-
HINTERGRUND DER ERFINDUNG
-
1. Gebiet der Erfindung
-
Die
vorliegende Erfindung betrifft allgemein eine Trajektorensteuerung
von Objekten, und insbesondere neuronale Netze, die bei einer Trajektorensteuerung
von Objekten verwendet werden.
-
2. Beschreibung des Standes
der Technik
-
Es
besteht typischerweise ein Bedürfnis,
die Leistung einer Rakete durch Erhöhen ihrer Geschwindigkeit,
Reichweite und Beweglichkeit zu verbessern, ohne physikalische oder
funktionelle Randbedingungen, die der Systemausgestaltung auferlegt sind,
zu verletzen. Umfassende frühere
Studien, die auf ein Optimieren aller Aspekte von Trajektorienbefehlen
einer Rakete für
ein bestimmtes Szenario gerichtet waren, sind von begrenztem Wert.
Die Situation hat sich durch den Wunsch verkompliziert, eine Leistung
bei mehreren Szenarien zu verbessern (z.B. den Wunsch nach einer
Rakete, die den schnellsten Weg zu ihrem Ziel nimmt und die beim
Abfangen eine "Trefferentfernung" ("miss distance") minimiert, währenddessen
minimale Flugsteuerungs-/Beweglichkeitsanforderungen erfüllt werden).
In einigen Situationen können
dem Analytiker mehrere Ziele, wie beispielsweise solche, widersprüchlich erscheinen
und haben oft der Definition einer theoretisch optimalen Lösung getrotzt,
besonders für
den Fall eines sich bewegenden/ausweichenden Ziels, bei dem die
Rakete nach einem Abschuss und während
eines Raketenfluges lernfähig
und fortwährend
zu optimalen Lösungen
gelangen muss.
-
Ein
anderes Problem bei der Implementierung eines optimierten Trajektorengestaltens
bei geführten
Raketen bringt der ungeheure Umfang des Problems mit sich. Die zahlreichen
Variablen, die bei der Charakterisierung eines bestimmten taktischen Szenarios
(z.B. Abschussvorrichtungsort und Zielort, Geschwindigkeiten und
Manöver
nach einem Abschuss) beteiligt sind, tragen zu enorm komplexen, physikalischen
Beziehungen bei, die des Weiteren durch Verändern von Ungewissheiten bei
den zugehörigen
Messungen dieser Faktoren verkompliziert werden.
-
Frühere Ansätze für ein Treffen
einer taktischen Entscheidung bei einer Ausgestaltung einer geführten Rakete
haben typischerweise einen der beiden Verläufe genommen: 1) Vereinfachung
des Problems auf eine ausgewählte
(und feste) Gruppe von möglichen "Zeitplänen" für ein Gestalten
von Trajektorien basierend auf grob bestimmten Eingangskriterien;
oder 2) ein Versuch, mögliche
Ausgänge
von verschiedenen Trajektorienentscheidungen in "Echtzeit" unter Verwendung einer bordeigenen
Raketenverarbeitungsvorrichtung zu simulieren, wobei der am besten
arbeitende Flugweg bzw. die am besten arbeitenden Flugwege, der
bzw. die aus allen Simulationsdurchläufen ausgewählt wird bzw. werden, ausgeführt wird
bzw. werden. Frühere
Studien haben gezeigt, dass es bei jedem dieser Ansätze wesentliche
Nachteile gibt.
-
Der
erste Ansatz erzeugt beispielsweise bei vielen Anwendungsszenarien
eine weniger als optimale Leistung, obwohl er in einer steif geführten, elektronischen
Baugruppe einer Rakete realisierbar ist. Eine solche Vereinfachung
eines Problems, das bekanntermaßen
mehrdimensionale Beziehungen und Komplexitäten aufweist, ist gewissermaßen ein Kompromiss,
und, als solcher, wird jedes Ziel einer optimierten Leistung bei
stark variierenden Szenarien ebenfalls bei seiner Verwendung durch
einen Kompromiss geregelt werden. Dieser Ansatz reduziert komplexe
(und manchmal wenig verstandene) physikalische Phänomene auf
vereinfachte "Durchschnitts"-Gleichungen oder "Nachschlage-"Tabellen in Software-
oder Hardware steuergeräten
einer Rakete, aus denen einfache Interpolationsmethoden verwendet
werden. Dies hat wiederum bei vielen der unbegrenzten Anzahl von
Einsatzszenarien, die für solche
Raketen möglich
sind, in einer durch einen Kompromiss geregelten Leistung resultiert.
