN 116502522A
- Authority
- CN
- China
- Prior art keywords
- neural network
- mechanical
- projectile
- track
- elastic separation
- 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
- 238000000926 separation method Methods 0.000 title claims abstract description 89
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 64
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000003062 neural network model Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 238000004064 recycling Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 17
- 238000010801 machine learning Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 9
- 238000002474 experimental method Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 2
- 238000010168 coupling process Methods 0.000 claims description 2
- 238000005859 coupling reaction Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000001612 separation test Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了基于BP神经网络的机弹分离轨迹预测方法,所述方法包括以下步骤:首先对已有机弹分离轨迹进行预处理和分割选点,得到多个弹体空间位置和气动力、力矩数据,基于提取的选点;搭建并训练BP神经网络模型,使用训练的模型预测新状态下机弹分离过程中弹体所在空间位置的气动力、力矩;基于六自由度(6DOF)方程计算弹体下一时刻空间位置,然后再循环到神经网络中,以此往复,得到一条完整的弹体运动轨迹。本发明方法,在给定初始状态(输入参数)的情况下,能够实现快速预测机弹分离轨迹,应用于工程的价值很高。
Description
技术领域
本技术属于机器学习技术领域,特别涉及一种基于机器学习的机弹分离轨迹神经网络模型的构造方法。
背景技术
现阶段直接获取机弹分离轨迹大多依赖于CFD数值模拟或实验方法。CFD数值模拟方法,伴随着较大的计算量,耗时较长,获取气动参数是整个机弹分离轨迹求解中最费时的部分,而实验方法虽结果较为准确,但承担着高额的经费和高风险。
随之机器学习的兴起,各学科均开始尝试构建适合的神经网络模型,已达到快速且较为准确预测结果的目的。BP(back propagation)神经网络算法是通过任意选定一组权值,将给定的目标输出直接作为线性方程的代数和来建立线性方程组,计算待求权值,克服了传统方法的局部极小及收敛速度慢的问题。尤其是误差反向传播算法,理论上可以逼近任意连续函数,具有很强的非线性映射能力,而且网络的中间层数、各层的处理单元数及网络的学习系数等参数可根据具体情况设定,灵活性很大,目前已被广泛应用于数据分类、模式识别、非线性回归等许多重要领域。但是,采用神经网络直接对一条轨迹进行预测,偏差太大,难以对轨迹进行准确预测。
发明内容
