CN117910353A - 低信息支撑条件下的弹道预报方法和装置 - Google Patents
低信息支撑条件下的弹道预报方法和装置 Download PDFInfo
- Publication number
- CN117910353A CN117910353A CN202410084450.7A CN202410084450A CN117910353A CN 117910353 A CN117910353 A CN 117910353A CN 202410084450 A CN202410084450 A CN 202410084450A CN 117910353 A CN117910353 A CN 117910353A
- Authority
- CN
- China
- Prior art keywords
- missile
- enemy
- state
- aircraft
- hit
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000005259 measurement Methods 0.000 claims abstract description 92
- 238000003062 neural network model Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 21
- 230000008859 change Effects 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 230000007123 defense Effects 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 6
- 238000002360 preparation method Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Classifications
-
- 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
- Aiming, Guidance, Guns With A Light Source, Armor, Camouflage, And Targets (AREA)
Abstract
本发明提供了一种低信息支撑条件下的弹道预报方法和装置,涉及弹道预报的技术领域,包括:模拟我方飞机和敌方来袭导弹的交战过程,根据模拟交战数据对预设神经网络模型进行训练;根据我方飞机状态量和敌方来袭导弹的预设真实状态量,模拟真实对抗场景,得到我方飞机状态量和敌方来袭导弹带有测量噪声的状态信息测量值随飞行时间变化的数据库;根据训练好的预设神经网络模型,敌方来袭导弹的初始状态估计值,以及从数据库获取我方防御弹信息更新时刻的敌方来袭导弹状态信息测量值,对目标时刻的敌方来袭导弹进行在线弹道预报;缓解了由于弹载计算机存储空间少、计算能力相对较弱导致低信息支撑条件的弹道预报无法实现的技术问题。
Description
技术领域
本发明涉及弹道预报的技术领域,尤其是涉及一种低信息支撑条件下的弹道预报方法和装置。
背景技术
随着空中作战方式的更新迭代,空空导弹成为了夺取制空权的重要武器之一,也是战斗机生存的重大威胁。为了在空战中增加我方飞机的生存概率,通常当我方飞机发现敌方导弹来袭后,发射一枚防御导弹去拦截敌方的来袭导弹;此时往往需要对敌方来袭导弹的位置和速度信息进行预报,以提升我方防御导弹的拦截成功概率。
对防御弹而言,在初始阶段其对敌方来袭导弹信息的获取只能通过数据链,且受数据链容量和更新周期的约束无法实时发送信息,信息更新周期远大于飞机雷达,末制导交战持续时间通常比较短,导致防御弹获得的敌方来袭导弹的信息比较少,处于低信息支撑条件。除此之外,因为测量信息中含有噪声,所以传统的基于卡尔曼滤波及数据外推的弹道预报方法误差很难收敛,并不适用。
发明内容
本发明的目的在于提供一种低信息支撑条件下的弹道预报方法和装置,以缓解由于弹载计算机存储空间少、计算能力相对较弱导致低信息支撑条件的弹道预报无法实现的技术问题。
第一方面,本发明实施例提供了一种低信息支撑条件下的弹道预报方法,包括:
模拟我方飞机和敌方来袭导弹的交战过程,根据模拟交战数据对预设神经网络模型进行训练;
根据我方飞机状态量和敌方来袭导弹的预设真实状态量,模拟真实对抗场景,得到我方飞机状态量和敌方来袭导弹的带有测量噪声的状态信息测量值随飞行时间变化的数据库;
