基于控制参数估计的再入滑翔目标智能轨迹预测算法

再入滑翔目标的轨迹预测是一项困难且具有意义的技术, 现有利用简单函数拟合控制参数进行轨迹预测的方法, 拟合精度不高且对数据的关联性不强。针对该问题, 本文结合长短期时序网络提出了基于控制参数估计的智能轨迹预测算法。首先, 通过设计快速轨迹生成算法, 结合攻角走廊模型快速生成大量机动轨迹, 构建数据集。然后, 建立了包含末点修正网络、控制参数修正网络及预测网络的智能轨迹预测框架, 利用数据集对关键控制参数的变化规律进行学习。最后, 结合目标运动模型积分外推实现轨迹的准确预测。仿真结果表明, 所设计的预测算法在不同机动模式下的预测平均误差不超过1.4 km, 最大误差不超过2.5 km, 能够实现轨迹的快速预测, 且对大气扰动造成的模型不确定性具有一定的鲁棒性。     

基于LSTM与1DCNN的导弹轨迹预测方法

针对弹道导弹等超远程攻击目标的轨迹难以预测的问题,提出一种基于长短期记忆(long short-term memory, LSTM)网络与一维卷积神经网络(1-dimensional convolutional neural network, 1DCNN)的目标轨迹预测方法。首先,建立三自由度导弹运动模型,依据再入类型设计3种目标轨迹数据,构建机动数据库,解决轨迹数据的来源问题。其次,采用重复分割与滑动窗口的方法对轨迹数据进行预处理。然后,基于LSTM与1DCNN设计了一种目标类型分类网络,对目标进行初步分类。最后,基于1DCNN设计轨迹预测网络,对目标轨迹进行预测。仿真结果表明,提出的轨迹预测网络能够完成轨迹预测任务,预测误差在合理范围内。     

基于TCN-BiLSTM的网络安全态势预测

针对现有网络安全态势预测模型预测精确度低和收敛速度慢的问题,提出一种基于时域卷积网络(temporal convolution network, TCN)和双向长短期记忆(bi-directional long short-term memory, BiLSTM)网络的预测方法。首先,将TCN处理时间序列问题的优势应用到态势预测上学习态势值的序列特征;随后,引入注意力机制动态调整属性的权值;然后,利用BiLSTM模型学习态势值的前后状况,以提取序列中更多的信息进行预测;利用粒子群优化(particle swarm optimization, PSO)算法进行超参数寻优,提升预测能力。实验结果表明,所提预测方法的拟合度可达0.999 5,其拟合效果和收敛速度均优于其他模型。     

基于改进PSO优化LSTM网络的短期电力负荷预测

为了提高短期电力负荷预测的精度,提出一种基于自适应柯西变异粒子群(ACMPSO)算法优化长短期记忆(LSTM)神经网络的短期电力负荷预测模型(ACMPSO-LSTM).针对LSTM模型参数较难选取的问题,采用ACMPSO算法进行LSTM模型参数寻优,利用非线性变化惯性权重来提高PSO算法的全局寻优能力和收敛速度,并在寻...     

基于卡尔曼滤波算法展开的飞行目标轨迹预测

目标轨迹预测是保证目标航行安全、规划飞行航迹和搜寻空中目标等任务的关键技术,在军事和交通管制等方面具有重要意义。针对传统飞行目标轨迹预测方法模型较为简化且预测精度较低的问题,提出了基于卡尔曼滤波算法展开的深度神经网络模型,用于飞行目标的轨迹预测任务。该模型通过长短时记忆(long short-term memory, LSTM)网络从目标的航迹数据中学习目标的运动状态,再利用卡尔曼滤波算法对LSTM预测的目标状态估计值进行动态修正,其有效结合了卡尔曼滤波算法和深度神经网络各自的优势。在仿真数据和真实数据上的实验验证了所提模型较其他网络模型对飞行目标轨迹预测的准确性和有效性优势。     

基于递归小波网络的直升机动力学模型研究

提出一种基于递归小波网络建立直升机动力学模型的方法,给出了模型结构并利用粒子群优化算法对小波网络权参数进行调整。这种网络模型利用内部状态反馈来描述系统的非线性动力学特性,不必事先确定系统模型的类别和阶次,直接建立操纵量与加速度、角速度等变量之间的对应关系,从而避免了建立复杂的气动系数、气动导数模型的过程。与传统的机理模型相比,该模型具有结构简单、并行解算程度高、运算速度快的特点。在某型直升机飞行模拟器中取得了良好的应用效果。     

空间轨迹问题的粒子群仿真研究

空间轨迹的搜索问题具有多个全局最优解,一种有效的解决方法是采用粒子群算法进行搜索.然而与一般的优化问题不同,轨迹问题要求算法中粒子适应值与粒子位置同时收敛.为此,针对已有的粒子群算法在轨迹搜索上的不足,提出了一种减速粒子群优化算法(Slowdown ParticleSwarm Optimization,简称SPSO),从位置角度改善粒子群的收敛性能.该算法利用独立子群技术保证粒子收敛于不同的位置,并根据粒子适应值情况减半更新粒子飞行速度,以达到位置收敛的目标.仿真实验的结果表明了减速粒子群算法在位置收敛效果上的优越性.     

