CN117786534A - 基于深度学习的高超声速飞行器运动行为识别方法及*** - Google Patents
基于深度学习的高超声速飞行器运动行为识别方法及*** Download PDFInfo
- Publication number
- CN117786534A CN117786534A CN202410087340.6A CN202410087340A CN117786534A CN 117786534 A CN117786534 A CN 117786534A CN 202410087340 A CN202410087340 A CN 202410087340A CN 117786534 A CN117786534 A CN 117786534A
- Authority
- CN
- China
- Prior art keywords
- aircraft
- motion
- hypersonic
- hypersonic aircraft
- target
- 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
- 230000006399 behavior Effects 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000013135 deep learning Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 28
- 230000006870 function Effects 0.000 claims description 30
- 239000013598 vector Substances 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 23
- 238000005457 optimization Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 14
- 230000004907 flux Effects 0.000 claims description 12
- 230000002068 genetic effect Effects 0.000 claims description 11
- 230000009191 jumping Effects 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 5
- 230000007123 defense Effects 0.000 abstract description 3
- 238000002474 experimental method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 206010048669 Terminal state Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003121 nonmonotonic effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于深度学习的高超声速飞行器运动行为识别方法及***,涉及飞行器运动行为识别技术领域。本发明的技术要点包括:建立高超声速飞行器的运动模型;基于运动模型和约束条件构建高超声速飞行器航迹数据集;将高超声速飞行器航迹数据集输入基于深度学习的高超声速飞行器运动行为识别模型中进行训练,获取训练好的高超声速飞行器运动行为识别模型;将待识别高超声速飞行器运动轨迹输入训练好的高超声速飞行器运动行为识别模型中,获取待识别高超声速飞行器运动参数,进而识别其运动行为。本发明能够实现对高超声速飞行器运动行为的准确识别,且有一定的泛化能力,能为后续的防御决策提供有力的参考信息。
Description
技术领域
本发明涉及飞行器运动行为识别技术领域,具体涉及一种基于深度学习的高超声速飞行器运动行为识别方法及***。
背景技术
高超声速飞行器是指能以5Ma以上的速度在距地面20~100km高度内飞行的一类飞行器,其具有响应速度快、伤害能力强、运动航程远、突防能力强、机动方式多变的特点,已成为世界上军事大国大力发展的武器装备。其所具有的高机动特性和强突防能力使得临近空间防御拦截作战面临“四难”问题:发现难、探测难、跟踪难、拦截难,现有的精确制导武器和防御***难以对高超声速目标实现有效拦截。目前许多针对高超声速飞行器的运动特性分析是从发射方的角度出发,假设能够获得充分的目标信息,从而分析其在不同场景下的运动特性。但从防御方来看,经探测可获得的信息较少,目标的攻角、侧滑角等控制量的变化规律均不可知,现有方法往往是在特定场景下人为假设一些约束来简化模型,用于轨迹跟踪或预报,此类方法泛化能力有限,难以推广到复杂多变的实际场景。
根据使用的建模方式分类,可将运动估计方法分为基于物理、基于机器学习、基于强化学习和基于深度学习的方法,其中基于物理的方法准确性有限,十分依赖模型的建立,仅当能充分获得目标的信息时才有较好的精度;基于机器学习的方法通过挖掘数据特征来确定概率分布,准确性会随考虑的因素逐渐增多而提高,但通常需要提前提供或识别特定的机动行为且泛化能力较差;基于强化学习的方式模仿人的决策过程,通过学习获得奖励函数,此类方法往往与深度学习结合,对计算需求较高,需要很长的训练周期。
发明内容
鉴于以上问题,本发明提出一种基于深度学习的高超声速飞行器运动行为识别方法及***。
根据本发明的一方面,提出一种基于深度学习的高超声速飞行器运动行为识别方法,该方法包括以下步骤:
建立高超声速飞行器的运动模型;
基于所述运动模型和约束条件构建高超声速飞行器航迹数据集;
将所述高超声速飞行器航迹数据集输入基于深度学习的高超声速飞行器运动行为识别模型中进行训练,获取训练好的高超声速飞行器运动行为识别模型;
将待识别高超声速飞行器运动轨迹输入训练好的高超声速飞行器运动行为识别模型中,获取待识别高超声速飞行器运动参数,进而识别其运动行为。
进一步地,所述高超声速飞行器的运动模型建立如下:
