CN116663438B - 一种基于神经网络反向获取临近空间目标轨迹外推的方法 - Google Patents
一种基于神经网络反向获取临近空间目标轨迹外推的方法 Download PDFInfo
- Publication number
- CN116663438B CN116663438B CN202310965236.8A CN202310965236A CN116663438B CN 116663438 B CN116663438 B CN 116663438B CN 202310965236 A CN202310965236 A CN 202310965236A CN 116663438 B CN116663438 B CN 116663438B
- Authority
- CN
- China
- Prior art keywords
- neural network
- acceleration
- new
- rocket
- network model
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013213 extrapolation Methods 0.000 title claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 19
- 230000001133 acceleration Effects 0.000 claims abstract description 76
- 238000003062 neural network model Methods 0.000 claims abstract description 36
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 238000010845 search algorithm Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000013178 mathematical model Methods 0.000 abstract description 9
- 230000010354 integration Effects 0.000 description 4
- 238000011065 in-situ storage Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000002986 genetic algorithm method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000004088 simulation 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Feedback Control In General (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于神经网络反向获取临近空间目标轨迹外推的方法，通过利用数据集对临近空间目标轨迹外推神经网络模型进行训练，获得训练后神经网络模型；把原位置量作为训练后神经网络模型的输入值，获取训练后神经网络模型输出值作为数据集新加速度量，获取数据集内新加速度量对应的新位置量；根据新位置量与对应的原位置量的误差值，使用搜索算法对新加速度量进行调整；本发明通过建立临近空间目标轨迹外推神经网络模型，依据此神经网络模型可以对现有使用数学模型方法进行验证，增加现有数学模型计算方法的可靠性；同时通过反向获取加速度与加速度增量，可以为三级火箭能够达到预定的位置量和该位置下的速度分量，提供调整依据。
Description
技术领域
本发明涉及航天临近空间目标轨迹外推技术领域，尤其涉及一种基于神经网络反向获取临近空间目标轨迹外推的方法。
背景技术
临近空间目标轨迹外推方法的研究可以追溯到上世纪50年代。随着计算机技术的发展，数值积分方法的应用逐渐成为了重要的手段，广泛应用于导弹设计、控制系统设计、临近空间目标轨迹预测等领域；早期的临近空间目标轨迹外推方法主要是基于牛顿-拉普森法和欧拉法的数值积分方法，但由于这些方法存在精度低和不稳定等问题，因此在20世纪60年代以后，人们开始尝试采用更加高效稳定的数值积分方法；其中较为重要的发展包括Adams-Bashforth-Moulton法、修正欧拉法、龙格库塔法，多种变形的龙格库塔法等。这些方法都具有一定的精度和稳定性，并且能够通过合理地选择步长等参数来在速度和精度方面做出平衡。
近年来，随着复杂临近空间目标轨迹问题日益增多，人们对临近空间目标轨迹外推方法的要求也越来越高，因此，许多新的临近空间目标轨迹外推方法相继出现，如自适应遗传算法、临近空间目标轨迹数值积分方法的改进、迭代拟合等。这些方法减小了误差，提高了精度和可靠性；但依靠数学算法其计算数据量大，计算过程复杂，效率较低，不易实现由原位置量对原加速度量/>的反推运算。
文章编号（1673-3819( 2021) 05-0102-05 ）公开文献，公开一种基于遗传算法的临近空间目标轨迹外推方法 ，其方法可为准确外推弹丸落点和提高火控精度提供新的技术支持，但其方法不适用于根据位置量与在该位置下的速度分量获取加速度与加速度增量。
发明内容
本发明的目的在于提供一种基于神经网络反向获取临近空间目标轨迹外推的方法，可以根据三级火箭位置量和该位置下的速度分量获取加速度与加速度增量。
本发明的目的可以通过以下技术方案实现：一种基于神经网络反向获取临近空间目标轨迹外推的方法，包括以下步骤：
S1、构建基于机器学习的临近空间目标轨迹外推神经网络模型；
S2、获取数据集，数据集包括火箭原加速度量和与原加速度量对应的火箭原位置量/>；
