CN117272873B - 一种基于数理串联增强深度学习方法的抛射落点预测算法 - Google Patents
一种基于数理串联增强深度学习方法的抛射落点预测算法 Download PDFInfo
- Publication number
- CN117272873B CN117272873B CN202311560461.XA CN202311560461A CN117272873B CN 117272873 B CN117272873 B CN 117272873B CN 202311560461 A CN202311560461 A CN 202311560461A CN 117272873 B CN117272873 B CN 117272873B
- Authority
- CN
- China
- Prior art keywords
- data
- projectile
- model
- deep learning
- initial
- 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 29
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 21
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 238000013136 deep learning model Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 16
- 230000004927 fusion Effects 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000002787 reinforcement Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000005266 casting Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 2
- 230000000306 recurrent effect Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009897 systematic effect Effects 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
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及运动分析技术领域，具体地涉及一种基于数理串联增强深度学习方法的抛射落点预测算法，包括：利用传感器装置采集抛射物运动过程中的抛出初始数据；将抛出初始数据导入到物理模型中，用于模拟真实的运动过程；将物理模型生成的数据与抛出初始数据进行特征融合；设计深度学习模型，接收特征融合后的数据作为输入，以提取和学习抛射物运动模式的特征表示；使用已标注的训练数据集，对深度学习模型进行训练，通过优化算法和反向传播，调整模型参数，准确预测抛射物的落点位置；在预测阶段，将抛出初始数据输入模型，输出预测的落点位置。本发明通过将物理模型生成的数据与抛出初始数据相结合，改善了模型的预测性能、泛化能力和鲁棒性。
Description
技术领域
本发明涉及运动分析技术领域，具体地涉及一种基于数理串联增强深度学习方法的抛射落点预测算法。
背景技术
在许多领域，如体育训练、机器人技术等，预测抛射物的落点位置是一个重要的问题。例如，在篮球比赛中，预测球的落点可以帮助球员制定更准确的投篮策略。
传统的方法通常基于物理模型和数学公式来进行抛射物的轨迹计算和落点预测。然而，这些方法通常依赖于严格的假设和精确的参数设置，对于复杂的环境和实际情况的变化往往表现不稳定。近年来，深度学习技术的快速发展为解决抛射物落点预测问题提供了新的可能性。深度学习模型可以从大量的数据中学习抛射物的运动模式和特征，能够更好地适应复杂的环境和实际情况。然而，传统的深度学习方法通常只使用抛出初始数据作为输入，容易导致模型在处理极端情况或缺乏数据的情况下表现不佳。
因此，针对目前存在的问题，本发明提出一种基于数理串联增强深度学习方法的抛射落点预测算法。
发明内容
本发明的目的在于克服现有技术存在的缺点，提出设计一种基于数理串联增强深度学习方法的抛射落点预测算法，通过将物理模型生成的数据与抛出初始数据相结合，从而改善模型的预测性能、泛化能力和鲁棒性。
本发明解决其技术问题所采取的技术方案是：
一种基于数理串联增强深度学习方法的抛射落点预测算法，包括以下步骤：
步骤1、抛出初始数据采集：利用传感器装置采集抛射物运动过程中的抛出初始数据；
步骤2、物理模型数据生成：将抛出初始数据导入到物理模型中，通过数值模拟或解析计算生成抛射物的轨迹数据，用于模拟真实的运动过程；
步骤3、特征融合：将物理模型生成的数据与抛出初始数据进行特征融合；
步骤4、深度学习模型设计：设计深度学习模型，接收特征融合后的数据作为输入，以提取和学习抛射物运动模式的特征表示；
步骤5、模型训练与预测：使用已标注的训练数据集，对深度学习模型进行训练，通过优化算法和反向传播，调整模型参数，使其能够准确预测抛射物的落点位置；在预测阶段，将抛出初始数据输入模型，输出预测的落点位置。
进一步的，步骤1中，所述抛出初始数据包括抛射物的位置、速度、加速度、压强等信息。
进一步的，步骤2中，所述轨迹数据包括抛射角度、初始速度、空气阻力等信息。
进一步的，步骤2中，所述物理模型为：
；