式中,r表示目标到地心的距离,θ和φ分别表示目标的经纬度,v表示目标的运动速率,γ和ψ分别表示目标的弹道倾角和弹道偏角,D和L分别为阻力和升力,σ为目标的速度倾斜角,m为目标质量,g为重力加速度;Ssef为飞行器的特征面积;ρ为大气密度,ρ0代表海平面的大气密度,β为大气密度系数,Re为地球半径;CD和CL分别代表阻力系数和升力系数;和/>分别表示升力系数与阻力系数;cl表示归一化升力系数。
进一步地,基于所述运动模型和约束条件构建高超声速飞行器航迹数据集的过程包括:
确定飞行器航迹规划问题的目标函数和约束条件;
利用遗传算法对所述飞行器航迹规划问题进行求解,获取满足约束条件的飞行器离散控制量;
将飞行器离散控制量平滑拟合后代入所述运动模型,获得飞行器的一组运动状态序列;利用多组运动状态序列生成多组航迹,形成高超声速飞行器航迹数据集。
进一步地,所述飞行器航迹规划问题的目标函数J和约束条件表示为:
式中,a,b,c为常优化系数;Δu表示k时刻控制量的差分;tf表示飞行时间;f表示状态函数;X,u,t分别表示最优控制问题中的状态量、控制量与时间;t0表示起始时刻;tf表示终止时刻;X0表示飞行器初始状态;X(tf)表示实际规划过程的终止状态;Xf表示飞行器终点状态;ε表示常数矩阵;Q,n,q分别代表飞行器飞行过程中的热流密度、过载和动压,Qmax,nmax,qmax分别表示在航迹规划之前提出的热流密度、过载和动压的最大值,KQ为热流率常数;Rnfz表示禁飞区的半径;dnfz表示高超声速目标到禁飞区中心坐标的距离。
进一步地,在获取多组航迹后,对所述高超声速飞行器航迹数据集中的多组航迹进行数据预处理,获取多组特征向量,并将获取的多组特征向量输入基于深度学习的高超声速飞行器运动行为识别模型中进行训练;所述特征向量表示为:其中,hk,θk,φk分别为量测数据中的目标高度、经度、纬度,Δhk,Δθk,Δφk分别为目标高度、经度、纬度的差分值,
κ4k=Δhkvk,
κ5k=dnfz=Rearccos(sinφnfz sinφk cos(θnfz-θk)+cosφnfz cosφk),
式中,Re为地球半径;(θnfz,φnfz)表示禁飞区的中心经纬度坐标;αnfz表示飞行器相对于禁飞区中心的方位角。
进一步地,所述基于深度学习的高超声速飞行器运动行为识别模型为基于长短时记忆网络的高超声速飞行器运动行为识别模型,其训练的过程包括:将输入数据通过全连接层提取隐含信息,输出编码后的向量,再传递给长短时记忆网络提取目标航迹在时间上的特征,最后通过多头注意力机制有选择地组合时序网络的输出,通过softmax分类得到估计的飞行器运动参数和其对应的类别。
进一步地,所述飞行器运动参数的类别包括飞行器为准平衡滑翔运动模式和飞行器为跳跃滑翔运动模式;当飞行器为准平衡滑翔运动模式时,其对应的飞行器运动参数为:LQEG1=cl cosσ,当飞行器为跳跃滑翔运动模式时,其对应的飞行器运动参数为:LSG1=cl cosσ,LSG2=cl,/>
根据本发明的另一方面,提出一种基于深度学习的高超声速飞行器运动行为识别***,该***包括:
运动模型建立模块,其配置成建立高超声速飞行器的运动模型;所述高超声速飞行器的运动模型建立如下:
式中,r表示目标到地心的距离,θ和φ分别表示目标的经纬度,v表示目标的运动速率,γ和ψ分别表示目标的弹道倾角和弹道偏角,D和L分别为阻力和升力,σ为目标的速度倾斜角,m为目标质量,g为重力加速度;Ssef为飞行器的特征面积;ρ为大气密度,ρ0代表海平面的大气密度,β为大气密度系数,Re为地球半径;CD和CL分别代表阻力系数和升力系数;和/>分别表示升力系数与阻力系数;cl表示归一化升力系数;
数据集获取模块,其配置成基于所述运动模型和约束条件构建高超声速飞行器航迹数据集;
识别模型训练模块,其配置成将所述高超声速飞行器航迹数据集输入基于深度学习的高超声速飞行器运动行为识别模型中进行训练,获取训练好的高超声速飞行器运动行为识别模型;
识别模块,其配置成将待识别高超声速飞行器运动轨迹输入训练好的高超声速飞行器运动行为识别模型中,获取待识别高超声速飞行器运动参数,进而识别其运动行为;其中,飞行器运动参数的类别包括飞行器为准平衡滑翔运动模式和飞行器为跳跃滑翔运动模式;当飞行器为准平衡滑翔运动模式时,其对应的飞行器运动参数为:LQEG1=cl cosσ, 当飞行器为跳跃滑翔运动模式时,其对应的飞行器运动参数为:LSG1=cl cosσ,LSG2=cl,/>
进一步地,所述数据集获取模块中基于所述运动模型和约束条件构建高超声速飞行器航迹数据集的过程包括:
确定飞行器航迹规划问题的目标函数和约束条件;所述目标函数J和约束条件表示为:
式中,a,b,c为常优化系数;Δu表示k时刻控制量的差分;tf表示飞行时间;f表示状态函数;X,u,t分别表示最优控制问题中的状态量、控制量与时间;t0表示起始时刻;tf表示终止时刻;X0表示飞行器初始状态;X(tf)表示实际规划过程的终止状态;Xf表示飞行器终点状态;ε表示常数矩阵;Q,n,q分别代表飞行器飞行过程中的热流密度、过载和动压,Qmax,nmax,qmax分别表示在航迹规划之前提出的热流密度、过载和动压的最大值,KQ为热流率常数;Rnfz表示禁飞区的半径;dnfz表示高超声速目标到禁飞区中心坐标的距离;
利用遗传算法对所述飞行器航迹规划问题进行求解,获取满足约束条件的飞行器离散控制量;
将飞行器离散控制量平滑拟合后代入所述运动模型,获得飞行器的一组运动状态序列;利用多组运动状态序列生成多组航迹,形成高超声速飞行器航迹数据集。
进一步地,所述***还包括数据预处理模块,所述数据预处理模块配置成:在获取多组航迹后,对所述高超声速飞行器航迹数据集中的多组航迹进行数据预处理,获取多组特征向量,并将获取的多组特征向量输入所述识别模型训练模块中;所述特征向量表示为:其中,hk,θk,φk分别为量测数据中的目标高度、经度、纬度,Δhk,Δθk,Δφk分别为目标高度、经度、纬度的差分值,
κ4k=Δhkvk,
κ5k=dnfz=Rearccos(sinφnfz sinφk cos(θnfz-θk)+cosφnfz cosφk),
式中,Re为地球半径;(θnfz,φnfz)表示禁飞区的中心经纬度坐标;αnfz表示飞行器相对于禁飞区中心的方位角。
本发明的有益技术效果是:
