基于长短期记忆神经网络的弹丸落点预测

针对高旋榴弹弹丸落点预测传统方法用时较长且易积累误差或对气象变化适用性不足的问题，提出基于长短期记忆(LSTM)神经网络的落点预测方法。该方法分别将射程和横偏作为序列数据建立LSTM落点预测网络模型，用不同气象条件下的弹道数据训练网络模型，实现了弹丸落点预测快速准确且适用复杂气象的计算。仿真结果表明，该方法能够快速准确地预测复杂气象下的弹丸落点，且预测时间仅为数值积分法的十分之一。     

基于卷积神经网络的无人作战飞机飞行轨迹实时预测

飞行轨迹预测是空战技术的一部分,预测方结合轨迹预测结果可以选择出更有预见性的机动。为快速、准确地获得无人作战飞机在未来时刻的位置,提出了基于卷积神经网络的飞行轨迹预测方法。原始动力学模型不能正确仿真滚转角有偏差的筋斗机动,采取限制角速度的方式对该模型进行改进;使用改进后的模型在不同条件下进行飞行仿真,得到大量轨迹样本;训练并测试具有不同层数和卷积核数的网络,从中找出预测误差最小的网络;对比卷积神经网络与长短时记忆网络、循环神经网络、全连接网络的运算速度和误差,结果表明：卷积神经网络预测方法在没有增加运算用时情况下,0.25 s后的平均预测误差在x轴方向约为4.2 m,y轴方向约为8.0 m,z轴方向约为19.5 m,且误差均小于其他3种方法。     

基于麻雀搜索算法优化BP神经网络的弹丸射程预测研究

弹丸发射参数、气象条件等会影响弹丸射程,其构成的影响体系复杂并难以准确预测。针对BP预测算法会因初始权值和阈值取值不当导致陷入局部最优的问题,建立了麻雀搜索算法(SSA)优化BP神经网络的弹丸射程预测模型,以弹丸射程作为输出指标,选取弹丸初速、发射角度和风力条件作为影响因素输入,经过数据预处理后进行弹丸射程预测;同时与粒子群算法(PSO)和遗传算法(GA)优化BP神经网络预测模型的预测精度进行对比,验证SSA优化BP神经网络模型的预测效果。结果表明,SSA-BP预测模型的平均绝对误差、均方根误差和平均绝对百分比误差分别为10.456 4 m、11.831 3 m和0.058 13%,低于BP、PSO-BP、GA-BP预测模型的相应评估指标,所以SSA-BP模型的预测精度高于BP、PSO-BP、GA-BP预测模型,其可以为弹丸射程预测和远程火力打击研究提供支持。     

基于回归神经网络的非线性舰炮弹道偏差预测

提出一种基于回归神经网络及弹道机理模型对非线性弹道系统进行辩识的方法，通过观测上升段弹丸飞行轨迹，采用混合模型预测弹道的误差规律，最后估计出弹着点，对系统采用MATLAB进行仿真，结果表明，该方法有效可行。     

基于粒子群优化支持向量机神经网络的弹丸落点预报

针对目前弹丸落点预报方法预报时间较长和精度不高的问题,提出了基于粒子群(PSO)优化的支持向量机(SVM)神经网络预测方法。该方法采用PSO优化算法优化SVM训练参数,以获得最优SVM神经网络落点预测模型。在此基础上,使用卡尔曼滤波处理外弹道数据形成神经网络训练数据,进行落点预报仿真测试。仿真结果表明,射程最大误差为7.371m,横偏最大误差为0.886m;落点预报时间在35ms之内,比数值积分法快了一个数量级,为弹丸落点预报的实际应用提供了一种途径。     

基于增强上下文信息长短期记忆网络的弹道轨迹预测

根据己方观测数据进行弹道轨迹预测是现代陆军实施精准打击的重要一环。针对现有弹道轨迹预测方法存在精度不足且实时性不强的问题，提出一种新的增强上下文信息长短期记忆(CE-LSTM)网络轨迹预测模型，进行弹道轨迹的长期精准预测。在LSTM网络可逼近任意非线性函数且具备长期记忆能力的基础上，构建隐藏层输出混合单元提取短时上下文信息，进一步逼近弹体运动状态；通过建立不同条件下的弹道轨迹的数据集，训练得到具备最优超参数的CE-LSTM网络。实验结果表明，与弹道微分方程组的数值积分解法以及高斯混合模型相比，CE-LSTM网络在预测的精度上优于其他2种方法，预测速度提高了3～10倍，且具备较强的泛化能力。     

