基于自适应多通道交互式多模型的高超声速滑翔飞行器跟踪方法

针对临近空间高超声速滑翔飞行器机动性强、单跟踪模型稳定匹配困难等问题，在分析目标受力情况与机动特性基础上，充分考虑运动学建模适应性强和动力学建模匹配程度高的特点，提出一种运动学模型与动力学模型相结合的自适应多通道交互式多模型跟踪算法。该算法以运动学模型和动力学模型为模型集，利用似然函数值对转移概率矩阵进行实时调整，增强匹配模型在滤波中的比重，利用残差边缘分布描述滤波模型在x轴、y轴和z轴3个不同维度与目标运动的匹配程度，实现了似然函数和模型概率的一一对应。仿真实验结果表明，新算法在跟踪典型控制律下的高超声速滑翔飞行器时具有良好的适应性，在目标发生机动时误差起伏较小、稳定跟踪精度高。     

高超声速滑翔飞行器机动状态识别方法研究

高超声速滑翔飞行器(HGV)的迅猛发展改变了传统的作战样式,开辟了军事斗争的新领域。对HGV的机动状态进行识别可以为威胁评估、轨迹预测和防御决策提供有力支撑。为提高HGV机动状态识别精度,该文提出一种基于注意力机制的卷积长短时记忆网络识别模型(AT-ConvLSTM)。在对HGV进行机动建模和特性分析基础上,将HGV在空间的机动状态分为8类,构造了对应的特征识别参数,建立了包含不同初始条件和控制模式下HGV机动轨迹的轨迹库。推导了从雷达跟踪信息到特征识别参数的转换步骤,使用提出的状态识别模型对HGV机动轨迹的时空特征进行提取,并通过SoftMax分类器输出机动状态分类。最后,通过仿真实验对模型性能进行验证。结果表明,所提状态识别模型能够有效在线识别HGV机动状态,具有较好的实时性和准确性。