【技术实现步骤摘要】
本专利技术涉及航空航天，特别是涉及一种基于深度神经网络的有限时间收敛导弹末制导律设计方法。
技术介绍
1、导弹的制导律(也称导引律)，是指导弹和目标之间所遵循的相对运动学关系，它依据导弹与目标之间的信息，如相对位置、相对速度、加速度等，引导导弹改变运动姿态使其能接近并命中目标点，导弹的末制导系统是确保导弹精确命中目标的关键组成部分。
2、传统的导弹制导律通常采用高精度非线性模型以满足制导策略的高精确性需求，但这往往伴随着漫长的计算时间，难以适应实时性要求；传统的末制导律通常基于精确的物理模型和数学方程，这限制了导弹在不同环境和条件下的适应性和性能，如果环境或目标发生变化，传统末制导系统可能需要重新调整参数。
3、同时传统末制导律还存在抗干扰性不足的缺点，现代作战环境中存在各种敌方干扰措施，传统制导系统的抗干扰性能有限，容易受到外部干扰的影响；在处理复杂目标，例如大机动目标或多个目标时，传统制导律就难以精确命中目标，这些目标的速度和机动性使得传统制导系统很难跟踪并命中它们。
技术实现思路
1、为了解决以上技术问题，本专利技术提供一种基于深度神经网络的有限时间收敛导弹末制导律设计方法，包括以下步骤
2、s1、设计三维导弹-目标运动方程；
3、s2、设计输入到状态稳定有限时间收敛导弹末制导律；
4、s3、使用matlab对有限时间收敛导弹末制导律进行仿真，并按照固定步长导出数据制作数据集；
5、s4、构建深度神经网络
6、s5、采用levenberg-marquardt算法作为优化算法对深度神经网络模型进行优化；
7、s6、采用均方误差对深度神经网络模型训练出的预测加速度与matlab仿真出的真实加速度进行误差计算，当误差大于等于训练目标最小误差时，更新权重，并转到步骤s4；当误差小于训练目标最小误差时，训练过程停止，并转到步骤s7；
8、s7、输出预测的加速度曲线。
9、本专利技术进一步限定的技术方案是：
10、进一步的，步骤s1中，设mxyz为参考惯性坐标系，mx1y1z1为视线坐标系，m和t分别为导弹和目标的质心；r为导弹与目标之间的相对距离，θ和φ分别为方位角和俯仰角；假设导弹和目标的加速度分量为和则导弹和目标的相对运动表示为下列微分方程：
11、
12、
13、
14、其中，为导弹的速度，和分别为导弹的方位角速度和俯仰角速度；
15、定义状态变量：和为导弹的两个视线角速度；定义输出变量：和为导弹加速度分量；从而得到导弹-目标的状态变量方程：
16、
17、
18、其中，表示方位角加速度，表示俯仰角加速度。
19、前所述的基于深度神经网络的有限时间收敛导弹末制导律设计方法，步骤s2中，针对步骤s1中三维导弹-目标运动方程，给出制导律方程：
20、
21、其中，饱和函数k、c、δ1以及δ2均为制导参数，r为导弹与目标之间的距离，为导弹的速度，θ和φ分别为方位角和俯仰角。
22、前所述的基于深度神经网络的有限时间收敛导弹末制导律设计方法，步骤s3中，固定步长设置为0.001s。
23、前所述的基于深度神经网络的有限时间收敛导弹末制导律设计方法，步骤s3中，数据集以视线角速率和导弹速度vm以及时间t作为输入，输出为加速度分量和在数据集中随机选取75％的数据作为训练集，其余25％的数据作为测试集。
24、前所述的基于深度神经网络的有限时间收敛导弹末制导律设计方法，步骤s4中，深度神经网络模型依次包括输入层、若干隐藏层以及输出层，每层网络均包含若干个神经元，每层网络中的神经元都与上一层网络中的所有神经元相连，通过全连接的方式，将上一层的输出特征逐层传递并作为下一层的输入特征，最终得到输出值；深度神经网络模型的输入输出关系表示为：
25、oi＝σ(wioi-1+bi)
26、其中，oi表示第i层的输出，wi表示权重，oi-1表示上一层的输出，bi表示偏置，σ为激活函数。
27、前所述的基于深度神经网络的有限时间收敛导弹末制导律设计方法，深度神经网络模型中，隐藏层的激活函数设置为双曲正切函数，双曲正切函数的公式如下所示：
28、
29、其中，x为神经元输入的加权和，tanh(x)为输出，e为自然对数的底数；
30、输出层的激活函数设置为线性激活函数，线性激活函数的公式如下所示：
31、f(x)＝ax
32、其中，x为神经元输入的加权和，a为常数，f(x)为输出。
33、前所述的基于深度神经网络的有限时间收敛导弹末制导律设计方法，深度神经网络模型中，损失函数采用均方误差，均方误差的公式如下所示：
34、
35、其中，fi为预测值，yi为真实值，n为样本总数。
