基于序列到序列模型的弹丸轨迹预测方法技术

本发明专利技术公开了一种基于序列到序列模型的弹丸轨迹预测方法，用于填补弹丸轨迹中的缺失信息。该方法包括如下步骤：1)使用4阶龙格库塔法对6自由度弹丸运动模型进行数值仿真，组建不同条件下的弹丸轨迹仿真数据集；2)对仿真数据集进行一阶差分和归一化降低弹丸轨迹数据的滞后性和消除量纲的影响；3)对预处理后的仿真数据集通过滑动窗口法构造监督样本集，将数据集划分为训练集和测试集；4)搭建基于编码器

【技术实现步骤摘要】
基于序列到序列模型的弹丸轨迹预测方法


[0001]本专利技术属于火炮无控弹丸轨迹预报
，更为具体地讲，涉及一种基于序列到序列模型的弹丸轨迹预测方法。

技术介绍

[0002]大口径火炮是陆军施行火力突击任务的主要装备，具有全天时、全天候作战等特点，其火力的强弱、打击精度的高低、毁伤能力的大小，对战争的胜负都起着非常重要的作用。随着信息、网络等技术的快速发展，未来战场呈敏捷、高效、透明、网络、智能等发展趋势，这为大口径火炮的打击精度提出更高要求。弹丸非线性轨迹预测技术通过降低气象时变、弹丸发射扰动等误差的影响来提高火炮打击精度。
[0003]线性弹道模型具有实时解算能力强、占用计算机资源少等特点，被广泛运用于解决弹丸轨迹预测问题，但没有考虑气象时变影响，且面临部分弹道参数难准确获取、气象实时变换难适应等问题，因此无法满足不同环境下的弹丸轨迹预测需求。
[0004]基于深度学习的弹道轨迹预测是一种通过数据驱动构建精确动力学模型的方法，具有弹道参数需求量少，气象变化适应性强等优点，比线性弹道模型具有更广阔的适用场景。循环神经网络(RNN)是深度学习的重要组成部分，具有跨时间的平行交互功能，通过对特定状态空间的学习产生领域空间的行为轨迹，以连接主义网络的形式体现。传统RNN网络面临长程依赖问题，不具备长期记忆能力，难以处理较大规模弹丸轨迹数据集。

