CN106339355A - 一种舰载机着舰短期航迹在线预测方法 - Google Patents
一种舰载机着舰短期航迹在线预测方法 Download PDFInfo
- Publication number
- CN106339355A CN106339355A CN201610794663.4A CN201610794663A CN106339355A CN 106339355 A CN106339355 A CN 106339355A CN 201610794663 A CN201610794663 A CN 201610794663A CN 106339355 A CN106339355 A CN 106339355A
- Authority
- CN
- China
- Prior art keywords
- flight path
- warship
- carrier
- predicted
- reference track
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06N3/045—Combinations of 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Mathematics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于航迹预测技术领域,具体涉及一种舰载机着舰短期航迹在线预测方法。本发明包括:将航母速度、自然环境和飞行员技能等缓变影响因素定义为先验静态影响因素,将甲板运动、尾流场等难于建模的快变影响因素定义为后验动态影响因素;在数据库航迹中提取与待预测航迹具有相似先验影响因素的航迹组成预备参考航迹数据集;在预备参考航迹数据集中提取与待预测航迹的前向航迹具有相似运动规律的航迹,组成参考航迹数据集;利用参考航迹数据集在线构建RBF变结构神经网络预测模型;利用RBF变结构神经网络预测模型预测舰载机未来2秒的着舰航迹。本发明具有预测精度高、预测时间复杂度低等优点,可用应于辅助提高舰载机着舰安全性。
Description
技术领域
本发明属于航迹预测技术领域,具体涉及一种舰载机着舰短期航迹在线预测方法。
背景技术
舰载机的着舰过程难度大、风险高、事故频发,提高着舰安全性是保障航母/舰载机有效作战能力的关键。预测舰载机的未来着舰航迹,进而预先修正着舰航迹,是避免撞舰事故、保障着舰安全性最直接、有效的手段。目前着舰安全性保障主要依赖于着舰指挥官(LSO:Landing Signal Officer)人工预测未来2秒的短期着舰航迹,然后LSO以此为基础决策并向飞行员下达预修正命令。然而人工短期着舰航迹预测易受能见度影响,环境适应性低;标准因人而异,预测结果一致性差;受LSO技能影响大,而高水平着舰指挥人才却极其难得。自主保障着舰安全性是解决上述问题的根本途径。着舰辅助决策***利用舰载雷达的测量数据自主在线预测未来2秒的着舰短期航迹、自主决策航迹预修正命令,能够替代LSO实现着舰安全性的自主保障。着舰短期航迹自主预测是着舰辅助决策***的核心,高精度短期航迹预测是着舰辅助决策***高可靠性的基础,是着舰安全性的根本保证。然而,现有飞行航迹预测方法多针对民航航迹预测,缺乏对航母速度、甲板运动、舰尾流场、海上自然环境、飞行员着舰技能等复杂着舰影响因素的综合表征能力,航迹预测的准确度无法满足着舰安全裕度要求,制约了辅助决策***的发展和应用,限制了着舰安全性保障的自主化程度。
发明内容
本发明的目的在于,针对现有飞行航迹预测方法缺乏表征航母速度、甲板运动、舰尾流场等特殊着舰因素影响的问题,提供一种综合考虑着舰复杂影响因素的舰载机着舰短期航迹在线预测方法,实现舰载机短期航迹的快速、高精度预测。
本发明的目的是这样实现的:
一种舰载机着舰短期航迹在线预测方法,考虑航母速度、甲板运动、舰尾流场、海上自然环境、飞行员着舰技能对着舰过程的综合影响,在线建立舰载机短期航迹预测模型,包括:
(1)将航母速度、自然环境和飞行员技能等缓变影响因素定义为先验静态影响因素,将甲板运动、尾流场等难于建模的快变影响因素定义为后验动态影响因素;
(2)在执行舰载机着舰任务前,利用待预测航迹与数据库航迹的先验静态影响因素融合匹配,在数据库航迹中提取与待预测航迹具有相似先验静态影响因素的航迹组成预备参考航迹数据集;