本发明提出一种基于深度学习的高超声速飞行器运动行为识别方法及***,针对带有禁飞区复杂约束条件下的高超声速飞行器运动行为识别问题进行研究,首先通过分析高超声速飞行器的运动特点建立能够充分描述其行为模式的参数化运动方程,然后基于优化的思想求解有禁飞区等复杂约束条件下的航迹规划问题,构建丰富的数据集,最后基于深度学习的方法设计高超声速飞行器运动行为识别算法。实验结果表明本发明能够实现对高超声速飞行器运动行为的准确识别,且有一定的泛化能力,能为后续的防御决策提供有力的参考信息。
附图说明
本发明可以通过参考下文中结合附图所给出的描述而得到更好的理解,所述附图连同下面的详细说明一起包含在本说明书中并且形成本说明书的一部分,而且用来进一步举例说明本发明的优选实施例和解释本发明的原理和优点。
图1是本发明实施例所述的一种基于深度学习的高超声速飞行器运动行为识别方法的流程图。
图2是本发明实施例中目标与禁飞区位置关系示意图。
图3是本发明实施例中带有禁飞区等复杂约束条件下高超飞行器航迹示例图。
图4是本发明实施例中运动行为识别流程示意图。
图5是本发明实施例中基于深度学习的高超声速飞行器运动行为识别模型结构设计示意图。
图6是本发明实施例中数据预处理流程图。
图7是本发明实施例中训练结果示例图;其中(a)对应Nettype;(b)对应NetSG1;(c)对应NetSG2;(d)对应NetQEG1;(e)对应NetQEG2;(f)对应Net3。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,在下文中将结合附图对本发明的示范性实施方式或实施例进行描述。显然,所描述的实施方式或实施例仅仅是本发明一部分的实施方式或实施例,而不是全部的。基于本发明中的实施方式或实施例,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方式或实施例,都应当属于本发明保护的范围。
本发明基于深度学习的方式进行高超声速飞行器的运动行为识别研究,通过分析高超声速飞行器的运动行为特性,构建能充分描述其运动行为特性的模型集,在此基础上生成带有禁飞区复杂约束的航迹数据集,基于循环神经网络设计高超声速飞行器运动行为识别网络来估计飞行器的运动行为。
本发明实施例提出一种基于深度学习的高超声速飞行器运动行为识别方法,如图1所示,该方法包括以下步骤:
步骤一、建立高超声速飞行器的运动模型;
步骤二、基于所述运动模型和约束条件构建高超声速飞行器航迹数据集;
步骤三、将所述高超声速飞行器航迹数据集输入基于深度学习的高超声速飞行器运动行为识别模型中进行训练,获取训练好的高超声速飞行器运动行为识别模型;
步骤四、将待识别高超声速飞行器运动轨迹输入训练好的高超声速飞行器运动行为识别模型中,获取待识别高超声速飞行器运动参数,进而识别其运动行为。
方法始于步骤一。在步骤一中,建立高超声速飞行器的运动模型。
根据本发明实施例,建立高超声速飞行器在中程段无动力滑翔时的数学模型,忽略地球自转,如式(1)所示。
其中,r为目标到地心的距离,θ和φ为目标的经纬度,v为目标的运动速率,γ和ψ为目标的弹道倾角和弹道偏角,D和L分别为阻力和升力,σ为目标的速度倾斜角,m为目标质量,g为重力加速度。
式(1)所示的高超声速目标数学模型中有六个状态量,只有升力L、阻力D和速度倾斜角σ需要控制。目标所受的升力与阻力可以表示为:
其中,Ssef为飞行器的特征面积;为大气密度,ρ0代表海平面的大气密度,β为大气密度系数,Re为地球半径;CD和CL分别代表阻力系数和升力系数。
由式(2)可知,升力和阻力只与升力系数和阻力系数相关,本发明使用马赫数无关模型描述两者关系:
其中,CD0和K均为与马赫数无关的气动模型参数,可以通过已知的高超目标的型号进行推导求解与仿真拟合。
高超声速飞行器飞行过程中升力与阻力之比,表示为:
当升阻比达到最大值时,记此时的升阻比为E*,升力系数与阻力系数记为引入/>为归一化升力系数,则有:
至此得到高超声速飞行器的运动模型:
通过对高超声速目标运动数学模型的推导以及马赫数无关模型的推导,可以选择控制量为归一化升力系数cl和速度倾斜角σ,来实现对高超声速飞行器的航迹控制与生成。
然后,在步骤二中,基于所述运动模型和约束条件构建高超声速飞行器航迹数据集;具体过程包括:
步骤二一、确定飞行器航迹规划问题的目标函数和约束条件;
步骤二二、利用遗传算法对所述飞行器航迹规划问题进行求解,获取满足约束条件的飞行器离散控制量;
步骤二三、将飞行器离散控制量平滑拟合后代入所述运动模型,获得飞行器的一组运动状态序列;利用多组运动状态序列生成多组航迹,形成高超声速飞行器航迹数据集。
根据本发明实施例,基于深度学***滑性等作为指标,确定飞行器航迹规划问题的目标函数和约束条件,并利用遗传算法通过优化求解飞行器的控制量,从而生成满足这些复杂约束的航迹。
约束条件如下:(1)端点约束:是指初始状态与终止状态的端点条件约束。高超声速飞行器作为研究对象,端点条件指初始的状态X0=[r0,θ0,φ0,v0,γ0,ψ0]与终止的状态Xf=[rf,θf,φf,vf,γf,ψf]。整体看来,端点约束可以规定高超目标的初始高度、初始速度、初始位置、初始姿态、终点高度、终点速度、终点位置与终止姿态。在进行航迹规划时通常会遵循着给定的若干个初始状态,使其飞行到指定终端状态附近,终端约束建模如式(7):
|X(tf)-Xf|≤ε (7)
其中,X(tf)表示实际规划过程的终止状态,Xf表示规划之前要求的终端端点条件,ε代表比较小的常数矩阵。
(2)过程约束:高超声速目标的航迹规划问题的过程约束主要包括三个,分别是飞行器的热流密度、飞行器的过载以及飞行器的动压,建立过程约束的模型如式(8)所示:
其中Q,n,q分别代表飞行器飞行过程中的热流密度、过载和动压,Qmax,nmax,qmax分别表示在航迹规划之前提出的三个约束的最大值,KQ为热流率常数。
(3)禁飞区约束:禁飞区大多数都是拦截区或者雷达区,对于高超声速飞行器而言,一般用以某点为中心,一定长度为底面半径的类圆柱形近似表示。如图2所示,令禁飞区的中心经纬度坐标为(θnfz,φnfz),半径为Rnfz,其在经纬度上的禁飞区边界如式(9):
高超声速目标的航迹需要满足禁飞区约束:
Rnfz-dnfz≤0 (10)
其中,dnfz表示高超声速目标的到禁飞区中心坐标的距离。
