【技術實現步驟摘要】
本專利技術屬于火炮無控彈丸軌跡遞歸預測，具體涉及一種基于深度學習的彈丸軌跡及發射點遞歸預測方法。
技術介紹
1、對來襲彈丸軌跡及發射點遞歸預測的研究意義重大，準確的預測結果能夠顯著提升防空和反導系統的響應能力與攔截精度。在現代戰爭中，快速識別和準確預測敵方來襲彈丸的軌跡是確保戰斗勝利的關鍵。通過運用先進的算法和模型，對來襲彈丸的飛行路徑進行實時分析，可以有效評估其威脅程度，從而為防御系統提供科學依據，制定優化的攔截策略。同時，發射點的遞歸預測則有助于確定敵方的攻擊源，為目標打擊和反擊行動提供重要線索。這種技術的進步不僅增強了作戰指揮的靈活性和準確性，還降低了誤判和誤傷的風險，提升了整體作戰效果。
2、相比傳統預測算法，深度學習能夠自動從大量數據中提取特征，而無需手動設計復雜的特征提取算法。這種自學習能力使得深度學習模型可以處理復雜的非線性關系，適應性強，能夠更好地捕捉彈丸飛行過程中的動態變化和環境影響，從而提高預測準確性。而傳統方法常常依賴于簡化的數學模型，可能無法有效應對復雜和不確定的戰場環境。
3、其中，鄭志偉,管雪元等人于2023發表于兵工學報上的文章“基于卷積神經網絡與長短期記憶神經網絡的彈丸軌跡預測”，采用多步預測方法，該方法難以保證精確度的情況下延長預測時間。
技術實現思路
1、本專利技術的目的在于提供一種基于深度學習的彈丸軌跡及發射點遞歸預測方法，解決了保證精確度的情況下延長預測時間的問題，同時首次提出一個網絡結構，訓練兩個模型，并將其分別用以
2、實現本專利技術目的的技術解決方案為：一種基于深度學習的彈丸軌跡及發射點遞歸預測方法，包括如下步驟：
3、步驟(1)：采用4階龍格庫塔算法在不同采樣條件下對修正質點彈道方程進行數值仿真，獲取數據；
4、步驟(2)：將數據整理劃分為訓練集和測試集；
5、步驟(3)：搭建正向彈丸軌跡遞歸預測算法模型和數據集逆向輸入的彈丸發射點遞歸預測模型；
6、步驟(4)：將訓練集分別輸入正向彈丸軌跡預測算法模型和數據集逆向輸入的彈丸發射點預測模型進行訓練；
7、步驟(5)：將測試集輸入訓練好的正向彈丸軌跡預測算法模型和逆向發射點預測模型，分別進行彈丸的軌跡及發射點遞歸預測。
8、進一步的，步驟(1)中的修正質點彈道方程為：
9、
10、
11、vry＝vy?(20)
12、vrz＝vz-wz?(21)
13、vrx＝vx-wx?(22)
14、公式中涉及的參數定義如下：
15、
16、進一步的，步驟(1)中的采樣條件為：
17、 參數 采樣值 采樣間隔 初速度/(m/s) (700,1000] 5 射角/(°) (35,55] 1
18、。
19、進一步的，將各條軌跡時間、射程、射高以及側偏位置信息保存以構建數據集，保存的數據集格式為traj＝{t1,t2,…,t1200}，其中任意一條軌跡表示為其中i為第i個坐標點，n為第n條軌跡，t為當前坐標點對應的時間戳；
20、將數據集按照8:1:1劃分為訓練集，測試集和驗證集；
21、在訓練之前要對軌跡集進行歸一化處理；
22、歸一化處理公式如下：
23、
24、公式中t為數據集中的一條軌跡，將t中的數據分別進行歸一化處理，tmin和tmax為相應數據的最小值和最大值，tn為歸一化處理后的數據。
25、進一步的，步驟(3)中的正向彈丸軌跡遞歸預測算法模型采用cnn-bilstm模型，并在cnn-bilstm模型上添加注意力機制；
26、cnn-bilstm模型設有兩個卷積層，第一層卷積核數設置為32，長度為3，第二層卷積核數為64，長度為3；采用兩個獨立的lstm層，分別按照時間序列進行正向傳播和反向傳播，從而構成bilstm；
27、將cnn提取的特征作為bilstm的初始輸入，采用bilstm來提取時間特征，并將bilstm層神經元數設置為64。