Trotzdem ist dieser Ansatz bei existierenden, geführten Raketen
typischerweise verwendet worden, und zwar mit der Hoffnung, dass
ausreichende Tests und Auswertungen ausgeführt werden können, um
zu identifizieren, wo wesentliche Defizite im Leistungsverhalten existieren
können.
-
Eine
Verwendung des zweiten erwähnten Ansatzes
(d.h. eine bordeigene Simulation und iterative Optimierung für das bestimmte
Abschussszenario, bei dem die Rakete verwendet wird) ist wirksam durch
ein Unvermögen
einer bordeigenen Datenverarbeitungsvorrichtung und den engen Zeitrahmen verhindert
worden, in dem taktische Entscheidungen benötigt werden. Eine Simulation
von komplexen Dynamiken einer im Flug geführten Rakete mit hoher Genauigkeit
strapaziert sogar bodenbasierte Hochleistungs-Laborcomputersysteme.
Solche Raketensimulationsdurchläufe
erfordern oft eine Zeit, um sie auszuführen, die mit der vergleichbar
ist, die mit einem tatsächlichen
Raketenflug verbunden ist. Selbst wenn eine bordeigene Verarbeitungseinrichtung
für taktische
Daten hinsichtlich einer Geschwindigkeit und Speicherkapazität mit einer
Vorrichtung vergleichbar wäre,
die typischerweise in Laborsimulationen verwendet wird (was sie
typischerweise nicht ist), würde
daher eine Simulation von selbst einem möglichen Ausgang die Gesamtheit
eines Raketenflugs erfordern, um sie auszuführen. Offensichtlich sind sequentielle
Simulationen sehr schwierig, um eine optimale Lösung in "Echtzeit" zu enthüllen.
-
Die
DE 196 45 556 offenbart
ein Lenksignal-Erzeugungsgerät
zur Zielverfolgung von beispielsweise einer militärischen
Rakete. Das Gerät
erzeugt unter Verwendung einer Signalverarbeitungseinrichtung, wie
z.B. eines neuronalen Netzes, das eine Eingangsschicht, eine Ausgangsschicht,
eine verborgene Schicht und erste und zweite gewichtete Verbindungen
aufweist, aus gemessenen Parametern Lenksignale. Die Signalverarbeitungseinrichtung erzeugt
optimale Lenksignale, die die Bewegung des Ziels und den Bewegungszustand
des Projektils berücksichtigen.
-
Die
DE 42 18 600 offenbart eine
Vorrichtung zum Bestimmen von Bewegungsparametern eines fliegenden
Gegenstands. Die Vorrichtung weist ein optisches Abtastsystem mit
Detektorgruppenausgängen
auf, die an eine auf einem neuronalen Netz basierende Verarbeitungseinrichtung
gekoppelt sind, die Bewegungsvektoren erzeugt.
-
Daher
besteht bei einer Rakete ein Bedürfnis,
eine verbesserte Leistung aufzuweisen, die durch fortgesetzt angepasste
Bewegungssteuerungen erhältlich
ist, wie sie für
ein optimales Erreichen von mehreren kinematischen Leistungszielen
angemessen sind, die für
jede taktische Situation spezifisch sind.
-
ZUSAMMENFASSUNG
DER ERFINDUNG
-
Gemäß den Lehren
der vorliegenden Erfindung wird eine Vorrichtung zum Steuern der
Trajektorie eines Gegenstands zu einer ersten vorbestimmten Position
bereitgestellt, wie sie nachstehend in Anspruch 1 beansprucht ist.