本发明实施例将高超声速飞行器的多约束航迹规划问题转换为非线性规划的最优控制问题,其本质是求解多约束下性能优化指标函数的极值问题,如式(11):
其中,J,g,f,Φ,C分别表示优化问题中指标函数、过程指标函数、状态函数、边界条件和路径约束,x,u,t分别表示最优控制问题中的状态量、控制量与时间。
具体到高超声速飞行器的航迹规划问题,本发明将初始条件放入边界条件函数,优化指标函数考虑控制量的平稳性和航行时间的最小化,设计的优化指标函数包括飞行时间:
J1=tf (12)
能量消耗:
控制量的平稳程度:
其中,Δu=uk-uk-1,表示k时刻控制量的差分。优化指标函数J可以由飞行时间J1和能量消耗J2与控制量平稳程度J3线性组合而成,即:J=aJ1+bJ2+cJ3 (15)
其中,a,b,c为常优化系数,根据优化结果和实际需求进行调整。由于终端状态固定会让优化算法的可行解减少,因此将终端约束、热力过程约束和禁飞区约束放入路径约束中。
综上,航迹规划问题可以描述为:
针对此非线性优化问题,本发明实施例使用计算效率高的遗传算法进行求解,通过设置丰富的仿真条件生成高超声速飞行器航迹数据集。将纵向平面内的控制量cl作为输入,即给定一组确定的归一化升力系数,优化求解侧向平面的控制量σ。针对指标函数中的飞行时间,因为遗传算法只能求解固定数目的优化变量,在飞行器飞行时间未知的情况下,将优化变量设置为固定数目等间隔时间的控制量σ和相邻控制量的时间间隔tstep。将基于遗传算法的多约束条件下高超声速飞行器航迹规划总结为下述算法1。
优化得到的高超声速飞行器航迹为离散点,拟合优化得到的控制量再代入建立的高超声速飞行器动力学模型,得到此场景下最终的优化结果,即将飞行器离散控制量平滑拟合后代入运动模型,获得飞行器的一组运动状态序列,进而利用多组运动状态序列生成多组航迹,形成高超声速飞行器航迹数据集。图3示出了带有禁飞区等复杂约束条件下高超飞行器航迹图。
然后,在步骤三中,将所述高超声速飞行器航迹数据集输入基于深度学习的高超声速飞行器运动行为识别模型中进行训练,获取训练好的高超声速飞行器运动行为识别模型。
根据本发明实施例,高超声速飞行器机动复杂,直接识别其运动参数存在一定困难,本发明实施例通过构建可识别的特征参数,将高超声速飞行器的运动行为表示为特征参数描述的模型,同时权衡模型精度和识别速度,将特征参数划分为数个区间,通过网络识别参数所处区间还原出飞行器的参数,实现对其运动状态的估计。
高超声速目标的运动模式主要分为准平衡滑翔(Quasi-equilibrium Gliding,QEG)和跳跃滑翔(Skip Gliding,SG)两类,下面针对两种典型的运动方式,分析高超声速飞行器的运动特性并建立运动行为识别模型。
1)跳跃滑翔模式运动行为识别参数选取
高超声速飞行器在做跳跃滑翔时,弹道倾角γ的变化是非单调的。首先分析目标高度与速度的关系,将式(6)中的目标到圆心的距离r近似为地球的半径Re,可以得到下式:
由式(17)可以看出,高超声速目标的高度与速度之间与cl和σ具有隐式联系,可以通过clcosσ和cl表征高度与速度信息,将其作为跳跃滑翔模式运动行为识别的参数LSG1,LSG2:
LSG1=clcosσ (18)
LSG2=cl (19)
选择用-σ的符号作为侧向运动识别的参数,如下式:
2)准平衡滑翔模式运动行为识别参数选取
高超声速目标在做准平衡滑翔时,需要保持式(21)所示的准平衡滑翔条件,即:
在本发明分析过程中将弹道倾角做了近似因此可将式(6)化简成式(22):
由式(22)可以看出,高超声速目标的高度与速度关系可以通过clcosσ识别,将其作为准平衡滑翔模式运动行为识别的参数LQEG1:
LQEG1=cl cosσ (23)
将式(6)与联立,再将cosγ≈1和r≈Re做近似处理后可以得到:
将clcosσ视为一个与时间无关的参数,再对上式对时间求导,可得:
忽略地球自转,且认为sinγ≈0,将式(25)与式(6)联立,可得:
由式(26)可以看出,高超声速目标的高度变化率与速度关系可以通过识别,将其作为准平衡滑翔模式运动行为识别的参数LQEG2:
另外与跳跃滑翔模式相似,选择-σ的符号作为侧向运动识别的参数:
至此高超声速目标的跳跃滑翔和准平衡滑翔模式均有三个特征参数,任意目标的运动行为模型可由四个参数确定,分别是飞行模式以及相应飞行模式下的三个辨识参数,如式(29)所示:
B=[Ltype,L1,L2,L3] (29)
其中,B表示高超声速目标某一时刻的运动行为模型,它由四个标签描述,分别是飞行模式标签Ltype,它的三个识别参数标签L1,L2,L3。飞行模式标签的定义为:
当目标做准平衡滑翔时,Ltype=0,此时的L1,L2,L3分别为LQEG1,LQEG2,LQEG3对应的标签。当目标做跳跃滑翔时,Ltype=1,并且此时,L1,L2,L3分别为LSG1,LSG2,LSG3对应的标签。
由于LQEG1,LQEG2,LSG1,LSG2是一些连续参数,可通过分割它们的参数空间来实现对识别特征的划分,此时应权衡模型描述的准确性和数量合理选择划分方式。
针对每个特征参数使用单独的网络进行识别,其流程如图4所示,网络结构如图5所示,每个参数的识别网络参数独立。将输入数据通过全连接层(dense)提取隐含信息,输出编码后的向量,再传递给LSTM(长短时记忆网络)提取目标航迹在时间上的特征,最后通过多头注意力机制有选择地组合时序网络的输出,通过softmax分类得到估计的飞行器运动参数和其对应的类别。网络引入了随机失活(dropout)和批规范化(BN)来增强泛化能力,解决可能出现的过拟合现象。
本实施例中,由于高超声速飞行器航迹数据集中的数据为飞行器的六个状态及控制量的时间序列,但对于非合作目标仅有高度h、经度θ和纬度φ可被直接量测,还需要经过数据预处理,将探测信息表示为易于网络识别的形式才可作为网络模型的输入。数据预处理的过程如下:
量测信息zk记作:
zk=[hk,θk,φk]T (31)
其中,k为离散时间间隔。量测信息的导数可以通过差分得到,差分值:
Δzk=[Δhk,Δθk,Δφk]T (32)
除了这六个信息值,还需要构建机理意义上具有辨识性的特征。由式(6)可以得到目标的速度vk作为构建的第一个特征值κ1k:
