CN116956717A - 基于ga-bp神经网络的制导炮弹高空风速风向估计方法 - Google Patents
基于ga-bp神经网络的制导炮弹高空风速风向估计方法 Download PDFInfo
- Publication number
- CN116956717A CN116956717A CN202310847494.6A CN202310847494A CN116956717A CN 116956717 A CN116956717 A CN 116956717A CN 202310847494 A CN202310847494 A CN 202310847494A CN 116956717 A CN116956717 A CN 116956717A
- Authority
- CN
- China
- Prior art keywords
- neural network
- layer
- output
- wind speed
- projectile
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000005070 sampling Methods 0.000 claims abstract description 20
- 230000001133 acceleration Effects 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000010304 firing Methods 0.000 claims abstract description 6
- 238000002474 experimental method Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 30
- 230000002068 genetic effect Effects 0.000 claims description 25
- 238000005457 optimization Methods 0.000 claims description 14
- 210000002569 neuron Anatomy 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 108090000623 proteins and genes Proteins 0.000 claims description 9
- 210000000349 chromosome Anatomy 0.000 claims description 8
- 230000035772 mutation Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000013506 data mapping Methods 0.000 claims 1
- 238000012360 testing method Methods 0.000 description 13
- 238000001514 detection method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 3
- 238000005094 computer simulation Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000000700 radioactive tracer Substances 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P13/00—Indicating or recording presence, absence, or direction, of movement
- G01P13/02—Indicating direction only, e.g. by weather vane