-
Zusätzliche
Vorteile und Aspekte der vorliegenden Erfindung werden aus der nachfolgenden Beschreibung
und den anhängigen
Ansprüchen
in Verbindung mit den beiliegenden Zeichnungen ersichtlich werden,
in denen:
-
KURZE BESCHREIBUNG
DER ZEICHNUNGEN
-
1 eine
beispielhafte topologische Darstellung eines neuronalen Netzes darstellt,
das eine Bestimmung von Trajektorienparametern gemäß der vorliegenden
Erfindung zeigt;
-
2 ein
Datenflussdiagramm darstellt, das den Datenfluss für ein "nicht-lernfähiges" neuronales Netz
zeigt;
-
3 ein
Datenflussdiagramm darstellt, das den Datenfluss für ein "lernfähiges" neuronales Netz und
ein "mit Antizipation
lernfähiges" neuronales Netz
zeigt;
-
4 ein
Flussdiagramm ist, das die Arbeitsabfolgen zeigt, die das neuronale
Netz der vorliegenden Erfindung umfasst;
-
5 ein
x-y-Graph ist, der die Abhängigkeit einer
Höhe von
einer Raketenpositionsauftreffentfernung für die vorliegende Erfindung
und für
einen herkömmlichen
Trajektoriengestaltungsansatz zeigt;
-
6a-6b x-y-Graphen
sind, die die Leistungsüberprüfungen für die vorliegende
Erfindung zeigen, die in einem optimierten Trajektoriensimulationsmodell
und einem Simulationsmodell mit fünf Freiheitsgraden verkörpert sind;
und
-
7 ein
x-y-Graph ist, der die Abhängigkeit eines
F-Pols von einer Abschussentfernung für die vorliegende Erfindung
und für
einen herkömmlichen Trajektoriengestaltungsansatz
zeigt.
-
KURZE BESCHREIBUNG
DER BEVORZUGTEN AUSFÜHRUNGSBEISPIELE
-
1 zeigt
ein neuronales Netz 20, das die Trajektorie für ein Raketensystem
steuert. Für
dieses Beispiel weist das neuronale Netz 20 die folgende Konfiguration
auf, die für
eine minimale Flugzeit der Rakete optimiert wurde. Das neuronale
Netz 20 weist eine Eingangsschicht 22, eine verborgene
Schicht 24 und eine Ausgangsschicht 26 auf. Die
Eingangsschicht 22 weist sechs Eingänge (22a-22f)
auf. Die verborgene Schicht 24 weist sechs Knoten (24a-24f) auf.
Die Ausgangsschicht 26 weist fünf Ausgänge (26a-26e)
auf.
-
Die
ersten zwei Eingänge
(22a und 22b) stellen anfängliche Rakten-/Flugkörperabschussbedingungen
dar: eine Flugkörperabschusshöhe und -geschwindigkeit.
Die verbleibenden vier Eingänge (22c-22f)
stellen Zielbeobachtungen beim Abschuss dar: eine Zielhöhe und -geschwindigkeit;
eine Zielentfernung; und eine Abschusslage. Die Ausgänge (26a-26e)
stellen dar: die Angriffswinkel, die die Rakete während eines
Flugs nehmen würde;
und den Zielentfernungsausgang, der den Raketen-zu-Ziel-Entfernungsaufruf
darstellt, um den letzten Angriffswinkel einzuleiten. Die Einleitzeiten
für die ersten
drei Angriffswinkel sind in dieser beispielhaften Beschreibung der
vorliegenden Erfindung durch andere Raketenausgestaltungsfaktoren
vorbestimmt. Gewichte 28, die Eingangskoeffizienten repräsentieren,
verbinden die Eingangsschicht 22 mit der verborgenen Schicht 24.
Gewichte 30, die Ausgangskoeffizienten darstellen, verbinden
die verborgene Schicht 24 mit der Ausgangsschicht 26.
-
Während dieses
Beispiel Ausgänge
zeigt, die Angriffswinkel und einen Abschussaufruf darstellen, versteht
es sich, dass die vorliegende Erfindung nicht nur auf solche Steuerungsausgänge begrenzt ist.
Beispielsweise können
die Steuerungsausgänge andere
Ausgänge
umfassen, wie z.B. Soll-G-Stufen, wobei Soll-G-Stufen Raketenrichtungsangabebefehle
darstellen. Zusätzlich
könnte
die vorliegende Erfindung andere Raketenfunktionen steuern, wie
sie gewünscht
sind. Die Konfiguration der vorliegenden Erfindung ist stark an
bestehende Raketenausgestaltungen anpassbar.