高超声速目标的速度与高度、高度变化率的关系直接与L1,L2的定义有关,并且也有利于识别跳跃式与滑翔式标签Ltype。
联立式(6)可以得到目标的弹道偏角ψk作为构建的第二个特征值κ2k:
关注式(22),选择第三个特征值κ3k:
κ3k对L1,L2的识别有直观作用,有利于高超声速目标纵向平面的信息识别。
关注式(20)和式(28),选择第四个特征值κ4k:
κ4k=Δhkvk (36)
引入目标到禁飞区中心的距离dnfz作为第五个特征值κ5k:
κ5k=dnfz=Rearccos(sinφnfzsinφkcos(θnfz-θk)+cosφnfz cosφk) (37)
选择高超声速目标到禁飞区中心的方位角αnfz作为第六个特征值κ6k:
构建的特征向量这些特征可以在网络训练中有选择地作为网络输入,数据预处理流程如图6所示。
最后,在步骤四中,将待识别高超声速飞行器运动轨迹输入训练好的高超声速飞行器运动行为识别模型中,获取待识别高超声速飞行器运动参数,进而识别其运动行为。
进一步通过实验验证本发明的技术效果。
实验中训练使用的数据为上述步骤二生成的高超声速飞行器运动行为数据集,共有22208条数据,取其中90%作为训练集,10%作为测试集。损失函数选择交叉熵损失函数,优化器选择Adam优化器。
通过实验确定运动行为识别网络中的结构参数为:全连接层d=2,LSTM层数l=2,神经元数目128-256-256-256,多头注意力机制的“头数”为8,输入序列长度为200。将本发明和文献[1]的算法设计比较,本发明的训练结果如图7和表1所示。
表1训练结果
从实验结果可以看出,本发明设计的网络结构对六个标签的识别精度均优于文献[1]。分析原因如下,文献[1]针对自由的高超声速飞行器航迹数据设计的网络结构相对简单,而本发明的网络设计在数据预处理时引入了禁飞区位置和半径作为重要的先验信息,在网络结构上选择了双层全连接层丰富特征,双层LSTM提取长时序信息,以及多头注意力网络层以兼顾全局和局部重要特征,因此在应对有复杂机动时的航迹识别问题时表现更好。
具体来看,Nettype用于识别运动模式,Net3用于识别侧向的运动方向,本发明设计的网络和文献[1]均体现出比较高的识别精度和较好的泛化能力。虽然本发明研究的高超声速飞行器运动行为识别问题带有禁飞区约束,将航迹规划描述成非线性优化问题后使用遗传算法求解会导致速度倾斜角的优化结果可能出现抖动,但目标侧向运动方向的识别具有较明显的特征,可通过将特征输入到网络中实现高精度的识别。
NetSG1,NetSG2,NetQEG1,NetQEG2用于识别其余四个特征参数,在实验中体现的特点主要有两个:一是识别精度低于其他特征参数,二是文献[1]的识别结果远差于本发明的网络结构。其原因在于本发明的数据集是在复杂多约束条件下生成的,控制量的变化并不按照某一规律变化,这四个标签缺少明显的特征信息,因此加入了禁飞区先验信息的本发明网络相较于文献[1]能更有效地识别这四个参数。
综上所述,本发明提出的复杂约束下高超声速飞行器运动行为识别算法可以精准的识别Ltype和L3,较好地识别L1和L2,且有一定的泛化能力。本发明研究了基于深度学习的复杂约束条件下高超声速飞行器的运动行为识别问题,首先分析高超声速飞行器的运动行为特点构建了参数化的运动行为模型集,然后生成了有禁飞区约束的高超声速飞行器航迹数据集,最后基于循环神经网络设计了高超声速飞行器的运动行为识别算法,实验结果证明了提出算法的有效性和实用性。
本发明另一实施例提出一种基于深度学习的高超声速飞行器运动行为识别***,该***包括:
运动模型建立模块,其配置成建立高超声速飞行器的运动模型;所述高超声速飞行器的运动模型建立如下:
式中,r表示目标到地心的距离,θ和φ分别表示目标的经纬度,v表示目标的运动速率,γ和ψ分别表示目标的弹道倾角和弹道偏角,D和L分别为阻力和升力,σ为目标的速度倾斜角,m为目标质量,g为重力加速度;Ssef为飞行器的特征面积;ρ为大气密度,ρ0代表海平面的大气密度,β为大气密度系数,Re为地球半径;CD和CL分别代表阻力系数和升力系数;和/>分别表示升力系数与阻力系数;cl表示归一化升力系数;
数据集获取模块,其配置成基于所述运动模型和约束条件构建高超声速飞行器航迹数据集;
识别模型训练模块,其配置成将所述高超声速飞行器航迹数据集输入基于深度学习的高超声速飞行器运动行为识别模型中进行训练,获取训练好的高超声速飞行器运动行为识别模型;
识别模块,其配置成将待识别高超声速飞行器运动轨迹输入训练好的高超声速飞行器运动行为识别模型中,获取待识别高超声速飞行器运动参数,进而识别其运动行为;其中,飞行器运动参数的类别包括飞行器为准平衡滑翔运动模式和飞行器为跳跃滑翔运动模式;当飞行器为准平衡滑翔运动模式时,其对应的飞行器运动参数为:LQEG1=cl cosσ, 当飞行器为跳跃滑翔运动模式时,其对应的飞行器运动参数为:LSG1=cl cosσ,LSG2=cl,/>
本实施例中,可选地,所述数据集获取模块中基于所述运动模型和约束条件构建高超声速飞行器航迹数据集的过程包括:确定飞行器航迹规划问题的目标函数和约束条件;所述目标函数J和约束条件表示为:
/>
式中,a,b,c为常优化系数;Δu表示k时刻控制量的差分;tf表示飞行时间;f表示状态函数;X,u,t分别表示最优控制问题中的状态量、控制量与时间;t0表示起始时刻;tf表示终止时刻;X0表示飞行器初始状态;X(tf)表示实际规划过程的终止状态;Xf表示飞行器终点状态;ε表示常数矩阵;Q,n,q分别代表飞行器飞行过程中的热流密度、过载和动压,Qmax,nmax,qmax分别表示在航迹规划之前提出的热流密度、过载和动压的最大值,KQ为热流率常数;Rnfz表示禁飞区的半径;dnfz表示高超声速目标到禁飞区中心坐标的距离;
利用遗传算法对所述飞行器航迹规划问题进行求解,获取满足约束条件的飞行器离散控制量;
将飞行器离散控制量平滑拟合后代入所述运动模型,获得飞行器的一组运动状态序列;利用多组运动状态序列生成多组航迹,形成高超声速飞行器航迹数据集。
本实施例中,可选地,所述***还包括数据预处理模块,所述数据预处理模块配置成:在获取多组航迹后,对所述高超声速飞行器航迹数据集中的多组航迹进行数据预处理,获取多组特征向量,并将获取的多组特征向量输入所述识别模型训练模块中;所述特征向量表示为:其中,hk,θk,φk分别为量测数据中的目标高度、经度、纬度,Δhk,Δθk,Δφk分别为目标高度、经度、纬度的差分值,