其中，C为表示抛射物的空气阻力系数；H(y)为表示空气特征的密度函数；G(v r )为阻力函数；v x 为x方向上抛射物速度，m/s；v y 为y方向上抛射物速度，m/s；v z 为z方向上抛射物速度，m/s；v r 为实际抛射物速度，m/s；R为地球半径，m；ω x 为x方向上的风速，m/s，ω z 为z方向上的风速，m/s；Ω为地球自转角速度矢量，取7.292×10-5rad/s；Λ为抛射地点的纬度，°；α为俯仰角，°；g 0为重力加速度，m/s2；v为理论抛射物速度，m/s。
进一步的，步骤3中，所述特征融合包括但不限于以下方式：将所述抛出初始数据和所述轨迹数据拼接在一起；或通过神经网络等模型将两类数据进行融合和组合。
进一步的，步骤4中，所述深度学习模型包括但不限于以下模型：深度前馈神经网络、循环神经网络或注意力机制。
本发明进行数理串联，即将不同来源的数据和模型进行有机的融合。本发明在抛射落点预测算法中，涉及到物理模型生成的数据和深度学习模型使用的原始数据。这种串联不仅仅是简单地将两者拼接在一起，而是通过一定的方式将它们相互结合，使得模型能够充分利用两种类型的数据以及模型的优势。
本发明的技术效果：
与现有技术相比，本发明的一种基于数理串联增强深度学习方法的抛射落点预测算法，结合了物理模型和深度学习技术，通过引入物理模型生成的数据，使其与抛出初始数据进行特征融合，融合后的数据作为深度学习模型的特征输入，对深度学习模型进行了增强，提高了模型的预测准确性、泛化能力和鲁棒性。
附图说明
图1为本发明基于数理串联增强深度学习方法的抛射落点预测算法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面结合说明书附图，对本发明实施例中的技术方案进行清楚、完整地描述。
实施例1：
本实施例涉及的一种基于数理串联增强深度学习方法的抛射落点预测算法，其核心思想是将抛出初始数据与基于抛出数据生成的物理模型的数据相串联，进行数据增强，构建一个综合的特征表示，用于训练和预测抛射物的落点位置。
具体而言，如图1所示，所述抛射落点预测算法包括以下步骤：
步骤1、抛出初始数据采集：利用传感器装置，如摄像头、雷达或惯性测量单元，采集抛射物运动过程中的抛出初始数据，所述抛出初始数据包括抛射物的位置、速度、加速度、压强等信息；
步骤2、物理模型数据生成：将抛出初始数据导入到物理模型中，通过数值模拟或解析计算生成抛射物的轨迹数据，所述轨迹数据包括抛射角度、初始速度、空气阻力等信息，用于模拟真实的运动过程；所述物理模型为：
；
其中，C为表示抛射物的空气阻力系数；H(y)为表示空气特征的密度函数；G(v r )为阻力函数；v x 为x方向上抛射物速度，m/s；v y 为y方向上抛射物速度，m/s；v z 为z方向上抛射物速度，m/s；v r 为实际抛射物速度，m/s；R为地球半径，m；ω x 为x方向上的风速，m/s，ω z 为z方向上的风速，m/s；Ω为地球自转角速度矢量，取7.292×10-5rad/s；Λ为抛射地点的纬度，°；α为俯仰角，°；g 0为重力加速度，m/s2；v为理论抛射物速度，m/s。
步骤3、特征融合：将物理模型生成的数据与抛出初始数据进行特征融合，可以采用多种方式，如将两类数据拼接在一起，或者通过神经网络等模型将两类数据进行融合和组合；
步骤4、深度学习模型设计：设计深度学习模型，接收特征融合后的数据作为输入；所述深度学习模型可以采用深度前馈神经网络（MLP）、循环神经网络（RNN）或注意力机制（Attention）等模型结构，以提取和学习抛射物运动模式的特征表示；
步骤5、模型训练与预测：使用已标注的训练数据集，对深度学习模型进行训练，通过优化算法和反向传播，调整模型参数，使其能够准确预测抛射物的落点位置；在预测阶段，将抛出初始数据输入模型，输出预测的落点位置，即将落点坐标中的射程x、高程y、横偏z分别作为输出向量。
本发明采用物理模型和深度学习技术相结合的方式，将物理模型生成的数据与抛出初始数据进行特征融合，融合后的数据作为深度学习模型的特征输入，能够增强深度学习模型的性能，以及提高模型的预测准确性、泛化能力和鲁棒性。具体而言：
1、数据丰富性：物理模型可以生成额外的数据样本，从而扩充了训练数据集；更多的数据有助于提高模型的泛化能力，减少过拟合的风险；
2、特征丰富性：物理模型生成的数据提供了与现实世界问题相关的物理特征信息；将这些物理特征与原始数据进行融合，可以增加输入数据的特征维度，使得模型能够更好地捕捉数据中的相关信息；
3、增强模型理解力：通过物理模型生成的数据，模型可以学习到更深入的数据分布和结构；这样的学习过程可以帮助模型更好地理解数据的内在规律，从而提升其预测准确性；
4、预测准确性提高：物理模型生成的数据可以提供更多的样本，其中一些样本可能是在真实数据中很少见或不存在的情况；这样，模型在训练过程中可以更全面地学习数据的不同方面和变化模式，从而提高其在预测任务上的准确性；
5、泛化能力增强：物理模型在训练过程中能够学习到更广泛的数据分布，这有助于提高模型的泛化能力，使其能够更好地处理未见过的输入样本，并具有更好的推广能力；
6、鲁棒性提升：通过物理模型生成的数据，模型可以学习到真实世界中可能存在的不确定性或系统变化等情况。这样的学习可以使模型更具鲁棒性，能够在面对变化时仍然保持较好的性能。
上述具体实施方式仅是本发明的具体个案，本发明的专利保护范围包括但不限于上述具体实施方式，任何符合本发明权利要求书且任何所属技术领域的普通技术人员对其所做的适当变化或修饰，皆应落入本发明的专利保护范围。
Claims (3)
1.一种基于数理串联增强深度学习方法的抛射落点预测算法，其特征在于：包括以下步骤：
步骤1、抛出初始数据采集：利用传感器装置采集抛射物运动过程中的抛出初始数据；
步骤2、物理模型数据生成：将抛出初始数据导入到物理模型中，通过数值模拟或解析计算生成抛射物的轨迹数据，用于模拟真实的运动过程；