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/0499—Feedforward 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Environmental Sciences (AREA)
- Ecology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Atmospheric Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明为一种基于GA‑BP神经网络的制导炮弹高空风速风向估计方法,步骤1进行飞行标记实验,采集不同高度下的风速风向信息;步骤2建立弹道运动学模型和气动力学模型;步骤3获取每个采样时刻的弹体运动参数计算理论弹道数据;步骤4风速风向作为输出,将制导炮弹的发射速度、炮弹射角、每个采样点采集的飞行姿态角、飞行速度、加速度和理论弹道数据等信息作为输入,对人工神经网络模型进行训练,保存训练模型;步骤5在实地需要测量的地方,发射一枚相同的滑翔增程制导炮弹,且记录信息;步骤6将制导炮弹信息作为输入,求出风速向量。本发明满足战场中快速移动、快速打击的要求,抑制了气象因素对制导炮弹的精确性影响,提高了系统的鲁棒性。
Description
技术领域
本发明属于制导炮弹高空风速快速估计技术领域,具体涉及一种基于GA-BP神经网络的制导炮弹高空风速风向估计方法。
背景技术
制导弹箭武器具有高精度打击敌方目标的能力,是当前弹箭技术研究的热点方向。但同时这类武器系统十分复杂、造价高昂,且连发速度低、作战成本高。随着制导弹箭装备的种类与数量的增加,如何在战场上高效使用这类制导弹箭也已成为迫切研究的课题。随着计算机仿真技术发展,制导炮弹飞行过程中,需对其状态和环境特征量(如飞行弹道参数、目标等)进行收集、逻辑分析、解算与控制,通过改变弹丸气动特性来调整飞行弹道,通过对有控弹箭的控制模块(卫星、惯导、舵机、导引头等)仿真建模,考虑气象分布特性、控制器件误差特性等因素的控制弹道特性仿真,将为制导弹箭作战使用提供较准确的目标打击落点分布理论依据。作为高空飞行武器,高空中的风速风向对制导弹箭的飞行位置和姿态信息等都有很大的影响,对最后的制导精准度也就有显著影响,如何快速测出气象数据并且做出对制导弹箭的制导过程进行修正控制就是当前最热点的问题。
但是实际战场战斗过程中,很难达到快速搜集对制导弹箭落点影响很大的外在气象条件数据。常规高空气象探测方法是通过气象气球携带测定高空风和气温气压的电子设备,以每秒4~6m左右的升速,自下而上进行探测[1]。当遇有对流天气时,气球受下沉气流影响会随下沉气流自高空逐渐下沉,探测时间随之增长。而制导弹箭飞行阶段达到的最大高度从15km到30km不等,个别导弹甚至可以达到更高。这长时间的探测方式虽然准确但是并不符合实际战斗中对快速性的要求。
还有一种方法是使用气象火箭探测高空风,气象火箭探空测风模式为探空仪与火箭在上升段分离后,继续惯性运动到顶点,在下落过程中,降落伞逐渐张开,达到稳定状态后,在探空仪牵引下下落并随风飘移,降落伞成为高空风场的示踪物。根据探空仪记录的位置变化可以反演得到临近空间20~60km大气风场[2]。此方法相对于气象气球测算风场精确度低一些,速度较快。但是依据降落伞下落去反演推算数据,还需要等待下落,回收记录仪等操作,针对于实时性要求的战场作战来说还是不够快捷。
实时性和快速反应性是制导弹箭武器的关键动态性能,提高制导弹箭实时性、快速性是应对来袭、强机动性目标的有效反制途径。对于飞行器制导控制系统,快速掌握外界环境信息来修正控制参数提高命中精确度是重中之重。但是目前,尚未有能够同时满足战场快速性要求、抑制控制中的风力系数扰动、提高系统的鲁棒性的高空气象测量方法。
发明内容
本发明的目的在于提供一种能够满足战场快速性要求、抑制控制中的高空风速风向扰动、提高制导系统的鲁棒性的快速高空气象检测方法。
实现本发明目的的技术解决方案为:基于GA-BP神经网络的制导炮弹高空风速风向估计方法,包括如下步骤:
步骤(1):进行实际飞行标记实验,采集实验环境中,滑翔增程制导炮弹的每个采样时刻的飞行姿态角、速度、加速度、位置,并记录制导炮弹质量,通过放气象气球得到不同高度下的风速风向信息;
步骤(2):建立弹道运动模型和气动力学模型;