根据训练好的预设神经网络模型,敌方来袭导弹的初始状态估计值,以及从所述数据库获取防御弹数据更新时刻的敌方来袭导弹状态信息测量值,对目标时刻的敌方来袭导弹进行在线弹道预报。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,模拟我方飞机和敌方来袭导弹的交战过程,根据模拟交战数据对预设神经网络模型进行训练的步骤,包括:
基于我方战斗机预设的初始状态和机动方式,对我方飞机与敌方来袭导弹的交战过程进行模拟仿真,生成敌方来袭导弹对应的弹道簇;
通过对所述弹道簇进行拟合学习,训练预设神经网络。
结合第一方面,本发明实施例提供了第一方面的第二种可能的实施方式,其中,根据我方飞机状态量和敌方来袭导弹的预设真实状态量,模拟真实对抗场景,得到我方飞机状态量和敌方来袭导弹带有测量噪声的状态信息测量值随飞行时间变化的数据库的步骤,包括:
获取我方飞机状态量和我方雷达测量真值;
根据所述我方飞机状态量和敌方来袭导弹状态量,计算我方雷达对敌方导弹量测量真值;
将我方雷达对敌方来袭导弹的测量误差添加到所述量测量真值上得到带有噪声的量测量,将带有噪声的量测量转化为敌方来袭导弹带有噪声的状态信息测量值,建立敌方来袭导弹带有测量噪声的状态信息测量值随飞行时间变化的数据库。
结合第一方面,本发明实施例提供了第一方面的第三种可能的实施方式,其中,获取我方飞机状态量和我方雷达测量真值的步骤,包括:
根据敌方来袭导弹的预设真实状态量和我方飞机机动方式,对我方飞机与敌方来袭导弹的动力学方程进行数值积分,得到我方飞机随飞行时间变化的状态和敌方来袭导弹随飞行时间变化的状态。
结合第一方面,本发明实施例提供了第一方面的第四种可能的实施方式,其中,根据所述我方飞机状态量和敌方来袭导弹的状态量,计算我方雷达对敌方导弹量测量真值的步骤,包括:
根据我方飞机随飞行时间变化的状态序列与敌方来袭导弹随飞行时间变化的状态序列计算得到我方雷达对敌方导弹量测量真值。
结合第一方面,本发明实施例提供了第一方面的第五种可能的实施方式,其中,根据训练好的预设神经网络模型,敌方来袭导弹的初始状态估计值,以及从所述数据库获取我方防御弹数据更新时刻的敌方来袭导弹状态信息测量值,对目标时刻的敌方来袭导弹进行在线弹道预报的步骤,包括:
迭代更新输入所述训练好的预设神经网络模型的敌方来袭导弹的初始状态,直至所述训练好的预设神经网络模型输出的敌方来袭导弹状态量的预报值与敌方来袭导弹状态信息测量值之间的误差符合要求;
基于符合要求的误差,确定出敌方来袭导弹的初始状态估计值;
根据所述训练好的预设神经网络模型和所述敌方来袭导弹的初始状态估计值,预报目标时刻的敌方来袭导弹状态信息。
结合第一方面,本发明实施例提供了第一方面的第六种可能的实施方式,其中,迭代更新输入所述训练好的预设神经网络模型的敌方来袭导弹的初始状态,直至所述训练好的预设神经网络模型输出的敌方来袭导弹状态量的预报值与敌方来袭导弹状态信息测量值之间的误差符合要求的步骤,包括:
重复执行以下步骤,直至敌方来袭导弹状态信息测量值和敌方来袭导弹状态量的预报值之间的误差符合要求:
从所述数据库获取我方防御弹数据更新时刻的敌方来袭导弹状态信息测量值;
将敌方来袭导弹的初始状态的猜测值与我方防御弹信息更新时刻数组中的每一时刻输入训练好的预设神经网络模型,得到相应时刻敌方来袭导弹状态量的预报值;
基于敌方来袭导弹状态信息测量值和敌方来袭导弹状态量的预报值之间的误差,确定敌方来袭导弹的初始状态;
将所述敌方来袭导弹的初始状态作为新的敌方来袭导弹的初始状态的猜测值。
第二方面,本发明实施例还提供一种低信息支撑条件下的弹道预报装置,包括:
训练模块,模拟我方飞机和敌方来袭导弹的交战过程,根据模拟交战数据对预设神经网络模型进行训练;
计算模块,根据我方飞机状态量和敌方来袭导弹的预设真实状态量,模拟真实对抗场景,得到我方飞机状态量和敌方来袭导弹带有测量噪声的状态信息测量值随飞行时间变化的数据库;
预报模块,根据训练好的预设神经网络模型,敌方来袭导弹的初始状态估计值,以及从所述数据库获取我方防御弹数据更新时刻的敌方来袭导弹状态信息测量值,对目标时刻的敌方来袭导弹进行在线弹道预报。
第三方面,实施例提供一种电子设备,包括存储器、处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述前述实施方式任一项所述的方法的步骤。
第四方面,实施例提供一种机器可读存储介质,所述机器可读存储介质存储有机器可执行指令,所述机器可执行指令在被处理器调用和执行时,机器可执行指令促使处理器实现前述实施方式任一项所述的方法的步骤。