针对机弹分离轨迹获取周期长,成本高等原因,本发明公开了一种基于机器学习的机弹分离轨迹模型的构造方法,在给定初始状态(输入参数)的情况下,能够实现快速预测机弹分离轨迹,应用于工程的价值很高。本发明有关机器学习部分,具有输入参数个数可变、输出参数个数可变、隐含层数可变、每层神经元个数可变等特点,且包含了不同的激活函数、正则化方法和优化器的训练程序,可供设计者依据不同的实际情况进行选择使用。
本发明采用的具体技术方案如下:
基于BP神经网络的机弹分离轨迹预测方法,所述方法包括以下步骤:首先对已有机弹分离轨迹进行预处理和分割选点,得到多个弹体空间位置和气动力、力矩数据,基于提取的选点;搭建并训练BP神经网络模型,使用训练的模型预测新状态下机弹分离过程中弹体所在空间位置的气动力、力矩;基于六自由度方程计算弹体下一时刻空间位置,然后再循环到神经网络中,以此往复,得到一条完整的弹体运动轨迹。
进一步的,所述方法包含以下步骤:
S1,从已有机弹分离轨迹数据库中,读取设定目标轨迹,对轨迹进行预处理和分割选点,统计轨迹内选点的弹体空间位置坐标,欧拉角,输入参数(x,y,z,α,β,γ)和气动力、力矩,即输出参数(Fx,Fy,Fz,Mx,My,Mz);对多条轨迹进行选点,筛选、合并,得到机弹分离轨迹训练集;
S2,基于机器学习设计机弹分离轨迹BP神经网络,使用所述机弹分离轨迹训练集训练所述机弹分离轨迹BP神经网络;
S3,根据待预测点输入参数(x,y,z,α,β,γ),通过所述机弹分离轨迹BP神经网络预测弹体气动力、力矩,即输出参数(Fx,Fy,Fz,Mx,My,Mz),为预测点输出参数;
S4,基于弹体输入参数(x,y,z,α,β,γ)和输出参数(Fx,Fy,Fz,Mx,My,Mz),求解六自由度方程,得到下一时刻弹体所在空间位置,然后循环S3、S4,最后得到一条完整的弹体运动轨迹。
进一步的,所述机弹分离轨迹训练集为:对已经通过数值模拟或实验方法得到的多条机弹分离轨迹分别进行预处理和分割选点,对选点进行筛选、合并。
进一步的,所述数值模拟方法为使用CFD方法获得机弹分离轨迹;预处理为删除明显不符合物理规律的轨迹或轨迹中的选点,以弹体下落的前后时刻作为间隔,分割机弹分离轨迹,选取轨迹中弹体下落点;记录选点的空间位置(x,y,z,α,β,γ)和气动力、力矩(Fx,Fy,Fz,Mx,My,Mz);对所有选点进行筛选,删除参数偏差大的点,合并数据,构建出机弹分离轨迹模型的BP神经网络训练集,以设定的格式储存,储存为“n*12”的数据结构。
更进一步的,使用所述S2机弹分离轨迹训练集训练所述机弹分离轨迹BP神经网络具体为:机弹分离轨迹BP神经网络的隐含层层数为6层、每层神经元个数为23个、学习速率0.001、正则化方式L2、正则化比率0.000001、激活函数(sigmoid、Tanh、ReLU)、损失函数使用均方误差、优化方法(梯度下降法、SGD、Adam、LBFGS)。
S21,将训练集读取到机弹分离轨迹BP神经网络中;初始化各连接权值w、b及其他网络参数;
S22,正向传播计算输出:由给定的输入输出模式对计算隐层、输出层各神经元的输出值;
S23,进行反向传播:从输出层到输入层依次计算每个神经元的误差值,并根据优化方法进行反向传播修正w、b,使损失函数最小化;
S24,计算全局误差:利用网络期望输出和实际输出,计算全局误差,如满足要求,则停止训练,保存训练结果,训练结束;如不满足要求,则继续步骤S23;
进一步的,所述S4具体为:
将弹体未分离时的初始参数(x0,y0,z0,α0,β0,γ0)作为输入参数,输入到机弹分离轨迹BP神经网络模型中进行计算预测,得到输出参数
输出参数为此时刻当前空间位置的气动力、力矩,耦合六自由度方程,经计算得到下一时刻弹体的空间位置信息,即(x1,y1,z1,α1,β1,γ1)作为第二轮输入参数;
依次循环计算,
依次得到n时刻下的弹体空间位置坐标和姿态;将弹体0~n时刻的空间位置连接起来,得到一条完整的机弹分离弹体运动轨迹。
基于上述发明的技术方案,本发明与现有技术方案相比具有如下技术优点:
(1)本发明基于机器学习,针对机弹分离轨迹的获取问题,不局限于原有高成本的数值仿真与实验方法,在其二者基础上构建基于机器学习的机弹分离轨迹模型,实现快速准确地预测机弹分离轨迹,具有较高的工程应用能力。