步骤(3):通过弹载传感器获取每个采样时刻的运动参数并计算理论弹道数据;
步骤(4):搭建反向传播神经网络,将弹道坐标系下每个采样高度的风速风向作为输出,将制导炮弹的每个采样点采集的飞行姿态角、飞行速度、加速度和理论弹道数据作为输入,然后使用遗传算法对数据预处理、优化,用反向传播神经网络模型进行训练,等神经网络模型训练完成后保存训练模型;
步骤(5):在实地需要测量的地方,发射一枚相同的滑翔增程制导炮弹,并且记录下每个采样时刻的飞行姿态角、速度、加速度、位置、推力信息;
步骤(6):将制导炮弹的发射速度、炮弹飞行力矩和每个采样点采集的飞行姿态角、飞行速度、加速度信息作为训练好的人工神经网络模型的输入,求出输出的风速向量。
进一步的,步骤(2)建立弹道地面坐标系下的运动模型为:
动力平衡角的直接计算公式为:
直接计算公式中的参数为:
x2=(aa-ab)byVr 2
Vrx=Vx-Wx
Vry=Vy
Vrz=Vz-Wz
式中,Vx为滑翔弹横轴方向速度,Vy为滑翔弹纵轴方向速度,Vz为滑翔弹竖轴方向速度,m为弹体质量,t表示时间,ρ表示空气密度,W表示风速,Vr表示实际速度,xyz表示各个方向位移大小,Cx0表示阻力系数、攻角为0,S表示特征面积,Cx表示阻力系数,Cy表示升力系数,Cz马格努斯力系数,αe表示动力平衡角,γ表示弹轴坐标系转的角度,d表示弹径,l表示弹长,my表示偏航力矩,mz表示静力矩系数。
进一步的,步骤(4)搭建反向传播神经网络具体为:确定反向传播BP神经网络模型的输入层节点数、隐含层神经元个数、激活函数、以及输出层节点数,优化算法;包括如下步骤:
步骤(41):输入层节点设定
基于有控滑翔弹的运动模型以及实弹发射数据,确定影响因素分别为射程x、飞行高度y、侧偏z、滑翔弹速度V、推力P,其中滑翔弹速度V分解成Vx、Vy以及Vz三个分量,共7个变量;确定网络的输入层的节点数n=7;
步骤(42):隐藏层节点设定
在三层网络中,隐含层定位一层,神经网络个数l和输入层神经元个数n,输出神经元个数m之间有经验公式:
a为0~10之间的整数,设隐藏层节点l为15;
步骤(43):输出层节点数设定
借助反向传播BP神经网络实现对不同高度的风速W的辨识,选定输出层的节点数m=1;
步骤(44):对数据进行归一化处理
使用min-max normalization归一化法,将所有样本数据映射到[0,1]区间内;步骤(45):网络参数设置
选择对数S型logsig函数作为隐含层节点转移函数,设定线性purelin函数作为输出节点转移函数,设定Levenbrg_Marquardt的trainlm函数作为BP神经网络算法的训练函数;隐藏节点个数设定为15,最大迭代次数1000,误差阈值0.000001,学习率0.01;
步骤(46):种群优化设置:种群代数设定为50,种群规模设定为5,优化参数个数设定为241,优化变量边界设定为[-1,1];
步骤(47):遗传算法函数优化BP神经网络。
进一步的,步骤(44)中归一化公式为:
式中,xj为原始输入数据,xmin为最小输入数据,xmax为最大输入数据,为归一化后的输入数据。
进一步的,步骤(47)遗传算法函数优化BP神经网络具体包括如下步骤:
步骤(471):种群初始化
个体编码方法为实数编码,每个个体均变化为一个实数串,由输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值以及输出层阈值4部分组成;个体包含了神经网络全部权值和阈值,在网络结构已知的情况下,构成一个结构、权值,阈值确定的BP神经网络;
步骤(472)适应度函数
根据个体得到BP神经网络的初始权值和阈值,用训练数据训练BP神经网络后预测系统输出,把预测输出和期望输出之间的误差绝对值和E作为个体适应度值F,计算公式为:
式中,n为网络输出节点数;yi为BP神经网络第i个节点的期望输出;oi为第i个节点的预测输出,k为系数;
步骤(473)选择操作
遗传算法选择操作采用轮盘赌法,即基于适应度比例的选择策略,每个个体i的选择概率p,方法如下:
fi=k/Fi
式中,Fi为个体i的适应度值,在个体选择前对适应度的值求倒数;k为系数;N为种群个体数目;