本发明实施例带来了一种低信息支撑条件下的弹道预报方法和装置,先通过模拟我方飞机和敌方来袭导弹的交战过程对应的交战弹道状态量对预设的BP神经网络模型进行离线训练;再根据我方飞机和敌方来袭导弹分别对应的状态量模拟真实对抗场景,以计算得到我方飞机状态量和敌方来袭导弹带有测量噪声的状态测量值随飞行时间变化的准备数据;依据前述训练好的BP神经网络模型和基于从前述准备数据中获取防御弹数据更新时刻敌方来袭导弹带有测量噪声的状态测量值确定敌方来袭导弹最优的初始状态估计值,再基于最优的初始状态估计值,能够预报目标时刻的敌方来袭导弹的弹道状态,更加精准实现低信息支撑条件下的在线弹道预报目的。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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他的附图。
图1为本发明实施例提供的一种低信息支撑条件下的弹道预报方法流程图;
图2为本发明实施例提供的一种导弹弹道预报流程图;
图3为本发明实施例提供的一种弹目交战态势示意图;
图4为本发明实施例提供的一种低信息支撑条件下的弹道预报装置的功能模块示意图;
图5为本发明实施例提供的电子设备的硬件架构示意图。
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,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
目前对于低信息支撑条件的在线弹道预报操作,通过传统的方法很难实现,基于此,本发明实施例提供的一种低信息支撑条件下的弹道预报方法和装置,可以较为精准地对敌方来袭导弹状态进行预报。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种低信息支撑条件下的弹道预报方法进行详细介绍,该方法可应用于上位机、服务器、控制器等智能控制设备中。
图1本发明实施例提供的一种低信息支撑条件下的弹道预报方法流程图。
参照图1,该弹道预报方法包括以下步骤:
步骤S102,模拟我方飞机和敌方来袭导弹的交战过程,根据模拟交战数据对预设神经网络模型进行训练。
这里,预设神经网络模型可包括BP神经网络,可通过离线方式训练该BP神经网络;示例性地,通过我方飞机预设的初始状态和预设的机动方式,模拟敌方来袭导弹在不同初始位置时与我方飞机的交战过程,仿真得到一系列弹道簇,并使用BP神经网络对弹道簇进行拟合学习,实现网络模型的训练。
步骤S104,根据我方飞机状态量敌方来袭导弹的预设真实状态量,模拟真实对抗场景,得到我方飞机状态量和敌方来袭导弹带有测量噪声的状态信息测量值随飞行时间变化的数据库。
当前阶段为数据准备阶段,通过数值仿真模拟真实对抗场景,得到我方飞机状态量和我方雷达对敌方来袭导弹带有测量噪声的状态信息测量值随飞行时间变化的数据库。
步骤S106,根据训练好的预设神经网络模型,敌方来袭导弹的初始状态估计值,以及从数据库获取我方防御弹数据更新时刻的敌方来袭导弹状态信息测量值,对目标时刻的敌方来袭导弹进行在线弹道预报。
基于离线训练好的BP神经网络,使用最小二乘法估计敌方来袭导弹的最优初始状态。再次利用离线训练的BP神经网络计算得到预报时刻的敌方来袭导弹状态信息,完成在线弹道预报。
在实际应用的优选实施例中,先通过模拟我方飞机和敌方来袭导弹的交战过程对应的交战弹道状态量对预设的BP神经网络模型进行离线训练;再根据我方飞机、雷达和敌方来袭导弹分别对应的状态量模拟真实对抗场景,以计算得到我方飞机状态量和敌方来袭导弹带有测量噪声的状态信息测量值随飞行时间变化的准备数据;依据前述训练好的BP神经网络模型和基于从前述准备数据中获取我方防御弹数据更新时刻敌方来袭导弹带有测量噪声的状态信息测量值确定敌方来袭导弹最优的初始状态估计值,再基于最优的初始状态估计值,能够预报目标时刻的敌方来袭导弹的弹道状态,更加精准实现低信息支撑条件下的在线弹道预报目的。
在一些实施例中,可通过预先建立我方飞机和敌方来袭导弹对应的飞行动力学模型,进而实现模拟我方飞机和敌方来袭导弹的交战过程,保证BP神经网络能够具有更加精准的训练效果;示例性地,该步骤S102主要包括:
步骤1.1),基于我方战斗机预设的初始状态和机动方式,对我方飞机与敌方来袭导弹的交战过程进行模拟仿真,生成敌方来袭导弹对应的弹道簇。
具体地,包括:
步骤a,建立我方飞机和敌方来袭导弹的飞行动力学模型。
在平面大地假设下,我方飞机机动的三自由度动力学方程如式(1)所示:
上述方程建立在地面系Sg中,坐标系原点定义为敌方来袭导弹发射点在地面的投影,坐标轴oxg在水平面内指向正东,坐标轴oyg与水平面垂直,向上为正,坐标轴ozg可根据右手定则确定,动力学方程中涉及到的变量包括我方飞机的速度vT,弹道倾角θT,弹道偏角ψT,位置分量xT,yT,zT,机动加速度AT=[ATx,ATy,ATz]T,AT是随时间变化的变量,设置合理的AT即可产生特定类型的飞机机动轨迹,将我方飞机的状态量记为ST=[xT,yT,zT,vT,θT,ψT]T。
在地面系Sg中建立敌方来袭导弹的三自由度动力学模型如式(2)所示:
式中,x,y,z为地面系Sg下敌方来袭导弹的位置坐标,v是敌方来袭导弹的飞行速度,θ,ψc分别为敌方来袭导弹弹道倾角和弹道偏角,m为导弹质量,α和β分别是攻角和侧滑角,T是当地推力,g是重力加速度,D、L和Z分别是气动阻力、气动升力和气动侧向力,记敌方来袭导弹的状态为S=[x,y,z,v,θ,ψc]T。
在式(2)中,敌方来袭导弹的攻角α和侧滑角β的规律通过我方飞机的状态量ST和敌方来袭导弹的状态量S计算得到,如式(3)所示;可依据确定出的敌方来袭导弹的攻角α和侧滑角β计算敌方来袭导弹的制导律,以使敌方来袭导弹和我方飞机能够实现交战。
步骤b,根据我方飞机预设的初始状态和预设的机动方式,设置敌方来袭导弹的初始位置范围,模拟敌方来袭导弹在不同初始位置的交战过程;从中选择不同的初始位置进行蒙特卡洛仿真,得到由一系列不同初始状态生成的导弹弹道构成的弹道簇。
给定我方飞机的初始状态ST0=[xT0,yT0,zT0,vT0,θT0,ψT0]T和机动加速度AT=[ATx,ATy,ATz]T,记敌方来袭导弹相对于我方飞机的相对距离R,敌方导弹与我方飞机连线与水平面的夹角(高低角)θR,敌方导弹与我方飞机连线在水平面的投影与水平参考线之间的夹角(方位角)λR,敌方来袭导弹的速度v为敌方来袭导弹的量测量M=[R,θR,λR,v]T,如图3所示,给定交战开始时刻敌方来袭导弹该参数的最大值M0max=[R0max,θR0max,λR0max,v0max]T与最小值M0min=[R0min,θR0min,λR0min,v0min]T。
根据敌方来袭导弹该参数的最大值M0max=[R0max,θR0max,λR0max,v0max]T与最小值M0min=[R0min,θR0min,λR0min,v0min]T,生成服从均匀分布的敌方来袭导弹的量测量如式(4)所示。
使用式(5)将敌方来袭导弹不同初始位置对应的量测量转换得到不同的导弹初始状态/>进行数值积分,得到敌方导弹飞行弹道。
重复N次生成敌方导弹随机初始量测量与数值积分步骤得到由N组初始状态飞行时间序列{ti}N与不同飞行时间对应的导弹状态/>构成的弹道簇Γ,如图2所示的不同初始状态敌方导弹仿真弹道数据。
步骤1.2),通过对弹道簇进行拟合学习,训练预设神经网络;具体包括:
步骤c,以敌方来袭导弹的初始状态和预报时刻作为输入,以敌方来袭导弹在该预报时刻的状态量为输出,设置合理的训练参数,使用BP神经网络对弹道簇进行拟合学习。
示例性地,设置神经网络输入层节点个数、输出层节点个数、隐藏层层数以及隐藏层节点数。设置神经网络的最大训练次数、学习速率以及训练结束的最小收敛误差。
如图2所示,处理弹道簇Γ中的数据,将敌方来袭导弹初始状态和飞行时间序列{ti}N整理为输入数表In,将敌方来袭导弹不同初始状态、不同飞行时间对应的导弹状态/>整理为输出数表Out。使用数表In、Out训练得到满足收敛误差要求的BP神经网络。
在一些实施例中,为了更加精准地模拟我方飞机和敌方来袭导弹的真实对抗场景,步骤S104还可通过以下步骤实现,包括:
步骤2.1),获取我方飞机状态量和我方雷达测量真值;
示例性地,根据敌方来袭导弹的预设真实状态量和我方飞机机动方式,我方飞机与敌方来袭导弹的动力学方程进行数值积分,得到我方飞机随飞行时间变化的状态和敌方来袭导弹的随飞行时间变化的状态。
示例性地,首先给定敌方来袭导弹的真实初始位置,通过数值积分得到我方飞机和敌方来袭导弹的真实轨迹,建立我方飞机状态量数据库,并计算得到我方雷达对敌方来袭导弹的测量真值随飞行时间变化的数据。
在实际应用中,预设敌方来袭导弹真实初始状态S0=[x0,y0,z0,v0,θ0,ψc0]T,我方飞机采用前述实施例预设的机动形式,数值积分后,得到我方飞机随飞行时间变化的状态序列STi=[xTi,yTi,zTi,vTi,θTi,ψTi]T和敌方来袭导弹随时间变化的状态序列Si=[xi,yi,zi,vi,θi,ψci]T。
步骤2.2),根据我方飞机状态量和敌方来袭导弹状态量,计算我方雷达对敌方导弹量测量真值;
示例性地,根据我方飞机随飞行时间变化的状态序列与敌方来袭导弹随飞行时间变化的状态序列计算得到我方雷达对敌方导弹量测量真值。
步骤2.3),将我方雷达对敌方来袭导弹的测量误差添加到量测量真值上得到带有噪声的量测量,将敌方来袭导弹带有噪声的量测量转换为敌方来袭导弹带有噪声的状态测量值,建立敌方来袭导弹带有测量噪声的状态测量值随飞行时间变化的数据库。