36、前所述的基于深度神经网络的有限时间收敛导弹末制导律设计方法，步骤s5中，采用levenberg-marquardt算法对深度神经网络模型进行优化时，初始学习率设置为0.01。
37、前所述的基于深度神经网络的有限时间收敛导弹末制导律设计方法，步骤s6中，训练目标最小误差设置为0.00001。
38、本专利技术的有益效果是：
39、本专利技术中，基于深度神经网络的有限时间收敛导弹末制导律设计方法所设计出的制导律与传统制导律相比有更好的自适应能力和学习能力；通过增加泛化性测试，验证了基于深度神经网络的有限时间收敛导弹末制导律对于不同初始条件和机动形式下的泛化能力；同时还通过增加干扰性测试，验证了dnn-ftg的抗干扰能力。
本文档来自技高网...【技术保护点】
1.一种基于深度神经网络的有限时间收敛导弹末制导律设计方法，其特征在于：包括以下步骤
2.根据权利要求1所述的基于深度神经网络的有限时间收敛导弹末制导律设计方法，其特征在于：所述步骤S1中，设Mxyz为参考惯性坐标系，Mx1y1z1为视线坐标系，M和T分别为导弹和目标的质心；r为导弹与目标之间的相对距离，θ和φ分别为方位角和俯仰角；假设导弹和目标的加速度分量为和则导弹和目标的相对运动表示为下列微分方程：
3.根据权利要求1所述的基于深度神经网络的有限时间收敛导弹末制导律设计方法，其特征在于：所述步骤S2中，针对步骤S1中三维导弹-目标运动方程，给出制导律方程：
4.根据权利要求1所述的基于深度神经网络的有限时间收敛导弹末制导律设计方法，其特征在于：所述步骤S3中，固定步长设置为0.001s。
5.根据权利要求1所述的基于深度神经网络的有限时间收敛导弹末制导律设计方法，其特征在于：所述步骤S3中，数据集以视线角速率和导弹速度vm以及时间t作为输入，输出为加速度分量和在数据集中随机选取75％的数据作为训练集，其余25％的数据作为测试集。
6.根据权利要求1所述的基于深度神经网络的有限时间收敛导弹末制导律设计方法，其特征在于：所述步骤S4中，深度神经网络模型依次包括输入层、若干隐藏层以及输出层，每层网络均包含若干个神经元，每层网络中的神经元都与上一层网络中的所有神经元相连，通过全连接的方式，将上一层的输出特征逐层传递并作为下一层的输入特征，最终得到输出值；深度神经网络模型的输入输出关系表示为：
7.根据权利要求6所述的基于深度神经网络的有限时间收敛导弹末制导律设计方法，其特征在于：所述深度神经网络模型中，隐藏层的激活函数设置为双曲正切函数，双曲正切函数的公式如下所示：
8.根据权利要求6所述的基于深度神经网络的有限时间收敛导弹末制导律设计方法，其特征在于：所述深度神经网络模型中，损失函数采用均方误差，均方误差的公式如下所示：
9.根据权利要求1所述的基于深度神经网络的有限时间收敛导弹末制导律设计方法，其特征在于：所述步骤S5中，采用Levenberg-Marquardt算法对深度神经网络模型进行优化时，初始学习率设置为0.01。
10.根据权利要求1所述的基于深度神经网络的有限时间收敛导弹末制导律设计方法，其特征在于：所述步骤S6中，训练目标最小误差设置为0.00001。
...【技术特征摘要】
1.一种基于深度神经网络的有限时间收敛导弹末制导律设计方法，其特征在于：包括以下步骤
2.根据权利要求1所述的基于深度神经网络的有限时间收敛导弹末制导律设计方法，其特征在于：所述步骤s1中，设mxyz为参考惯性坐标系，mx1y1z1为视线坐标系，m和t分别为导弹和目标的质心；r为导弹与目标之间的相对距离，θ和φ分别为方位角和俯仰角；假设导弹和目标的加速度分量为和则导弹和目标的相对运动表示为下列微分方程：
3.根据权利要求1所述的基于深度神经网络的有限时间收敛导弹末制导律设计方法，其特征在于：所述步骤s2中，针对步骤s1中三维导弹-目标运动方程，给出制导律方程：
4.根据权利要求1所述的基于深度神经网络的有限时间收敛导弹末制导律设计方法，其特征在于：所述步骤s3中，固定步长设置为0.001s。
5.根据权利要求1所述的基于深度神经网络的有限时间收敛导弹末制导律设计方法，其特征在于：所述步骤s3中，数据集以视线角速率和导弹速度vm以及时间t作为输入，输出为加速度分量和在数据集中随机选取75％的数据作为训练集，其余25％的数据作为测试集。
6.根据权利要求1所述的基于深度神经网络的有限...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。