针对机动目标的三维实时滚动优化制导策略

为解决目标机动策略未知条件下的飞行器拦截问题, 提出一种基于神经网络的三维滚动优化制导策略。首先, 针对全局最优导引律终端时刻难以确定的问题, 在滚动时域优化框架下, 引入零效脱靶量设计局部最优导引律, 并使用粒子群优化算法进行求解。其次, 为了提高制导律在线求解效率, 构建神经网络, 对优化算法滚动求解得到的若干组制导训练数据进行离线学习, 并将经过训练的网络用于制导指令在线滚动优化。仿真结果表明, 神经网络-滚动优化制导策略对采取各类机动方式的目标均具有较好的制导性能, 有效提高了制导指令在线优化效率, 可以为飞行器制导律实时滚动求解提供参考。     

再入机动飞行器最优轨迹设计与跟踪

提出了一种再入机动飞行器（maneuvering reentry vehicle, MRV）的最优制导与控制方案。针对MRV再入机动轨迹优化问题,提出了新的基于Gauss伪谱优化方法的分段优化策略;由产生的最优参考轨迹,生成系统的外环最优制导指令。接着利用轨迹线性化控制（trajectory linearization control, TLC）方法设计系统的内环控制律。基于MRV完整的非线性六自由度模型,仿真表明提出的再入轨迹优化设计方法是有效的,而且内环TLC控制器可以准确地跟踪外环的最优制导指令和最优轨迹,并对系统未建模特性和参数不确定性具有一定的鲁棒性能。     

多传感器优化部署下的机动目标协同跟踪算法

针对资源有限的传感器网络中目标动态跟踪问题,提出了一种能够自适应选择跟踪传感器的机动目标协同跟踪算法。首先,采用粒子群优化算法优化传感器网络能耗与有效覆盖率,进行传感器位置部署;然后,以最大化候选传感器的Rényi信息增量与最小化传感器间信息传递能耗为适应度函数,采用二进制粒子群优化算法自适应选择最佳跟踪传感器组;最后,利用交互多模型粒子滤波对机动目标位置进行估计并进行分布式融合。仿真结果表明,与现有方法相比,该方法可在非高斯非线性环境下自适应选择最优跟踪传感器,显著提高目标跟踪精度,降低网络能耗。     

协同随机微粒群优化的神经网络预测建模

针对一类难以精确建立数学模型的非线性控制系统,提出了协同随机微粒群优化CSPSO的神经网络预测建模方法.CSPSO在协同微粒群算法CPSO执行之后引入随机微粒群优化SPSO的思想,促使CPSO摆脱了伪最小值现象,并且保证其以概率1收敛于全局最优值.通过采集对象输入/输出数据,将CSPSO应用到模型权值的离线训练中,并给出了实现的具体步骤.结果表明在实验的几种算法中,CSPSO训练的神经网络模型精度较高且算法学习的稳定性较佳.     

可重复使用运载器的上升段轨迹线设计

可重复使用运载器的上升段飞行过程较为复杂,其轨迹线设计是一个多约束的非线性规划问题,优化求解较为困难。为形成较为实用的上升段轨迹线设计策略,将上升段分成投放分离段、拉起点火段、动力爬升段和无动力爬升段四段进行分析设计。通过各段运动特点的分析,各段采用不同的轨迹策略,确定所需要设计的参数及其范围,将各种物理约束及末端条件约束转换成适应度函数,最后将轨迹优化问题转化成设计参数的寻优问题,通过具有很强非线性搜索能力的粒子群优化算法对参数进行优化求解。结果表明,设计的轨迹线能很好地满足任务指标。     

Rotary unmanned aerial vehicles path planning in rough terrain based on multi-objective particle swarm optimization

This paper presents a path planning approach for rotary unmanned aerial vehicles(R-UAVs) in a known static rough terrain environment. This approach aims to find collision-free and feasible paths with minimum altitude, length and angle variable rate. First, a three-dimensional(3D) modeling method is proposed to reduce the computation burden of the dynamic models of R-UAVs. Considering the length, height and tuning angle of a path, the path planning of R-UAVs is described as a tri-objective optimi...     

