System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 信息不透明下巡飞弹对机动目标抵近搜索和精确打击方法技术_技高网

信息不透明下巡飞弹对机动目标抵近搜索和精确打击方法技术

技术编号:43067541 阅读:12 留言:0更新日期:2024-10-22 14:44
本发明专利技术公开了信息不透明下巡飞弹对机动目标抵近搜索和精确打击方法,包括:步骤1:利用A*算法计算巡飞弹到达目标的航迹,并对该航迹进行平滑处理;步骤2:根据平滑处理后的航迹计算出制导律,并以制导律为动作、以巡飞弹的向量为状态利用深度学习网络进行交互学习,进而对制导律进行优化使得巡飞弹对目标完成精确打击;本发明专利技术可以结合不可跨越区域约束与飞行约束,快速生成自主搜索方案,重构轨线,完成敌方目标的精确定位;在发现敌方目标后,针对目标机动逃逸行为,巡飞弹能够生成具有前瞻特性的机动策略,预判目标未来机动路线,提高打击精度。

【技术实现步骤摘要】

本专利技术属于制导,尤其涉及信息不透明下巡飞弹对机动目标抵近搜索和精确打击方法


技术介绍

1、巡飞弹是先进的无人机技术和弹药技术有机融合的新式制导武器,能在低空、低速的条件下到达指定目标区域上空执行“巡弋飞行”、“待命”、“侦察”、“打击”等多种作战任务,它不仅能同传统弹药一样发射于不同的投放平台,也可以向无人机一样对作战区域进行巡航侦察,成本低于巡航导弹,能够快速进入目标区域,具有发射速度快、滞空时间长、战术灵活等特点,可以将作战场中的战场侦察、目标识别、毁伤效果评估等完美融为一体,具备迅速响应和精准打击能力。现有的精确打击轨线生成方法主要包括遗传算法、粒子群算法在内的启发式算法,传统制导律算法,以及飞行扩展节点法在内的传统图搜索算法等。但以上研究很少考虑在信息不透明环境下巡飞弹精确打击机动目标轨线生成问题。

2、目前巡飞弹精确打击机动目标轨线生成方法存在以下缺陷:

3、1)在轨迹规划与任务变更轨迹重构方面,目前研究与应用较为广泛的启发式算法虽然实现简单,运行稳定,但依赖于全局场景信息,计算量会随着探索空间的增大、影响因素复杂度的升高而成指数上涨。对于复杂战场环境中敌方态势变化,算法必须重新运行,难以兼顾在线实时性和全局最优性。

4、2)在目标精准打击方面,敌方关键目标可能具有机动逃逸能力,可能通过蛇形机动等机动方式躲避我方巡飞弹打击,导致我方巡飞弹脱靶率上升。现有的传统制导率方法修正的算法(偏置比例制导律、最优制导律等)大多针对静止目标,或者依赖于苛刻的假设条件,且缺乏长势决策能力,无法应对我动敌动的博弈场景。基于最优控制或启发式算法的轨线生成方法优化时间长,依赖于场景信息与敌方机动参数的精确信息,难以满足机动目标精打的实时响应需求。

5、总之,目前巡飞弹轨迹动态规划主要依赖于“人在回路内”的指控模式,武器指挥控制的自动化水平不高,迫切需要研制智能化的巡飞弹机动目标精确打击技术。在信息不透明作战环境下,敌方目标信息无法准确获取,同时,敌方目标可能具备躲避打击的机动能力。在目标抵近搜索阶段,巡飞弹对信息不完备作战环境适应能力较差,现有的轨迹规划算法在线调整困难,无法应对目标变化或任务变更下在线轨迹重构的快速性和准确性需求;在目标精确打击阶段,目标通过急动急停急转等机动模式躲避攻击,现有目标精打算法缺乏长势决策能力,存在脱靶量上升的问题。


技术实现思路

1、本专利技术的目的是提供信息不透明下巡飞弹对机动目标抵近搜索和精确打击方法,以解决在目标抵近搜索阶段,巡飞弹对信息不完备作战环境适应能力较差,现有的轨迹规划算法在线调整困难,无法应对目标变化或任务变更下在线轨迹重构的快速性和准确性需求;在目标精确打击阶段,目标通过急动急停急转等机动模式躲避攻击,现有目标精打算法缺乏长势决策能力,存在脱靶量上升的问题。