(2)创新性的将BP神经网络与六自由度方程耦合起来,实现了机弹分离轨迹的快速预测。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为一种典型的BP神经网络结构图;
图2为本申请实施例基于机器学习的机弹分离轨迹模型的构造方法流程图;
图3为实施例中损失函数收敛曲线图;
图4为实施例中训练精度收敛曲线图;
图5为实施例中学习率变化曲线图;
图6为实施例中设计变量相对6个输出目标预测值与精确值比较图;
图7为实施例中训练集(train.csv)中数据格式示例;
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案,下面结合附图和具体实施方式对本发明作进一步详细描述。下文中将详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
本发明针对机弹分离轨迹的快速预测问题,为了快速预测机弹分离过程中弹体的运动轨迹,本发明基于已经建立的机弹分离测试流场参数数据库,采用BP神经网络算法来对机弹分离事件进行建模,从而预测分离过程中弹体所在空间位置、姿态下的气动力、力矩,然后求解六自由度方程,依次往复求解,从而快速获取机弹分离轨迹。
符号说明
x为X方向坐标;y为Y方向坐标;z为Z方向坐标;α为X轴偏转角;β为Y轴偏转角;γ为Z轴偏转角;Fx为弹体X方向的气动力;Fy为弹体Y方向的气动力;Fz为弹体Z方向的气动力;Mx为弹体沿X轴的气动力矩;My为弹体沿Y轴的气动力矩;Mz为弹体沿Z轴的气动力矩w、b为权值。
基于BP神经网络的机弹分离轨迹预测方法,所述方法包括以下步骤:首先对已有机弹分离轨迹进行预处理和分割选点,得到多个弹体空间位置和气动力、力矩数据,基于提取的选点;搭建并训练BP神经网络模型,使用训练的模型预测新状态下机弹分离过程中弹体所在空间位置的气动力、力矩;基于六自由度方程计算弹体下一时刻空间位置,然后再循环到神经网络中,以此往复,得到一条完整的弹体运动轨迹。
进一步的,所述方法包含以下步骤:
S1,从已有机弹分离轨迹数据库中,读取设定目标轨迹,对轨迹进行预处理和分割选点,统计轨迹内选点的弹体空间位置坐标,欧拉角,输入参数(x,y,z,α,β,γ)和气动力、力矩,即输出参数(Fx,Fy,Fz,Mx,My,Mz);对多条轨迹进行选点,筛选、合并,得到机弹分离轨迹训练集;
S2,基于机器学习设计机弹分离轨迹BP神经网络,使用所述机弹分离轨迹训练集训练所述机弹分离轨迹BP神经网络;
S3,根据待预测点输入参数(x,y,z,α,β,γ),通过所述机弹分离轨迹BP神经网络预测弹体气动力、力矩,即输出参数(Fx,Fy,Fz,Mx,My,Mz);
S4,基于弹体输入参数(x,y,z,α,β,γ)和输出参数(Fx,Fy,Fz,Mx,My,Mz),求解六自由度方程,得到下一时刻弹体所在空间位置,然后循环S3、S4,最后得到一条完整的弹体运动轨迹。
进一步的,所述机弹分离轨迹训练集为:对已经通过数值模拟或实验方法得到的多条机弹分离轨迹分别进行预处理和分割选点,对选点进行筛选、合并。
进一步的,所述数值模拟方法为使用CFD方法获得机弹分离轨迹;预处理为删除明显不符合物理规律的轨迹或轨迹中的选点,以前后时刻为间隔,分割机弹分离轨迹,选取轨迹中弹体下落点;记录选点的空间位置(x,y,z,α,β,γ)和气动力、力矩(Fx,Fy,Fz,Mx,My,Mz);对所有选点进行筛选,删除参数偏差大的点,合并数据,构建出机弹分离轨迹模型的BP神经网络训练集,以“.csv”格式储存,储存为“n*12”的数据结构,如图7所示。
更进一步的,使用所述机弹分离轨迹训练集训练所述机弹分离轨迹BP神经网络具体为:机弹分离轨迹BP神经网络的隐含层层数为6层、每层神经元个数为23个、学习速率0.001、正则化方式L2、正则化比率0.000001、激活函数(sigmoid、Tanh、ReLU)、损失函数使用均方误差、优化方法(梯度下降法、SGD、Adam、LBFGS)。其中激活函数与优化方法提供了多个方法可供选择使用。