基于MOEA/D-ARMS的无人机在线航迹规划

无人机(unmanned aerial vehicle, UAV)在线航迹规划是UAV协同控制关键技术之一, 在线航迹规划问题本质上是一种动态多目标优化问题。为了求解该问题, 提出了一种基于自适应应答机制选择的动态多目标进化算法(multi-objective evolutionary algorithon based on decomposition-adaptive reaction mechanism selection, MOEA/D-ARMS)。多种应答机制构成应答机制池, 以应答机制最近一次的整体表现赋予应答机制一定的奖励, 并采用基于概率的方法从应答机制池中选择应答机制。MOEA/D-ARMS分别在静态环境情况、突发威胁情况、突变威胁情况和偏好改变情况下进行仿真实验。仿真结果表明, MOEA/D-ARMS可有效求解UAV在线航迹规划问题。     

无人机鲁棒轨迹线性化控制航迹跟踪设计

研究一种鲁棒轨迹线性化控制方法并将其应用于无人机(unmanned aerial vehicle, UAV)航迹跟踪控制设计。通过理论分析指明传统轨迹线性化控制方法对系统中的不确定性存在鲁棒性不足的问题,采用改进隐层自适应神经网络对不确定性进行补偿,并利用Lyapunov理论证明了跟踪误差的有界性,最后将该方法应用到无人机三维航迹跟踪控制中。仿真结果表明,当参数摄动在20%时,该控制方法仍能使UAV很好地跟踪理想航迹,从而验证了该方法的有效性。     

基于加权k-均值聚类与粒子群优化的多航迹规划

针对复杂环境下的无人机多航迹规划问题,提出了将粒子群优化（particle swarm optimization, PSO）算法与加权k-均值聚类算法相结合的规划方法。每个粒子表示一条航迹,采用加权k-均值聚类算法对粒子进行分类,得到多个粒子子群,在每个子群内部进行一条可行航迹的优化,最终得到多条不同的可行航迹。对传统k-均值聚类算法进行改进,采用排挤机制产生初始聚类中心,针对实际环境中突发威胁的分布不均性,在聚类过程中,对航迹节点按照所在区域突发威胁的出现概率进行加权,提出了加权k-均值聚类算法。仿真实验表明,所提出的方法能够有效地得到无人机的多条可行航迹。     

基于路径-速度解耦的无人机编队协同轨迹规划

针对无人机编队在复杂机动情形下的协同轨迹规划问题,提出了一种基于路径-速度解耦方法的预瞄自适应轨迹规划方法。在路径规划阶段,考虑无人机转弯机动的曲率限制,采用Dubins曲线作为路径构成的基本子结构。为得到最优的Dubins曲线连接控制点,设计了自适应预跟随路径特征的预瞄距离规划算法。在速度规划阶段,针对控制参数化与时间离散化(control parameterization and time discretization, CPTD)的速度规划方法,提出了栅格化空域下差异区间速度规划方法,简称为DIPR。仿真结果表明,预瞄距离自适应算法能够有效优化路径,对比固定预瞄距离方法在转向弧度上平均减少30.70%,在跟踪偏离上减少16.41%,在路径长度上缩短10.87%。对比CPTD方法, DIPR平均提前30代收敛,收敛值平均提高10.67%,编队完成队形集结时间平均缩短15.4 s。得到结果更快更优,并且速度曲线结果连续平滑。     

基于路径-速度解耦的无人机编队协同轨迹规划

针对无人机编队在复杂机动情形下的协同轨迹规划问题,提出了一种基于路径-速度解耦方法的预瞄自适应轨迹规划方法。在路径规划阶段,考虑无人机转弯机动的曲率限制,采用Dubins曲线作为路径构成的基本子结构。为得到最优的Dubins曲线连接控制点,设计了自适应预跟随路径特征的预瞄距离规划算法。在速度规划阶段,针对控制参数化与时间离散化(control parameterization and time discretization, CPTD)的速度规划方法,提出了栅格化空域下差异区间速度规划方法,简称为DIPR。仿真结果表明,预瞄距离自适应算法能够有效优化路径,对比固定预瞄距离方法在转向弧度上平均减少30.70%,在跟踪偏离上减少16.41%,在路径长度上缩短10.87%。对比CPTD方法, DIPR平均提前30代收敛,收敛值平均提高10.67%,编队完成队形集结时间平均缩短15.4 s。得到结果更快更优,并且速度曲线结果连续平滑。