S3、利用数据集对临近空间目标轨迹外推神经网络模型进行训练，获得训练后神经网络模型；
S4、把原位置量作为训练后神经网络模型的输入值，获取训练后神经网络模型输出值/>，把/>作为数据集新加速度量，获取数据集内新加速度量/>对应的新位置量/>；
S5、根据新位置量与对应的原位置量/>的误差值，使用搜索算法对新加速度量/>进行调整。
进一步地：所述临近空间目标轨迹外推神经网络模型结构包括一个输入层、一个输出层、一个隐藏层一和一个隐藏层二；
所述隐藏层一神经元个数为2048，所述所述隐藏层二神经元个数为4096。
进一步地：所述数据集中火箭原加速度量与对应的火箭原位置量/>的数据量≥100万条。
进一步地：所述数据集获取方法为：根据火箭原加速度量，通过洞察者软件获取火箭原位置量/>。
进一步地：所述S4中使用搜索算法对新加速度量进行调整的步骤为：
S41、计算新位置量与对应的原位置量/>的误差值，误差计算公式为：
（1）
（2）
（3）
（4）
S42、利用Loss的计算方法，对新加速度量进行策略化调整的算法循环；
S43、当算法循环满足收敛条件，时，完成对新加速度量策略化调整。
本发明的有益效果：
1、本发明通过建立临近空间目标轨迹外推神经网络模型，实现根据由临近空间目标轨迹位置量和该位置下的速度分量（），获取三级火箭加速度与加速度增量/>），反解了现有方法使用的数学模型，使用神经网络模型计算速度快，效率高，可以适用大数据量的模拟计算，依据此神经网络模型可以对现有使用数学模型方法进行验证，增加现有数学模型计算方法的可靠性；同时通过反向获取加速度与加速度增量），可以为三级火箭能够达到预定的位置量和该位置下的速度分量，提供调整依据。
2、本发明通过搜索算法对通过神经网络得到的加速度与加速度增量（）精度进行策略调整优化，策略调整优化结合现有数学模型方法，从而使反向获取的加速度与加速度增量（/>）具有更高的精度，可以为三级火箭能够达到预定的位置量和该位置下的速度分量，提供更为精确的调整依据。
附图说明
图1为本发明一种基于神经网络反向获取临近空间目标轨迹外推的方法的流程示意图；
图2为本发明神经网络模型的组成图；
图3为本发明利用数学模型建立的数据集；
图4为本发明对数据集进行搜索算法后获取的数据；
图5为本发明搜索算法结束时误差值图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中表示，其中自始至终相同或类似的符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例是示例性的，仅用于解释本发明，而不能理解对本发明的限制。
如图1-图5所示，本发明公开一种基于神经网络反向获取临近空间目标轨迹外推的方法，包括以下步骤：
S1、构建基于机器学习的临近空间目标轨迹外推神经网络模型；
S2、获取数据集，数据集包括火箭原加速度量和与原加速度量对应的火箭原位置量/>；
S3、利用数据集对临近空间目标轨迹外推神经网络模型进行训练，获得训练后神经网络模型；
S4、把原位置量作为训练后神经网络模型的输入值，获取训练后神经网络模型输出值/>，把/>作为数据集新加速度量，获取数据集内新加速度量/>对应的新位置量/>；
S5、根据新位置量与对应的原位置量/>的误差值，使用搜索算法对新加速度量/>进行调整。
本发明中，原加速度量和新加速度量/>为三级火箭的加速度以及加速的增量，其中（/>）中的各值分别为第一级，第二级和第三级的加速度与加速度增量，原位置量/>和新位置量为三级火箭发射后位置量与在该位置下的速度分量，其中（）分别为第一级，第二级和第三级的位置量与在该位置下的速度分量。
首先构建基于机器学习的临近空间目标轨迹外推神经网络模型，如图2所示，采用pytorch算法架构建立MLP多层感知临近空间目标轨迹外推神经网络模型，过深或过宽的网络均不利于神经网络的精度以及收敛速度，设置一个包括一个输入层、一个输出层、隐藏层一和隐藏层二的神经网络模型结构；其中隐藏层一神经元个数为2048，隐藏层二神经元个数为4096；根据测试结果，这样设置更利于神经网络的精度和收敛速度，可以达到较好的效果；神经网络输入层的输入量为1个一维向量（），输出层输出量为1个一维向量（/>）；神经网络模型使用激活函数为tanh，优化器为SGD（随机梯度下降），自适应学习率调整计划，初始化0.001，L2正则惩罚。
再使用现有数学模型计算方法建立数据集，例如使用洞察者软件，洞察者软件包含三级火箭动力学问题的求解优化与算法，支持依据原加速度量对原位置量/>的计算，对整个三级火箭发射任务中火箭的飞行轨迹动态仿真，但洞察者软件采用数学模型计算方法，其计算数据量大，计算过程复杂，效率较低，不易实现由原位置量/>对原加速度量/>的反推运算。
使用洞察者软件随机给定原加速度量计算获取对应的原位置量；利用原加速度量/>和原位置量/>获取数据集，为保证对临近空间目标轨迹外推神经网络模型的训练精度，数据集内火箭原加速度量/>与对应的火箭原位置量/>的数量≥100万条。
通过数据集对临近空间目标轨迹外推神经网络模型进行训练获取训练后神经网络模型；训练时输入层一维向量（）对应值为加速度与加速度增量（）；输出层一维向量（/>）对应值为位置量与在该位置下的速度分量（/>）。
训练后神经网络模型可以依据位置量与在该位置下的速度分量（）获取加速度与加速度增量（/>）；也就是通过临近空间目标轨迹外推神经网络模型对现有数学算法模型获取的数据进行反推训练。
由于神经网络得到的结果加速度与加速度增量（）精度有限，需要我们在现有数学算法基础上进行精度调整。
对获取加速度与加速度增量（）精度调整采用搜索算法，步骤为：
利用数据集中的原加速度量和对应的原位置量，把原位置量/>输入神经网络模型获得新加速度量；依据数学算法（例如洞察者软件）获取新加速度量对应的新位置量/>。