-
In
diesem Beispiel verwendet das neuronale Netz
20 vorzugsweise
bei seinen Arbeitsabläufen
die folgende Gleichung:
ist.
-
Das
neuronale Netz 20 gewichtet unter Verwendung der Gewichte 28 (d.h.
der Eingangsschichtkoeffizienten γ)
die Eingänge
der Eingangsschicht 22 (χ) und führt jedem Knoten der verborgenen
Schicht 24 die Summen von allen gewichteten Produkten zu, wobei
die Summe der gewichteten Ausdrucke um eine systematische Abweichung θ versetzt
ist. Die Versatzsumme der gewichteten Ausdrücke wird durch die nicht-lineare
Deformierungsfunktion, g(u), verursacht, die in diesem Fall eine
Logistikfunktion ist.
-
Die
Antwort von jedem Knoten in der verborgenen Schicht 24 stellt
den Ausgang der nicht-linearen Deformierungsfunktion dar. Die verborgenen Knotenausgänge werden
durch Gewichte 30 (d.h. durch Ausgangsschichtkoeffizienten β) gewichtet. Die
gewichteten Ausdrücke
jedes Knotens der verborgenen Schicht 24 werden summiert,
um die Ausgänge
1 bis k in der Ausgangsschicht 26 zu erzeugen, die in diesem
Fall die optimalen Angriffswinkel und die Entfernung zu einem Ziel
für den
letzten Angriffswinkel darstellen. Die vorliegende Erfindung umfasst
ebenfalls die Verwendung von zwei oder mehreren verborgenen Schichten,
um Trajektorienausgänge
zu erzeugen. Darüber
hinaus verändern
sich die Werte der gewichteten Koeffizienten in Bezug auf die Ziele,
die die Rakete erreichen soll. Beispielsweise kann ein Ziel der
Rakete sein, mit einem Brennstoffverbrauch sparsam umzugehen, da
das Ziel in einer großen
Entfernung von dem Abschussplatz liegt; oder das Ziel kann sein,
das Ziel möglichst schnell
zu erreichen; oder das Ziel können
maximale Raketen-G's
bei einer Abfangzeit sein, was es der Rakete erlaubt, sich sehr
schnell zu bewegen; oder es kann Kombinationen von diesen sein.
Das neuronale Netz der vorliegenden Erfindung speichert vorzugsweise
die verschiedenen Werte für
seine gewichteten Koeffizienten abhängig von den Zielen in einer
Nachschautabelle.
-
Das
neuronale Netz 20 kann in drei Ausführungsbeispielen vorliegen,
die sich in Vollkommenheitsgrade "nicht-lernfähig", "lernfähig" und "lernfähig mit
Antizipation" einordnen.
-
2 zeigt
das erste Ausführungsbeispiel der
vorliegenden Erfindung. Das "nicht-lernfähige" neuronale Netz 20 wird
mit einem anfänglichen
Abschussaufruf bereitgestellt und bestimmt zu dieser Zeit den "Flugablauf" und führt die
Rakete 47 zu diesem vorbestimmten optimalen Punkt im Raum,
bei dem das Raketenführungssystem
eine Steuerung übernehmen
und die Rakete 47 zu einem Abfanggegenstand führen kann.
Eine Erzeugung der erforderlichen Trainingsfälle ist verhältnismäßig einfacher, und
ein Trainieren des neuronalen Netzes ist für das "nicht-lernfähige" neuronale Netz 20 kürzer.
-
Bezug
nehmend auf 3 verwendet das "lernfähige" neuronale Netz 20 den
Abschussaufruf 42, Datenverbindungsaktualisierungen 52 und
Raketenbeobachtungen 54, um die Rakete 47 zu dem
optimalen Punkt im Raum zu führen,
bei dem das Raketenführungssystem
eine Steuerung übernehmen
und die Rakete 47 zu einem Abfanggegenstand führen kann.
Das neuronale Netz 20 ist in diesem Ausführungsbeispiel "lernfähig", da das "lernfähige" neuronale Netz 20 fortwährend während eines
Flugs auf Veränderungen
bei Zielbedingungen/-bewegungen reagieren wird, wobei es dabei fortwährend die
optimale Trajektorie abfliegt.