S21,将训练集(x,y,z,α,β,γ,Fx,Fy,Fz,Mx,My,Mz)读取到机弹分离轨迹BP神经网络中;初始化各隐藏层之间的连接权值w、b及其他网络参数;
S22,正向传播计算输出:由上述BP神经网络的输入输出模式,从输入层经隐层,再到输出层,依次计算每个神经元的输出值,得到网络的预测值;
S23,进行反向传播:即从输出层到隐层,再到输入层,依次计算每个神经元的误差值,根据优化方法更新各层权值,即进行反向传播修正w、b,使得损失函数最小化;
S24,计算全局误差:利用网络期望输出和实际输出,计算全局误差,如满足最大迭代次数或满足预设的误差收敛条件,则停止训练,保存训练结果,训练结束;如不满足要求,则继续步骤S23。
进一步的,所述S4具体为:
将弹体未分离时的初始参数(x0,y0,z0,α0,β0,γ0)作为输入参数,输入到机弹分离轨迹BP神经网络模型中进行计算预测,得到输出参数
输出参数为此时刻当前空间位置的气动力、力矩,耦合六自由度方程;
六自由度方程,
其中:U、V、W分别为真空速在体轴的3个分量;分别为下个位置的真空速在体轴的3个分量在机体轴的3个分量;m为飞机质量,g为重力加速度;Ix、Iy、Iz分别为机体绕x、y、z轴的转动惯量;Ixz为机体的惯性积;p、r、q滚转角速率、俯仰角速率、偏航角速率。
经计算得到下一时刻弹体的空间位置信息,即(x1,y1,z1,α1,β1,γ1)作为第二轮输入参数;
依次循环计算,
依次得到n时刻下的弹体空间位置坐标和姿态;将弹体0~n时刻的空间位置连接起来,得到一条完整的机弹分离弹体运动轨迹。
实施例1
(一)基于模拟测试样本点的BP神经网络测试
为了验证课题组发展的BP神经网络算法,课题组先通过测试函数来对其进行考验验证。由上节分析可知,课题研究的机弹分离问题具有包含不确定性的特点,因此,课题组在构造测试函数时,针对性地引入了不确定性项。为了便于展示与实施,这里假定研究问题的参变量个数6个(x,y,z,α,β,γ),输出变量个数模拟实际6个流场输出变量(Fx,Fy,Fz,Mx,My,Mz)。
基于上述测试函数,我们构造了一个6-150-6结构的神经网络,其网络结构及参数配置如下表所示:
表1神经网络配置说明
基于上述参数配置,我们首先根据CFD数值模拟方法采样获得41000个样本点,其中随机抽取40000个样本点作为训练样本集,放入数据库文件train.csv,剩余的1000个验证样本点放入验证数据库文件validate.csv中。然后,基于测试样本集,利用基于Python的机弹分离神经网络程序,对其进行了训练,训练结果如下表所示:
表2神经网络训练结果
参数 | 训练结果 |
训练精度(误差) | 0.98608(1.39%) |
验证精度(误差) | 0.96600(3.40%) |
实际训练步数 | 2000000 |
从表中我们可以看出,经过最大训练步数2000000以后,训练集的训练精度达到了0.98608,误差为1.39%。利用训练得到的神经网络模型,对验证样本集中的样本点进行验证计算,最终得到的平均验证精度为0.96600,误差为3.40%,满足合同中误差不大于30%的要求。图3和图4分别为损失函数收敛曲线和训练精度收敛曲线,从图中可以看出当训练步数达到约500000步时,此时的训练精度已经达到了约0.95,可以看出发展的BP神经网络算法的训练效率比较理想。图5为该算例中学习率的变化曲线,可以看出,从训练开始时,学习率相对较高,在训练后期,随着模型精度的越来越高,为了保证训练的稳定性,学习率也逐渐降低,保证了算法训练的最终收敛。