步骤(474):交叉操作
采用实数交叉法,第k个染色体ak和第l个染色体al,在j位的交叉操作方法如下:
akj=akj(1-b)+aljb
alj=alj(1-b)+akjb
式中,b是[0,1]间的随机数;
步骤(475):变异操作
选取第i个体的第j个基因aij进行变异,变异操作方法如下:
式中,amax为基因aij的上界;amax为基因aij的下界;f(g)=r2(1-g/Gmax)2;r2为一个随机数;g为当前迭代次数;Gmax为最大进化次数;r为[0,1]间的随机数。
进一步的,步骤(6)中求出输出的风速向量具体为:
在优化后的反向传播BP神经网络神经网络训练结束后,获得模型的中间层到输入层连接权值w3,以及隐含层阈值b2,假定此时给定了M个预测样本x(k),激活函数为g(x),则网络的输出y(k)为:
y(k)=g(w3x(k)+b2),k=1,2,...,M。
本发明与现有技术相比,其显著优点在于:
(1)将制导炮弹的动力学模型(解析方法)与人工神经网络(黑箱建模方法)相结合,形成灰箱模型;使用遗传算法对弹道数据进行初始处理,使他可以避开峰值陷阱更好的追踪实际风场,对于使用神经网络对实际风速采集达到更加准确效果。
(2)方法简便、准确,可避免制导炮弹的推力系数和阻力系数的确定,以及对飞行速度方位与其输入推力及其外部微小因素影响关系的建模。
(3)相比基于气象气球的风速估计方法(需要缓慢上升悬停才能测量风速),本发明所提出的风速估计方法可以在飞行过程后采集数据快速估计三维风速/风向,跟踪快速,满足了战场快速性的要求。
(4)由于本发明所提出的风速估计方法是基于制导炮弹的动力学模型并通过使用人工神经网络建立的灰箱模型,由此避免了由于过度简化制导炮弹动力学方程导致实际飞行状态参数考虑不足带来的系统误差,因此与仅仅使用制导炮弹动力学方程模型的方法相比,具有较高的测量精度和实用价值。
(5)本发明所提出的风速估计方法仅需要一次标定实验即可完成人工神经网络的训练,进而用于环境风速的测量。而现有的仅使用气象气球和气象火箭等方法还需要等待数据采集仪器落下,对其回收进行分析风速风向。因此本发明所提出的风速采集方式更加便捷易行。
附图说明
图1为反向传播BP神经网络的原理图。
图2为基于遗传算法优化的反向传播BP神经网络的流程框图。
图3为基于遗传算法优化的反向传播BP神经网络的MATLAB网络模型。
图4为训练好的神经网络适应度变化曲线。
图5为测试集结果预测对比。
图6为测试集结果绝对误差。
图7为测试集结果误差百分比。
图8为实际风速和神经网络拟合风速对比图。
具体实施方式
下面结合附图对本发明作进一步详细描述。
一种能够满足战场快速性要求、抑制控制中的高空风速风向扰动、提高制导系统的鲁棒性的快速高空气象检测方法。包括以下步骤:
步骤1,进行实际飞行标记实验,采集实验环境中,滑翔增程制导炮弹的每个采样时刻的飞行姿态角、速度、加速度、位置,并记录制导炮弹质量,通过放气象气球得到不同高度下的风速风向信息;
步骤2,建立弹道运动学模型和气动力学模型;
步骤3,通过弹载传感器获取的每个采样时刻的运动参数并计算理论弹道数据;
步骤4,搭建反向传播神经网络,将弹道坐标系下每个采样高度的风速风向作为输出,将制导炮弹的每个采样点采集的飞行姿态角、飞行速度、加速度和理论弹道数据作为输入,然后使用遗传算法对数据预处理并其优化,用反向传播神经网络模型进行训练,等神经网络模型训练完成后保存训练模型;
步骤5,在实地需要测量的地方,发射一枚相同的滑翔增程制导炮弹,并且记录下每个采样时刻的飞行姿态角、速度、加速度、位置、推力信息;
步骤6,将制导炮弹的发射速度、炮弹飞行力矩和每个采样点采集的飞行姿态角、飞行速度、加速度等信息作为训练好的人工神经网络模型的输入,求出输出的风速向量;
步骤2所述的建立有控滑翔弹地面坐标系下的4D运动模型为:
动力平衡角的直接计算公式为:
直接计算公式中的参数为:
x2=(aa-ab)byVr 2 (15)
Vrx=Vx-Wx (19)
Vry=Vy (20)
Vrz=Vz-Wz (21)