计算新位置量与对应的原位置量/>的误差值，误差计算公式为：
（1）
（2）
（3）
（4）
再利用Loss的计算方法，对新加速度量进行策略化调整的算法循环；
如图1所示，利用Loss的计算方法，对新加速度量进行策略化调整的算法循环过程为：
根据四个误差值，对新加速度量进行策略调整，例如调整新加速度量/>的量值使其增大或减小，再把调整后的新加速度量量值，作为数据集中的新的新加速度量/>利用数学算法（例如洞察者软件）获取新的新位置量/>。
Loss的计算方法是一种对误差值损失度进行计算的方法，进行误差值收缩情况判定。
再对新的新位置量与原位置量/>进行误差值计算，通过对新加速度量/>策略调整后，如果误差值实现了收敛，说明收敛方向正确，执行此调整策略，继续进行搜索算法循环更新搜索值，如误差值没有收敛，则进一步进行策略调整，若经过策略调整之后实现了误差值收敛，则执行此调整后策略，继续进行搜索算法循环更新搜索值，若经过策略调整之后所有误差值均未收敛，则变更学习率，若四个误差值有某个达到收敛条件，则下次计算忽略其误差，若学习率若达到临界值，跳出算法循环，取误差最小解为最终搜索结果；若算法循环满足收敛条件，，/>，/>，/>时认为完成对新加速度量策略化调整，跳出算法循环。
图3、图4、图5为依据此方法获取的测试数据图，可以看出在图5的22条测试结果数据中，除了11和15没有满足条件外其他的全部满足规定的误差值要求，满足条件概率在90.1%左右，验证了本方法的可靠性。
以上所述，仅为本发明较佳的具体实施方式，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，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种基于神经网络反向获取临近空间目标轨迹外推的方法，其特征在于：包括以下步骤：
S1、构建基于机器学习的临近空间目标轨迹外推神经网络模型；
S2、获取数据集，数据集包括火箭原加速度量和与原加速度量对应的火箭原位置量/>；
其中分别为第一级火箭的加速度以及加速的增量，/>为第二级火箭的加速度以及加速的增量；/>为第三级火箭的加速度以及加速的增量；/>为三级火箭的位置量，/>为三级火箭的速度分量；
S3、利用数据集对临近空间目标轨迹外推神经网络模型进行训练，获得训练后神经网络模型；
S4、把原位置量作为训练后神经网络模型的输入值，获取训练后神经网络模型输出值/>，把/>作为作为数据集新加速度量，获取数据集内新加速度量/>对应的新位置量/>；
S5、根据新位置量与对应的原位置量/>的误差值，使用搜索算法对新加速度量/>进行调整。
2.根据权利要求1所述的一种基于神经网络反向获取临近空间目标轨迹外推的方法，其特征在于：所述临近空间目标轨迹外推神经网络模型结构包括一个输入层、一个输出层、一个隐藏层一和一个隐藏层二；
所述隐藏层一神经元个数为2048，所述隐藏层二神经元个数为4096。
3.根据权利要求1所述的一种基于神经网络反向获取临近空间目标轨迹外推的方法，其特征在于：所述数据集中火箭原加速度量与对应的火箭原位置量的数据量≥100万条。
4.根据权利要求1所述的一种基于神经网络反向获取临近空间目标轨迹外推的方法，其特征在于：所述数据集获取方法为：根据火箭原加速度量，通过洞察者软件获取火箭原位置量/>。
5.根据权利要求1所述的一种基于神经网络反向获取临近空间目标轨迹外推的方法，其特征在于：所述S4中使用搜索算法对新加速度量进行调整的步骤为：
S41、计算新位置量与对应的原位置量/>的误差值，误差计算公式为：
（1）
（2）
（3）
（4）
S42、利用Loss的计算方法，对新加速度量进行策略化调整的算法循环；
S43、当算法循环满足收敛条件，时，完成对新加速度量策略化调整。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310965236.8A CN116663438B (zh) | 2023-08-02 | 2023-08-02 | 一种基于神经网络反向获取临近空间目标轨迹外推的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310965236.8A CN116663438B (zh) | 2023-08-02 | 2023-08-02 | 一种基于神经网络反向获取临近空间目标轨迹外推的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116663438A CN116663438A (zh) | 2023-08-29 |
| CN116663438B true CN116663438B (zh) | 2023-10-27 |
Family
ID=87715796
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310965236.8A Active CN116663438B (zh) | 2023-08-02 | 2023-08-02 | 一种基于神经网络反向获取临近空间目标轨迹外推的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116663438B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109343341A (zh) * | 2018-11-21 | 2019-02-15 | 北京航天自动控制研究所 | 一种基于深度强化学习的运载火箭垂直回收智能控制方法 |
| CN113252060A (zh) * | 2021-05-31 | 2021-08-13 | 智道网联科技(北京)有限公司 | 基于神经网络模型的车辆轨迹推算方法及装置 |