图6选取了参数x相对于6个输出变量预测值与精确值之间的比较,从图中可以看出,虽然训练问题的非线性度较高,但是通过训练得到的机弹分离神经网络模型的预测值(虚线)相较于理论精确值(实线),其得到的最终结果几乎重合,吻合程度较高,体现了机弹分离神经网络模型处理此类包含不确定性问题具有较高的精度,也进一步展现了后续使用该算法解决实际导弹分离流场建模问题可行性。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。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揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (7)
1.基于BP神经网络的机弹分离轨迹预测方法,其特征在于,所述方法包括以下步骤:
首先对已有机弹分离轨迹进行预处理和分割选点,得到多个弹体空间位置和气动力、力矩数据,基于提取的选点;搭建并训练BP神经网络模型,使用训练的模型预测新状态下机弹分离过程中弹体所在空间位置的气动力、力矩;基于六自由度6DOF方程计算弹体下一时刻空间位置,然后再循环到神经网络中,以此往复,得到一条完整的弹体运动轨迹。
2.根据权利要求1所述的基于BP神经网络的机弹分离轨迹预测方法,其特征在于,所述方法包含以下步骤:
S1,从已有机弹分离轨迹数据库中,读取设定目标轨迹,对轨迹进行预处理和分割选点,统计轨迹内选点的弹体空间位置坐标,欧拉角,输入参数(x,y,z,α,β,γ)和气动力、力矩,即输出参数(Fx,Fy,Fz,Mx,My,Mz);对多条轨迹进行选点,筛选、合并,得到机弹分离轨迹训练集;S2,基于机器学习设计机弹分离轨迹BP神经网络,使用所述机弹分离轨迹训练集训练所述机弹分离轨迹BP神经网络;
S3,根据待预测点输入参数(x,y,z,α,β,γ),通过所述机弹分离轨迹BP神经网络预测弹体气动力、力矩,即输出参数(Fx,Fy,Fz,Mx,My,Mx),为预测点输出参数;
S4,基于弹体输入参数(x,y,z,α,β,γ)和输出参数(Fx,Fy,Fz,Mx,My,Mz),求解六自由度方程,得到下一时刻弹体所在空间位置,然后循环S3、S4,最后得到一条完整的弹体运动轨迹。
3.根据权利要求2所述的基于BP神经网络的机弹分离轨迹预测方法,其特征在于,所述机弹分离轨迹BP神经网络的隐含层层数为6层、每层神经元个数为26个、各层之间的连接方式、激活函数sigmoid。
4.根据权利要求2所述的基于BP神经网络的机弹分离轨迹预测方法,其特征在于,所述机弹分离轨迹训练集为:对已经通过数值模拟或实验方法得到的多条机弹分离轨迹分别进行预处理和分割选点,对选点进行筛选、合并。
5.根据权利要求4所述的基于BP神经网络的机弹分离轨迹预测方法,其特征在于,所述数值模拟方法为使用CFD方法获得机弹分离轨迹;预处理为删除明显不符合物理规律的轨迹或轨迹中的选点,以前后时刻为间隔,分割机弹分离轨迹,选取轨迹中弹体下落点;记录选点的空间位置(x,y,z,α,β,γ)和气动力、力矩(Fx,Fy,Fz,Mx,My,Mz);对所有选点进行筛选,删除参数偏差大的点,合并数据,构建出机弹分离轨迹模型的BP神经网络训练集,以设定的格式储存,储存为“n*12”的数据结构。
6.根据权利要求2所述的基于BP神经网络的机弹分离轨迹预测方法,其特征在于,使用所述机弹分离轨迹训练集训练所述机弹分离轨迹BP神经网络具体为:
S21,将训练集读取到机弹分离轨迹BP神经网络中;初始化各连接权值w、b及其他网络参数;
S22,正向传播计算输出:由给定的输入输出模式对计算隐层、输出层各神经元的输出值;
S23,计算全局误差:利用网络期望输出和实际输出,计算全局误差,如满足要求,则停止训练,保存训练结果,训练结束;如不满足要求,则继续步骤S24;
S24,反向传播:计算误差函数对输出层的各神经元的偏导数,进行反向传播修正w、b,回到步骤S23。
7.根据权利要求2所述的基于BP神经网络的机弹分离轨迹预测方法,其特征在于,所述S4具体为:
将弹体未分离时的初始参数(x0,y0,z0,α0,β0,γ0)作为输入参数,输入到机弹分离轨迹BP神经网络模型中进行计算预测,得到输出参数
输出参数为此时刻当前空间位置的气动力、力矩,耦合六自由度方程,经计算得到下一时刻弹体的空间位置信息,即(x1,y1,z1,α1,β1,γ1)作为第二轮输入参数;
依次循环计算,
.......