-
Die
Datenverbindungsaktualisierungen 52 stellen Echtzeitdatenaktualisierungen
von Quellen dar, wie z.B. einem Flugkörper oder einem Schiff, und sie
können
die folgenden Arten von Daten, die Zielgeometriedaten angeben, umfassen:
eine Position und Geschwindigkeit des Ziels. Ebenfalls stellen die Raketenbeobachtungen 54 Echtzeitdaten
von Sensoren dar, die sich an Bord der Rakete befinden (z.B. ein
Radar), und sie umfassen die folgenden Arten von Daten: eine Zielposition
und -geschwindigkeit, die Raketenposition und -geschwindigkeit und
die Raketenzeit (d.h. eine Zeit, die verstrichen ist, seitdem die
Rakete den Abschusskörper
verlassen hat).
-
Das
neuronale Netz 20 mit einer "lernfähig mit Antizipation"-Funktionsweise verwendet
den anfänglichen
Abschussaufruf 42, Datenverbindungsaktualisierungen 52 und
Raketenbeobachtungen 54. Es reagiert nicht nur wie bei
dem "lernfähigen" Ausführungsbeispiel
fortwährend
während
eines Fluges auf Veränderungen
bei Zielbedingungen/-bewegungen, sondern es "antizipiert" zusätzliche
Zielbedingungen/-bewegungen, und es leitet die Rakete zu einem Punkt
im Raum, bei dem das Raketenführungssystem
eine Steuerung übernehmen
und die Rakete zu einem Abfanggegenstand führen kann, ob das Ziel die
antizipierte Bewegung durchführt
oder nicht.
-
Ein
Training für
die Ausführungsbeispiele
der vorliegenden Erfindung umfasst ein iteratives Bereitstellen
von bekannten Eingängen
mit gewünschten Ausgängen. Am
Ende jeder Iteration werden die Fehler der Ausgänge überprüft, um zu bestimmen, wie die
Gewichte des neuronalen Netzes anzupassen sind, um die gewünschten
Ausgänge
genauer zu erzeugen. Das neuronale Netz wird als trainiert betrachtet,
wenn die Ausgänge
innerhalb einer festgesetzten Fehlertoleranz liegen.
-
Das "lernfähig mit
Antizipation"-Ausführungsbeispiel
verwendet andere Trainingsdaten als das "nicht-lernfähige" oder "lernfähige" Ausführungsbeispiel. Jedoch verwendet
das "lernfähig mit
Antizipation"-Ausführungsbeispiel
eine ähnliche
Topologie eines neuronalen Netzes wie das "lernfähige" Ausführungsbeispiel. Ein Erzeugen
der erforderlichen Trainingsfälle
für das "lernfähig mit
Antizipation"-Ausführungsbeispiel
umfasst ein Einbeziehen von Wissen in die Koeffizienten (d.h. die
Gewichte) über
eine Zielbeweglichkeit als Funktion einer Zielposition und -geschwindigkeit.
-
4 ist
ein Flussdiagramm, das die Arbeitsabläufe der vorliegenden Erfindung
darstellt. Ein Startfeld 60 gibt an, dass ein Feld 62 zuerst
auszuführen
ist. Ein Feld 62 gibt an, dass eine Rakete abgeschossen
worden ist, und dass die Raketenzeit auf Null Sekunden gesetzt wird.
Die Position der Rakete zur Zeit Null ist die des Abschusskörpers.
-
Bei
einem Feld 64 erhält
das neuronale Netz die Raketenposition und -geschwindigkeit, und
bei einem Feld 66 erhält
das neuronale Netz die Zielposition und -geschwindigkeit. Ein Feld 68 erhält die aktuelle
Raketenzeit, die die Zeit darstellt, die verstrichen ist, seitdem
die Rakete abgeschossen worden ist.