(3)在执行舰载机着舰任务时,对待预测航迹的前向已知航迹和步骤(2)中得到的预备参考航迹数据进行快速时频域航迹匹配,在参考航迹数据集中提取与待预测航迹的前向已 知航迹具有相似运动规律的航迹作为参考航迹,组成参考航迹数据集;
(4)利用步骤(3)建立的参考航迹数据集在线构建RBF变结构神经网络预测模型;
(5)利用步骤(4)构建的RBF变结构神经网络预测模型预测舰载机未来2秒的着舰航迹;
(6)重复步骤(3)~(5)直至完成着舰航迹预测任务。
本发明的主体思想是将舰载机着舰影响因素分为先验静态影响因素和后验动态影响因素两类,利用待预测航迹与数据库航迹的先验静态影响因素的融合匹配将先验静态因素对着舰过程的影响蕴含于预备参考航迹数据中;通过待预测航迹前向已知航迹与预备参考航迹数据的快速时频域航迹匹配、动态提取参考航迹数据、在线建立预测模型将后验动态因素的影响蕴含于预测模型中。
在步骤(2)中,所述待预测航迹与数据库航迹的先验静态影响因素融合匹配方法是构建基于着舰航迹数据的着舰表现评价方程,实现先验静态影响因素与着舰表现评价的关联,利用遗传算法改进的BP神经网络辨识先验静态影响因素与着舰表现评价的映射关系,将先验静态影响因素与着舰表现评价的映射关系作为匹配函数,在此基础上通过设定匹配阈值实现先验静态影响因素的融合匹配。
在步骤(3)中,所述待预测航迹的前向已知航迹与预备参考航迹进行快速时频域航迹匹配的方法是由着舰航迹的高度偏差、横向偏差、迎角、下沉率组成四维匹配序列,将容纳四维匹配序列的最小四维立方体定义为绑定超立方体,通过两个绑定超立方体相交体积与设定阈值的比较实现航迹序列的时域粗匹配。然后建立具有平移和起始点不变特性的傅立叶描绘算子,利用傅立叶描绘算子的相似度测量对时域粗匹配成功的航迹序列进行频域细匹配。
在步骤(4)中,所述构建RBF变结构神经网络预测模型的方法是在GOMS算法的基础上将所有的参考航迹作为RBF神经网络的初始隐层节点,将始隐层节点的数据中心取为对应参考航迹在待预测航迹点舰机相对距离处的高度偏差和横向偏差的归一化二维数据,将初始隐层节点的扩展常数取为相同数值。在网络运行过程中对于保留的初始隐层节点,令其数据中心随着待预测航迹点舰机相对距离的变化而改变。
本发明的有益效果在于:
本发明提供的舰载机着舰短期航迹在线预测方法,针对现有飞行航迹预测方法缺乏综合表征特殊着舰因素(航母速度、甲板运动、舰尾流场、海上自然环境、飞行员着着舰技能等)影响能力的不足,考虑舰载机的特殊降落环境,提出了一种体现复杂着舰因素影响的短期航迹预测模型,该模型能够实现舰载机短期着舰航迹的在线预测,具有预测精度高、预测时间复杂度低等优点,可用应于着舰辅助决策***,辅助提高舰载机着舰安全性。
附图说明
图1是本发明提供的舰载机着舰短期航迹在线预测方法的流程图;
具体实施方式
下面结合附图对本发明做进一步描述。
本发明提供了一种舰载机着舰短期航迹在线预测方法。本发明综合考虑航母速度、甲板运动、舰尾流场、海上自然环境(包括风速、风向、能见度等)、飞行员着舰技能多种主要因素的复杂影响,将舰载机着舰影响因素分为先验静态影响因素和后验动态影响因素两类,利用先验静态影响因素的融合匹配将先验静态因素的影响蕴含于预备参考航迹数据集中;另一方面通过时频域航迹匹配,在预备参考航迹数据集中动态提取参考航迹数据,基于参考航迹数据在线构建RBF变结构神经网络预测模型,利用在线建模将后验动态因素的影响蕴含于预测模型中。本发明提供的方法,构建体现复杂着舰因素影响的短期航迹预测模型,能够实现舰载机短期着舰航迹的在线预测,具有预测精度高、预测时间复杂度低等优点,可用应于着舰辅助决策***,辅助提高舰载机着舰安全性。
本发明提供的舰航迹短期航迹在线预测方法包含按顺序进行的如下步骤:
(1)将航母速度、自然环境和飞行员技能等缓变影响因素定义为先验静态影响因素,将甲板运动、尾流场等难于建模的快变影响因素定义为后验动态影响因素。
(2)在执行舰载机着舰任务前,利用待预测航迹与数据库航迹的先验静态影响因素融合匹配,在数据库航迹中提取与待预测航迹具有相似先验静态影响因素的航迹组成预备参考航迹数据集:
将着舰过程分为IX(距离航母1500~1200米)、IM(距离航母1200~600米)、IC(距离航母600米~舰尾处)、AR(舰尾处)、TU(着舰点处)五个阶段,选取一条航迹在TU处的纵向偏差(r1)、横向偏差(r2)和下沉速度偏差(r3)、AR处的高度偏差(r4)、IC阶段的高度偏差均方差(r5)和横向偏差均方差(r6)、IM阶段的高度偏差均方差(r7)和横向偏差均方差(r8)、IX阶段的高度偏差的方差(r9)和横向偏差均方差(r10)作为着舰表现评价指标,并构成着舰表现评价指标矩阵R=[r1,…,r10]T,根据专家经验确定着舰表现评价指标(r1,…,r10)对应的评价权重(w1,…,w10),并构成评价权重矩阵W=[w1,…,w10]T。利用式(1)计算数据库航迹集中所有航迹着舰表现评价M,构建数据库航迹的先验静态影响因素与着舰表现评价的关联。
M(R)=WC TR (1)
构建三层BP神经网络辨识先验静态影响因素与着舰表现评价的映射关系,网络以先验静态影响因素为输入,以着舰表现评价为输出,以数据库航迹的先验静态影响因素与着舰表 现评价数据作为训练集,利用遗传算法改进的训练算法学习网络权值和阈值。遗传算法改进的BP神经网络训练方法为:
①随机产生一组网络权值和阈值并对其进行实数编码。
②将训练样本带入网络结构中,计算对应的误差值,以误差平方和的倒数作为适应度函数。
③选择适应度最大的权值和阈值编码直接遗传给下一代。
④利用黄金分割交叉算子和黄金分割变异算子对当前的群体进行进化。
⑤重复②~④,直至进化得到满足网络精度要求的一组权值和阈值为止。
将先验静态影响因素与着舰表现评价的映射关系作为匹配函数,在此基础上通过设定匹配阈值实现先验静态影响因素的融合匹配。
(3)在执行舰载机着舰任务时,对待预测航迹的前向已知航迹和步骤(2)中得到的预备参考航迹数据进行快速时频域航迹匹配,在预备参考航迹数据集中提取与待预测航迹的前向已知航迹具有相似运动规律的航迹作为参考航迹,组成参考航迹数据集:
通过依次对待预测航迹的前向已知航迹和预备参考航迹序列进行时域粗匹配和频域细匹配实现参考航迹的提取。
航迹序列时域粗匹配方法为:由着舰航迹的高度偏差、横向偏差、迎角、下沉率组成四维匹配序列,将容纳四维匹配序列的最小四维立方体定义为绑定超立方体,通过两个绑定超立方体相交体积与设定阈值的比较实现待预测航迹的前向已知航迹序列与预备参考航迹集中所有航迹序列的时域粗匹配。
航迹序列频域细匹配方法为:利用式(2)求得建立具有平移和起始点不变特性的傅立叶描绘算子,式(2)中F(u)为航迹序列傅立叶描绘算子的第u个分量,N为匹配序列的长度,C为任意常值,S(n)为二维航迹序列的第n组航迹值,n=0,1,2…,N-1。用中和表示航迹序列C1和C2对应的傅立叶描绘算子的第u个分量,则傅立叶描绘算子的序列相似度测量(χ2)可由式(3)求得。设定频域相似测量的阈值,通过频域相似测量的阈值与序列相似度测量的比较,在时域粗匹配成功的预备参考航迹中提取与待预测航迹的前向已知航迹具有相似运动规律的航迹作为参考航迹,并由参考航迹组成参考航迹数据集。
(4)利用步骤(3)建立的参考航迹数据集在线构建RBF变结构神经网络预测模型:
RBF变结构神经网络预测模型以待预测航迹在当前舰机相对距离(xj)下的高度偏差 和横向偏差为输入,以待预测航迹在预测舰机相对距离(xj+1)下的高度偏差和横向偏差为输出,网络所有隐层函数取为高斯函数。
RBF变结构神经网络的初始隐层节点数目与参考航迹的数目相同,每个初始隐层节点对应一条参考航迹,初始隐层节点的数据中心为一组二维数据,由对应参考航迹在当前输出舰机相对距离下的归一化高度偏差和横向偏差构成,所有初始隐层节点的扩展常数取为相同的数值。
以当前网络输入之前的m个输入为训练输入样本,以训练输入样本对应的理想输出为训练输出样本,采用GOMS算法动态增加、删减隐层节点在线辨识RBF变结构神经网络预测模型,具体方法为:
①直接将新输入样本作为一个新的隐层节点数据中心。
②利用高斯函数计算隐层节点对训练输入样本的响应矩阵(Ψ)。在计算过程中,留存初始隐层节点的数据中心取为对应参考航迹在输出舰机相对距离下的归一化高度偏差和横向偏差。
③对Ψ依次进行随机分解和Gram-Schmidt正交化,求得随机正交化的隐层响应矩阵H。