依次得到n时刻下的弹体空间位置坐标和姿态;将弹体0~n时刻的空间位置连接起来,得到一条完整的机弹分离弹体运动轨迹。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310336473.8A CN116502522A (zh) | 2023-03-31 | 2023-03-31 | 基于bp神经网络的机弹分离轨迹预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310336473.8A CN116502522A (zh) | 2023-03-31 | 2023-03-31 | 基于bp神经网络的机弹分离轨迹预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116502522A true CN116502522A (zh) | 2023-07-28 |
Family
ID=87322221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310336473.8A Pending CN116502522A (zh) | 2023-03-31 | 2023-03-31 | 基于bp神经网络的机弹分离轨迹预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116502522A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117151312A (zh) * | 2023-10-31 | 2023-12-01 | 北京融信数联科技有限公司 | 基于bp神经网络模型的公园日游客流量预测方法与系统 |
-
2023
- 2023-03-31 CN CN202310336473.8A patent/CN116502522A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117151312A (zh) * | 2023-10-31 | 2023-12-01 | 北京融信数联科技有限公司 | 基于bp神经网络模型的公园日游客流量预测方法与系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108621159B (zh) | 一种基于深度学习的机器人动力学建模方法 | |
WO2017031718A1 (zh) | 弹性物体变形运动的建模方法 | |
Kang et al. | Deep convolutional identifier for dynamic modeling and adaptive control of unmanned helicopter | |
CN108304795A (zh) | 基于深度强化学习的人体骨架行为识别方法及装置 | |
CN104570736B (zh) | 一种星‑臂耦合系统的动力学参数在轨辨识方法和装置 | |
CN111204476B (zh) | 一种基于强化学习的视触融合精细操作方法 | |
CN108256173A (zh) | 一种航空发动机动态过程的气路故障诊断方法及系统 | |
CN116502522A (zh) | 基于bp神经网络的机弹分离轨迹预测方法 | |
CN108983800B (zh) | 一种基于深度学习的飞机姿态控制方法 | |
CN113885320A (zh) | 一种基于混合量子鸽群优化的飞行器随机鲁棒控制方法 | |
CN111415010A (zh) | 一种基于贝叶斯神经网络的风电机组参数辨识方法 | |
CN115329594B (zh) | 一种大规模导弹集群攻防对抗仿真加速方法及系统 | |
CN109657408A (zh) | 一种再生核粒子算法实现结构线性静力学仿真方法 | |
CN103839280B (zh) | 一种基于视觉信息的人体姿态跟踪方法 | |
CN114167295B (zh) | 基于多算法融合的锂离子电池soc估算方法与系统 | |
CN114170454A (zh) | 基于关节分组策略的智能体元动作学习方法 | |
CN111047002A (zh) | 一种基于bp神经网络的校直行程预测方法 | |
CN114036631A (zh) | 一种基于强化学习的航天器自主交会对接制导策略生成方法 | |
CN110096798B (zh) | 一种多状态有限元模型修正的方法 | |
CN108170945A (zh) | 一种航空发动机修后排气温度裕度预测方法 | |
CN110781968B (zh) | 一种基于塑性卷积神经网络的可扩展类别的图像识别方法 | |
CN114186477A (zh) | 一种基于Elman神经网络的轨道预测算法 | |
CN110083946B (zh) | 一种基于无约束优化模型的多状态模型修正的方法 | |
CN116432539A (zh) | 一种时间一致性协同制导方法、系统、设备及介质 | |
Ghilardi et al. | Image-based optimal powered descent guidance via deep recurrent imitation learning |
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 |