κ4k=Δhkvk,
κ5k=dnfz=Rearccos(sinφnfz sinφk cos(θnfz-θk)+cosφnfz cosφk),
式中,Re为地球半径;(θnfz,φnfz)表示禁飞区的中心经纬度坐标;αnfz表示飞行器相对于禁飞区中心的方位角。
本实施例中,可选地,所述识别模型训练模块中基于深度学习的高超声速飞行器运动行为识别模型为基于长短时记忆网络的高超声速飞行器运动行为识别模型,其训练的过程包括:将输入数据通过全连接层提取隐含信息,输出编码后的向量,再传递给长短时记忆网络提取目标航迹在时间上的特征,最后通过多头注意力机制有选择地组合时序网络的输出,通过softmax分类得到估计的飞行器运动参数和其对应的类别。
本发明实施例一种基于深度学习的高超声速飞行器运动行为识别***的功能可以由前述一种基于深度学习的高超声速飞行器运动行为识别方法说明,因此***实施例未详述部分,可参见以上方法实施例,在此不再赘述。
尽管根据有限数量的实施例描述了本发明,但是受益于上面的描述,本技术领域内的技术人员明白,在由此描述的本发明的范围内,可以设想其它实施例。对于本发明的范围,对本发明所做的公开是说明性的,而非限制性的,本发明的范围由所附权利要求书限定。
本发明援引的文献如下:
[1]ZHENG T Y,YAO Y,HE F H,et al.Active switching multiple modelmethod for tracking a noncooperative gliding flight vehicle[J].Science ChinaInformation Sciences,2020,63(9):192202.
Claims (10)
1.基于深度学习的高超声速飞行器运动行为识别方法,其特征在于,包括以下步骤:
建立高超声速飞行器的运动模型;
基于所述运动模型和约束条件构建高超声速飞行器航迹数据集;
将所述高超声速飞行器航迹数据集输入基于深度学习的高超声速飞行器运动行为识别模型中进行训练,获取训练好的高超声速飞行器运动行为识别模型;
将待识别高超声速飞行器运动轨迹输入训练好的高超声速飞行器运动行为识别模型中,获取待识别高超声速飞行器运动参数,进而识别其运动行为。
2.根据权利要求1所述的基于深度学习的高超声速飞行器运动行为识别方法,其特征在于,所述高超声速飞行器的运动模型建立如下:
式中,r表示目标到地心的距离,θ和φ分别表示目标的经纬度,v表示目标的运动速率,γ和ψ分别表示目标的弹道倾角和弹道偏角,D和L分别为阻力和升力,σ为目标的速度倾斜角,m为目标质量,g为重力加速度;Ssef为飞行器的特征面积;ρ为大气密度,ρ0代表海平面的大气密度,β为大气密度系数,Re为地球半径;CD和CL分别代表阻力系数和升力系数;和/>分别表示升力系数与阻力系数;cl表示归一化升力系数。
3.根据权利要求2所述的基于深度学习的高超声速飞行器运动行为识别方法,其特征在于,基于所述运动模型和约束条件构建高超声速飞行器航迹数据集的过程包括:
确定飞行器航迹规划问题的目标函数和约束条件;
利用遗传算法对所述飞行器航迹规划问题进行求解,获取满足约束条件的飞行器离散控制量;
将飞行器离散控制量平滑拟合后代入所述运动模型,获得飞行器的一组运动状态序列;利用多组运动状态序列生成多组航迹,形成高超声速飞行器航迹数据集。
4.根据权利要求3所述的基于深度学习的高超声速飞行器运动行为识别方法,其特征在于,所述飞行器航迹规划问题的目标函数J和约束条件表示为:
式中,a,b,c为常优化系数;Δu表示k时刻控制量的差分;tf表示飞行时间;f表示状态函数;X,u,t分别表示最优控制问题中的状态量、控制量与时间;t0表示起始时刻;tf表示终止时刻;X0表示飞行器初始状态;X(tf)表示实际规划过程的终止状态;Xf表示飞行器终点状态;ε表示常数矩阵;Q,n,q分别代表飞行器飞行过程中的热流密度、过载和动压,Qmax,nmax,qmax分别表示在航迹规划之前提出的热流密度、过载和动压的最大值,KQ为热流率常数;Rnfz表示禁飞区的半径;dnfz表示高超声速目标到禁飞区中心坐标的距离。
5.根据权利要求3或4所述的基于深度学习的高超声速飞行器运动行为识别方法,其特征在于,在获取多组航迹后,对所述高超声速飞行器航迹数据集中的多组航迹进行数据预处理,获取多组特征向量,并将获取的多组特征向量输入基于深度学习的高超声速飞行器运动行为识别模型中进行训练;所述特征向量表示为:其中,hk,θk,φk分别为量测数据中的目标高度、经度、纬度,Δhk,Δθk,Δφk分别为目标高度、经度、纬度的差分值,
κ4k=Δhkvk,
κ5k=dnfz=Rearccos(sinφnfz sinφk cos(θnfz-θk)+cosφnfz cosφk),
式中,Re为地球半径;(θnfz,φnfz)表示禁飞区的中心经纬度坐标;αnfz表示飞行器相对于禁飞区中心的方位角。
6.根据权利要求2所述的基于深度学习的高超声速飞行器运动行为识别方法,其特征在于,所述基于深度学习的高超声速飞行器运动行为识别模型为基于长短时记忆网络的高超声速飞行器运动行为识别模型,其训练的过程包括:将输入数据通过全连接层提取隐含信息,输出编码后的向量,再传递给长短时记忆网络提取目标航迹在时间上的特征,最后通过多头注意力机制有选择地组合时序网络的输出,通过softmax分类得到估计的飞行器运动参数和其对应的类别。
7.根据权利要求6所述的基于深度学***衡滑翔运动模式和飞行器为跳跃滑翔运动模式;当飞行器为准平衡滑翔运动模式时,其对应的飞行器运动参数为:LQEG1=cl cosσ,当飞行器为跳跃滑翔运动模式时,其对应的飞行器运动参数为:LSG1=cl cosσ,LSG2=cl,/>
8.基于深度学习的高超声速飞行器运动行为识别***,其特征在于,包括:
运动模型建立模块,其配置成建立高超声速飞行器的运动模型;所述高超声速飞行器的运动模型建立如下:
式中,r表示目标到地心的距离,θ和φ分别表示目标的经纬度,v表示目标的运动速率,γ和ψ分别表示目标的弹道倾角和弹道偏角,D和L分别为阻力和升力,σ为目标的速度倾斜角,m为目标质量,g为重力加速度;Ssef为飞行器的特征面积;ρ为大气密度,ρ0代表海平面的大气密度,β为大气密度系数,Re为地球半径;CD和CL分别代表阻力系数和升力系数;和/>分别表示升力系数与阻力系数;cl表示归一化升力系数;