步骤3、特征融合：将物理模型生成的数据与抛出初始数据进行特征融合；所述特征融合包括：将所述抛出初始数据和所述轨迹数据拼接在一起；或通过神经网络模型将两类数据进行融合和组合；
步骤4、深度学习模型设计：设计深度学习模型，接收特征融合后的数据作为输入，以提取和学习抛射物运动模式的特征表示；
步骤5、模型训练与预测：使用已标注的训练数据集，对深度学习模型进行训练，通过优化算法和反向传播，调整模型参数，使其能够准确预测抛射物的落点位置；在预测阶段，将抛出初始数据输入模型，输出预测的落点位置；
步骤1中，所述抛出初始数据包括抛射物的位置、速度、加速度、压强；
步骤2中，所述轨迹数据包括抛射角度、初始速度、空气阻力。
2.根据权利要求1所述的基于数理串联增强深度学习方法的抛射落点预测算法，其特征在于：步骤2中，所述物理模型为：
；
其中，C为表示抛射物的空气阻力系数；H(y)为表示空气特征的密度函数；G(v r )为阻力函数；v x 为x方向上抛射物速度，m/s；v y 为y方向上抛射物速度，m/s；v z 为z方向上抛射物速度，m/s；v r 为实际抛射物速度，m/s；R为地球半径，m；ω x 为x方向上的风速，m/s，ω z 为z方向上的风速，m/s；Ω为地球自转角速度矢量，取7.292×10-5 rad/s；Λ为抛射地点的纬度，°；α为俯仰角，°；g 0为重力加速度，m/s2；v为理论抛射物速度，m/s。
3.根据权利要求1或2所述的基于数理串联增强深度学习方法的抛射落点预测算法，其特征在于：步骤4中，所述深度学习模型包括：深度前馈神经网络、循环神经网络或注意力机制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311560461.XA CN117272873B (zh) | 2023-11-22 | 2023-11-22 | 一种基于数理串联增强深度学习方法的抛射落点预测算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311560461.XA CN117272873B (zh) | 2023-11-22 | 2023-11-22 | 一种基于数理串联增强深度学习方法的抛射落点预测算法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117272873A CN117272873A (zh) | 2023-12-22 |
| CN117272873B true CN117272873B (zh) | 2024-05-31 |
Family
ID=89201288
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311560461.XA Active CN117272873B (zh) | 2023-11-22 | 2023-11-22 | 一种基于数理串联增强深度学习方法的抛射落点预测算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117272873B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115965658A (zh) * | 2023-03-16 | 2023-04-14 | 江西工业贸易职业技术学院 | 球类运动轨迹预测方法、系统、电子设备及存储介质 |
| CN116310991A (zh) * | 2023-03-24 | 2023-06-23 | 青岛根尖智能科技有限公司 | 一种基于强化学习的篮板落点预测方法及系统 |
| CN116484645A (zh) * | 2023-05-19 | 2023-07-25 | 中国人民解放军火箭军工程大学 | 一种飞行器优选决策方法、系统、电子设备及介质 |
| CN116822091A (zh) * | 2023-07-10 | 2023-09-29 | 山东建筑大学 | 一种融合参数化模型与机器学习的机床进给轴位置预测方法 |
| CN116911004A (zh) * | 2023-07-06 | 2023-10-20 | 山东建筑大学 | 一种基于神经网络的弹道落点修正方法 |
| CN116977931A (zh) * | 2023-07-31 | 2023-10-31 | 深圳市星河智善科技有限公司 | 一种基于深度学习的高空抛物识别方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10521526B2 (en) * | 2017-11-20 | 2019-12-31 | Nfl Players, Inc. | Hybrid method of assessing and predicting athletic performance |
| US11461963B2 (en) * | 2018-11-16 | 2022-10-04 | Uatc, Llc | Systems and methods for generating synthetic light detection and ranging data via machine learning |
-
2023
- 2023-11-22 CN CN202311560461.XA patent/CN117272873B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115965658A (zh) * | 2023-03-16 | 2023-04-14 | 江西工业贸易职业技术学院 | 球类运动轨迹预测方法、系统、电子设备及存储介质 |