式中,Vx为滑翔弹横轴方向速度,Vy为滑翔弹纵轴方向速度,Vz为滑翔弹竖轴方向速度,m为弹体质量,t表示时间,ρ表示空气密度,W表示风速,Vr表示实际速度,xyz表示各个方向位移大小,Cx0表示阻力系数(攻角为0),S表示特征面积,Cx表示阻力系数,Cy表示升力系数,Cz马格努斯力系数,αe表示动力平衡角,γ表示弹轴坐标系转的角度,d表示弹径,l表示弹长,my表示偏航力矩,mz表示静力矩系数。
根据步骤4所述根据模型与样本数据,首先构建适合的反向传播(BP)神经网络模型:确定反向传播(BP)神经网络模型的输入层节点数、隐含层神经元个数、激活函数、以及输出层节点数,具体包括如下步骤:
步骤4.1:输入层节点设定
基于有控滑翔弹4D运动模型以及实弹发射数据,确定影响因素分别为射程x、飞行高度y、侧偏z、滑翔弹速度V、推力P,其中滑翔弹速度V可以具体的分解成Vx、Vy以及Vz三个分量,共7个变量。确定网络的输入层的节点数n=7;
步骤4.2:隐藏层节点设定
对于一般的模式识别问题,三层网络可以很好地解决问题,在三层网络中,隐含层定位一层,神经网络个数l和输入层神经元个数n,输出神经元个数m之间有经验公式:
a为0~10之间的整数,所以我们设隐藏层节点l为15;
步骤4.3:输出层节点数设定;
借助反向传播(BP)神经网络实现对不同高度的风速W的辨识,选定输出层的节点数m=1;
步骤4.4:对数据进行归一化处理;
使用min-max normalization归一化法,将所有样本数据映射到[0,1]区间内。
其中,归一化公式为:
式中,xj为原始输入数据,xmin为最小输入数据,xmax为最大输入数据,xj *为归一化后的输入数据;
步骤4.5:网络参数设置;
选择对数S型logsig函数作为隐含层节点转移函数,设定线性purelin函数作为输出节点转移函数,设定Levenbrg_Marquardt的trainlm函数作为BP神经网络算法的训练函数;
步骤4.6:种群优化设置;
步骤4.7遗传算法对反向传播(BP)神经网络的优化
遗传算法优化BP神经网络分为BP神经网络结构确定、遗传算法优化和BP神经网络预测3个部分。其中,BP神经网络结构确定部分根据拟合函数输入输出参数个数确定BP神经网络结构,进而确定遗传算法个体的长度。遗传算法优化使用遗传算法优化BP神经网络的权值和阈值,种群中的每个个体都包含了一个网络所有权值和阈值,个体通过适应度函数计算个体适应度值,遗传算法通过选择、交叉和变异操作找到最优适应度值对应个体。BP神经网络预测用遗传算法得到最优个体对网络初始权值和阈值赋值,网络经训练后预测函数输出。神经网络的权值和阈值一般是通过随机初始化为[-0.5,0.5]区间的随机数,网络的训练结果是一样的,引入遗传算法就是为了优化出最佳的初始权值和阈值。
步骤4.7.1种群初始化
个体编码方法为实数编码,每个个体均为变化为一个实数串,由输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值以及输出层阈值4部分组成。个体包含了神经网络全部权值和阈值,在网络结构已知的情况下,就可以构成一个结构、权值,阈值确定的BP神经网络。
步骤4.7.2适应度函数
根据个体得到BP神经网络的初始权值和阈值,用训练数据训练BP神经网络后预测系统输出,把预测输出和期望输出之间的误差绝对值和E作为个体适应度值F,计算公式为:
式中,n为网络输出节点数;yi为BP神经网络第i个节点的期望输出;oi为第i个节点的预测输出,k为系数;
步骤4.7.3选择操作
遗传算法选择操作有轮盘赌法,锦标赛法等多种方法,本方案选择轮盘赌法,即基于适应度比例的选择策略,每个个体i的选择概率p,方法如下:
fi=k/Fi (25)
式中,Fi为个体i的适应度值,由于适应度值越小越好,所以在个体选择前对适应度的值求倒数;k为系数;N为种群个体数目。
步骤4.7.4交叉操作
由于个体采用实数编码,所以交叉操作方法采用实数交叉法,第k个染色体ak和第l个染色体al,在j位的交叉操作方法如下:
式中,b是[0,1]间的随机数。
步骤4.7.5变异操作
选取第i个体的第j个基因aij进行变异,变异操作方法如下:
式中,amax为基因aij的上界;amax为基因aij的下界;f(g)=r2(1-g/Gmax)2;r2为一个随机数;g为当前迭代次数;Gmax为最大进化次数;r为[0,1]间的随机数。