④利用式(4)计算因此第k个隐节点的误差下降率ek,利用式(5)求误差下降梯度的归一化值式(4)中Hk为H的第k列,u1,u2分别为训练输出矩阵U中的两个列向量,λi为两个输出对应的权值,式(5)中h为隐层节点的数目。
⑤将视为输出贡献,设定所有节点的累计贡献阈值ρ和节点删除阈值l。按照的大小依次累加求取累计贡献率,求取使得累计贡献率不小于ρ的节点集合选择该集合的补集作为本次学习的预备删减节点集合Sj。求取过去连续l步预备删减节点集合的交集,将预备 删减节点交集中的隐节点作为删减节点。
⑥利用式(6)求隐层节点与输出的连接权值ω∈RN×2。
ω=(ΨTΨ)-1ΨTU (6)
(5)利用步骤(4)构建的RBF变结构神经网络预测模型预测舰载机未来2秒的着舰航迹:
将待预测航迹的当前状态代入利用步骤(4)构建的RBF变结构神经网络预测模型中,预测待预测航迹的下一步状态,以预测得到状态为预测模型的输入迭代求取待预测航迹接下来的状态,以此类推直至求得到待预测航迹未来2秒的着舰航迹。
(6)重复步骤(3)~(5)直至完成着舰航迹预测任务 。
Claims (5)
1.一种舰载机着舰短期航迹在线预测方法,其特征在于:考虑航母速度、甲板运动、舰尾流场、自然环境、飞行员技能对着舰过程的影响,在线建立舰载机短期航迹预测模型,包括:
(1)将航母速度、自然环境和飞行员技能等缓变影响因素定义为先验静态影响因素,将甲板运动、尾流场等难于建模的快变影响因素定义为后验动态影响因素;
(2)在执行舰载机着舰任务前,利用待预测航迹与数据库航迹的先验静态影响因素融合匹配,在数据库航迹中提取与待预测航迹具有相似先验静态影响因素的航迹组成预备参考航迹数据集;
(3)在执行舰载机着舰任务时,对待预测航迹的前向已知航迹和步骤(2)中得到的预备参考航迹数据进行快速时频域航迹匹配,在预备参考航迹数据集中提取与待预测航迹的前向已知航迹具有相似运动规律的航迹作为参考航迹,组成参考航迹数据集;
(4)利用步骤(3)建立的参考航迹数据集在线构建RBF变结构神经网络预测模型;
(5)利用步骤(4)构建的RBF变结构神经网络预测模型预测舰载机未来2秒的着舰航迹;
(6)重复步骤(3)~(5)直至完成着舰航迹预测任务。
2.根据权利要求1所述的一种舰载机着舰短期航迹在线预测方法,其特征在于:将舰载机着舰影响因素分为先验静态影响因素和后验动态影响因素两类,利用待预测航迹与数据库航迹的先验静态影响因素的融合匹配将先验静态因素对着舰过程的影响蕴含于预备参考航迹数据中;通过待预测航迹前向已知航迹与预备参考航迹数据的快速时频域航迹匹配、动态提取参考航迹数据、在线建立预测模型将后验动态因素的影响蕴含于预测模型中。
3.根据权利要求1所述的一种舰载机着舰短期航迹在线预测方法,其特征在于:在步骤(2)中,所述待预测航迹与数据库航迹的先验静态影响因素融合匹配方法是构建基于着舰航迹数据的着舰表现评价方程,实现先验静态影响因素与着舰表现评价的关联,利用遗传算法改进的BP神经网络辨识先验静态影响因素与着舰表现评价的映射关系,将先验静态影响因素与着舰表现评价的映射关系作为匹配函数,在此基础上通过设定匹配阈值实现先验静态影响因素的融合匹配。
4.根据权利要求1所述的一种舰载机着舰短期航迹在线预测方法,其特征在于:在步骤(3)中,所述待预测航迹的前向已知航迹与预备参考航迹数据进行快速时频域航迹匹配的方法是由着舰航迹的高度偏差、横向偏差、迎角、下沉率组成四维匹配序列,将容纳四维匹配序列的最小四维立方体定义为绑定超立方体,通过两个绑定超立方体相交体积与设定阈值的比较实现航迹序列的时域粗匹配;然后建立具有平移和起始点不变特性的傅立叶描绘算子,利用傅立叶描绘算子的相似度测量对时域粗匹配成功的航迹序列进行频域细匹配。
5.根据权利要求1所述的一种舰载机着舰短期航迹在线预测方法,其特征在于:在步骤(4)中,所述在线构建RBF变结构神经网络预测模型的方法是在GOMS算法的基础上将所有的参考航迹作为RBF神经网络的初始隐层节点,将始隐层节点的数据中心取为对应参考航迹在待预测航迹点舰机相对距离处的高度偏差和横向偏差的归一化二维数据,将初始隐层节点的扩展常数取为相同数值;在网络运行过程中对于保留的初始隐层节点,令其数据中心随着待预测航迹点舰机相对距离的变化而改变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610794663.4A CN106339355B (zh) | 2016-08-31 | 2016-08-31 | 一种舰载机着舰短期航迹在线预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610794663.4A CN106339355B (zh) | 2016-08-31 | 2016-08-31 | 一种舰载机着舰短期航迹在线预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106339355A true CN106339355A (zh) | 2017-01-18 |
CN106339355B CN106339355B (zh) | 2019-01-11 |
Family
ID=57823735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610794663.4A Active CN106339355B (zh) | 2016-08-31 | 2016-08-31 | 一种舰载机着舰短期航迹在线预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106339355B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108254741A (zh) * | 2018-01-16 | 2018-07-06 | 中国人民解放军海军航空大学 | 基于循环神经网络的目标航迹预测方法 |
CN109583044A (zh) * | 2018-11-09 | 2019-04-05 | 中国直升机设计研究所 | 基于rbf神经网络的直升机旋翼飞行载荷预测方法 |
CN110361006A (zh) * | 2019-06-28 | 2019-10-22 | 哈尔滨工程大学 | 局部航迹分维度的选择性航迹状态估计融合方法 |
CN110532665A (zh) * | 2019-08-26 | 2019-12-03 | 哈尔滨工程大学 | 一种固定航线任务下的移动对象动态轨迹预测方法 |
CN111175719A (zh) * | 2020-01-08 | 2020-05-19 | 中国船舶重工集团公司第七二四研究所 | 基于bp神经网络的智能航迹起始方法 |
CN111781592A (zh) * | 2020-06-12 | 2020-10-16 | 中国船舶重工集团公司第七二四研究所 | 基于细粒度特征分析的快速自动起始方法 |
CN112711264A (zh) * | 2020-10-28 | 2021-04-27 | 北京航空航天大学 | 一种基于神经网络的舰载机着舰时的舰艉流实时预测方法 |
CN112906955A (zh) * | 2021-02-04 | 2021-06-04 | 广东海洋大学 | 一种基于多源数据驱动的潮汐数据拟合方法 |
CN117782503A (zh) * | 2024-02-23 | 2024-03-29 | 中国航空工业集团公司哈尔滨空气动力研究所 | 一种舰载机着舰过程舰尾流场主动模拟风洞试验方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102194332A (zh) * | 2011-03-24 | 2011-09-21 | 中国船舶重工集团公司第七○九研究所 | 一种自适应航迹数据相关方法 |
CN102306211A (zh) * | 2011-07-08 | 2012-01-04 | 南京航空航天大学 | 舰载机着舰引导半物理仿真*** |
CN102393641A (zh) * | 2011-10-21 | 2012-03-28 | 南京航空航天大学 | 基于甲板运动补偿的舰载机自动着舰引导控制方法 |
CN102514720A (zh) * | 2011-12-20 | 2012-06-27 | 广东复兴食品机械有限公司 | 一种舰載机安全着舰、能量高效回收裝置 |
CN102854885A (zh) * | 2012-08-24 | 2013-01-02 | 南京航空航天大学 | 一种舰载机着舰纵向甲板运动补偿方法 |