-
Ein
Entscheidungsfeld 70 fragt ab, ob die Rakete in einer sicheren
Entfernung von dem Flugkörper
ist. Falls es nicht eine sichere Entfernung ist, dann wird ein Feld 72 verarbeitet,
wobei dem Autopilotsystem der Rakete ein Null-Angriffswinkelbefehl zugeführt wird,
und nachfolgend wird ein Feld 74 ausgeführt, wobei das neuronale Netz
eine vorbestimmte Zeitspanne (z.B. 0,2 Sekunden) vor einem Ausführen des
Feldes 64 wartet.
-
Falls
das Entscheidungsfeld 70 bestimmt, dass die Rakete in einer
sicheren Entfernung von dem Flugkörper ist, dann wird ein Entscheidungsfeld 76 verarbeitet.
Falls das Entscheidungsfeld 76 bestimmt, dass die Raketensteuerung
nicht an das Führungssystem übergeben
werden soll, dann gibt das neuronale Netz den berechneten Angriffswinkelbefehl
an ein Feld 78 aus, und das neuronale Netz wartet eine
vorbestimmte Zeitspanne (z.B. 0,2 Sekunden) bei einem Feld 80 vor
einem Ausführen
des Feldes 64 ab.
-
Falls
das Entscheidungsfeld 76 bestimmt, dass die Raketensteuerung
an das Führungssystem übergeben
werden soll, dann löst
jedoch die Rakete bei einem Feld 82 den endgültigen Führungsmodus aus.
Ein Verarbeiten hinsichtlich dieses Aspekts der vorliegenden Erfindung
endet bei einem Endfeld 84 ab.
-
Beispiel
-
Ein
Raketenmodell, das mit einem neuronalen Netz gesteuert wird, wurde
für vorbestimmte
kinematische Spezifikationen erstellt. Der Ausgang des "nicht-lernfähigen" Ausführungsbeispiels
wurde analysiert, um zu bestimmen, ob die Ausgangstrajektoriendaten
bessere Ergebnisse als herkömmliche
Trajektoriengestaltungsansätze
liefern.
-
5 stellt
einen Graph mit einer Abszissenachse einer Raketenpositionsauftreffentfernung
dar, deren Einheiten Entfernungseinheiten (z.B. Meter) sind. Die
Ordinatenachse stellt die Höhe
der Rakete dar, deren Einheiten Entfernungseinheiten (z.B. Meter)
sind. Eine Kurve 106 repräsentiert die Trajektorie einer
Rakete unter einer Steuerung des nicht-lernfähigen neuronalen Netzes. Eine
Kurve 108 repräsentiert
die Trajektorie der Rakete unter einem herkömmlichen Trajektoriengestaltungsansatz.
-
Die
Zahlen auf jeder Kurve repräsentieren Zeitbereiche.
Eine Zahl auf einer Kurve entspricht der selben Zeit auf der anderen
Kurve. Die Linienlänge zwischen
zwei Zeitbereichen auf der selben Kurve ist zu der Durchschnittsgeschwindigkeit
der Rakete proportional.
-
Die
Ergebnisse zeigen, dass die Rakete mit der Steuerung mit dem neuronalen
Netz der vorliegenden Erfindung erheblich besser als der herkömmliche
Ansatz arbeitete. Beispielsweise war die Rakete bei dem 15. Zeitbereich
auf der Kurve 106 in einer weiteren Entfernung als die
Rakete bei dem 15. Zeitbereich auf der Kurve 108. Tatsächlich erreichte
die Rakete unter Verwendung des herkömmlichen Trajektoriengestaltungsansatzes
zum 17. Zeitbereich auf der Kurve 108 nicht die gleiche
Entfernung wie die Rakete unter Verwendung des Ansatzes der vorliegenden
Erfindung zum 15. Zeitbereich auf der Kurve 106.
-
Darüber hinaus
wurde die Leistung des Raketenmodells der vorliegenden Erfindung,
das mit dem neuronalen Netz gesteuert wird, unter Verwendung der
Ausgänge
des neuronalen Netzes in einem hochentwickelten und rechenbetonten
Simulationsprogramm mit 5 Freiheitsgraden überprüft.
-
6A zeigt
die Trajektorienergebnisse 110 unter Verwendung des "nicht-lernfähigen" neuronalen Netz-Ausführungsbeispiels
in dem Entwicklungsraketenmodell und die Trajektorienergebnisse 112 unter
Verwendung des hochentwickelten und rechenbetonten Raketensimulationsprogramms
mit 5 Freiheitsgraden für
eine Raketenhöhe
bezüglich
einer Zeit.