数据集获取模块,其配置成基于所述运动模型和约束条件构建高超声速飞行器航迹数据集;
识别模型训练模块,其配置成将所述高超声速飞行器航迹数据集输入基于深度学习的高超声速飞行器运动行为识别模型中进行训练,获取训练好的高超声速飞行器运动行为识别模型;
识别模块,其配置成将待识别高超声速飞行器运动轨迹输入训练好的高超声速飞行器运动行为识别模型中,获取待识别高超声速飞行器运动参数,进而识别其运动行为;其中,飞行器运动参数的类别包括飞行器为准平衡滑翔运动模式和飞行器为跳跃滑翔运动模式;当飞行器为准平衡滑翔运动模式时,其对应的飞行器运动参数为:LQEG1=cl cosσ, 当飞行器为跳跃滑翔运动模式时,其对应的飞行器运动参数为:LSG1=cl cosσ,LSG2=cl,/>
9.根据权利要求8所述的基于深度学习的高超声速飞行器运动行为识别***,其特征在于,所述数据集获取模块中基于所述运动模型和约束条件构建高超声速飞行器航迹数据集的过程包括:
确定飞行器航迹规划问题的目标函数和约束条件;所述目标函数J和约束条件表示为:
式中,a,b,c为常优化系数;Δu表示k时刻控制量的差分;tf表示飞行时间;f表示状态函数;X,u,t分别表示最优控制问题中的状态量、控制量与时间;t0表示起始时刻;tf表示终止时刻;X0表示飞行器初始状态;X(tf)表示实际规划过程的终止状态;Xf表示飞行器终点状态;ε表示常数矩阵;Q,n,q分别代表飞行器飞行过程中的热流密度、过载和动压,Qmax,nmax,qmax分别表示在航迹规划之前提出的热流密度、过载和动压的最大值,KQ为热流率常数;Rnfz表示禁飞区的半径;dnfz表示高超声速目标到禁飞区中心坐标的距离;
利用遗传算法对所述飞行器航迹规划问题进行求解,获取满足约束条件的飞行器离散控制量;
将飞行器离散控制量平滑拟合后代入所述运动模型,获得飞行器的一组运动状态序列;利用多组运动状态序列生成多组航迹,形成高超声速飞行器航迹数据集。
10.根据权利要求9所述的基于深度学习的高超声速飞行器运动行为识别***,其特征在于,所述***还包括数据预处理模块,所述数据预处理模块配置成:在获取多组航迹后,对所述高超声速飞行器航迹数据集中的多组航迹进行数据预处理,获取多组特征向量,并将获取的多组特征向量输入所述识别模型训练模块中;所述特征向量表示为:其中,hk,θk,φk分别为量测数据中的目标高度、经度、纬度,Δhk,Δθk,Δφk分别为目标高度、经度、纬度的差分值,
κ4k=Δhkvk,
κ5k=dnfz=Rearccos(sinφnfz sinφk cos(θnfz-θk)+cosφnfz cosφk),
式中,Re为地球半径;(θnfz,φnfz)表示禁飞区的中心经纬度坐标;αnfz表示飞行器相对于禁飞区中心的方位角。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410087340.6A CN117786534B (zh) | 2024-01-22 | 2024-01-22 | 基于深度学习的高超声速飞行器运动行为识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410087340.6A CN117786534B (zh) | 2024-01-22 | 2024-01-22 | 基于深度学习的高超声速飞行器运动行为识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117786534A true CN117786534A (zh) | 2024-03-29 |
CN117786534B CN117786534B (zh) | 2024-07-12 |
Family
ID=90401861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410087340.6A Active CN117786534B (zh) | 2024-01-22 | 2024-01-22 | 基于深度学习的高超声速飞行器运动行为识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117786534B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110413000A (zh) * | 2019-05-28 | 2019-11-05 | 北京航空航天大学 | 一种基于深度学习的高超声速飞行器再入预测校正容错制导方法 |
CN111813146A (zh) * | 2020-07-01 | 2020-10-23 | 大连理工大学 | 基于bp神经网络预测航程的再入预测-校正制导方法 |
CN113269363A (zh) * | 2021-05-31 | 2021-08-17 | 西安交通大学 | 一种高超声速飞行器的轨迹预测方法、***、设备及介质 |
CN115169233A (zh) * | 2022-07-15 | 2022-10-11 | 中国人民解放军32804部队 | 基于深度高斯过程的高超声速飞行器不确定轨迹预测方法 |
CN116560403A (zh) * | 2023-05-24 | 2023-08-08 | 北京航空航天大学 | 多高超声速飞行器智能化时间协同制导方法、***及设备 |
-
2024
- 2024-01-22 CN CN202410087340.6A patent/CN117786534B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110413000A (zh) * | 2019-05-28 | 2019-11-05 | 北京航空航天大学 | 一种基于深度学习的高超声速飞行器再入预测校正容错制导方法 |
CN111813146A (zh) * | 2020-07-01 | 2020-10-23 | 大连理工大学 | 基于bp神经网络预测航程的再入预测-校正制导方法 |