CN105022881A (zh) * | 2015-07-22 | 2015-11-04 | 北京航空航天大学 | 一种基于鸽群优化的舰载机自主着舰导引律设计方法 |
CN105894117A (zh) * | 2016-03-31 | 2016-08-24 | 北京航空航天大学 | 航迹预测方法及装置 |
-
2016
- 2016-08-31 CN CN201610794663.4A patent/CN106339355B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102194332A (zh) * | 2011-03-24 | 2011-09-21 | 中国船舶重工集团公司第七○九研究所 | 一种自适应航迹数据相关方法 |
CN102306211A (zh) * | 2011-07-08 | 2012-01-04 | 南京航空航天大学 | 舰载机着舰引导半物理仿真*** |
CN102393641A (zh) * | 2011-10-21 | 2012-03-28 | 南京航空航天大学 | 基于甲板运动补偿的舰载机自动着舰引导控制方法 |
CN102514720A (zh) * | 2011-12-20 | 2012-06-27 | 广东复兴食品机械有限公司 | 一种舰載机安全着舰、能量高效回收裝置 |
CN102854885A (zh) * | 2012-08-24 | 2013-01-02 | 南京航空航天大学 | 一种舰载机着舰纵向甲板运动补偿方法 |
CN105022881A (zh) * | 2015-07-22 | 2015-11-04 | 北京航空航天大学 | 一种基于鸽群优化的舰载机自主着舰导引律设计方法 |
CN105894117A (zh) * | 2016-03-31 | 2016-08-24 | 北京航空航天大学 | 航迹预测方法及装置 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108254741A (zh) * | 2018-01-16 | 2018-07-06 | 中国人民解放军海军航空大学 | 基于循环神经网络的目标航迹预测方法 |
CN108254741B (zh) * | 2018-01-16 | 2021-02-09 | 中国人民解放军海军航空大学 | 基于循环神经网络的目标航迹预测方法 |
CN109583044B (zh) * | 2018-11-09 | 2022-07-15 | 中国直升机设计研究所 | 基于rbf神经网络的直升机旋翼飞行载荷预测方法 |
CN109583044A (zh) * | 2018-11-09 | 2019-04-05 | 中国直升机设计研究所 | 基于rbf神经网络的直升机旋翼飞行载荷预测方法 |
CN110361006A (zh) * | 2019-06-28 | 2019-10-22 | 哈尔滨工程大学 | 局部航迹分维度的选择性航迹状态估计融合方法 |
CN110532665A (zh) * | 2019-08-26 | 2019-12-03 | 哈尔滨工程大学 | 一种固定航线任务下的移动对象动态轨迹预测方法 |
CN110532665B (zh) * | 2019-08-26 | 2023-01-03 | 哈尔滨工程大学 | 一种固定航线任务下的移动对象动态轨迹预测方法 |
CN111175719B (zh) * | 2020-01-08 | 2023-10-17 | 中国船舶集团有限公司第七二四研究所 | 基于bp神经网络的智能航迹起始方法 |
CN111175719A (zh) * | 2020-01-08 | 2020-05-19 | 中国船舶重工集团公司第七二四研究所 | 基于bp神经网络的智能航迹起始方法 |
CN111781592A (zh) * | 2020-06-12 | 2020-10-16 | 中国船舶重工集团公司第七二四研究所 | 基于细粒度特征分析的快速自动起始方法 |
CN111781592B (zh) * | 2020-06-12 | 2023-12-22 | 中国船舶集团有限公司第七二四研究所 | 基于细粒度特征分析的快速自动起始方法 |