这里,依据前述步骤中计算的量测量真值,设置我方雷达对敌方来袭导弹的测量误差,并将测量误差添加到测量真值上得到量测量,建立我方雷达对敌方来袭导弹带有噪声的状态测量值随飞行时间变化的数据库。
根据式(6)使用我方飞机随飞行时间变化的状态序列与敌方来袭导弹随飞行时间变化的状态序列计算得到我方对敌方导弹量测量真值Mi=[Ri,θRi,λRi,vi]T。
生成服从高斯分布的我方雷达对距离、角度、速度的测量误差δR,δθR,δλR,δv,测量噪声按照3σ原则添加,如式(7)所示:
式中,
在量测量真值上添加噪声,如式(8)所示,为带有噪声的量测量。
使用式(9),根据带有噪声的量测量得到敌方来袭导弹随时间变化的带有噪声的状态测量值
在前述实施例的基础上,步骤S106可根据训练好的BP神经网络模型输出预报值,再和从数据库获取防御弹信息更新时刻的敌方来袭导弹状态信息测量值进行比对结果,估计敌方来袭导弹的初始状态,以实现精准预报;示例性地,可包括:
步骤3.1),迭代更新输入训练好的预设神经网络模型的敌方来袭导弹的初始状态,直至训练好的预设神经网络模型输出的敌方来袭导弹状态量的预报值和敌方来袭导弹状态信息测量值之间的误差符合要求;
作为一种示例,该最优初始状态的估计过程可通过如下步骤实现,重复执行以下步骤,直至敌方来袭导弹状态信息测量值和敌方来袭导弹状态量的预报值之间的误差符合要求:
步骤A,从数据库获取防御弹数据更新时刻的敌方来袭导弹状态信息测量值。
设置数据链更新周期,得到我方防御弹的信息更新时刻数组。从前述步骤生成的数据库中获得对应时刻敌方来袭导弹的带有噪声的状态测量值。
设置我方防御弹对敌方来袭导弹的数据链更新周期T,得到信息更新时刻数组Tj(j=1,2...P),从带有噪声的敌方来袭导弹的状态量中提取对应时刻敌方来袭导弹带有测量噪声状态量/>即在实际应用中,能够知晓图2中测量时刻和从数据库中获取的对应测量值。
步骤B,将敌方来袭导弹的初始状态的猜测值与我方防御弹信息更新时刻数组中的每一时刻输入训练好的预设神经网络模型,得到相应时刻敌方来袭导弹状态量的预报值;
设置数据链更新周期,模拟数据传输过程并计算得到敌方来袭导弹状态信息,即能够知晓图2中的预报值。
步骤C,基于敌方来袭导弹状态信息测量值和敌方来袭导弹状态量的预报值之间的误差,确定敌方来袭导弹的初始状态,即对应图2中的初始条件猜测值;
步骤D,将敌方来袭导弹的初始状态作为新的敌方来袭导弹的初始状态的猜测值。
在实际应用中,可预先设置一个敌方来袭导弹初始状态的猜测值,分别将该初始状态的猜测值与我方防御弹信息更新时刻数组中的每一时刻输入前述步骤离线训练好的BP神经网络中得到对应时刻敌方来袭导弹状态量的预报值。计算每一时刻的预报值与测量值的偏差,设置偏差精度,利用最小二乘法估计敌方来袭导弹的最优初始状态。
步骤3.2),基于符合要求的误差,确定出敌方来袭导弹的初始状态估计值。
其中,给定敌方来袭导弹初始状态的猜测值将该初始状态猜测和数据更新时刻Tj作为训练好的BP神经网络的输入,得到数据更新时刻来袭导弹的飞行状态拟合值/>利用式(10)计算拟合偏差Error,式中,Q为测量时刻个数。
使用最小二乘法根据计算得到偏差修正初始猜测设置最小二乘法收敛精度ε,当偏差Error满足精度要求时,得到最优的导弹初值估计/>即敌方来袭导弹的初始状态估计值。
步骤3.3),根据训练好的预设神经网络模型和敌方来袭导弹的初始状态估计值,预报目标时刻的敌方来袭导弹状态信息。
具体地,根据具体任务设置所需的预报时刻(目标时刻),将该预报时刻与敌方来袭导弹的最优初始状态输入前述步骤离线训练好的BP神经网络,计算得到预报时刻的敌方来袭导弹状态信息,完成在线弹道预报。
给定需要弹道预报的时刻tpred,将该预报时刻与敌方来袭到导弹的最优初始状态估计作为训练好的BP神经网络的输入,拟合得到tpred时刻的导弹状态信息Spred=[xpred,ypred,zpred,vpred,θpred,ψpred]T,完成在线弹道预报。
在一些实施例中,如图4所示,本发明实施例还提供一种低信息支撑条件下的弹道预报装置,包括:
训练模块,模拟我方飞机和敌方来袭导弹的交战过程,根据模拟交战数据对预设神经网络模型进行训练;
计算模块,根据我方飞机状态量和敌方来袭导弹的预设真实状态量,模拟真实对抗场景,得到我方飞机状态量和敌方来袭导弹带有测量噪声的状态测量值随飞行时间变化的数据库;
预报模块,根据训练好的预设神经网络模型,敌方来袭导弹的初始状态估计值,以及从所述数据库获取我方防御弹数据更新时刻的敌方来袭导弹状态信息测量值,对目标时刻的敌方来袭导弹进行在线弹道预报。