| CN116310991A (zh) * | 2023-03-24 | 2023-06-23 | 青岛根尖智能科技有限公司 | 一种基于强化学习的篮板落点预测方法及系统 |
| CN116484645A (zh) * | 2023-05-19 | 2023-07-25 | 中国人民解放军火箭军工程大学 | 一种飞行器优选决策方法、系统、电子设备及介质 |
| CN116911004A (zh) * | 2023-07-06 | 2023-10-20 | 山东建筑大学 | 一种基于神经网络的弹道落点修正方法 |
| CN116822091A (zh) * | 2023-07-10 | 2023-09-29 | 山东建筑大学 | 一种融合参数化模型与机器学习的机床进给轴位置预测方法 |
| CN116977931A (zh) * | 2023-07-31 | 2023-10-31 | 深圳市星河智善科技有限公司 | 一种基于深度学习的高空抛物识别方法 |
Non-Patent Citations (6)
| Title |
|---|
| Machine learning for detection of 3D features using sparse x-ray tomographic reconstruction;Wolfe Bradley T. 等;《REVIEW OF SCIENTIFIC INSTRUMENTS》;20230201;第94卷(第02期);全文 * |
| 基于多测元融合的实时数据处理算法研究;解从伟 等;《仪表技术》;20180215(第02期);全文 * |
| 基于深度学习的高超声速飞行器再入预测校正容错制导;余跃 等;《兵工学报》;20200415(第04期);全文 * |
| 基于神经网络的弹道修正弹落点预测方法;曹红锦;常思江;;四川兵工学报;20150125(第01期);全文 * |
| 弹道导弹落点精度影响因子分析;施岩龙;马艳琴;马永林;;现代雷达;20161130(第11期);全文 * |
| 抛体运动轨迹的数值分析;郝亚非;;物理通报;20151205(第12期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117272873A (zh) | 2023-12-22 |
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 | |
| CN114840020B (zh) | 一种基于改进鲸鱼算法的无人机飞行轨迹规划方法 | |
| CN109543285B (zh) | 一种融合数据驱动与强化学习的人群疏散仿真方法和系统 | |
| JP2014502393A (ja) | 判定方法及び判定装置 | |
| CN106643348A (zh) | 一种导弹半物理仿真装置 | |
| CN114895707A (zh) | 基于变频蝙蝠算法的农业无人机路径规划方法及系统 | |
| Feng et al. | Point cloud registration algorithm based on the grey wolf optimizer | |
| CN117272873B (zh) | 一种基于数理串联增强深度学习方法的抛射落点预测算法 | |
| CN114153143B (zh) | 一种导弹非奇异固定时间滑模制导律的设计方法 | |
| CN117911886A (zh) | 一种基于数字孪生技术的空间目标智能检测系统及方法 | |
| CN108009622A (zh) | 一种基于人工蜂群的蒙特卡洛定位方法 | |
| CN116257085A (zh) | 一种基于深度强化学习的无人机未知环境路径规划方法 | |
| CN110472185A (zh) | 圆形弹丸击打与地面呈倾斜角的窗户的弹道轨迹计算方法 | |
| Gao | Fast immunized evolutionary programming | |
| CN110472180A (zh) | 圆形弹丸击打与地面呈垂直的窗户的弹道轨迹计算方法 | |
| Yu et al. | Bat planner: Aggressive flying ball player | |
| CN102799736B (zh) | 飞行器三维运动可视化仿真方法 | |
| CN115167463A (zh) | 一种基于神经网络与人工势场法相结合的路径规划方法 | |
| CN115408775A (zh) | 基于bp神经网络的空间飞行器标准轨迹初始诸元计算方法 | |
| CN116449360A (zh) | 一种基于长短时间记忆网络的机动目标跟踪方法 | |
| CN103699709A (zh) | 一种球体斜抛运动中空气动力学模型参数求解方法 | |
| De Carpentier | Analytical ballistic trajectories with approximately linear drag | |
| CN110285711B (zh) | 基于信息物理系统的制导弹药飞行姿态修正模拟系统及方法 | |
| Wang et al. | Projectile impact point prediction based on genetic algorithm BP neural network | |
| CN114970714B (zh) | 一种考虑移动目标不确定行为方式的轨迹预测方法及系统 |
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 |