模糊控制与神经网络相结合的预测研究

针对模糊控制与神经网络的特点，提出了一种新的将模糊逻辑与神经网络相结合的方式，即模糊神经网络，同时给出了有效的算法；该算法训练速度快，预测精度高，并且用仿真实验验证了该模糊神经网络对混沌系统具有很好的预测性能。利用该模糊神经网络对一维Logistic map标准混沌系统进行了预测仿真实验，同时，与一般的神经网络进行了对比，讨论了该模型对被噪音污染的混沌数据的处理能力。     

一种改进的灰色BP 神经网络预测模型

为提高灰色GM(1,1)模型的预测精度和BP 神经网络的映射能力,提出一种改进的灰色BP 神经网络预测 模型。通过分别对灰色系统理论和BP 神经网络2 种模型进行改进,再串联组合成新的预测模型,并结合实测数据 进行仿真试验。结果表明：改进后的模型能兼具二者优点,预测精度有较大提高,相对误差减小,运算速率更快。     

基于聚类关联规则神经网络组合算法的弹丸初速预测

针对靶场试验中利用初速雷达测试弹丸初速需要重构的情况,选择同时参试的两台雷达的数据进行融合建立神经网络模型,用一台雷达的数据预测出另一台雷达需要重构的数据。由于预测模型预测精度的高低取决于所建模型的好坏,而模型的好坏取决于样本数据的质量,先利用聚类分析和关联规则从大量历史试验数据中挖掘出优质的样本,再建立神经网络进行预测。实验结果表明,与支持向量回归机相比,由聚类分析关联规则神经网络构建的组合算法的预测精度更高,预测历史相似数据误差远小于1‰,预测与历史出入较大的数据的精度也较为理想。两种情况下的预测结果表明,组合算法既保证了预测精度又具有一定的鲁棒性,可以作为弹丸初速的预测模型。     

基于LSTM的Encoder-Decoder多步轨迹预测技术

针对弱约束非合作目标的轨迹特性和运动特性,提出一种基于LSTM的Encoder-Decoder多步轨迹预测技术(EDMTP).引入一阶差分处理,降低了轨迹数据的时间依赖性,得到了无趋势的轨迹.构造输入输出的轨迹数据对,将预测问题转化为有监督学习问题,研究多步预测过程中模型性能的变化,实现端到端的轨迹预测.仿真结果表明,...     

基于GA-BP神经网络的镁合金微弧氧化膜层厚度预测

为直观地检验膜层的质量,建立微弧氧化工艺参数(电流大小、脉冲宽度、氧化时间)与微弧氧化膜层厚度之间的反向传播(BP)神经网络预测模型,其结构为3-10-1(即3个输入神经元,10个隐含层节点,1个输出神经元)。采用遗传算法(GA)优化BP神经网络的初始权值和阈值,构建基于遗传算法神经网络的膜厚预测模型。用GA-BP神经网络对膜厚进行模型仿真,并将仿真结果与BP神经网络模型仿真结果进行对比。结果表明,GA-BP网络模型预测值的平均误差为1.65%,最大误差为9.75%,而BP模型预测结果的平均误差为8.62%,最大误差为13.68%。GA-BP神经网络模型预测精度要优于BP神经网络模型。     

基于神经网络补偿的线性弹道落点预报方法

针对线性化法预报弹丸落点存在侧向速度、角速度计算复杂和适用范围小的问题,提出了基于神经网络补偿的线性弹道落点预报方法。该方法在线性假设下,对刚体六自由度弹道进行线性化处理,得到线性弹道模型;将弹丸的圆周运动方程组视为线性定常系统,利用系统的解得到圆周运动的解析式,并利用梯形近似法处理其他参数的导数,得到基于线性弹道的落点预报解析式;然后利用神经网络理论设计了补偿项,不仅解决了线性化法适用范围小的问题,还提高了线性弹道预报落点精度。数值仿真测试结果表明,该方法预报弹丸射程和横偏的最大误差分别约为4m和7m,预报落点时间约0.024ms,比解算6D弹道的时间少了1.451s。因此,该方法可为快速精确预报弹丸落点提供理论参考。     

基于神经网络回归分析组合模型的能源消耗预测研究

通过对时间序列数据进行处理,分别建立回归分析预测模型和BP神经网络预测模型,在此基础上建立基于2种预测方法的组合预测模型。采用熵值法确定组合预测模型的权系数。结合某省能源消耗总量数据进行仿真,结果与实际数据的误差较小,和2种单一的预测方法相比,预测结果更接近于实际情况。     