在一些实施例中,训练模块还具体用于,基于我方战斗机预设的初始状态和机动方式,对我方飞机与敌方来袭导弹的交战过程进行模拟仿真,生成敌方来袭导弹对应的弹道簇;通过对所述弹道簇进行拟合学习,训练预设神经网络。
在一些实施例中,计算模块还具体用于,获取我方飞机状态量和我方雷达测量真值;根据所述我方飞机状态量和敌方来袭导弹状态量,计算我方雷达对敌方导弹量测量真值;将我方雷达对敌方来袭导弹的测量误差添加到所述量测量真值上得到带有噪声的量测量,将带有噪声的量测量转化为敌方来袭导弹带有噪声的状态信息测量值,建立敌方来袭导弹带有测量噪声的状态信息测量值随飞行时间变化的数据库。
在一些实施例中,计算模块还具体用于,根据敌方来袭导弹的预设真实状态量和我方飞机机动方式,对我方飞机与敌方来袭导弹的动力学方程进行数值积分,得到我方飞机随飞行时间变化的状态和敌方来袭导弹随飞行时间变化的状态。
在一些实施例中,计算模块还具体用于,根据我方飞机随飞行时间变化的状态序列与敌方来袭导弹随飞行时间变化的状态序列计算得到我方雷达对敌方导弹量测量真值。
在一些实施例中,预报模块还具体用于,迭代更新输入所述训练好的预设神经网络模型的敌方来袭导弹的初始状态,直至所述训练好的预设神经网络模型输出的敌方来袭导弹状态量的预报值与敌方来袭导弹状态信息测量值之间的误差符合要求;基于符合要求的误差,确定出敌方来袭导弹的初始状态估计值;根据所述训练好的预设神经网络模型和所述敌方来袭导弹的初始状态估计值,预报目标时刻的敌方来袭导弹状态信息。
在一些实施例中,预报模块还具体用于,重复执行以下步骤,直至敌方来袭导弹状态信息测量值和敌方来袭导弹状态量的预报值之间的误差符合要求:从所述数据库获取我方防御弹数据更新时刻的敌方来袭导弹状态信息测量值;将敌方来袭导弹的初始状态的猜测值与我方防御弹信息更新时刻数组中的每一时刻输入训练好的预设神经网络模型,得到相应时刻敌方来袭导弹状态量的预报值;基于敌方来袭导弹状态信息测量值和敌方来袭导弹状态量的预报值之间的误差,确定敌方来袭导弹的初始状态;将所述敌方来袭导弹的初始状态作为新的敌方来袭导弹的初始状态的猜测值。
本发明实施例提供的用于实现一种电子设备,本实施例中,所述电子设备可以是,但不限于,个人电脑(Personal Computer,PC)、笔记本电脑、监控设备、服务器等具备分析及处理能力的计算机设备。
作为一种示范性实施例,可参见图5,电子设备110,包括通信接口111、处理器112、存储器113以及总线114,处理器112、通信接口111和存储器113通过总线114连接;上述存储器113用于存储支持处理器112执行上述方法的计算机程序,上述处理器112被配置为用于执行该存储器113中存储的程序。
本文中提到的机器可读存储介质可以是任何电子、磁性、光学或其它物理存储装置,可以包含或存储信息,如可执行指令、数据,等等。例如,机器可读存储介质可以是:RAM(Radom Access Memory,随机存取存储器)、易失存储器、非易失性存储器、闪存、存储驱动器(如硬盘驱动器)、任何类型的存储盘(如光盘、dvd等),或者类似的存储介质,或者它们的组合。
非易失性介质可以是非易失性存储器、闪存、存储驱动器(如硬盘驱动器)、任何类型的存储盘(如光盘、dvd等),或者类似的非易失性存储介质,或者它们的组合。
可以理解的是,本实施例中的各功能模块的具体操作方法可参照上述方法实施例中相应步骤的详细描述,在此不再重复赘述。
本发明实施例所提供计算机可读存储介质,所述可读存储介质中存储有计算机程序,所述计算机程序代码被执行时可实现上述任一实施例所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解: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,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种低信息支撑条件下的弹道预报方法,其特征在于,包括:
模拟我方飞机和敌方来袭导弹的交战过程,根据模拟交战数据对预设神经网络模型进行训练;
根据我方飞机状态量和敌方来袭导弹的预设真实状态量,模拟真实对抗场景,得到我方飞机状态量和敌方来袭导弹带有测量噪声的状态信息测量值随飞行时间变化的数据库;
根据训练好的预设神经网络模型,敌方来袭导弹的初始状态估计值,以及从所述数据库获取我方防御弹数据更新时刻的敌方来袭导弹状态信息测量值,对目标时刻的敌方来袭导弹进行在线弹道预报。
2.根据权利要求1所述的方法,其特征在于,模拟我方飞机和敌方来袭导弹的交战过程,根据模拟交战数据对预设神经网络模型进行训练的步骤,包括:
基于我方战斗机预设的初始状态和机动方式,对我方飞机与敌方来袭导弹的交战过程进行模拟仿真,生成敌方来袭导弹对应的弹道簇;
通过对所述弹道簇进行拟合学习,训练预设神经网络。
3.根据权利要求1所述的方法,其特征在于,根据我方飞机状态量和敌方来袭导弹的预设真实状态量,模拟真实对抗场景,得到我方飞机状态量和敌方来袭导弹带有测量噪声的状态信息测量值随飞行时间变化的数据库的步骤,包括:
获取我方飞机状态量和我方雷达测量真值;
根据所述我方飞机状态量和敌方来袭导弹状态量,计算我方雷达对敌方导弹量测量真值;
将我方雷达对敌方来袭导弹的测量误差添加到所述量测量真值上得到带有噪声的量测量,将带有噪声的量测量转化为敌方来袭导弹带有噪声的状态信息测量值,建立敌方来袭导弹带有测量噪声的状态信息测量值随飞行时间变化的数据库。
4.根据权利要求3所述的方法,其特征在于,获取我方飞机状态量和我方雷达测量真值的步骤,包括:
根据敌方来袭导弹的预设真实状态量和我方飞机机动方式,对我方飞机与敌方来袭导弹的动力学方程进行数值积分,得到我方飞机随飞行时间变化的状态和敌方来袭导弹随飞行时间变化的状态。
5.根据权利要求3所述的方法,其特征在于,根据所述我方飞机状态量和敌方来袭导弹的状态量,计算我方雷达对敌方导弹量测量真值的步骤,包括:
根据我方飞机随飞行时间变化的状态序列与敌方来袭导弹随飞行时间变化的状态序列计算得到我方雷达对敌方导弹量测量真值。
6.根据权利要求1所述的方法,其特征在于,根据训练好的预设神经网络模型,敌方来袭导弹的初始状态估计值,以及从所述数据库获取我方防御弹数据更新时刻的敌方来袭导弹状态信息测量值,对目标时刻的敌方来袭导弹进行在线弹道预报的步骤,包括:
迭代更新输入所述训练好的预设神经网络模型的敌方来袭导弹的初始状态,直至所述训练好的预设神经网络模型输出的敌方来袭导弹状态量的预报值与敌方来袭导弹状态信息测量值之间的误差符合要求;
基于符合要求的误差,确定出敌方来袭导弹的初始状态估计值;
根据所述训练好的预设神经网络模型和所述敌方来袭导弹的初始状态估计值,预报所述目标时刻的敌方来袭导弹状态信息。
7.根据权利要求6所述的方法,其特征在于,迭代更新输入所述训练好的预设神经网络模型的敌方来袭导弹的初始状态,直至所述训练好的预设神经网络模型输出的敌方来袭导弹状态量的预报值与敌方来袭导弹状态信息测量值之间的误差符合要求的步骤,包括:
重复执行以下步骤,直至敌方来袭导弹状态信息测量值和敌方来袭导弹状态量的预报值之间的误差符合要求:
从所述数据库获取我方防御弹数据更新时刻的敌方来袭导弹状态信息测量值;
将敌方来袭导弹的初始状态的猜测值与我方防御弹信息更新时刻数组中的每一时刻输入训练好的预设神经网络模型,得到相应时刻敌方来袭导弹状态量的预报值;
基于敌方来袭导弹状态信息测量值和敌方来袭导弹状态量的预报值之间的误差,确定敌方来袭导弹的初始状态;
将所述敌方来袭导弹的初始状态作为新的敌方来袭导弹的初始状态的猜测值。
8.一种低信息支撑条件下的弹道预报装置,其特征在于,包括:
训练模块,模拟我方飞机和敌方来袭导弹的交战过程,根据模拟交战数据对预设神经网络模型进行训练;
计算模块,根据我方飞机状态量和敌方来袭导弹的预设真实状态量,模拟真实对抗场景,得到我方飞机状态量和敌方来袭导弹带有测量噪声的状态信息测量值随飞行时间变化的数据库;
预报模块,根据训练好的预设神经网络模型,敌方来袭导弹的初始状态估计值,以及从所述数据库获取我方防御弹数据更新时刻的敌方来袭导弹状态信息测量值,对目标时刻的敌方来袭导弹进行在线弹道预报。
9.一种电子设备,其特征在于,包括存储器、处理器及存储在所述存储器上并且能够在所述处理器上运行的程序,所述处理器执行所述程序时实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述可读存储介质中存储有计算机程序,所述计算机程序被执行时实现权利要求1-7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410084450.7A CN117910353A (zh) | 2024-01-19 | 2024-01-19 | 低信息支撑条件下的弹道预报方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410084450.7A CN117910353A (zh) | 2024-01-19 | 2024-01-19 | 低信息支撑条件下的弹道预报方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117910353A true CN117910353A (zh) | 2024-04-19 |