2、本专利技术采用以下技术方案:信息不透明下巡飞弹对机动目标抵近搜索和精确打击方法,其特征在于,包括:

3、步骤1:利用a*算法计算巡飞弹到达目标的航迹,并对该航迹进行平滑处理;

4、步骤2:根据平滑处理后的航迹计算出制导律,并以制导律为动作、以巡飞弹的向量为状态利用深度学习网络进行交互学习,进而对制导律进行优化使得巡飞弹对目标完成精确打击;

5、其中,步骤1中a*算法的回报函数为:

6、g=α×q+β×b;

7、

8、

9、式中,α、β分别代表两者的权重值;q为重要性概率的归一值;b为路程长度归一值;p为原始重要性概率,q+p=1;llong为最长路程长度;lshort为最短路程长度;lnow为当前路程长度。

10、进一步地,其中,步骤2中深度学习网络的奖励函数为:

11、

12、式中,表示第i个时间步修正后的单步奖励;ri为第i个时间步修正前的单步奖励,即密集型事件引导回报和稀疏型终态回报之和;γa为衰减因子,τ为该回合智能弹药进行的总时间步数,g为该回合结束时获得的终态回报;

13、其中,密集型事件引导回报函数为:

14、rexp=w1×(r1+r2)+w2×r3,

15、式中,w1、w2分别表示上述密集回报的权重系数;

16、其中,

17、r1=distmt_old-distmt_now;r2=vm×cosε;r3=distmo_now-distmo_old;式中,distmt_old表示智能弹药与目标上一时刻的距离,distmt_now表示智能弹药与目标当前时刻的距离;vm表示智能弹药速度,ε表示智能弹药速度矢量与目标视线之间的夹角;distmo_now表示智能弹药与禁飞区当前时刻的距离,distmo_old表示智能弹药与禁飞区上一时刻的距离。

18、进一步地,其中,步骤2中巡飞弹的向量为:

19、

20、式中,distmt为弹目距离、ym为弹药俯仰角、ψm为弹药偏航角、εmt为弹目视线倾角,βmt为弹目视线偏角、vm为弹药速度、dt为时间约束,dv为终端速度,da为终端角度。

21、本专利技术的有益效果是:

22、本专利技术是面向信息不透明环境下巡飞弹机动目标精确打击技术,针对作战过程中敌方目标可能存在隐真示假现象,以及我方传感器观测精度受限导致敌方目标位置信息获取不精确的问题,巡飞弹可以结合不可跨越区域约束与飞行约束,快速生成自主搜索方案,重构轨线,完成敌方目标的精确定位;在发现敌方目标后,针对目标机动逃逸行为,巡飞弹能够生成具有前瞻特性的机动策略,预判目标未来机动路线,提高打击精度;

23、本专利技术能够将大部分轨迹优化计算量转移至离线训练阶段,在目标信息不精确的情况下,巡飞弹可以在线端到端生成机动策略,满足精打算法时敏性要求,实现ooda环的快速闭合;

24、本专利技术利用交互式自学习方法使巡飞弹在离线环境中自发学习,应对敌方目标各类逃逸模式的机动策略,在线端到端生快速生成机动目标精打制导轨线,满足作战时敏性要求,针对敌方目标存在隐真示假,阵地转移等行为,根据敌方潜在机动能力对其可能存在的作战区域进行快速覆盖搜索;解决针对定位后的机动目标精打问题。

本文档来自技高网...

【技术保护点】

1.信息不透明下巡飞弹对机动目标抵近搜索和精确打击方法,其特征在于,包括:

2.根据权利要求1所述的信息不透明下巡飞弹对机动目标抵近搜索和精确打击方法,其特征在于,其中,步骤2中深度学习网络的奖励函数为:

3.根据权利要求1所述的信息不透明下巡飞弹对机动目标抵近搜索和精确打击方法,其特征在于,其中,步骤2中巡飞弹的向量为:

【技术特征摘要】

1.信息不透明下巡飞弹对机动目标抵近搜索和精确打击方法,其特征在于,包括:

2.根据权利要求1所述的信息不透明下巡飞弹对机动目标抵近搜索和精确打击方法,其特征在于...

【专利技术属性】
技术研发人员:黎海青裴浏玉孙浩曹传硕梁彦
申请(专利权)人:西北工业大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1