步骤6.1:实现参数辨识。
针对有控弹箭飞行高度的风速辨识,具体包括如下步骤:
在优化后的反向传播(BP)神经网络神经网络训练结束后,获得模型的中间层到输入层连接权值w3,以及隐含层阈值b2,假定此时给定了M个预测样本x(k),激活函数为g(x),则网络的输出y(k)为:
y(k)=g(w3x(k)+b2),k=1,2,...,M (29)
对输出结果进行验证:根据步骤6所述方法:根据模型与样本数据,将高度风速样本和输入参数辨识出来的风速高度样本进行比较,将整条弹道共9175组数据样本进行划分,随机分配9100组数据作为训练子集,将后75组数据作为测试验算集,通过测试集误差的均方差值、绝对差值、误差百分比进行判断,分析整条网络的训练效果。
实施例1
利用滑翔制导炮弹飞行的方位数据,使用遗传算法优化BP神经网络对风速w进行辨识。将整条弹道共9175组数据样本进行划分,随机分配9100组数据作为训练集,将后75组数据作为测试集,通过测试集误差的均方差值、绝对差值、误差百分比进行判断,分析整条网络的训练效果。
图1为反向传播(BP)神经网络的原理图,可以看出反向传播神经网络的变化过程和各个节点的数值表示。图2为基于遗传算法优化的反向传播(BP)神经网络的流程框图。图3为基于遗传算法优化的反向传播(BP)神经网络的MATLAB网络模型。图4为训练好的神经网络适应度变化曲线,适应度在第四次和第二十三次快速下降,达到合适的适应度数值,误差控制在合理范围内。图5为测试集结果预测对比,这里可以看出,网络输出可以很好的跟随变化的测试集,预测趋势相同。图6为测试集结果绝对误差,绝对误差在-0.3~0.25之间,对于风速在0~25左右的数值来说,已经做到了很小的绝对误差,追踪效果好。图7为测试集结果误差百分比,由图可知对于非线性变化的风速,误差百分比控制在-2.5%到4%之间,实际工程上可以存在的误差在-5%~5%之间,完全符合工程标准,满足辨识风速的精确度要求。图8为实际风速和神经网络拟合风速对比图。从图中可以看出,本发明的估计方法和实际基本相符。
Claims (6)
1.基于GA-BP神经网络的制导炮弹高空风速风向估计方法,其特征在于,包括如下步骤:
步骤(1):进行实际飞行标记实验,采集实验环境中,滑翔增程制导炮弹的每个采样时刻的飞行姿态角、速度、加速度、位置,并记录制导炮弹质量,通过放气象气球得到不同高度下的风速风向信息;
步骤(2):建立弹道运动模型和气动力学模型;
步骤(3):通过弹载传感器获取每个采样时刻的运动参数并计算理论弹道数据;
步骤(4):搭建反向传播神经网络,将弹道坐标系下每个采样高度的风速风向作为输出,将制导炮弹的每个采样点采集的飞行姿态角、飞行速度、加速度和理论弹道数据作为输入,然后使用遗传算法对数据预处理、优化,用反向传播神经网络模型进行训练,等神经网络模型训练完成后保存训练模型;
步骤(5):在实地需要测量的地方,发射一枚相同的滑翔增程制导炮弹,并且记录下每个采样时刻的飞行姿态角、速度、加速度、位置、推力信息;
步骤(6):将制导炮弹的发射速度、炮弹飞行力矩和每个采样点采集的飞行姿态角、飞行速度、加速度信息作为训练好的人工神经网络模型的输入,求出输出的风速向量。
2.根据权利要求1所述的方法,其特征在于,步骤(2)建立弹道地面坐标系下的运动模型为:
动力平衡角的直接计算公式为:
直接计算公式中的参数为:
x2=(aa-ab)byVr 2
Vrx=Vx-Wx
Vry=Vy
Vrz=Vz-Wz
式中,Vx为滑翔弹横轴方向速度,Vy为滑翔弹纵轴方向速度,Vz为滑翔弹竖轴方向速度,m为弹体质量,t表示时间,ρ表示空气密度,W表示风速,Vr表示实际速度,xyz表示各个方向位移大小,Cx0表示阻力系数、攻角为0,S表示特征面积,Cx表示阻力系数,Cy表示升力系数,Cz马格努斯力系数,αe表示动力平衡角,γ表示弹轴坐标系转的角度,d表示弹径,l表示弹长,my表示偏航力矩,mz表示静力矩系数。
3.根据权利要求2所述的方法,其特征在于,步骤(4)搭建反向传播神经网络具体为:确定反向传播BP神经网络模型的输入层节点数、隐含层神经元个数、激活函数、以及输出层节点数,优化算法;包括如下步骤:
步骤(41):输入层节点设定
