买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明公开了一种基于GRU的拦截飞行器制导律快速辨识方法，该方法中，针对拦截飞行器制导律辨识问题，首先，构建了三维空间下的拦截飞行器‑我方飞行器相对运动模型，拦截飞行器采用比例导引PN制导律或增强比例导引APN制导律。从相对运动模型中提取片段组成训练样本集和测试样本集，样本的输入为敌我双方运动学信息，标签为敌方拦截飞行器对应的制导律。其次，建立了包含三层隐含层的GRU网络模型，采用基于Adam算法的反向传播对网络进行训练，获得辨识模型，再通过辨识模型及时获得拦截飞行器的制导律。

主权项：1.一种基于GRU的拦截飞行器制导律快速辨识方法，其特征在于，该方法中，通过飞行器上的传感器实时测量获得飞行器自身和拦截飞行器的运动学信息；对所述飞行器自身和拦截飞行器的运动学信息做数据处理，并将处理后的数据信息输入到辨识模型中，得到辨识模型输出的拦截飞行器的制导律；所述飞行器自身和拦截飞行器的运动学信息包括：飞行器加速度aT，飞行器速度倾角θT，飞行器速度偏角ψT，拦截飞行器速度倾角θM，拦截飞行器速度偏角ψM，飞行器与拦截飞行器之间的相对距离rTM、相对视线倾角qyTM、相对视线偏角qzTM，所述相对距离rTM的变化率、所述相对视线倾角qyTM的变化率、所述相对视线偏角qzTM的变化率；在相对运动学模型中，其各自计算表达式为： 其中，xr、yr、zr分别表示拦截飞行器与我方飞行器之间距离在X轴、Y轴和Z轴上的投影距离；所述数据处理包括对数据做归一化处理；所述辨识模型通过下述方法获得：步骤1，调取多组飞行器和拦截飞行器的运动学信息数据，将拦截飞行器制导律参数作为类型标签，构建样本库；步骤2，基于Adam算法，通过样本库对GRU网络进行训练，得到辨识模型；GRU神经元由以下几部分组成：a.两个输入：上一时刻的神经元输出ht-1和上一层的神经元输出xt，用来传承上一时刻神经元的输出和接收上一层神经元的输出；b.两个门：重置门rt，用于计算之前的记忆需要保留多少；更新门zt，用于计算当前时刻的更新内容，计算方法为： c.一个状态：候选隐藏层状态用于计算当前时刻神经元内部状态，计算方法为： d.一个输出：最终输出ht，根据当前的输入和内部状态计算输出，计算方法为： 其中，σ表示sigmoid函数，w表示权重矩阵，b表示偏置量，计算符号·表示矩阵乘，计算符号⊙表示按元素乘；选取交叉熵函数作为损失函数，其计算公式为 其中，N为样本数量，i为样本编号，M为分类标签数量，j为分类标签，yij为第i个样本上第j个分类标签的真实值，为预测概率，L表示训练获得的损失函数Ltrain；首先计算各参数对目标函数的梯度，对于权重为 其中，E为损失函数，θ为所需训练参数，包括权重w和偏置b，权重与偏置训练方式相同，所述权重whz的推导过程为：根据GRU基本神经元内部结构，上式可化为 其中，定义为t时刻1层神经元误差项，是一个mw×1列向量；为神经元内部误差传递项，是一个1×nw行向量，对于第三隐含层最后时刻神经元，误差项可直接求得； 进而得到由到反向传播的误差为： 再进一步可计算得要训练的参数θ，θ∈{w,b}，目标函数E的梯度gt，基于Adam算法的参数θ更新公式为 其中，θt为更新前参数；θt+1为更新后参数；η为学习率；ε为平滑项，防止被零除；m't为一阶矩估计，v't为二阶矩估计；mt为梯度一阶矩，mt-1表示上一时刻的梯度一阶矩；vt为梯度二阶矩，vt-1表示上一时刻的梯度二阶矩；在步骤1中，从相对运动学模型中调取多组飞行器和拦截飞行器的运动学信息数据，所述相对运动学模型如下式1所示； 其中，xm,ym,zm表示拦截飞行器在惯性系下坐标,表示xm的导数，表示ym的导数，表示zm的导数，θm和ψm表示拦截飞行器的速度倾角和速度偏角；表示θm的导数，表示ψm的导数，Vm表示拦截飞行器的速度；ny、nz分别为拦截飞行器俯仰方向加速度和偏航方向加速度。

全文数据：

权利要求：

百度查询： 北京理工大学 基于GRU的拦截飞行器制导律快速辨识方法