| WO2022000678A1 (zh) * | 2020-06-29 | 2022-01-06 | 中车长春轨道客车股份有限公司 | 一种撞击速度的控制方法、装置、存储介质及电子设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11816901B2 (en) * | 2020-03-04 | 2023-11-14 | Nec Corporation | Multi-agent trajectory prediction |
-
2023
- 2023-08-02 CN CN202310965236.8A patent/CN116663438B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109343341A (zh) * | 2018-11-21 | 2019-02-15 | 北京航天自动控制研究所 | 一种基于深度强化学习的运载火箭垂直回收智能控制方法 |
| WO2022000678A1 (zh) * | 2020-06-29 | 2022-01-06 | 中车长春轨道客车股份有限公司 | 一种撞击速度的控制方法、装置、存储介质及电子设备 |
| CN113252060A (zh) * | 2021-05-31 | 2021-08-13 | 智道网联科技(北京)有限公司 | 基于神经网络模型的车辆轨迹推算方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| Lower Limb Kinematics Trajectory Prediction Using Long Short-Term Memory Neural Networks;Zaroug Abdelrahman等;Frontiers in bioengineering and biotechnology;第8卷;362 * |
| 基于BP网络的运载火箭主动段弹道外推算法;何春晗等;导弹与航天运载技术(第329期);39-41 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116663438A (zh) | 2023-08-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112101530B (zh) | 神经网络训练方法、装置、设备及存储介质 | |
| Cui et al. | A pigeon-inspired optimization algorithm for many-objective optimization problems | |
| CN111353582B (zh) | 一种基于粒子群算法的分布式深度学习参数更新方法 | |
| CN107272403A (zh) | 一种基于改进粒子群算法的pid控制器参数整定算法 | |
| CN111027732B (zh) | 一种多风电场出力场景的生成方法及系统 | |
| CN112861427A (zh) | 一种基于改进灰狼优化算法的永磁同步电机参数辨识方法 | |
| CN105426954A (zh) | 一种基于多策略协同作用的粒子群优化的方法 | |
| CN107886157A (zh) | 一种新型蝙蝠优化算法系统 | |
| CN112817312B (zh) | 一种基于双重搜索优化算法的路径规划方法 | |
| US11468330B2 (en) | Artificial neural network growth | |
| CN105554873A (zh) | 一种基于pso-ga-rbf-hop的无线传感器网络定位算法 | |
| 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 | |
| CN107457780A (zh) | 控制机械臂运动的方法及装置、存储介质和终端设备 | |
| CN109188907A (zh) | 一种应用于稳定平台控制系统的遗传退火粒子群混合算法及其稳定平台控制系统 | |
| CN116663438B (zh) | 一种基于神经网络反向获取临近空间目标轨迹外推的方法 | |
| CN115907304A (zh) | 一种基于区间层次分析法的评估指标权重优化方法 | |
| Wang et al. | Inference-based posteriori parameter distribution optimization | |
| CN113341696A (zh) | 一种运载火箭姿态控制参数智能整定方法 | |
| CN105117616B (zh) | 基于粒子群算法的微生物发酵优化方法 | |
| CN117574421A (zh) | 基于梯度动态裁剪的联邦数据分析系统及方法 | |
| CN106950834A (zh) | 一种高阶非线性系统快速有限时间稳定的控制方法 | |
| CN106934453B (zh) | 一种立方系材料母相与子相间位向关系的确定方法 | |
| Wang et al. | Research on the prediction model of greenhouse temperature based on fuzzy neural network optimized by genetic algorithm | |
| CN115222023A (zh) | 基于神经网络的非合作目标控制策略识别方法及系统 | |
| CN115374910A (zh) | 一种更新深度学习训练超参数的方法、装置及设备 |
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 |