CN112711264A (zh) * | 2020-10-28 | 2021-04-27 | 北京航空航天大学 | 一种基于神经网络的舰载机着舰时的舰艉流实时预测方法 |
CN112906955A (zh) * | 2021-02-04 | 2021-06-04 | 广东海洋大学 | 一种基于多源数据驱动的潮汐数据拟合方法 |
CN112906955B (zh) * | 2021-02-04 | 2022-06-21 | 广东海洋大学 | 一种基于多源数据驱动的潮汐数据拟合方法 |
CN117782503A (zh) * | 2024-02-23 | 2024-03-29 | 中国航空工业集团公司哈尔滨空气动力研究所 | 一种舰载机着舰过程舰尾流场主动模拟风洞试验方法 |
CN117782503B (zh) * | 2024-02-23 | 2024-04-26 | 中国航空工业集团公司哈尔滨空气动力研究所 | 一种舰载机着舰过程舰尾流场主动模拟风洞试验方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106339355B (zh) | 2019-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106339355A (zh) | 一种舰载机着舰短期航迹在线预测方法 | |
CN108229444B (zh) | 一种基于整体和局部深度特征融合的行人再识别方法 | |
CN107132516B (zh) | 一种基于深度置信网络的雷达一维距离像目标识别方法 | |
CN107092596A (zh) | 基于attention CNNs和CCR的文本情感分析方法 | |
CN107885853A (zh) | 一种基于深度学习的组合式文本分类方法 | |
CN106358444A (zh) | 用于面部验证的方法和*** | |
CN101404071A (zh) | 基于分组粒子群算法的电子电路故障诊断神经网络方法 | |
Menon et al. | Clearance of nonlinear flight control laws using hybrid evolutionary optimization | |
CN104155574A (zh) | 基于自适应神经模糊推理***的配电网故障分类方法 | |
CN104536881A (zh) | 基于自然语言分析的众测错误报告优先级排序方法 | |
CN108665055B (zh) | 一种图说生成方法及装置 | |
CN103868510A (zh) | 一种快速全天星图自主恒星识别方法 | |
CN107085733A (zh) | 基于cnn深度学习的近岸红外舰船识别方法 | |
CN107462882A (zh) | 一种适用于闪烁噪声的多机动目标跟踪方法及*** | |
Xu et al. | Ship Trajectory online prediction based on BP neural network algorithm | |
CN106909972A (zh) | 一种传感器数据校准模型的学习方法 | |
CN109858137A (zh) | 一种基于可学习扩展卡尔曼滤波的复杂机动飞行器航迹估计方法 | |
CN113536509B (zh) | 一种基于图卷积网络的微电网拓扑辨识方法 | |
CN109559315A (zh) | 一种基于多路径深度神经网络的水面分割方法 | |
CN107169031A (zh) | 一种基于深度表达的图片素材推荐方法 | |
CN108957418A (zh) | 一种基于循环神经网络模型的雷达目标识别方法 | |
CN107862329A (zh) | 一种基于深度置信网络的雷达一维距离像真假目标识别方法 | |
CN114912719B (zh) | 一种基于图神经网络的异质交通个体轨迹协同预测方法 | |
CN110532665A (zh) | 一种固定航线任务下的移动对象动态轨迹预测方法 | |
CN110082738A (zh) | 基于高斯混合和张量循环神经网络的雷达目标识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |