一种基于神经网络的无人飞行器制导指令生成方法及系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115061485A(43)申请公布日2022.09.16(21)申请号202210675669.5(22)申请日2022.06.15(71)申请人中国人民解放军海军航空大学地址264001山东省烟台市芝罘区二马路188号科研学术处(72)发明人杨秀霞张毅姜子劼于浩杨林王晨蕾陆巍巍梁勇王宏(74)专利代理机构北京高沃律师事务所11569专利代理师赵兴华(51)Int.Cl.G05D1/08(2006.01)G05D1/10(2006.01)权利要求书4页说明书16页附图2页(54)发明名称一种基于神经网络的无人飞行器制导指令生成方法及系统(57)摘要本发明涉及一种基于神经网络的无人飞行器制导指令生成方法及系统，涉及无人飞行器制导技术领域。所述方法包括在滚动时域优化框架下根据零效脱靶量确定方程集合；根据运动学方程得到多组目标运动状态；在各组目标运动状态下均采用粒子群算法根据方程集合得到最优倾斜角速度向量、最优偏转角速度向量和多组飞行器运动状态；根据运动状态、两个最优角速度向量、多个时刻的倾斜角和偏转角速度对神经网络进行训练得到角速度神经网络模型、速度估计器；根据当前时刻无人飞行器的运动状态、估计器和神经网络模型得到当前时刻无人飞行器的制导指令。本发明可以不需要在目标运动信息全部已知的情况下得到无人飞行器的制导指令。CN115061485ACN115061485A权利要求书1/4页1.一种基于神经网络的无人飞行器制导指令生成方法，其特征在于，包括：在滚动时域优化框架下根据零效脱靶量确定方程集合，所述方程集合包括协态方程、横截条件式、无人飞行器制导优化模型、倾角速度局部最优导引律方程和偏角速度局部最优导引律方程；根据目标运动学方程得到多组目标的运动状态，所述运动状态包括x坐标、y坐标、z坐标、倾斜角和偏转角；在各组目标的运动状态下均采用粒子群算法根据所述方程集合得到最优倾斜角速度向量、最优偏转角速度向量以及多组无人飞行器的运动状态；采用L‑M算法根据多组所述无人飞行器的运动状态、多组所述目标的运动状态和所述最优倾斜角速度向量对神经网络进行训练得到倾斜角速度神经网络模型；采用L‑M算法根据多组所述无人飞行器的运动状态、多组所述目标的运动状态和所述最优偏转角速度向量对神经网络进行训练得到偏转角速度神经网络模型；采用L‑M算法根据多个时刻的倾斜角速度对神经网络进行训练得到目标航迹倾斜角速度估计器；采用L‑M算法根据多个时刻的偏转角速度对神经网络进行训练得到目标航迹偏转角速度估计器；根据所述目标航迹倾斜角速度估计器、所述目标航迹偏转角速度估计器和所述目标运动学方程得到目标时刻目标的状态估计量；根据所述当前时刻无人飞行器的运动状态、所述目标时刻目标的状态估计量、所述倾斜角速度神经网络模型和所述偏转角速度神经网络模型得到当前时刻无人飞行器的制导指令；所述制导指令包括倾斜角速度指令和偏转角速度指令。2.根据权利要求1所述的一种基于神经网络的无人飞行器制导指令生成方法，其特征在于，所述在滚动时域优化框架下根据零效脱靶量确定方程集合，具体包括：根据二维平面上的零效脱靶量确定三维平面内的零效脱靶量；根据三维平面内的零效脱靶量确定局部终端指标方程和局部性能函数；根据所述局部性能函数和所述局部终端指标方程确定无人飞行器制导优化模型；根据庞特里亚金极小值原理对所述无人飞行器制导优化模型处理确定协态方程、横截条件方程、倾角速度局部最优导引律方程和偏角速度局部最优导引律方程。3.根据权利要求1所述的一种基于神经网络的无人飞行器制导指令生成方法，其特征在于，所述在各组目标的运动状态下均采用粒子群算法根据所述方程集合得到最优倾斜角速度向量、最优偏转角速度向量以及多组无人飞行器的运动状态，具体包括：计算所述协态方程在时间上的积分得到时间协态方程；根据所述横截条件式和无人飞行器制导优化模型确定适应度函数；对于任意一组目标的运动状态，随机初始化一组粒子和无人飞行器的速度得到所述目标的运动状态对应的初始粒子和初始速度；所述粒子为时间协态方程的积分变量；采用粒子群算法以所述适应度函数最小为目标对所述目标的运动状态对应的初始粒子和所述初始速度进行更新得到所述目标的运动状态对应的最优粒子；根据所述目标的运动状态对应的粒子、所述倾角速度局部最优导引律方程和所述偏角速度局部最优导引律方程得到所述目标的运动状态对应的最优倾斜角速度、最优偏转角速2CN115061485A权利要求书2/4页度和无人机的运动状态；确定所有组目标的运动状态对应的最优倾斜角速度为所述最优倾斜角速度向量；确定所有组目标的运动状态对应的最优偏转角速度为所述最优偏转角速度向量；确定所有组目标的运动状态对应的无人机的运动状态为多组所述无人飞行器的运动状态。