Family
ID=90696374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410084450.7A Pending CN117910353A (zh) | 2024-01-19 | 2024-01-19 | 低信息支撑条件下的弹道预报方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117910353A (zh) |
-
2024
- 2024-01-19 CN CN202410084450.7A patent/CN117910353A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108168381B (zh) | 一种多枚导弹协同作战的控制方法 | |
CN111551080B (zh) | 一种攻击时间控制的制导方法 | |
CN111797478B (zh) | 一种基于变结构多模型的强机动目标跟踪方法 | |
CN111898201B (zh) | 一种空战模拟环境中的战斗机高精度自主攻击引导方法 | |
CN105608251B (zh) | 直升机火控系统精度敏感性分析的BNSobol法 | |
CN112859921B (zh) | 一种三维同时攻击鲁棒协同制导律设计方法 | |
CN108073742B (zh) | 基于改进粒子滤波算法的拦截导弹末段飞行状态估计方法 | |
Zhang et al. | Maneuver decision-making of deep learning for UCAV thorough azimuth angles | |
Xu et al. | Application of situation function in air combat differential games | |
CN113139331A (zh) | 一种基于贝叶斯网络的空空导弹态势感知与决策方法 | |
CN112099348A (zh) | 一种基于观测器和全局滑模的碰撞角控制制导方法 | |
CN114020021B (zh) | 一种多导弹分布式协同制导律的设计方法及系统 | |
CN116929143A (zh) | 基于数字孪生的防空装备射击边界试验系统及方法 | |
CN114153143B (zh) | 一种导弹非奇异固定时间滑模制导律的设计方法 | |
CN117910353A (zh) | 低信息支撑条件下的弹道预报方法和装置 | |
CN111649734A (zh) | 一种基于粒子群算法的捷联导引头目标定位方法 | |
CN112949150A (zh) | 基于变结构自适应多模型箱粒子滤波弹道目标跟踪方法 | |
RU2782035C2 (ru) | Имитационная модель системы управления воздушной мишенью на основе беспилотного летательного аппарата из состава мишенного комплекса | |
Pirzadeh et al. | Design of generalized predictive control for the stabilizing loop from a two-axis gimbal seeker, considering cross-coupling in between two channels | |
Nie et al. | Adaptive tracking algorithm based on 3D variable turn model | |
CN116222310B (zh) | 三维空间中基于rbf_g的二对一同步区域覆盖拦截方法 | |
CN115046433B (zh) | 基于深度强化学习的飞行器时间协同制导方法 | |
CN116974208B (zh) | 基于捷联导引头的旋翼无人机目标打击控制方法及系统 | |
Gao et al. | Deep Reinforcement Learning-Based Cooperative Guidance Law with Multi-Constraint | |
CN116337086B (zh) | 无人机网捕最优捕获位置计算方法、系统、介质及终端 |
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 |