一种基于Elman神经网络的轨道预测算法制造技术

本发明专利技术公开了一种基于Elman神经网络的轨道预测算法，其特征在于，包括：将待预测的弹道导弹的轨道坐标输入Elman神经网络预测模型，输出预测的轨道坐标；构建Elman神经网络预测模型，包括：构建Elman神经网络模型；将获取的侦察数据代入Elman神经网络模型进行迭代训练直到符合条件，输出最终的Elman神经网络预测模型。基于侦察数据训练构建的Elman神经网络预测模型；基于迭代次数或者误差精度，完成Elman神经网络预测模型的构建，预测的弹道导弹的轨道坐标更加精确。弹的轨道坐标更加精确。弹的轨道坐标更加精确。

【技术实现步骤摘要】
一种基于Elman神经网络的轨道预测算法


[0001]本专利技术涉及一种基于Elman神经网络的轨道预测算法，属于轨道预测


技术介绍

[0002]弹道导弹的运动轨道是一个复杂的物理模型，涉及到理论力学、地球重力学、空气动力学、结构力学、导弹弹道学及现代数学等多个领域。在弹道导弹目标的监视、探测和跟踪过程中，需进行高精度弹道计算，对弹道目标进行弹道预测。
[0003]弹道导弹目标的运动过程非常复杂，尤其是在出入过程中，受到稠密大气的影响，弹道导弹目标的运动呈现高度的非线性，微小的初值误差及模型误差也会给弹道预报带来较大误差。此外，在弹道预测中，初值误差和模型误差会随时间传播并显著累积。因此，以往为了实现高精度的弹道预测，需从高精度动力学模型、高精度非线性平滑/滤波和高精度外推预报三个方面，提升预测初值精度、降低预测传播误差和提升实时处理运算效率，以进行高精度实时弹道预测，但此类模型的建立十分复杂，需考虑参数较多，初值优化难度大。