基于有控滑翔弹的运动模型以及实弹发射数据,确定影响因素分别为射程x、飞行高度y、侧偏z、滑翔弹速度V、推力P,其中滑翔弹速度V分解成Vx、Vy以及Vz三个分量,共7个变量;确定网络的输入层的节点数n=7;
步骤(42):隐藏层节点设定
在三层网络中,隐含层定位一层,神经网络个数l和输入层神经元个数n,输出神经元个数m之间有经验公式:
a为0~10之间的整数,设隐藏层节点l为15;
步骤(43):输出层节点数设定
借助反向传播BP神经网络实现对不同高度的风速W的辨识,选定输出层的节点数m=1;
步骤(44):对数据进行归一化处理
使用min-max normalization归一化法,将所有样本数据映射到[0,1]区间内;
步骤(45):网络参数设置
选择对数S型logsig函数作为隐含层节点转移函数,设定线性purelin函数作为输出节点转移函数,设定Levenbrg_Marquardt的trainlm函数作为BP神经网络算法的训练函数;隐藏节点个数设定为15,最大迭代次数1000,误差阈值0.000001,学习率0.01;
步骤(46):种群优化设置:种群代数设定为50,种群规模设定为5,优化参数个数设定为241,优化变量边界设定为[-1,1];
步骤(47):遗传算法函数优化BP神经网络。
4.根据权利要求3所述的方法,其特征在于,步骤(44)中归一化公式为:
式中,xj为原始输入数据,xmin为最小输入数据,xmax为最大输入数据,为归一化后的输入数据。
5.根据权利要求4所述的方法,其特征在于,步骤(47)遗传算法函数优化BP神经网络具体包括如下步骤:
步骤(471):种群初始化
个体编码方法为实数编码,每个个体均变化为一个实数串,由输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值以及输出层阈值4部分组成;个体包含了神经网络全部权值和阈值,在网络结构已知的情况下,构成一个结构、权值,阈值确定的BP神经网络;
步骤(472)适应度函数
根据个体得到BP神经网络的初始权值和阈值,用训练数据训练BP神经网络后预测系统输出,把预测输出和期望输出之间的误差绝对值和E作为个体适应度值F,计算公式为:
式中,n为网络输出节点数;yi为BP神经网络第i个节点的期望输出;oi为第i个节点的预测输出,k为系数;
步骤(473)选择操作
遗传算法选择操作采用轮盘赌法,即基于适应度比例的选择策略,每个个体i的选择概率p,方法如下:
fi=k/Fi
式中,Fi为个体i的适应度值,在个体选择前对适应度的值求倒数;k为系数;N为种群个体数目;
步骤(474):交叉操作
采用实数交叉法,第k个染色体ak和第l个染色体al,在j位的交叉操作方法如下:
akj=akj(1-b)+aljb
alj=alj(1-b)+akjb
式中,b是[0,1]间的随机数;
步骤(475):变异操作
选取第i个体的第j个基因aij进行变异,变异操作方法如下:
式中,amax为基因aij的上界;amax为基因aij的下界;f(g)=r2(1-g/Gmax)2;r2为一个随机数;g为当前迭代次数;Gmax为最大进化次数;r为[0,1]间的随机数。
6.根据权利要求5所述的方法,其特征在于,步骤(6)中求出输出的风速向量具体为:
在优化后的反向传播BP神经网络神经网络训练结束后,获得模型的中间层到输入层连接权值w3,以及隐含层阈值b2,假定此时给定了M个预测样本x(k),激活函数为g(x),则网络的输出y(k)为:
y(k)=g(w3x(k)+b2),k=1,2,...,M。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310847494.6A CN116956717A (zh) | 2023-07-11 | 2023-07-11 | 基于ga-bp神经网络的制导炮弹高空风速风向估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310847494.6A CN116956717A (zh) | 2023-07-11 | 2023-07-11 | 基于ga-bp神经网络的制导炮弹高空风速风向估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116956717A true CN116956717A (zh) | 2023-10-27 |
Family
ID=88443752
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310847494.6A Pending CN116956717A (zh) | 2023-07-11 | 2023-07-11 | 基于ga-bp神经网络的制导炮弹高空风速风向估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116956717A (zh) |
-
2023
- 2023-07-11 CN CN202310847494.6A patent/CN116956717A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111399541B (zh) | 无监督学习型神经网络的无人机全区域侦察路径规划方法 | |
CN104215935B (zh) | 一种基于决策加权融合的雷达炮弹目标识别方法 | |
CN105608251B (zh) | 直升机火控系统精度敏感性分析的BNSobol法 | |
CN116341390B (zh) | 一种全局搜索快速收敛多约束弹道优化方法 | |
CN111176263A (zh) | 一种基于bp神经网络的飞行器推力故障在线辨识方法 | |
CN115329594B (zh) | 一种大规模导弹集群攻防对抗仿真加速方法及系统 | |
CN111611648B (zh) | 助推-滑翔式飞行器最大飞行距离能力评估方法 | |
CN113625740A (zh) | 一种基于迁移学习鸽群优化的无人机空战博弈方法 | |
CN112836581A (zh) | 一种基于相关性分析的敏感故障特征提取方法及装置 | |
CN116956717A (zh) | 基于ga-bp神经网络的制导炮弹高空风速风向估计方法 | |
CN116611160A (zh) | 基于一段实测弹道参数的无控飞行器在线实时特征参数辨识与弹道预报方法 | |
CN116911004A (zh) | 一种基于神经网络的弹道落点修正方法 | |
CN104122530B (zh) | 一种基于常规雷达的炮弹目标识别方法 | |
CN115186378A (zh) | 一种空战模拟环境中的战术控制距离实时解算方法 | |
CN112698666B (zh) | 一种基于气象栅格的飞行器航路优化方法 | |
CN112800082B (zh) | 一种基于置信规则库推理的空中目标识别方法 | |
CN109376364A (zh) | 基于扩展卡尔曼滤波的高速旋转弹气动参数辨识方法 | |
CN114580301A (zh) | 一种基于参数外推的高超声速飞行器轨迹在线预测方法 | |
CN115079721A (zh) | 一种基于诱骗-突防策略的飞行器协同弹道规划系统和方法 | |
CN114935277A (zh) | 一种滑翔增程制导炮弹理想弹道的在线规划方法 | |
CN116520686A (zh) | 基于迁移学习的角度时间最优制导方法 | |
Anderson et al. | Using an elitist pareto genetic algorithm for aerodynamic data extraction | |
CN115046433B (zh) | 基于深度强化学习的飞行器时间协同制导方法 | |
CN115994407A (zh) | 基于人工智能的敌方拦截弹时间常数回归辨识方法 | |
Shao et al. | Maneuverability Range Prediction of Gliding Vehicle Based on Structure-optimized GA-BP Neural Network |
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 |