28、進一步的，bilstm的學習過程由遺忘門、輸入門、更新記憶單元以及輸出門四個部分組成，這四個部分涉及的計算方式為：
29、遺忘門
30、ft＝σ(wf·[ht-1,xt]+bf)?(24)
31、輸入門
32、it＝σ(wi·[ht-1,xt]+bi)?(25)
33、
34、更新記憶單元
35、
36、輸出門
37、ot＝σ(wo·[ht-1,xt]+bo)?(28)
38、ht＝ot*tanh(ct)?(29)
39、其中σ為sigmoid函數，wk,bk(k＝f,i,c,o)分別為遺忘門、輸入門以及輸出門的權重矩陣和偏置項，ht為時間步的隱藏狀態輸出，it和ot為輸入門和輸出門的激活值，為候選值向量。
40、進一步的，注意力機制如下：
41、對query和key進行相似度計算
42、eij＝d(qi,pj)?(30)
43、對相似度進行歸一化處理
44、aij＝softmax(eij)?(31)
45、加權求和
46、
47、其中d運算代表點積函數，q為查詢元素，p為元素地址，e為元素之間的相似度，c為權值；
48、最后添加全連接層，由于預測結果為三維空間的坐標，因此全連接層神經元數設置為3。
49、進一步的，步驟(4)具體包括如下步驟：
50、步驟(41)：對于彈丸未來軌跡預測，將處理好數據集直接輸入彈丸未來軌跡遞歸預測模型訓練；
51、步驟(42)：發射點預測則需要將訓練集逆向排列輸入彈丸發射點遞歸預測模型，從而實現一個網絡結構訓練兩個模型的優勢。
52、進一步的，步驟(5)具體包括如下步驟：
53、步驟(51)：對于彈丸未來軌跡預測的測試集將采用待預測區間之前的個軌跡點，依次輸入彈丸未來軌跡遞歸預測模型進行預測；
54、步驟(52)：而彈丸發射點預測的測試集將采用雷達最先探測到的個軌跡本文檔來自技高網...
【技術保護點】
1.一種基于深度學習的彈丸軌跡及發射點遞歸預測方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的方法，其特征在于，步驟(1)中的修正質點彈道方程為：
3.根據權利要求2所述的方法，其特征在于，步驟(1)中的采樣條件為：
4.根據權利要求3所述的方法，其特征在于，將各條軌跡時間、射程、射高以及側偏位置信息保存以構建數據集，保存的數據集格式為Traj＝{T1,T2,…,T1200}，其中任意一條軌跡表示為其中i為第i個坐標點，n為第n條軌跡，t為當前坐標點對應的時間戳；
5.根據權利要求4所述的方法，其特征在于，步驟(3)中的正向彈丸軌跡遞歸預測算法模型采用CNN-BiLSTM模型，并在CNN-BiLSTM模型上添加注意力機制；
6.根據權利要求5所述的方法，其特征在于，BiLSTM的學習過程由遺忘門、輸入門、更新記憶單元以及輸出門四個部分組成，這四個部分涉及的計算方式為：
7.根據權利要求6所述的方法，其特征在于，注意力機制如下：
8.根據權利要求7所述的方法，其特征在于，步驟(4)具體包括
9.根據權利要求8所述的方法，其特征在于，步驟(5)具體包括如下步驟：
...【技術特征摘要】
1.一種基于深度學習的彈丸軌跡及發射點遞歸預測方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的方法，其特征在于，步驟(1)中的修正質點彈道方程為：
3.根據權利要求2所述的方法，其特征在于，步驟(1)中的采樣條件為：
4.根據權利要求3所述的方法，其特征在于，將各條軌跡時間、射程、射高以及側偏位置信息保存以構建數據集，保存的數據集格式為traj＝{t1,t2,…,t1200}，其中任意一條軌跡表示為其中i為第i個坐標點，n為第n條軌跡，t為當前坐標點對應的時間戳；
5.根據權利要求...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。