技术实现思路

[0005]本专利技术的目的在于提供一种基于序列到序列模型的弹丸轨迹预测方法，以克服
技术介绍
中提到的不足。
[0006]实现本专利技术目的的技术解决方案为：
[0007]一种基于序列到序列模型的弹丸轨迹预测方法，具体步骤如下：
[0008]步骤1，对6自由度弹丸运动模型利用4阶龙格库塔法进行数值积分求解，并考虑地面风速、火炮发射初速和火炮高低射角三种影响因素，并将弹丸射程、弹丸高度、弹丸横偏、弹丸速度作为弹丸轨迹数据库的特征属性，构建不同条件下的弹丸轨迹仿真数据集；
[0009]步骤2，对弹丸轨迹仿真数据集使用1阶差分法进行数据预处理，并利用滑动窗口法构建训练输入轨迹序列和目标轨迹序列，形成监督数据集，并将数据集划分为训练集和测试集；
[0010]步骤3，选用LSTM作为编码器和解码器的神经网络单元，编码器由一个全连接输入层和两个LSTM层组成，解码器由一个输入层、两个堆叠的LSTM层和一个全连接输出层组成，并将均方误差函数作为模型损失函数，构建序列到序列网络模型；
[0011]步骤4，首先，将步骤2所构建的训练集中的输入轨迹序列输入步骤3中构建的序列到序列模型，并输出预测轨迹序列；其次，将预测序列与步骤2中构建的训练集中的目标序列进行均方误差求解；然后利用反向传播算法传递均方误差到每一个神经元，并以最小化
均方误差为目的，不断更新神经元间的权重与神经元内部的参数；最后，当均方误差稳定变化时，网络参数已经稳定，停止模型训练；
[0012]步骤5，将步骤4中训练完成后的序列到序列模型，作为测试集上的测试模型；将步骤2所构建的测试集中的输入轨迹序列输入步骤4中训练完成后的序列到序列模型，并输出预测轨迹序列。
[0013]本专利技术与现有技术相比，其显著优点：
[0014](1)本专利技术通过差分法和归一化方法，大幅度降低数据的滞后性并消除弹丸轨迹仿真数据集不同特征的量纲影响，使弹丸轨迹数据平稳性更高。
[0015](2)本专利技术通过引入长短期记忆网络单元，相比于传统RNN，具有更强的记忆功能，并通过门控机制控制信息的累积速度，以改善传统RNN网络的长程依赖问题。
[0016](3)本专利技术采用编码器和解码器结构构建序列到序列模型，可对不定长序列进行预测，提高可变轨迹预测的适应性。
[0017]下面结合附图对本专利技术作进一步详细描述。
附图说明
[0018]图1为基于序列到序列模型的弹丸轨迹预测的具体实施方法流程图。
[0019]图2是本专利技术中的一种长短期记忆网络的结构示意图。
[0020]图3是本专利技术中基于序列到序列模型的弹丸轨迹预测流程图。
具体实施方式
[0021]下面结合附图对本专利技术的具体实施方式进行描述，以便本领域的技术人员更好地理解本专利技术。需要特别注意的是，在以下描述中，当已知功能和设计的详细描述也许会淡化本专利技术的主要内容，这些描述在这里将被忽略。
[0022]参考图1、图2及图3，对本专利技术的具体实施方案进行阐述，基于序列到序列模型的弹丸轨迹预测方法，包括如下步骤：
[0023]步骤1，构建不同条件下的弹丸轨迹仿真数据集，具体如下：
[0024](1)首先，建立六自由度弹丸运动模型，具体表达式如下：
[0025][0026][0027][0028][0029][0030][0031][0032][0033][0034][0035]式中，t表示时间，x、y、z为地面坐标系下X、Y、Z轴的弹丸位置分量；θ
a
为速度高低角，ψ2为速度方向角；为弹轴高低角，为弹轴方位角,γ为弹丸自转角；v为弹道坐标系下的速度；δ1为高低攻角，δ2为方向攻角，β为第一弹轴坐标系与第二弹轴坐标系关于弹箭纵轴的转角；w
ξ
、w
η
、w
ζ
为弹轴坐标系下弹丸角速度分量；m为弹丸质量；A、C分别为弹丸赤道转动惯量和弹丸极转动惯量；分别为弹丸在弹道坐标系下的气动力分量；M
ξ
、M
η
、M
ζ
分别为弹丸在弹轴坐标系下的气动力力矩分量。
[0036](2)其次，利用4阶龙格库塔法对6自由度弹丸运动模型进行数值积分，得到大量弹道轨迹序列。4阶龙格库塔法，具体表达式如下：
[0037][0038]式中，t
n
表示当前时刻，y
n
表示当前值，y
n+1
表示下一时刻值，k1表示时间段开始斜率，k2、k3表示时间段中点斜率，k4表示时间段终点斜率，f(
·
)表示6自由度弹丸运动微分方程组，h表示为积分步长。
[0039](3)不同条件下的弹丸轨迹仿真数据集可构建为三维向量T＝{T1,T2,
…
,T
i
,
…
,T
k
}，1,2,
…
,i,
…
,k表示弹道轨迹数，其中为第i条弹道轨迹数据，n表示为轨迹点总数，分别为第i条弹道轨迹的第m个轨迹点的速度、射程、射高和横偏四个轨迹特征量。
[0040]步骤2，对弹丸轨迹仿真数据集进行数据预处理，并构建训输入轨迹序列和目标轨迹序列，形成监督数据集，并将数据集划分为训练集和测试集。
[0041]其中，对弹丸轨迹仿真数据集进行数据预处理，并将数据集划分为训练集和测试集，具体如下：
[0042](1)首先，对弹丸轨迹仿真数据集进行数据预处理，采用一阶差分法降低数据的滞后性，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于序列到序列模型的弹丸轨迹预测方法，其特征在于，具体步骤如下：步骤1，对6自由度弹丸运动模型利用4阶龙格库塔法进行数值积分求解，并考虑地面风速、火炮发射初速和火炮高低射角三种影响因素，并将弹丸射程、弹丸高度、弹丸横偏、弹丸速度作为弹丸轨迹数据库的特征属性，构建不同条件下的弹丸轨迹仿真数据集；步骤2，对弹丸轨迹仿真数据集使用1阶差分法进行数据预处理，并利用滑动窗口法构建训练输入轨迹序列和目标轨迹序列，形成监督数据集，并将数据集划分为训练集和测试集；步骤3，选用LSTM作为编码器和解码器的神经网络单元，编码器由一个全连接输入层和两个LSTM层组成，解码器由一个输入层、两个堆叠的LSTM层和一个全连接输出层组成，并将均方误差函数作为模型损失函数，构建序列到序列网络模型；步骤4，首先，将步骤2所构建的训练集中的输入轨迹序列输入步骤3中构建的序列到序列模型，并输出预测轨迹序列；其次，将预测序列与步骤2中构建的训练集中的目标序列进行均方误差求解；然后利用反向传播算法传递均方误差到每一个神经元，并以最小化均方误差为目的，不断更新神经元间的权重与神经元内部的参数；最后，当均方误差稳定变化时，网络参数已经稳定，停止模型训练；步骤5，将步骤4中训练完成后的序列到序列模型，作为测试集上的测试模型；将步骤2所构建的测试集中的输入轨迹序列输入步骤4中训练完成后的序列到序列模型，并输出预测轨迹序列。2.根据权利要求1所述基于序列到序列模型的弹丸轨迹预测方法，其特征在于，6自由度弹丸运动模型为：度弹丸运动模型为：度弹丸运动模型为：度弹丸运动模型为：度弹丸运动模型为：度弹丸运动模型为：度弹丸运动模型为：度弹丸运动模型为：度弹丸运动模型为：度弹丸运动模型为：式中，t表示时间，x、y、z为地面坐标系下X、Y、Z轴的弹丸位置分量；θ
a
为速度高低角，ψ2为速度方向角；为弹轴高低角，为弹轴方位角,γ为弹丸自转角；v为弹道坐标系下的
速度；δ1为高低攻角，δ2为方向攻角，β为第一弹轴坐标系与第二弹轴坐标系关于弹箭纵轴的转角；w
ξ
、w
η
、w
ζ
为弹轴坐标系下弹丸角速度分量；m为弹丸质量；A、C分别为弹丸赤道转动惯量和弹丸极转动惯量；分别为弹丸在弹道坐标系下的气动力分量；M
ξ
、M
η
、M
ζ
分别为弹丸在弹轴坐标系下的气动力力矩分量。3.根据权利要求1所述基于序列到序列模型的弹丸轨迹预测方法，其特征在于，4阶龙格库塔法，具体表达式如下：式中，t
n
表示当前时刻，y
n
表示当前值，y
n+1
表示下一时刻值，k1表示时间段开始斜率，k2、k3表示时间段中点斜率，k4表示时间段终点斜率，f(
·
)表示6自由度弹丸运动微分方程组，h表示为积分步长。4.根据权利要求1所述基于序列到序列模...

【专利技术属性】
技术研发人员：陈龙淼，彭晨洋，钱林方，陈红彬，王满意，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：