CN113269363A (zh) * | 2021-05-31 | 2021-08-17 | 西安交通大学 | 一种高超声速飞行器的轨迹预测方法、***、设备及介质 |
CN115169233A (zh) * | 2022-07-15 | 2022-10-11 | 中国人民解放军32804部队 | 基于深度高斯过程的高超声速飞行器不确定轨迹预测方法 |
CN116560403A (zh) * | 2023-05-24 | 2023-08-08 | 北京航空航天大学 | 多高超声速飞行器智能化时间协同制导方法、***及设备 |
Non-Patent Citations (1)
Title |
---|
TIANYU ZHENG 等: "Active switching multiple model method for tracking a noncooperative gliding flight vehicle", SCIENCE CHINA INFORMATION SCIENCES, vol. 63, no. 9, 30 September 2020 (2020-09-30), pages 1 - 4 * |
Also Published As
Publication number | Publication date |
---|---|
CN117786534B (zh) | 2024-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114048889B (zh) | 基于长短期记忆网络的飞行器轨迹预测的方法 | |
CN109145451B (zh) | 一种高速滑翔飞行器的运动行为识别与航迹估计方法 | |
CN111695299B (zh) | 一种中尺度涡轨迹预测方法 | |
CN111797478B (zh) | 一种基于变结构多模型的强机动目标跟踪方法 | |
CN104199022B (zh) | 一种基于目标模态估计的临近空间高超声速目标跟踪方法 | |
Ye et al. | CT-Net: An efficient network for low-altitude object detection based on convolution and transformer | |
CN114840020A (zh) | 一种基于改进鲸鱼算法的无人机飞行轨迹规划方法 | |
CN111027627A (zh) | 一种基于多层感知机的振动信息地形分类识别方法 | |
Xie et al. | Dual-channel and bidirectional neural network for hypersonic glide vehicle trajectory prediction | |
Xiao et al. | An improved ICCP matching algorithm for use in an interference environment during geomagnetic navigation | |
CN110532665A (zh) | 一种固定航线任务下的移动对象动态轨迹预测方法 | |
CN117786534B (zh) | 基于深度学习的高超声速飞行器运动行为识别方法及*** | |
Zhou et al. | Guidance systematic error separation for mobile launch vehicles using artificial fish swarm algorithm | |
Chen et al. | Geomagnetic vector pattern recognition navigation method based on probabilistic neural network | |
HanYang et al. | Research on air target maneuver recognition based on LSTM network | |
CN112698666B (zh) | 一种基于气象栅格的飞行器航路优化方法 | |
CN114565020A (zh) | 一种基于深度置信网络和扩展卡尔曼滤波的飞行器传感器信号融合方法 | |
Klaproth et al. | Investigation of Mission Performance Sensitivities for Unmanned Aerial Vehicles Based on Parametric Similarity Assessment of Mission Requirements | |
Chen et al. | Target intent recognition method based on evidence fusion in TimeSeries networks | |
Bower et al. | Dynamic environment mapping for autonomous thermal soaring | |
Yang et al. | Study on the trajectory positioning and prediction framework of unmanned aerial vehicle based on long short-term memory neural network | |
Kim et al. | Airborne monitoring of ground traffic behaviour for hidden threat assessment | |
Lin et al. | An LSTM-based fleet formation recognition algorithm | |
CN117828984A (zh) | 基于新特征参数的再入滑翔飞行器机动模式智能辨识方法 | |
Zhang et al. | UAV path evaluation method based on RE-ITOPSIS |
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 |