-
6B zeigt
die Ergebnisse 120 des Entwicklungsraketenmodells und Ergebnisse 122 des Simulationsprogramms
mit 5 Freiheitsgraden für
eine Raketenmachzahl bezüglich
einer Zeit.
-
Wie
in 6A und 6B dargestellt, stimmt
die Leistung des Entwicklungsraketenmodells ziemlich gut mit dem
hochentwickelten und rechenbetonten Simulationsprogramm mit 5 Freiheitsgraden überein.
-
Die
optimalen Trajektorien und die zugehörigen optimalen Trajektorienbefehlsdaten
wurden für verschiedene
Abschussbedingungen und Zielszenarien gefunden.
-
Die
obigen Raketenabschussbedingungen wurden mit den entsprechenden
optimalen Trajektorienbefehlsdaten verknüpft, um Eingangs-/Ziellerngruppen
zu erzeugen, und mit diesen Daten wurde das "nicht-lernfähige" neuronale Netz von 1 trainiert.
In einer relativ kurzen Zeitspanne lernte dieses neuronale Netz
die Tendenz in den Eingangs-/Zieldaten, und es konnte sich die optimalen
Trajektorienbefehle mit einem geeignet kleinen Fehler merken und bereitstellen.
-
7 stellt
die Leistungsergebnisse 130 eines Raketensystems unter
Verwendung des "nicht-lernfähigen" neuronalen Netz-Ausführungsbeispiels
und die Leistungsergebnisse 132 des gleichen Raketensystems
unter Verwendung eines herkömmlichen
Trajektoriengestaltungsansatzes dar. Die Abszissenachse stellt eine
Raketenabschussentfernung dar. Die Ordinatenachse stellt einen F-Pol-Gütefaktor dar.
Ein F-Pol ist als
die Entfernung zwischen dem Abschussflugkörper und dem Ziel bestimmt,
wenn die Rakete das Ziel abfängt,
vorausgesetzt, dass der Abschussflugkörper und der Zielflugkörper beginnen, nach
einem Raketenabschuss gerade und waagerecht und in Richtung aufeinander
zu zu fliegen. Der F-Pol-Gütefaktor
gibt Raketenabschussentfernung und durchschnittliche Geschwindigkeitsleistungsfähigkeiten
an.
-
7 zeigt,
dass eine Rakete, die durch das neuronale Netz der vorliegenden
Erfindung (d. h. die Ergebnisse 130) gesteuert wird, für längere Abschussreichweiten
und höhere
Durchschnittsgeschwindigkeiten und erhöhte F-Pole als eine herkömmliche
Trajektorien-gestaltete Rakete (wie durch die Ergebnisse 132 gezeigt
wird) geeignet ist.
-
Das
Raketensystem mit einem herkömmlichen
Trajektoriengestalten weist eine maximale Leistung auf, wenn es
aus einer Entfernung "A" abgeschossen worden
ist und einen F-Pol "C" erreicht. Mit dem
neuronalen Netz der vorliegenden Erfindung nahm die Raketenabschuss-Entfernungsleistung
von "A" auf "B" mit einer entsprechenden Zunahme des F-Pols
von "C" auf "D" zu. Zusätzlich beginnen Raketen mit
dem neuronalen Netz der vorliegenden Erfindung, in einer Leistung
selbst für
Abschussbereiche jenseits solcher, die in 7 gezeichnet
sind, zuzunehmen.
-
Ein
Fachmann wird erkennen, dass verschiedene Veränderungen und Abwandlungen
an den Ausführungsbeispielen
durchgeführt
werden können,
die in der Beschreibung erörtert
sind, ohne den Umfang der Erfindung zu verlassen, wie er durch die
abhängigen
Ansprüche
bestimmt ist. Beispielsweise stellen eine Steuerung mit einem neuronalen Netz
und eine Optimierung einer Führung
für Torpedos
oder andere ähnliche
Fahrzeuge ebenfalls mögliche
Anwendungsgebiete für
diese Erfindung dar.