技术实现思路

[0004]本专利技术所要解决的技术问题是克服现有技术的缺陷，提供一种基于Elman神经网络的轨道预测算法及其存储介质，具体设计一种适用于弹道导弹在被动段运动时，基于侦察的情报信息，对弹道导弹的轨道坐标进行实时预测的算法。
[0005]为达到上述目的，本专利技术提供一种基于Elman神经网络的轨道预测算法，包括：
[0006]将待预测的弹道导弹的轨道坐标输入Elman神经网络预测模型，输出预测的轨道坐标；
[0007]构建Elman神经网络预测模型，包括：
[0008]构建Elman神经网络模型；
[0009]将获取的侦察数据代入Elman神经网络模型进行迭代训练直到符合条件，输出最终的Elman神经网络预测模型。
[0010]优先地，条件为条件一和条件二中的一个：
[0011]条件一，迭代次数达到设定的次数；
[0012]条件二，将测试数据代入Elman神经网络预测模型中，获得预测输出的弹道导弹的轨道坐标；将预测输出的弹道导弹的轨道坐标和对应时间的测试数据中弹道导弹的轨道坐标之间的误差与设定的阈值进行比较，若误差在设定的阈值范围内则表示Elman神经网络预测模型合格，否则重新迭代训练Elman神经网络模型。
[0013]优先地，构建Elman神经网络模型：
[0014]y(k)＝g(w3·
x(k))
[0015]x(k)＝f(w1·
x
c
(k))+w2(u(k
‑
1))
[0016]x
c
(k)＝x(k
‑
1)，
[0017]式中，y(k)为预测输出的弹道导弹的轨道坐标集合，m表示预测输出的弹道导弹的
轨道坐标点数；x(k)为输入Elman神经网络模型的中间层节点单元向量，n为中间层节点数；u(k
‑
1)为输入Elman神经网络模型的r维轨道坐标集合，r表示x(k)中弹道导弹的轨道坐标点数；x
c
(k)为n维反馈状态向量；w3为中间层到输出层连接权值；w2为输入层到中间层连接权值；w1为承接层到中间层的连接权值；g(*)是中间层输出的线性组合；f(*)为中间层神经元的传递函数。
[0018]优先地，将获取的侦察数据代入Elman神经网络模型进行多次迭代训练，每完成一次迭代，更新一次w1、w2与w3的值，包括：
[0019]Elman神经网络模型采用BP算法进行权值修正，BP算法的学习指标函数采用误差平方和函数：
[0020][0021]式中，为实际上弹道导弹目标的轨道坐标向量，y
k
(W)为与对应的Elman神经网络模型输出的y(k)；
[0022]基于下式获得更新后的w1、w2与w3：
[0023]w
i
＝w
iold
+dw
[0024][0025]式中i＝1，2，3，w
iold
为w1、w2与w3的初始值；dw为每次迭代的调整值，基于梯度下降法的策略，往负梯度的方向进行调整；其中η为学习率，取值范围为[0，1]；
[0026]将更新后的w1、w2与w3代入Elman神经网络模型中迭代训练。
[0027]优先地，在构建Elman神经网络模型之前，对侦察数据进行归一化处理，包括：
[0028]利用最小
‑
最大规范化方法对侦察数据中弹道导弹的X轴坐标进行线性变换：
[0029][0030]其中，min
x
为侦查数据中弹道导弹的X轴坐标的最小值，max
x
为侦查数据中弹道导弹的X轴坐标的最大值，x
’
为线性变换后的X轴坐标，x为侦查数据中弹道导弹的X轴坐标；
[0031]利用最小
‑
最大规范化方法对侦察数据中弹道导弹的Y轴坐标进行线性变换：
[0032][0033]其中，min
y
为侦查数据中弹道导弹的Y轴坐标的最小值，max
y
为侦查数据中弹道导弹的Y轴坐标的最大值，y
’
为线性变换后的Y轴坐标，y为侦查数据中弹道导弹的Y轴坐标；
[0034]利用最小
‑
最大规范化方法对侦察数据中弹道导弹的Z轴坐标进行线性变换：
[0035][0036]其中，min
Z
为侦查数据中弹道导弹的Z轴坐标的最小值，max
Z
为侦查数据中弹道导弹的Z轴坐标的最大值，z
’
为线性变换后的Z轴坐标，Z为侦查数据中弹道导弹的Z轴坐标。
[0037]优先地，条件一中，迭代次数达到设定的次数一千次；
[0038]条件二中，预测输出的弹道导弹的轨道坐标和侦察数据对应的实际弹道导弹的轨道坐标之间的误差平方和E(w)达到指定精度。
[0039]优先地，f(*)采用S函数。
[0040]优先地，在对侦察数据进行归一化处理之前，对侦查数据进行异常值剔除和缺失值补充；侦查数据和测试数据均为预先采集的弹道导弹的轨道坐标集合，轨道坐标集合是按照固定时间间隔依次采集，缺失值补充是采用轨道坐标集合中缺失坐标所在位置的前后轨道坐标求平均值获得。
[0041]计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述所述方法的步骤。
[0042]本专利技术所达到的有益效果：
[0043]本专利技术利用Elman神经网络能够以任意精度逼近任意非线性映射的特点，可以不考虑外部噪声如重力和空气阻力等对系统影响的具体形式，本专利技术构建了Elman神经网络模型，基于侦察数据，对弹道导弹的轨道进行预测分析；基于迭代次数或者误差精度，完成Elman神经网络预测模型的构建，预测的弹道导弹的轨道坐标更加精确。
附图说明
[0044]图1是本专利技术的算法流程图；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Elman神经网络的轨道预测算法，其特征在于，包括：将待预测的弹道导弹的轨道坐标输入Elman神经网络预测模型，输出预测的轨道坐标；构建Elman神经网络预测模型，包括：构建Elman神经网络模型；将获取的侦察数据代入Elman神经网络模型进行迭代训练直到符合条件，输出最终的Elman神经网络预测模型。2.根据权利要求1所述的一种基于Elman神经网络的轨道预测算法，其特征在于，条件为条件一和条件二中的一个：条件一，迭代次数达到设定的次数；条件二，将测试数据代入Elman神经网络预测模型中，获得预测输出的弹道导弹的轨道坐标；将预测输出的弹道导弹的轨道坐标和对应时间的测试数据中弹道导弹的轨道坐标之间的误差与设定的阈值进行比较，若误差在设定的阈值范围内则表示Elman神经网络预测模型合格，否则重新迭代训练Elman神经网络模型。3.根据权利要求1所述的一种基于Elman神经网络的轨道预测算法，其特征在于，构建Elman神经网络模型：y(k)＝g(w3·
x(k))x(k)＝f(w1·
x
c
(k))+w2(u(k
‑
1))x
c
(k)＝x(k
‑
1)，式中，y(k)为预测输出的弹道导弹的轨道坐标集合，m表示预测输出的弹道导弹的轨道坐标点数；x(k)为输入Elman神经网络模型的中间层节点单元向量，n为中间层节点数；u(k
‑
1)为输入Elman神经网络模型的r维轨道坐标集合，r表示x(k)中弹道导弹的轨道坐标点数；x
c
(k)为n维反馈状态向量；w3为中间层到输出层连接权值；w2为输入层到中间层连接权值；w1为承接层到中间层的连接权值；g(*)是中间层输出的线性组合；f(*)为中间层神经元的传递函数。4.根据权利要求3所述的一种基于Elman神经网络的轨道预测算法，其特征在于，将获取的侦察数据代入Elman神经网络模型进行多次迭代训练，每完成一次迭代，更新一次w1、w2与w3的值，包括：Elman神经网络模型采用BP算法进行权值修正，BP算法的学习指标函数采用误差平方和函数：式中，为实际上弹道导弹目标的轨道坐标向量，y
k
(W)为与对应的Elman神经网络模型输出的y(k)；基于下式获得更新后的w1、w2与w3：w
i
＝w
iold
+dw式中i＝1，2，3，w
iold...

【专利技术属性】
技术研发人员：汪大康，张昊，
申请(专利权)人：南京长峰航天电子科技有限公司，
类型：发明
国别省市：