基于B样条神经网络的熔铸装药温度场预测

熔铸装药过程中模具内部温度场分布及其变化规律对装药质量具有重要影响。建立基于B样条神经网络的水/油浴熔铸装药工艺瞬态温度场预测模型，通过数值仿真的正交试验，获得不同工艺条件下熔铸装药温度场演变的数据样本；利用B样条神经网络对数据样本进行训练，得到水/油浴工艺的温控参数与药柱内部温度场之间的关系模型，实现温度场及其凝固前沿演变的快速准确预测。所得成果为熔铸装药的温控参数优化和在线控制提供了高效预测方法，为解决熔铸装药智能化发展中的物理场预测问题提供了方法的借鉴。     

基于神经网络的风洞马赫数预测控制仿真研究

针对2.4 m跨声速风洞很难用精确的机理模型表示系统的动态特性的问题,提出了基于神经网络模型的风洞马赫数预测控制策略.综合了模型预测控制和神经网络建模的优点,对于控制参数未知、非线性和时变系统具有很好的处理效果.利用基于径向基函数的神经网络模型预测系统的动态响应、非线性神经网络模型可以在训练过程中捕获系统的动态特性等措施,实现了将神经网络模型应用到MPC结构中.仿真结果表明,该控制策略具有很好的跟踪性能和控制效果.     

集成神经网络在2.4 m 跨声速风洞马赫数预测中的应用

2.4 m跨声速风洞空气流动是复杂的三维流动,想要利用机理模型来描述马赫数的特性十分困难,所以采用数据驱动的方式建立风洞马赫数模型。提出一种基于特征子集的集成神经网络建模方法,该方法选用动态NARMAX模型,并采用集成神经网络的方法建立了风洞马赫数预测模型;最后,进行了单一神经网络模型与集成神经网络模型在马赫数预测上的性能对比。试验结果表明：集成神经网络模型可以在保证预测准确度和泛化性的基础上,降低模型的训练和测试时间。     

一种基于神经网络的弹箭飞行控制方法

为了对飞行中的弹丸进行快速高效的弹道修正,文中提出了一种基于落点预测的修正方法。首先基于Elman神经网络进行弹丸落点预报,并对预报数据进行滤波处理。根据对预报落点与理论落点的偏差分析,使用脉冲发动机进行弹道修正,并且引入了基于CMAC的飞行控制方法。最后进行了仿真修正,经修正后在很大程度上减小了落点散布,说明文中提出的方法是有效的。     

基于神经网络的弹道修正弹落点预测方法

为了分析神经网络运用于弹道预测的可行性,构建了实用的弹道预测工具,建立了基于神经网络理论的弹道预测模型。利用二自由度质点弹道模型,选取BP网络和Elman网络进行神经网络弹道预测仿真。基于误差反向传播理论,比较了带动量项算法与自适应学习率算法这2种网络权值训练速度。对2种网络不同隐层节点数的学习误差和预测误差进行了对比分析。数值仿真计算结果表明,神经网络具有较高的预测精度,36.7 km射程仅有不足100m的射程误差,12.3 km射高仅有不足70 m的高度误差,预测结果满足要求,利用神经网络进行弹道预测是合理可行的。     

灰色神经网络在空舰导弹寿命预测中的应用研究

结合灰色理论与BP神经网络建立了灰色神经网络组合预测模型.该模型有效地将灰色理论弱化数据序列波动性的优点和神经网络特有的非线性适应性信息处理能力相融合.利用三种灰色模型及灰色神经网络模型对某型空舰导弹某电子设备的失效时间进行预测,研究结果表明灰色神经网络预测效果明显优于灰色模型,是一种实用的且精度较高的预测方法.     

基于遗传算法优化LSSVM的初速预测

利用两台初速雷达测试弹丸炮口初速的试验中,当一台雷达的数据出现缺失时,通过建模预测出缺失的数据成为一项必要的工作。预测初速主要采用GM(1,1)模型,但是该模型并不完全适合预测初速,所以预测精度不理想。通过深入分析两台雷达之间的关联性,选择把两台雷达的数据进行融合,同时根据弹丸初速自身的特征,选择建立遗传算法优化LSSVM对缺失的数据进行预测。实验验证时,选择ARIMA模型、GM(1,1)模型、支持向量回归机、BP神经网络作为对比模型,两次验证的结果表明,遗传算法优化LSSVM的预测精度最高,误差远小于1‰,达到了初速雷达测试弹丸初速的误差标准,是预测弹丸初速的最佳模型。